Data Mart
Ein Data Mart ist eine themenspezifische Teilmenge analytischer Daten, etwa für Marketing, Finanzen oder Vertrieb, die für die Reporting-Anforderungen eines einzelnen Teams modelliert und gespeichert wird und häufig aus einem größeren Data Warehouse stammt.
Was ist ein Data Mart?
Ein Mart grenzt das Warehouse auf die Tabellen ein, die eine Abteilung tatsächlich abfragt, und strukturiert sie so, wie diese Abteilung denkt. Die Finanzabteilung erhält Rechnungen, Zahlungen und Kostenstellen; das Marketing erhält Kampagnen, Ausgaben und zugeordnete Leads.
Die meisten Marts verwenden ein Sternschema: eine zentrale Faktentabelle (eine Zeile pro Bestellung, pro Anzeigenklick, pro Zahlung), umgeben von Dimensionstabellen (Kunde, Produkt, Datum, Kanal). Diese von Ralph Kimball populär gemachte Struktur hält Abfragen in BI-Tools wie Power BI und Tableau einfach und schnell.
In modernen Cloud-Stacks ist ein Mart oft nur ein Schema im Warehouse, etwa marts.finance, das von dbt-Modellen statt als separate Datenbank aufgebaut wird. Die Idee hat die Hardware, für die sie entworfen wurde, überdauert: Es ging nie um Speicherplatz, sondern darum, einem Team ein Modell zu geben, das seinem Vokabular entspricht.
Welche Arten von Data Marts gibt es?
Marts werden danach klassifiziert, woher ihre Daten stammen. Die drei Standardtypen:
Abhängig: aus einem unternehmensweiten Data Warehouse aufgebaut, sodass Definitionen abteilungsübergreifend konsistent bleiben. Das ist das Modell von Bill Inmon.
Unabhängig: direkt aus Quellsystemen für ein Team aufgebaut, ohne zentrales Warehouse. Schnell gestartet, aber anfällig für widersprüchliche Zahlen.
Hybrid: überwiegend aus dem Warehouse gespeist, ergänzt um einige lokal hinzugefügte Quellen.
Kimballs Bus-Architektur verbindet Marts über konforme Dimensionen: eine gemeinsame Kunden- oder Datumstabelle, die jeder Mart verwendet, sodass Marketing und Finanzen Kunden auf dieselbe Weise zählen.
Wie sieht ein Data Mart in der Praxis aus?
Ein guter erster Mart beantwortet die wiederkehrenden Fragen eines Teams, ohne dass es Rohtabellen anfassen muss. Nehmen wir einen E-Commerce-Händler mit 200 Mitarbeitenden, dessen Marketingteam ständig CSV-Dateien exportiert, um die Kosten pro Akquisition zu berechnen.
Das Datenteam listet die wichtigsten Fragen des Marketings auf: Ausgaben nach Kanal, Neukunden nach Kanal, CAC und 90-Tage-Wiederkaufrate.
Es baut eine Faktentabelle der täglichen Ausgaben pro Kampagne und eine Faktentabelle der Erstbestellungen, beide verknüpft mit einer gemeinsamen Kanaldimension und der unternehmensweiten Kundendimension.
dbt führt die Modelle nächtlich in Snowflake aus; Power BI verbindet sich ausschließlich mit dem Marketing-Schema.
CAC wird einmal im Modell definiert, nicht in jedem Bericht.
Angenommen, die Exportanfragen hören innerhalb eines Monats auf. Die Finanzabteilung verwendet später dieselbe Kundendimension in ihrem eigenen Mart, sodass beide Teams identische Neukundenzahlen berichten.
Was sind die Vor- und Nachteile von Data Marts?
Marts machen ein Team schnell; zu viele unabhängige Marts machen es dem Unternehmen schwer, sich zu einigen.
Vorteile: einfachere Modelle für Fachanwender, schnellere Abfragen auf kleineren Tabellen, klare Verantwortlichkeiten und auf relevante Daten beschränkter Zugriff.
Nachteile: doppelte Logik, wenn Marts unabhängig sind, „zwei Versionen des Umsatzes“ in verschiedenen Abteilungen und zusätzliche Pipelines, die gepflegt werden müssen.
Verzichten Sie auf einen eigenen Mart, wenn das gesamte Unternehmen weniger als ein Dutzend Kerntabellen hat; ein gut modelliertes Warehouse-Schema reicht dann aus. Bauen Sie einen, wenn die Abfragen eines Teams immer wieder dieselben fünf bis zehn Joins benötigen.
Wie unterscheidet sich ein Data Mart von einem Data Warehouse oder Data Lake?
Ein Warehouse deckt die gesamte Organisation ab, ein Mart ein einzelnes Thema, und ein Lake speichert Rohdaten beliebiger Struktur. In der Praxis bilden sie Schichten: Rohdaten landen in einem Data Lake oder Staging-Bereich, das Warehouse integriert sie, und Marts stellen sie bestimmten Teams bereit.
Die Tools sind größtenteils dieselben: Snowflake, BigQuery, Redshift oder Azure Synapse für die Speicherung; dbt für die Modellierung (die Dokumentation empfiehlt einen „marts“-Ordner); Power BI, Looker oder Tableau für die Nutzung. Ein Lakehouse auf Databricks folgt derselben Idee mit „Gold“-Tabellen in der Medallion-Architektur.
Data Mart vs. Data Warehouse
Data Mart | Data Warehouse | |
|---|---|---|
Umfang | Ein Thema oder eine Abteilung | Die gesamte Organisation |
Typische Größe | Eine Handvoll Faktentabellen | Hunderte von Tabellen |
Hauptnutzer | Analysten und Manager eines Teams | Datenteam und alle Abteilungen |
Aufbauzeit | Wochen | Monate, schrittweise aufgebaut |
Hauptrisiko | Inkonsistente Definitionen zwischen Marts | Langsame Bereitstellung für einzelne Teams |
Wie baut VIZIO AI Datenmodelle auf Abteilungsebene wie Data Marts auf?
VIZIO AI baut themenfokussierte Modelle für das Team, das sie braucht, und hält dabei die Definitionen konsistent mit den unternehmensweiten Daten. Keine der veröffentlichten Fallstudien von VIZIO AI ist als „Data Mart“ bezeichnet, doch das nächstliegende Beispiel ist ein auf eine Abteilung zugeschnittenes Modell. Für ein globales Unternehmen für Kreditauskünfte und Risikoanalysen baute das DX Studio einen Marketing- und Personaldatensatz für das Marketingteam in Johannesburg und nutzte Power-Query-ETL, um Smartsheet- und Excel-Daten in einem Power-BI-Modell zusammenzuführen.
Das Team sparte jährlich mehr als 1.500 Stunden manuelles Reporting ein und verkürzte den monatlichen Reporting-Zyklus von fünf Tagen auf unter zwei. Für eine spanische Rechtsboutique baute das DX Studio ein Marketing- und Finanz-Warehouse, das Power BI speist, und reduzierte die Zeit für das Performance-Reporting um 70 %.
Wo Sie anfangen sollten: Listen Sie die zehn häufigsten Fragen eines Teams auf und modellieren Sie nur die Fakten und Dimensionen, die dafür nötig sind.
Data Mart in Fallstudien von VIZIO AI
- Marketing Performance and Workforce Analysis Dashboard ›Ein aus Smartsheet und Excel aufgebautes Power-BI-Modell für das Marketingteam sparte jährlich mehr als 1.500 Stunden manuelles Reporting ein.
- Legal Marketing Intelligence ›Ein Marketing- und Finanz-Warehouse, das Power BI speist, reduzierte die Zeit für das Performance-Reporting um 70 %.