Von der Datenstrategie über Architektur und Data Engineering bis in den Betrieb. Wir bauen die Plattform, die Ihr Team danach selbst weiterentwickelt.
Erstgespräch vereinbarenIn den meisten Unternehmen ist die Datenlandschaft nicht geplant worden, sondern über Jahre gewachsen. Für jede neue Anforderung kam eine weitere Datenstrecke dazu, häufig mit eigenem Werkzeug und eigener Berechnung derselben Kennzahl. Solange niemand zwei Auswertungen nebeneinanderlegt, fällt das nicht auf.
Eine Data- & AI-Plattform dreht das um. Die Daten aller relevanten Quellsysteme laufen an einer Stelle zusammen und werden dort einmal bereinigt, historisiert und zu einer gemeinsamen Sicht zusammengeführt. Reporting, Analytics und KI greifen anschließend auf dieselbe Basis zu. Wir bauen solche Plattformen auf Azure Databricks und Microsoft Fabric, von der ersten Architekturskizze bis in den produktiven Betrieb.
An der Technologie scheitert das heute selten. Häufiger scheitert es an einem Datenmodell, das zur tatsächlichen Quelllandschaft nicht passt, oder daran, dass nach Projektende niemand im Haus die Plattform weiterentwickeln kann. Um beides kümmern wir uns von Anfang an.
Sechs Bausteine, die zusammen eine tragfähige Plattform ergeben.
SAP, Microsoft Dynamics 365, Salesforce, MES- und Logistiksysteme, Dateien und APIs. Wir wählen je Quelle das passende Verfahren, von Batch über Change Data Capture bis Streaming, und legen die Rohdaten unverändert ab, damit jede spätere Auswertung gegen den Ursprung prüfbar bleibt.
Kimball oder Data Vault 2.0: Diese Wahl entscheidet, wie gut die Plattform mit neuen Quellen und Anforderungen mitwächst. Wir treffen sie anhand Ihrer Quelllandschaft, Ihrer Historisierungspflichten und der Erfahrung im Team, und legen die Abwägung offen, statt eine Methode zu setzen.
Transformationsstrecken mit dbt oder Lakeflow Declarative Pipelines, versioniert im Git, mit Tests auf Schlüssel, Beziehungen und fachliche Plausibilität. Orchestrierung, Fehlerbehandlung und Wiederanlauf gehören dazu, nicht in ein späteres Ticket.
Zugriffsrechte bis auf Zeilen- und Spaltenebene, nachvollziehbare Herkunft jeder Kennzahl, Monitoring der Ladestrecken und Kostenkontrolle. Auf Azure Databricks über Unity Catalog, in Microsoft Fabric über Domänen, Workspaces und Kapazitätssteuerung. Wie sich das bis in die Auswertung fortsetzt, steht auf Reporting und Self-Service BI.
Ihr Team arbeitet vom ersten Sprint an mit, nicht erst bei der Übergabe. Konventionen werden dokumentiert, Entscheidungen begründet festgehalten, und die Verantwortung wandert schrittweise ins Haus. Das ist der Punkt, an dem sich entscheidet, ob die Plattform nach uns weiterlebt.
Selten steht die Plattform auf der grünen Wiese. Ein reiner Umzug der bestehenden Strecken geht schnell, nimmt aber jede gewachsene Schwäche mit. Wir nehmen die vorhandene Landschaft deshalb zuerst auf und entscheiden je Strecke: unverändert übernehmen, überarbeiten oder im Zielmodell neu schneiden. Was neu entsteht, legen wir auf Laufzeit und Kosten aus, nicht nur auf eine schnelle Ablösung. Umgestellt wird dann Geschäftsobjekt für Geschäftsobjekt, Alt und Neu laufen eine Zeit lang parallel und werden verglichen, bevor die alte Strecke abgeschaltet wird.
Der zweite Baustein oben, die Wahl zwischen Kimball und Data Vault 2.0, ist die Entscheidung mit der längsten Wirkung. Unser Kompass stellt Ihnen dazu 14 Fragen und liefert in drei bis vier Minuten eine begründete Ersteinschätzung samt Abwägungen.
Vier Phasen. Die erste liefert eine Entscheidungsgrundlage, ab der zweiten entsteht etwas Produktives.
Eine Strategie, die nicht in eine Architektur mündet, bleibt ein Dokument.
Wir verkaufen Datenstrategie nicht als eigenes Vorhaben mit eigenem Abschlussbericht. Sie ist die erste Phase des Aufbaus und beantwortet die Fragen, aus denen unmittelbar die Zielarchitektur folgt:
Am Ende dieser Phase steht kein Foliensatz mit Reifegradmodell, sondern eine Zielarchitektur, eine begründete Modellierungsentscheidung, eine priorisierte Reihenfolge der Use Cases und eine realistische Aufwandseinschätzung für die erste Ausbaustufe. Damit lässt sich entweder starten oder bewusst nicht starten. Beides ist ein brauchbares Ergebnis.
Wir sind auf zwei Plattformen spezialisiert und verdienen an keiner von beiden mehr. Deshalb fällt die Wahl anhand Ihrer Ausgangslage.
Die stärkere Wahl bei Engineering-Tiefe, vielen heterogenen Quellen, großen Datenmengen und wenn Data Science, Machine Learning oder generative KI eine echte Rolle spielen. Offene Formate über Delta Lake, Governance über Unity Catalog.
Zur Azure Databricks Beratung →Die stärkere Wahl bei enger Power-BI-Integration, Self-Service für Fachbereiche und geringem Betriebsaufwand, besonders in Organisationen, die ohnehin tief im Microsoft-Ökosystem stehen.
Zur Microsoft Fabric Beratung →Kommt häufiger vor, als die Produktseiten vermuten lassen: Data Engineering und KI auf Azure Databricks, Auswertung und Self-Service über Power BI und Microsoft Fabric. Wichtig ist, dass die Grenze bewusst gezogen wird. Bleibt sie offen, entstehen mit der Zeit doppelte Transformationen und Kennzahlen, die je nach Werkzeug leicht anders ausfallen. Wir legen deshalb früh fest, welche Aufgabe auf welcher Plattform liegt, und halten die Entscheidung nachvollziehbar fest.
Erstgespräch vereinbaren →Spezialisierte Data- & AI-Experten, die Architektur und Umsetzung selbst verantworten. Was das für Sie bedeutet:
Wer bei uns die Zielarchitektur entwirft, begleitet das Vorhaben bis in den produktiven Betrieb und die Übergabe an Ihr Team. Entscheidungen werden dadurch an der Umsetzung geprüft und fallen nicht erst mitten im Projekt auf.
Jede Architekturentscheidung hat Vorteile und einen Preis. Wir legen beides offen, mit Aufwand, Folgen und Alternativen, damit die Entscheidung bei Ihnen liegt und nicht bei einer Methodenpräferenz. Das gilt besonders für die Wahl des Datenmodells, die sich später am teuersten korrigieren lässt.
Mit eigenen Vorlagen und Bausteinen für Anbindung, Modellierung und Tests bringen wir Use Cases in Wochen in den Einsatz, nicht in Monaten.
Wir bauen so, dass Ihr Team die Plattform danach eigenständig weiterentwickelt. Erfolgreiche Beratung macht sich mit der Zeit überflüssig.
Sechs Bausteine: die Anbindung der Quellsysteme, die Datenarchitektur samt Datenmodell, die Transformationsstrecke mit Orchestrierung und Tests, Governance und Betrieb mit Zugriffsrechten, Data Lineage und Monitoring, das Enablement Ihres Teams, und wo bereits eine Landschaft existiert die schrittweise Ablösung der alten Strecken. Die Plattform ist erst fertig, wenn alle sechs stehen. Am häufigsten unterschätzt wird Governance und Betrieb, weil dieser Teil beim ersten Use Case noch nicht stört und ab dem dritten die Bremse ist.
Beides kommt vor. Im Greenfield ist die Fundamententscheidung günstig, weil noch nichts umgebaut werden muss, dort beginnen wir mit Zielbild und Architektur. Läuft dagegen schon eine Plattform produktiv, ist ein Komplettumbau selten die richtige Antwort. Dann stellen wir einzelne Geschäftsobjekte nacheinander um, während der Betrieb weiterläuft, und lösen die alten Strecken schrittweise ab.
Das hängt vom Fundament ab, das Ihre Anforderungen verlangen. Bei wenigen stabilen Quellen und einer Abteilungssicht sind vier bis acht Wochen bis zum ersten produktiven Bericht realistisch. Kommen viele heterogene Quellen zusammen, muss die Plattform unternehmensweit tragen, oder müssen Sie rückwirkend belegen können, welcher Wert wann aus welchem System kam, etwa gegenüber Wirtschaftsprüfern, im Rahmen von GoBD, DSGVO und ISO 27001, unter aufsichtsrechtlichen Anforderungen wie denen der BaFin und DORA im Finanzsektor oder unter branchenspezifischen Vorgaben wie GxP und dem Lieferkettengesetz, dann ist eine längere Aufbauphase die ehrlichere Planung. Wir sagen Ihnen im Erstgespräch, in welchem der beiden Fälle Sie sind.
Die Datenstrategie ist bei uns die erste Phase des Aufbaus. Sie klärt, welche Fragen die Plattform beantworten, welche Probleme sie lösen und welche Entscheidungen sie stützen soll, welche Quellen dafür nötig sind, welche Anforderungen an Historisierung und Nachweisbarkeit bestehen und in welcher Reihenfolge Use Cases kommen. Daraus folgt die Zielarchitektur. Eine Strategie, die nicht in eine Architektur mündet, bleibt ein Dokument.
Wir bewerten neutral, weil wir auf beide Plattformen spezialisiert sind und an keiner von beiden mehr verdienen. Grob: Microsoft Fabric spielt seine Stärken bei enger Power-BI-Integration, Self-Service für Fachbereiche und geringem Betriebsaufwand aus. Azure Databricks bietet mehr Engineering-Tiefe und ist stärker bei Data Science, Machine Learning und generativer KI. Die Entscheidung fällt anhand Ihrer Quellen, Ihres Teams und Ihrer Betriebsvorstellung.
Unser Ziel ist der Eigenbetrieb durch Ihr Team. Deshalb gehört Enablement von Anfang an in den Plan: dokumentierte Konventionen, gemeinsames Arbeiten am realen Code statt Frontalschulung, und eine schrittweise Übergabe der Verantwortung. Danach begleiten wir auf Abruf, etwa bei der Anbindung weiterer Quellsysteme, bei Architekturfragen oder bei der nächsten Ausbaustufe.
Weniger, als viele erwarten, aber nicht null. Wir brauchen vor allem Zugang zu den Quellsystemen und Menschen, die die Fachlichkeit kennen: je Quellsystem eine Ansprechperson für Fragen zu Feldern und Sonderfällen, und aus dem Fachbereich jemanden, der entscheiden darf, wie eine Kennzahl gerechnet wird. In der ersten Phase sind das überschaubare Termine, während des Aufbaus ein regelmäßiger kurzer Austausch. Wer später selbst weiterentwickeln will, sollte zusätzlich Zeit für die Mitarbeit einplanen, denn genau daraus entsteht die Eigenständigkeit.
„Sanalytics hat uns bei der Modernisierung unserer Datenplattform und unseres Reportings begleitet. Zudem unterstützten sie uns bei der Evaluierung von KI-Lösungen sowie bei der Entwicklung von Prototypen. Dank ihrer Unterstützung gelang der reibungslose Übergang zu einer skalierbaren Datenplattform für Group Finance mit höherer Datenqualität, besserer Performance und verbesserter Wartbarkeit."
David Sanadze
Gründer & Solutions Architect – Data & AI
Ob Sie neu anfangen oder eine über Jahre gewachsene Datenlandschaft ablösen: Die ersten Entscheidungen wirken am längsten nach.
In 30 Minuten klären wir: