Data Architect
Ein Data Architect ist die Fachperson, die festlegt, wie die Daten einer Organisation strukturiert, gespeichert, bewegt und gesichert werden, und dafür die Modelle, Standards und Plattform-Blaupausen erstellt, auf denen Engineers und Analysten aufbauen.
Was ist ein Data Architect?
Ein Data Architect zeichnet den Bauplan; Data Engineers bauen danach. Der Architect entscheidet, welche Systeme führende Quellsysteme sind, wie Daten zwischen ihnen fließen, wo sie für Analysen landen und welche Regeln jede Pipeline befolgen muss.
Die Arbeit umfasst drei Ebenen der Datenmodellierung:
Konzeptionell: die Geschäftsentitäten (Kunde, Bestellung, Fall) und ihre Beziehungen.
Logisch: Attribute, Schlüssel und Beziehungen, unabhängig von einer bestimmten Datenbank.
Physisch: tatsächliche Tabellen, Partitionen, Indizes und Datentypen auf einer gewählten Plattform.
Architects legen außerdem Namenskonventionen, Sicherheitszonen und Aufbewahrungsregeln fest, die das Design beim Wachsen konsistent halten. Sie stehen zwischen den Fachbereichen, die die Fragen beschreiben, und den Engineers, die eindeutige Spezifikationen brauchen. Ein gutes Architekturdokument passt auf wenige Seiten: ein Diagramm der Quellen und Datenflüsse, die Kernentitäten und die Regeln, die jede neue Pipeline befolgen muss.
Welche Entscheidungen trifft ein Data Architect?
Der Großteil des Werts eines Data Architects steckt in einer Handvoll schwer umkehrbarer Entscheidungen. Die wichtigsten:
Muster: Data Warehouse, Data Lake, Lakehouse oder Data Mesh, je nach Datentypen und Teamstruktur.
Integrationsstil: Batch-ETL, ELT innerhalb des Data Warehouse oder Event-Streaming mit Kafka.
Modellierungsansatz: Sternschemata nach Kimball für BI-Geschwindigkeit oder ein normalisierter Kern nach Inmon für unternehmensweite Konsistenz.
Identität: wie ein Kunde über CRM-, Abrechnungs- und Support-Systeme hinweg abgeglichen wird.
Historie: welche Tabellen eine Änderungshistorie führen, zum Beispiel Slowly Changing Dimension Typ 2.
Fehler bei Identität und Historie sind das klassische Versagen: Reports können später nicht beantworten, „wie sah das im letzten März aus?“
Wie sieht die Arbeit eines Data Architects in der Praxis aus?
Eine gute Architektur macht aus drei unverbundenen Tools ein Modell, das systemübergreifende Fragen beantwortet. Nehmen wir eine Physiotherapie-Kette mit 120 Mitarbeitenden, die Cliniko für Terminbuchungen, Xero für die Buchhaltung und HubSpot für das Marketing nutzt.
Angenommen, die Geschäftsführung möchte den Umsatz pro Zuweisungsquelle sehen. Der Architect definiert einen gemeinsamen Patientenschlüssel, wählt BigQuery als Data Warehouse und legt Fivetran-Konnektoren für tägliche Ladevorgänge fest. Ein Sternschema legt Termine und Rechnungen in Faktentabellen ab, mit Patient, Praxis und Zuweisungsquelle als Dimensionen.
Die Engineers bauen es in dbt. Weil der Patientenschlüssel zuerst vereinbart wurde, kann ein Looker-Studio-Report eine HubSpot-Kampagne mit den Rechnungen verknüpfen, die sie letztlich erzeugt hat, was kein einzelnes Tool zeigen könnte.
Was sind die häufigsten Fehler in der Datenarchitektur?
Der teuerste Architekturfehler ist es, für eine imaginierte Größenordnung statt für die heutigen Fragen zu planen. Ein Kafka-Cluster und ein Lakehouse für ein Unternehmen mit 2 GB CRM-Daten verursachen Kosten und Bereitschaftsaufwand ohne jeden Nutzen.
Weitere wiederkehrende Probleme:
Kein führendes System: Zwei Systeme „besitzen“ beide die Kundenadresse, sodass Aktualisierungen kollidieren.
Logik in Dashboards: Geschäftsregeln stecken in Power-BI-Measures statt im Data Warehouse, sodass jeder Report auseinanderdriftet.
Sicherheit als Nachgedanke: Personenbezogene Daten werden ohne Maskierung in Analytics-Zonen kopiert.
Ein einfacher Test: Findet ein neuer Analyst in weniger als zehn Minuten, wo „Umsatz“ definiert ist? Falls nicht, fehlt der Architektur ein dokumentierter Semantic Layer, und jeder neue Report wird die Definition leicht anders neu erfinden.
Worin unterscheidet sich ein Data Architect von einem Data Engineer?
Der Architect verantwortet das Design und seine Standards; der Engineer verantwortet Aufbau und Betrieb der Pipelines. In kleinen Teams übernimmt oft eine Person beides, doch die Denkweisen unterscheiden sich: Architects optimieren auf Konsistenz über Jahre, Engineers auf zuverlässige Lieferung in diesem Sprint.
Ein Data Engineer schreibt die Airflow-DAGs, dbt-Modelle und das Monitoring. Der Architect prüft, ob diese den vereinbarten Datenstandards folgen und zum Zieldesign passen, etwa einem Data Warehouse oder Lakehouse. Gängige Tools von Architects sind ER/Studio, erwin, dbdiagram.io sowie Cloud-Referenzarchitekturen von AWS, Azure und Google Cloud.
Data Architect vs. Data Engineer
Data Architect | Data Engineer | |
|---|---|---|
Hauptergebnis | Modelle, Standards, Plattform-Blaupause | Funktionierende Pipelines und Tabellen |
Zeithorizont | Jahre | Sprints und Releases |
Typische Tools | erwin, ER/Studio, Cloud-Referenzdesigns | dbt, Airflow, Fivetran, Spark |
Schlüsselfrage | Wie sollten Daten organisiert sein? | Wie bewegen wir sie zuverlässig? |
Verhindertes Problem | Inkonsistente, nicht verknüpfbare Daten | Fehlerhafte oder verspätete Ladevorgänge |
Wie geht VIZIO AI an Datenarchitektur heran?
VIZIO AI gestaltet die Architektur rund um die Entscheidungen, die ein Kunde treffen muss, und hält sie modular, damit neue Quellen ohne Neuaufbau hineinpassen. Für eine Familienrechtskanzlei in Seattle baute unser DX Studio ein SQL-Data-Warehouse, das Lawmatics, Clio Manage und QuickBooks verknüpft, den manuellen Reporting-Aufwand um 65 % reduzierte und die Genauigkeit der Umsatzverfolgung um 42 % verbesserte.
Für ein britisches Rohstoffhandelsunternehmen vereinheitlichte eine individuelle ETL-Pipeline Tabellen, APIs und historische Dateien in einem cloud-nativen, modularen Design, das für neue Anlageklassen und Regionen bereit ist, und reduzierte den manuellen Reporting-Aufwand um 19 %.
Wo Sie anfangen sollten: Notieren Sie die drei systemübergreifenden Fragen, die heute niemand beantworten kann, und entwerfen Sie die gemeinsamen Schlüssel, die diese Fragen erfordern.
Data Architect in Fallstudien von VIZIO AI
- Legal Operational Performance Analytics ›Ein SQL-Data-Warehouse verknüpfte Lawmatics, Clio Manage und QuickBooks und reduzierte den manuellen Reporting-Aufwand um 65 %.
- Real-Time Investment Performance Dashboard ›Ein modulares, cloud-natives ETL-Design vereinheitlichte Tabellen, APIs und Dateien und reduzierte den manuellen Reporting-Aufwand um 19 %.