Was ist Dateninfrastruktur? Verbundene Daten, eine Ansicht, ohne Analystenteam.

Ein Jahrzehnt lang behandelten Unternehmen die Dateninfrastruktur als technische Disziplin im Hintergrund. Daten wanderten aus den Quellsystemen in eine relationale Datenbank, ein BI-Werkzeug visualisierte sie, und die Geschäftsführung las das Ergebnis im Monatsbericht. Dieses Modell zerbrach in dem Moment, in dem die Anzahl der Quellsysteme von 5 auf 50 anstieg und der Anspruch von monatlichen Berichten auf tagesaktuelle Entscheidungen wuchs.

Der sogenannte Modern Data Stack entstand als Antwort auf dieses Problem. Spezialisierte Werkzeuge übernehmen einzelne Schichten: Fivetran und Airbyte für die Ingestion, Snowflake, BigQuery oder Redshift als Cloud-Warehouse, dbt für die Transformation, Cube oder die dbt-Semantic-Layer für die Metrikdefinition und Looker, Mode oder Metabase für die Präsentation. Jede Schicht ist optimiert, jede ist austauschbar, und jede verursacht eigene Kosten in Lizenzgebühren und Engineering-Zeit.

Für die meisten Unternehmen im DACH-Raum mit weniger als 20 Mio. € ARR oder 30 Mio. € Handelsvolumen ist dieser vollständige Stack jedoch überdimensioniert. Eine Operating-Intelligence-Plattform übernimmt 80 % der Funktion zu 10 % der Kosten und stellt das Ergebnis direkt in der operativen Sprache zur Verfügung, in der die Geschäftsführung Entscheidungen trifft. Der Modern Data Stack bleibt richtig für analystenstarke Organisationen oberhalb dieser Schwelle.

Diese Seite versammelt die Begriffe, Architekturen und Entscheidungskriterien, mit denen Operatoren 2026 ihre Dateninfrastruktur dimensionieren — ohne in den Reflex zu verfallen, den vollständigen Werkzeugkasten zu kaufen, nur weil er der Industriestandard ist.

COOs und Operationschefs mittelständischer Unternehmen. Sie tragen die Verantwortung für eine einheitliche Sicht auf Umsatz, Marge und Pipeline. Ihre Frage an die Dateninfrastruktur lautet nicht «Welches Werkzeug ist das schönste?», sondern «Welche Architektur liefert mir Montag früh um 9 Uhr verlässliche Zahlen, ohne dass ich eine eigene Analytics-Abteilung aufbauen muss?».

Data-Engineering- und Analytics-Teams. Sie sind die direkten Nutzer der Schichten 1 bis 4. Ihre Disziplin reicht von Pipeline-Beobachtung über dbt-Tests bis zur Datenkatalog-Pflege. Eine ausgereifte Funktion entsteht ab etwa 50 Mio. € Umsatz, vorher genügt häufig eine konsolidierte Plattform.

CFOs und Finanzleiter im DACH-Raum. Sie konsumieren die Ausgabe der Dateninfrastruktur in Form von Forecast-Genauigkeit, Budget-Ist-Vergleichen und Kohortenanalysen. Ihre Anforderung an die Architektur ist Auditierbarkeit: Jede Zahl im Vorstandsbericht muss bis zur Quelltabelle nachvollziehbar sein.

Geschäftsführer und Bereichsleiter. Sie interessieren sich nicht für die Schichten, sondern für die Ergebnisse. Eine gute Dateninfrastruktur macht sich für diese Zielgruppe unsichtbar — sie bemerken nur, dass Entscheidungen schneller fallen und Zahlen weniger oft im Meeting korrigiert werden.

Eine Operating-Intelligence-Plattform übernimmt vier Aufgaben in einem Produkt. Sie verbindet sich nativ mit den 30 bis 50 Quellsystemen, die mittelständische Unternehmen tatsächlich einsetzen, sie speichert die Daten in einer mandantenfähigen Architektur ohne separates Warehouse-Abonnement, sie liefert vordefinierte Metrikdefinitionen für SaaS-, E-Commerce- und Dienstleistungsmodelle, und sie präsentiert das Ergebnis in einer entscheidungsorientierten Oberfläche statt in einer Dashboard-Bibliothek.

Der entscheidende Unterschied liegt in der Designannahme. Der Modern Data Stack geht davon aus, dass ein Analyst zwischen der Geschäftsführung und der Frage steht. Eine Operating-Plattform geht davon aus, dass die Geschäftsführung selbst die Frage stellt — und dass die Antwort eine konkrete nächste Handlung enthalten muss, nicht nur eine Visualisierung.

Konkret bedeutet das: Statt eines Dashboards mit zwölf Diagrammen zeigt eine Operating-Plattform am Montagmorgen drei Erkenntnisse. «Pipeline-Deckungsgrad für Q3 liegt bei 2,4× — unter dem Zielwert von 3×.» «Die Bruttomarge im Segment Enterprise ist gegenüber dem Vormonat um 1,8 Prozentpunkte gefallen.» «Drei Konten zeigen Risikomerkmale für Churn im nächsten Quartal.» Jede Erkenntnis ist mit der zugrunde liegenden Quelldatenebene verbunden, sodass die Geschäftsführung in zwei Klicks zur Detailansicht gelangt.

Wer mit dieser Designannahme arbeitet, spart pro Jahr typischerweise 150.000 € bis 400.000 € im Vergleich zum vollständigen Eigenaufbau — und gewinnt die Zeit der Data-Engineering-Stelle für Aufgaben, die tatsächlich Wettbewerbsvorteile schaffen.