Datenarchitekturen

28. Juni 2026 · 1 Std. 3 Min.

Die Architektur von Datensystemen hat sich von zentralisierten, starre Schemen erzwingenden Data Warehouses über flexible Data Lakes bis hin zu dezentralisierten Data-Mesh-Ansätzen entwickelt, wobei jeder Schritt das wiederkehrende Problem der vorherigen Lösung adressierte.

Die Folge zeichnet die Entwicklungslinie analytischer Datenarchitekturen nach: vom klassischen Data Warehouse mit ETL-Prozessen und Schema-First-Ansatz über Data Lakes, die Flexibilität durch Schema-on-Read bringen, bis zu modernen Konzepten wie Lakehouse, Data Mesh und Data Fabric. Dabei wird klar, dass jede Architektur-Generation eine Lösung auf ein spezifisches Schmerz-Problem der vorherigen darstellte – von der Centralized-Control-Problematik beim Warehouse über die fehlende Schemaklarheit beim Lake bis zur Ownership-Frage beim Mesh.

Zahlen & Fakten

30 Jahre

Rainer Jaspert ist seit ungefähr 30 Jahren als Consultant tätig und hat die Entwicklung von Data-Systemen von Anfang an begleitet.

20 Jahre

Rainer Jaspert ist vor etwa 20 Jahren zu InnoQ gekommen, nach seiner intensiven Zeit mit Data Warehousing in den 1990ern.

Diese Folge steckt voller Zahlen – neugierig?

Themen & Erkenntnisse

Von operativen zu analytischen Daten: Grundlegende Unterschiede und erste Lösungen · ab 05:03: Operative und analytische Daten unterscheiden sich fundamental: Operative Daten befinden sich unter voller Kontrolle des Systems, während analytische Daten Abhängigkeiten zwischen Teams schaffen. Data Warehouse war der erste Ansatz, diese zu vereinheitlichen.

Data Lake, Lakehouse und die Suche nach Flexibilität · ab 23:17: Data Lakes ermöglichten Schema-on-Read statt Schema-First, speicherten Rohdaten in Dateisystemen und reduzierten ETL-Overhead. Das Lakehouse kombiniert beide Ansätze: Rohdaten-Flexibilität mit schrittweiser Veredelung zu bereinigten, nutzbaren Daten.

Data Mesh als Ownership-Lösung und moderne Plattform-Architekturen · ab 37:17: Data Mesh überträgt Domain-Driven-Design-Prinzipien auf Daten: Teams bieten Datenprodukte mit klarer Ownership an. Data Fabric und In-Memory-Technologien wie DuckDB ermöglichen dezentrale Nutzung und direkte Joins ohne zentrale Aggregation.

Quellen

• Data Mesh Architecture – Website mit Beispielen für Implementierungen

• ArtikelStefan Nägele – Artikel und Blog-Posts zu Heuristiken beim Data-Product-Schnitt

Alle Quellen findest du in der vollständigen Folge

Wer spricht

Sven JohannHOST

Host des INNOQ Podcasts, führt durch die Episode und stellt Fragen zu Datenarchitekturen.

Alle Auftritte von Sven Johann →

Rainer JaspertGAST

Data-Architekt und Senior Consultant bei INNOQ, mit 30 Jahren Erfahrung in Datenverarbeitung und Datensystemen, Spezialist für Data-Mesh- und Data-Fabric-Ansätze.

Alle Auftritte von Rainer Jaspert →

Ganze Folge hören

KIDieser Inhalt wurde KI-gestützt erstellt und redaktionell geprüft.