Was ist ein Datenkatalog?

Ein Datenkatalog ist ein geordnetes Inventar aller Datenbestände einer Organisation, die Google-Suche für die Daten Ihres Unternehmens. Statt Tabellen, Slack-Nachrichten und Wiki-Seiten zu durchsuchen, um herauszufinden, welche Daten es gibt und was sie bedeuten, gibt ein Datenkatalog allen sofort Zugriff auf Definitionen, Data Lineage, Verantwortlichkeiten und Qualitätsinformationen zu den erfassten Datensätzen.

Da KI-Systeme Unternehmensdaten in großem Maßstab verarbeiten und Aufsichtsbehörden Nachvollziehbarkeit über die Datennutzung verlangen, ist der Datenkatalog von einem Komfortwerkzeug für Datenteams zu einer Grundschicht der Unternehmens-IT geworden.

Was ist ein Datenkatalog?

Ein Datenkatalog ist eine zentrale Lösung für Metadatenmanagement, die ein durchsuchbares Inventar der Datenbestände über die gesamte Datenlandschaft einer Organisation bereitstellt. Er erfasst technische Metadaten (wo Daten liegen, wie sie strukturiert sind, wie sie zwischen Systemen fließen) und fachliche Metadaten (was die Daten bedeuten, wer sie verantwortet, wie sie verwendet werden sollen). Erst die Verbindung beider Ebenen unterscheidet einen nützlichen Katalog von einer weiteren Datenbank über Datenbanken.

Moderne Datenkataloge gehen über ein reines Inventar hinaus. Sie verbinden das Finden von Daten mit Data Governance, Qualitätsmanagement, Data Lineage und fachlichem Kontext und ergeben so ein vollständiges Bild der Unternehmensdaten, das sowohl die tägliche Analytics-Arbeit als auch langfristige KI-Vorhaben trägt.

Warum Organisationen einen Datenkatalog brauchen

Den meisten Organisationen fehlen nicht die Daten, sondern die Klarheit darüber. Data Engineers finden den passenden Datensatz für eine Analyse nur mühsam. Analysten verbringen Stunden damit, den Data Owner zu finden, um zu fragen, was eine Spalte bedeutet. Data Scientists bauen Modelle auf Daten, die sie nicht vollständig verstehen. Das ist der Alltag in Organisationen ohne eine Lösung, um Daten zu finden.

Ein Datenkatalog löst diese Probleme, indem er für jedes Datenobjekt drei Fragen beantwortet: Was sind diese Daten? Woher kommen sie? Kann ich ihnen vertrauen? Wenn diese Fragen leicht zu beantworten sind, arbeiten Teams schneller, machen weniger Fehler und bauen verlässlichere KI-Modelle.

Ein Teil des Problems sind nicht falsche Daten, sondern missverstandene: Teams arbeiten mit unterschiedlichen Definitionen, Analysten greifen zum falschen Datensatz, oder Entwickler bauen etwas doppelt, weil sie nicht wussten, dass es den Datensatz schon gibt. Genau auf diese Klasse von Problemen zielt ein Datenkatalog.

Zentrale Funktionen eines Datenkatalogs

Der Wert eines Datenkatalogs entsteht aus dem Zusammenspiel der Funktionen, die er zusammenbringt. Einzeln ist jede nützlich. Gemeinsam ergeben sie eine Plattform, die verändert, wie Organisationen ihre Daten verstehen und steuern.

Automatisches Erfassen von Metadaten

Moderne Datenkataloge scannen angebundene Datenquellen automatisch, also Datenbanken, Data Warehouses, Data Lakes, BI-Werkzeuge und APIs, und lesen technische Metadaten ohne manuelle Eingabe aus. Dieses automatische Erfassen hält den Katalog aktuell, während sich die Datenlandschaft verändert, statt sich auf periodische Handarbeit zu verlassen, die binnen Wochen hinterherhängt.

Business Glossary

Technische Metadaten sagen Ihnen, wie eine Spalte heißt. Fachliche Metadaten sagen Ihnen, was sie bedeutet. Ein Business Glossary, also ein Fachglossar, liefert abgestimmte Definitionen für die zentralen Begriffe: „Kunde“, „Umsatz“, „aktiver Nutzer“. Auf diese Definitionen können sich Teams in der ganzen Organisation verlassen. Wenn Finanzen, Marketing und Entwicklung dieselbe Definition von „Kunde“ verwenden, hören die endlosen Diskussionen über widersprüchliche Berichte auf.

Data Lineage

Data Lineage verfolgt den Weg der Daten vom Ursprung über jede Transformation bis zum Ziel. Einem Fachanalysten beantwortet Data Lineage die Frage „Woher kommt diese Zahl?“. Einem Data Engineer beantwortet sie „Wenn ich diese Tabelle stromaufwärts ändere, welche Dashboards brechen?“. Für die Compliance beantwortet sie „Zeig mir jedes System, das diese personenbezogenen Daten verarbeitet hat“. Deshalb ist interaktive Data Lineage eine Kernfunktion eines modernen Datenkatalogs.

Kennzahlen zur Datenqualität

Ein Katalog, der Informationen zur Datenqualität sichtbar macht, also Vollständigkeit, Aktualität, Korrektheit und Konsistenz, hilft Nutzern einzuschätzen, ob Daten für ihren Zweck taugen, bevor sie Zeit in Daten stecken, auf die sie sich nicht verlassen können. Teams entdecken Qualitätsprobleme vor dem Bau eines Berichts, nicht danach.

Zusammenarbeit und Verantwortung

Datenkataloge bieten Mechanismen, um Verantwortlichkeiten zu dokumentieren, Data Stewards zu benennen und Teams zu ermöglichen, über Beschreibungen, Tags und Bewertungen Kontext beizutragen. Diese kollaborative Ebene macht aus dem Katalog mehr als ein statisches Inventar: eine lebende Wissensbasis, die besser wird, je mehr Menschen beitragen.

So arbeitet ein Datenkatalog

Ein Datenkatalog verbindet sich über native Konnektoren und APIs mit den vorhandenen Datenquellen. Ist die Verbindung hergestellt, durchsucht er diese Quellen, findet Datenobjekte und liest technische Metadaten aus. Fachliche Metadaten, also Beschreibungen, Verantwortlichkeiten, Tags und Qualitätsregeln, kommen aus einer Mischung von automatischen KI-Vorschlägen und menschlichen Beiträgen hinzu. Das Ergebnis ist ein durchsuchbares, geordnetes Inventar, erreichbar über eine Weboberfläche oder eine API.

Die wirksamsten Kataloge arbeiten als Plattformen für aktive Metadaten statt als Momentaufnahmen. Sie überwachen die angebundenen Quellen laufend auf Änderungen, benachrichtigen Data Stewards, wenn Objekte geändert werden, und aktualisieren die Lineage-Graphen automatisch, während sich die Datenpipelines weiterentwickeln.

Anwendungsfälle

Organisationen setzen Datenkataloge in sehr unterschiedlichen Szenarien ein. Die häufigsten liefern unmittelbaren, messbaren Nutzen.

Daten finden und Self-Service-Analytics

Der unmittelbarste Anwendungsfall ist, Menschen zu den richtigen Daten zu führen. Ein Fachanalyst sucht nach „Kundenabwanderung“ und findet jeden relevanten Datensatz, Bericht und jede Kennzahl über alle angebundenen Systeme hinweg, samt Beschreibungen, Qualitätsinformationen und Kontaktdaten des Data Owner. Was früher Stunden an E-Mail-Ketten gekostet hat, ist in Minuten geklärt.

Data Governance und Compliance

Datenkataloge sind das operative Rückgrat von Data Governance-Programmen. Sie liefern das Objektinventar, die Verantwortungsstrukturen, die Zuordnung von Richtlinien und die Data Lineage, mit denen sich regulatorische Pflichten praktisch belegen lassen. Art. 30 DSGVO verpflichtet Verantwortliche, ein Verzeichnis von Verarbeitungstätigkeiten zu führen, und die BCBS-239-Grundsätze des Basler Ausschusses legen fest, was von Banken bei der Aggregation von Risikodaten und der Risikoberichterstattung erwartet wird. Ein Katalog erfüllt keine dieser Pflichten allein, aber er gibt den Verantwortlichen ein gepflegtes Inventar, mit dem sie arbeiten können, statt sie raten zu lassen.

Entwicklung von KI-Modellen

KI-Teams brauchen gut dokumentierte, verlässliche Daten, um belastbare Modelle zu bauen. Ein Datenkatalog hilft ihnen, Trainingsdaten zu finden, deren Herkunft und Qualität zu verstehen und zu dokumentieren, wie Daten in der Modellentwicklung verwendet wurden. Wenn Organisationen KI skalieren, wird der Katalog zur Governance-Ebene, die sicherstellt, dass Modelle auf verstandenen, verlässlichen und regelkonformen Daten aufsetzen. Zusammen mit Data Products bekommen ML-Teams wiederverwendbare, gesteuerte Datensätze, die für den Konsum gebaut sind.

Datenmigration und Integration

Wenn Organisationen Systeme zusammenlegen, in die Cloud migrieren oder die Daten zugekaufter Unternehmen integrieren, liefert ein Datenkatalog die Karte, die sie brauchen: was existiert, wie es zusammenhängt und was von was abhängt. Data Lineage macht die Folgen einer Änderung vorhersehbar statt überraschend.

Der Datenkatalog und KI-Reife

KI-Systeme, von großen Sprachmodellen bis zu spezialisierten ML-Pipelines, brauchen nicht nur Daten, sondern Kontext: was diese Daten bedeuten, wie verlässlich sie sind, wie ihre Data Lineage aussieht und wie sie zu interpretieren sind. Ein Datenkatalog, der diesen fachlichen Kontext erzeugt und pflegt, wird zur Brücke zwischen rohen Unternehmensdaten und KI-ready Metadaten.

Der Gedanke einer KI-Kontextschicht, also einer semantischen Abbildung der Daten einer Organisation, die KI verarbeiten kann, wird zunehmend als eigene Fähigkeit jenseits des klassischen Katalogisierens verstanden. Organisationen, die KI-Anwendungen auf Unternehmensdaten bauen, brauchen beides: einen Katalog, um Datenbestände zu verwalten und zu steuern, und einen Context Layer, der diesen Governance-Kontext in Formate übersetzt, die KI verarbeiten kann. Diese Entwicklung macht aus Katalogen mehr als Suchwerkzeuge für Menschen: eine Infrastruktur für aktive Metadaten, die Menschen und Maschinen gleichermaßen bedient.

Wie Dawiso den Datenkatalog angeht

Der Datenkatalog von Dawiso ist um ein Grundprinzip herum gebaut: Data Governance soll für alle zugänglich sein, nicht nur für Datenteams. Die Plattform verbindet Metadaten, die aus angebundenen Quellen gescannt werden, mit einer fachlich verständlichen Oberfläche, auf der Analysten, Data Stewards und Fachbereiche gemeinsam zu einem geteilten Verständnis der Unternehmensdaten beitragen. Ihr Business Glossary enthält abgestimmte Begriffe, Kennzahlen und Regeln und verlinkt sie automatisch dort, wo sie in den Inhalten von Objekten erwähnt werden, und die Data Lineage stammt aus den Metadaten der Konnektoren, aus dbt, aus dem Parsen von SQL-Skripten, wo es aktiviert ist, und aus manuell angelegten Beziehungen.

Dawiso geht über den Katalog als Inventar hinaus und verbindet den Datenkatalog mit einem Context Layer, also dem fachlichen Kontext (Definitionen, Beschreibungen, Verantwortlichkeiten und Data Lineage), den KI-Systeme brauchen, um Unternehmensdaten zu interpretieren. Ist die Funktion aktiviert, kann KI beim Scannen Beschreibungen für Datenbanken, Schemas, Views und Tabellen entwerfen, und jeder Entwurf bleibt zur Prüfung markiert, bis ihn ein Mensch speichert. Über das Model Context Protocol (MCP) können KI-Agenten den Katalog durchsuchen, Objektdetails lesen, Data Lineage verfolgen und Datenstichproben lesen, über eine einheitliche Schnittstelle statt einer eigenen Anbindung pro Werkzeug.

Das Ergebnis: Menschen finden Daten schneller und vertrauen ihnen, und KI-Systeme bekommen den strukturierten Kontext, den sie brauchen, um Unternehmensdaten richtig zu interpretieren.

Fazit

Ein Datenkatalog ist für Organisationen, die Daten wirksam steuern und verlässliche KI bauen wollen, keine Option mehr. Er ist die Grundschicht, die Daten auffindbar, verlässlich und steuerbar macht, für menschliche Nutzer und für KI-Systeme.

Die wichtigste Eigenschaft eines Datenkatalogs ist nicht seine Funktionsliste, sondern ob Menschen ihn tatsächlich nutzen. Eine fachlich verständliche Gestaltung, automatisches Erfassen von Metadaten und die Anbindung an echte Geschäftsprozesse trennen Kataloge, die angenommen werden, von Katalogen, die Staub sammeln.

Quellen

• Gartner, Data Quality: Why It Matters and How to Achieve It (durchschnittliche jährliche Kosten schlechter Datenqualität von 12,9 Millionen US-Dollar, Untersuchung von 2020).
• DSGVO Article 30, Records of processing activities.
• Basler Ausschuss für Bankenaufsicht, Principles for effective risk data aggregation and risk reporting (BCBS 239), Januar 2013.
• Dawiso Help, Business Glossary (Begriffe, Kennzahlen, Regeln und automatische Verlinkung).
• Dawiso Help, Sources of data lineage (Konnektoren, dbt, Parsen von SQL-Skripten und manuelle Beziehungen).
• Dawiso Help, AI features and integrations in Dawiso (KI-Entwürfe für Beschreibungen auf Ebene von Datenbank, Schema, View und Tabelle).
• Dawiso Help, Dawiso Model Context Protocol (MCP) (was ein Agent über den Dawiso MCP-Server aus Dawiso lesen kann).