Was ist eine Data Fabric?

Eine Data Fabric ist ein Architekturansatz, der eine einheitliche, intelligente Verwaltungsschicht über alle Datenumgebungen eines Unternehmens legt: Datenbanken im eigenen Rechenzentrum, Cloud-Plattformen, Data Lakes, SaaS-Anwendungen und Edge-Systeme. Die Daten müssen dafür nicht physisch zusammengeführt werden. Die Fabric verbindet verteilte Daten über gemeinsame Metadaten, aktive Governance und Automatisierung und gibt Menschen wie Systemen einen einheitlichen Weg, Daten zu finden, zu verstehen und zu nutzen, gleich wo sie liegen.

Bekannt gemacht hat den Begriff Gartner: Das Haus führte Data Fabric als einen der wichtigsten Trends in Daten und Analyse und beschrieb sie als architektonische Antwort auf die Vielfalt an Datenumgebungen, die mit der Cloud-Migration der 2010er-Jahre entstanden ist. Statt noch einen zentralen Data Lake zu bauen, legt eine Data Fabric Integration und Governance als Schicht über die vorhandenen Systeme.

Data Fabric, definiert

Eine Data Fabric bietet einen einzigen, gleichbleibenden Weg, um auf Daten zuzugreifen, sie zu integrieren und zu regeln, obwohl sie über mehrere Plattformen und Standorte verteilt liegen. Ihr Kennzeichen ist Metadaten als Bindegewebe: eine fortlaufend aktualisierte, maschinenlesbare Schicht mit Informationen über jeden Datenbestand, die Integration, Governance und Discovery automatisierbar macht.

Gartner definiert Data Fabric als „ein Entwurfskonzept, das als integrierte Schicht (Fabric) aus Daten und verbindenden Prozessen dient“. Entscheidend sind aktive Metadaten: Die Fabric katalogisiert Daten nicht nur, sie analysiert sie laufend. Sie erkennt Beziehungen zwischen Objekten, schlägt Integrationen vor, meldet Qualitätsauffälligkeiten und erzeugt Kontext, ohne dass Menschen das von Hand pflegen müssten.

Drei Eigenschaften unterscheiden eine echte Data Fabric von einer gewöhnlichen Integrationsplattform:

• Durchgängige Metadaten: Jeder Datenbestand, jede Transformation und jedes Nutzungsereignis landet in einer einheitlichen Metadatenschicht, die alle Umgebungen umfasst.
• Knowledge Graph: Eine Graphdatenbank bildet die Beziehungen zwischen Datenbeständen ab. Damit kann die Fabric darüber schließen, wie Daten fließen, worauf sie sich beziehen und welche Transformationen sie erzeugen.
• Automatisierte Intelligenz: Die Fabric wertet Metadatenmuster mit KI und Machine Learning aus, sagt Integrationsbedarf voraus, empfiehlt Qualitätsmaßnahmen und stellt Nutzern passende Daten vor. Das senkt den Governance-Aufwand im großen Maßstab.

Die Architektur im Kern

Eine Data Fabric besteht aus vier Schichten, von denen jede auf der darunterliegenden aufsetzt:

Schicht 1: Physische Datenquellen

Die eigentlichen Daten bleiben in ihren Systemen: Cloud Data Warehouses (Snowflake, BigQuery), Datenbanken im eigenen Rechenzentrum, Data Lakes (S3, ADLS), SaaS-Anwendungen, Echtzeitströme. Die Fabric verlangt keine Migration und keine Kopie, sie arbeitet mit den Daten dort, wo sie liegen, und nutzt Virtualisierung und Föderation überall dort, wo sich physisches Verschieben nicht lohnt.

Schicht 2: Integration und Anbindung

Eine Data Fabric hält die Verbindung zu allen Quellsystemen über fertige Konnektoren, CDC-Pipelines (Change Data Capture), API-Gateways und Event-Streaming. Sie beherrscht Batch- und Streaming-Integration gleichermaßen und unterstützt neben physischen Pipelines für leistungskritische Fälle auch den virtuellen Zugriff, also Föderation zur Abfragezeit.

Schicht 3: Einheitliche Metadaten und Knowledge Graph

Die Intelligenzschicht. Eine Graphdatenbank erfasst jeden Datenbestand (Tabellen, Dateien, APIs, Berichte) und die Beziehungen dazwischen: Schemata, Transformationen, fachliche Definitionen, Verantwortlichkeiten, Lineage, Qualitätswerte und Nutzungsmuster. Aktive Metadaten bedeuten, dass der Graph laufend durch automatische Analyse dessen angereichert wird, was in den Daten steckt, und nicht nur durch das, was jemand dokumentiert hat.

Schicht 4: Einheitlicher Zugriff und Governance

Menschen und Systeme arbeiten über eine einheitliche Oberfläche mit der Fabric, die die darunterliegende Komplexität verbirgt. Ein Datenkatalog sorgt für lesbare Discovery, ein Semantic Layer (semantische Schicht) für einheitliche Kennzahlen. Rollenbasierte Zugriffskontrolle und die Durchsetzung von Richtlinien stellen sicher, dass jede Abfrage die Governance-Regeln einhält, gleich welches System die Daten hält.

Data Fabric und Data Mesh

Data Fabric und Data Mesh werden oft als konkurrierende Ansätze dargestellt. Tatsächlich beantworten sie verschiedene Seiten derselben Frage und lassen sich zusammen betreiben.

Die wichtigsten Unterschiede:

• Zentralisierung: Data Fabric zentralisiert die Technik (Metadatenschicht, Richtlinien) und lässt die Datenresidenz verteilt. Data Mesh verteilt Verantwortung und Infrastruktur und regelt sie über föderierte Governance.
• Auslöser: Zu einer Data Fabric führt meist der Druck, eine gewachsene, heterogene Landschaft beherrschbar zu halten. Zu Data Mesh führen organisatorische Skalierungsprobleme und der Wunsch, die Datenverantwortung in die Domänen zu geben.
• Automatisierung oder Kultur: Data Fabric setzt stark auf Automatisierung, um Komplexität zu bewältigen. Data Mesh setzt stark auf organisatorische Veränderung und den Fähigkeitsaufbau in den Domänenteams.

Was sie einbringt

Organisationen, die eine Data Fabric aufbauen, berichten von drei Arten von Nutzen: schnellere Datenlieferung, geringere Integrationskosten und einheitlichere Governance.

• Weniger Integrationsarbeit: Gartner schätzt, dass eine Data Fabric die Entwurfszeit für Datenintegration um bis zu 30 % senken kann, weil Beziehungen automatisch erkannt und Pipelines vorgeschlagen werden. Statt für jeden neuen Anwendungsfall Punkt-zu-Punkt-Integrationen zu bauen, bauen Teams einmal an die Fabric.
• Überall dieselbe Governance: Richtlinien, die auf der Fabric-Schicht gelten, gelten für alle Daten, gleich wo sie liegen. Eine DSGVO-Klassifizierung im Quellsystem wandert automatisch zu abgeleiteten Kopien und Berichten. Das beendet die zersplitterte Governance, die Organisationen mit Dutzenden eigenständiger Datenplattformen plagt.
• KI-ready: Weil Lineage, Qualitätssignale und fachlicher Kontext in der Metadatenschicht gepflegt sind, liefert eine Data Fabric genau die Grundlage, die Teams für Machine Learning brauchen. Ein Modell, das mit Daten aus der Fabric trainiert wurde, lässt sich bis zur Quelle zurückverfolgen, auf Compliance prüfen und auf Data Drift überwachen.
• Schneller zur Erkenntnis: Wer Daten über einen einheitlichen Katalog mit verlässlichen Definitionen findet, verbringt weniger Zeit mit Suchen und Nachprüfen und mehr mit Auswerten. Der Self-Service, den eine Data Fabric ermöglicht, ist es, was Datendemokratisierung in der Praxis bedeutet.

Was die Umsetzung schwer macht

Data Fabric gehört zu den technisch anspruchsvollsten Architekturen im Datenmanagement. Die Hürden sind real:

• Verteilte Anbieterlandschaft: Die meisten Organisationen setzen ihre Data Fabric aus mehreren Produkten zusammen (Katalog, Integration, Governance, Qualität), statt eine geschlossene Plattform zu kaufen. Diese Teile sauber zu verbinden und verbunden zu halten, ist Architekturarbeit auf Dauer.
• Qualität der Metadaten: Die Intelligenz der Fabric ist nur so gut wie die Metadaten, auf denen sie arbeitet. Den Knowledge Graph überhaupt erst zu füllen, verlangt spürbaren Anfangsaufwand für Discovery, Profiling und Dokumentation. Wer dieses Fundament überspringt, bekommt eine verbundene Datenschicht ohne die Intelligenz, die Governance ausmacht.
• Organisatorische Veränderung: Auch ein rein technischer Ansatz wie eine Data Fabric verlangt, dass Menschen neue Werkzeuge und Abläufe annehmen. Data Stewards müssen Katalogeinträge pflegen, Data Owner Richtlinien festlegen, Fachbereiche lernen, Daten über die Fabric zu finden statt über Ad-hoc-Auszüge. Die Technik ermöglicht, geliefert wird von Menschen.

Data Fabric und KI

Data Fabric und KI bedingen einander. KI-Verfahren (Machine Learning, Sprachverarbeitung, Knowledge Graphs) sind es, die eine moderne Data Fabric intelligent machen: Sie treiben die automatische Metadaten-Discovery, die Herleitung von Lineage, die Erkennung von Auffälligkeiten und das Erzeugen fachlichen Kontexts. Umgekehrt ist es die Data Fabric, die KI im Unternehmen verlässlich macht, weil sie geregelte, hochwertige und einheitlich definierte Daten liefert.

Je mehr KI-Agenten datenintensive Aufgaben übernehmen, also Datenbanken abfragen, Berichte erzeugen, Pipelines bauen, desto mehr wird die einheitliche Metadatenschicht der Data Fabric zur maschinenlesbaren Governance-Schicht. Über das Model Context Protocol (MCP) und vergleichbare Standards können KI-Agenten Katalogdefinitionen, Qualitätswerte und Lineage direkt aus der Fabric beziehen, ohne dass jemand den Datenkontext für jeden neuen Anwendungsfall erneut erklärt.

Wer in eine Data Fabric investiert, baut die Governance-Grundlage, auf der KI im Unternehmensmaßstab vertrauenswürdig wird.

Fazit

Data Fabric beantwortet eine Grundfrage der heutigen Datenlandschaft: Wie regelt und verbindet man Daten, die über Dutzende Umgebungen verteilt liegen, schneller wachsen, als ein Team sie von Hand verwalten kann, und gleichzeitig Analyse, KI und Compliance bedienen müssen? Die Antwort ist eine einheitliche Metadatenschicht, die Integration intelligent, Governance einheitlich und den Zugriff verlässlich macht, gleich wo die Daten liegen. Organisationen, die in dieses Fundament investieren, kommen durchweg weiter als jene, die eine heterogene Landschaft mit Punkt-zu-Punkt-Integrationen und getrennter Governance verwalten.