Was ist eine Kennzahlenschicht?

Eine Kennzahlenschicht (englisch metrics layer, manchmal auch Kennzahlenspeicher genannt) ist der Teil des Data Stack, der festlegt, wie fachliche Kennzahlen berechnet werden, und zwar an einer Stelle, sodass jedes Werkzeug und jeder Mensch, der die Daten abfragt, dieselbe Zahl bekommt. Sie beantwortet eine einzige Frage: Wie wird diese Kennzahl berechnet? Sie hält die Formel der Kennzahl, die Regel für die Aggregation, die Dimensionen, nach denen sich eine Kennzahl aufschlüsseln lässt, und die Filter, die entscheiden, welche Daten ein- oder ausgeschlossen werden.

Das zählt, weil dieselbe Kennzahl sonst in jedem Dashboard, jeder Abfrage und jeder Tabellenkalkulation neu definiert wird und die Definitionen auseinanderdriften. Ein Bericht zählt Testkunden als Kunden, ein anderer nicht; Finanzen und Marketing nennen beide „Umsatz“, und die Zahlen widersprechen sich. Eine Kennzahlenschicht legt die Berechnung einmal fest und liefert sie überall aus, sodass „Umsatz“ dasselbe bedeutet, ganz gleich, wer fragt und welches Werkzeug er nutzt.

Was eine Kennzahlenschicht bedeutet

Eine Kennzahlenschicht ist eine einzige, versionierte Definition jeder fachlichen Kennzahl, losgelöst von einem bestimmten Berichtswerkzeug. Statt den „monatlich wiederkehrenden Umsatz“ in der Formel eines Dashboards, im SQL eines Notebooks und in einer Tabelle der Finanzabteilung zu kodieren, wird die Kennzahl einmal in der Schicht definiert und von dort genutzt. Jedes nachgelagerte Werkzeug fragt die Schicht nach der Kennzahl, statt sie neu umzusetzen, und genau deshalb ist eine Kennzahlenschicht das Rückgrat der „headless“ Analytik, in der die Definitionen der Kennzahlen von der Schicht der Visualisierung entkoppelt sind.

Wie es funktioniert

Eine Definition in der Schicht hält typischerweise vier Dinge fest:

• Formel. Die Berechnung selbst, etwa der Umsatz als Summe einer Spalte mit Nettobeträgen.
• Aggregation. Wie die Kennzahl verdichtet wird, etwa als Summe, Durchschnitt oder als Anzahl verschiedener Werte.
• Dimensionen. Die Merkmale, nach denen sich die Kennzahl schneiden lässt, etwa Region, Produkt oder Zeit.
• Filter. Die Regeln dafür, welche Daten ein- oder auszuschließen sind, etwa das Ausschließen von Erstattungen oder internen Testkonten.

Sind diese festgelegt, kann jedes Werkzeug nach „Umsatz nach Region im letzten Quartal“ fragen, und die Schicht löst das jedes Mal in dieselbe Abfragelogik auf und liefert eine einheitliche Antwort.

Warum das zählt

Das Kernproblem, das eine Kennzahlenschicht löst, ist die Drift der Kennzahlen, also das langsame Auseinanderlaufen der Definitionen zwischen Teams und Werkzeugen, das das Vertrauen in jede Zahl aushöhlt. Indem sie die Definition zu einer einheitlichen Datenbasis macht, hält eine Kennzahlenschicht Berichte einheitlich, erlaubt neuen Werkzeugen, sich an dieselben Kennzahlen anzuschließen, statt sie nachzubauen, und gibt dem Geschäft eine Stelle, an der sich eine Definition ändern lässt, damit sie überall wirkt. Sie bereitet Daten auch auf KI vor, denn ein Agent, der die Definitionen aus der Schicht liest, erbt dieselbe Einheitlichkeit wie eine menschliche Analystin.

Kennzahlenschicht und Semantic Layer

Diese Begriffe werden oft gleichbedeutend verwendet, sie sind aber nicht dasselbe. Eine Kennzahlenschicht ist auf die Logik der Berechnung von Kennzahlen gerichtet. Ein Semantic Layer ist ein breiteres gesteuertes fachliches Modell: Er leistet alles, was eine Kennzahlenschicht leistet, und ergänzt, was die Daten bedeuten, wie Tabellen verknüpft werden, welche Granularität jedes Modell hat, wer was sehen darf und woher die Daten stammen. Kurz gesagt ist eine Kennzahlenschicht ein Bestandteil eines Semantic Layer und kein Wettbewerber dazu. Manche Plattformen, darunter dbt, haben als Kennzahlenschichten begonnen und sich zu volleren Fähigkeiten eines Semantic Layer entwickelt, was mit ein Grund dafür ist, dass die Etiketten verschwimmen. Zur Unterscheidung im Detail siehe Context Layer und Semantic Layer im Vergleich sowie Semantic Layer und klassische Data Marts im Vergleich.

Kennzahlenschicht und KI

KI erhöht den Einsatz bei einheitlichen Kennzahlen. Wenn eine Analystin eine Zahl zieht, bringt sie ein Urteil darüber mit, welche Definition die richtige ist; ein KI-Agent tut das nicht. Berechnet ein Agent „aktive Kunden“ mit einem anderen Filter als die Kennzahlenschicht, erzeugt er eine selbstbewusste Zahl, die dem Dashboard daneben still widerspricht. Die Definitionen den Agenten über dieselbe Schicht auszuliefern, die auch Menschen nutzen, hält die Antworten der KI mit dem Rest des Geschäfts im Einklang, und deshalb gilt eine Kennzahlenschicht zunehmend als Teil der Bereitschaft einer Organisation für KI und nicht bloß als Teil ihres BI-Stacks.

Wie Dawiso dazu passt

Eine Kennzahlenschicht macht eine Zahl einheitlich. Das ist notwendig, doch ein KI-Agent braucht mehr als eine Formel, um vertrauenswürdig zu sein: Er muss wissen, was die Kennzahl fachlich bedeutet, ob die zugrunde liegenden Daten sensibel sind und woher die Zahl kommt. Dawiso steuert diesen weiteren Kontext rund um Ihre Kennzahlen.

• Fachliche Bedeutung, nicht nur Berechnung. Das Business Glossary definiert in klarer Sprache, was jede Kennzahl und jeder Begriff bedeutet, sodass ein Agent eine Frage auf die richtige Kennzahl abbildet und nicht bloß auf eine syntaktisch gültige.
• Vertrauen und Schutzwürdigkeit. Die interaktive Lineage zeigt, woher die Eingaben einer Kennzahl stammen, und die Klassifizierung markiert sensible Felder, sodass einheitliche Zahlen zugleich vertrauenswürdig und gefahrlos zu zeigen sind.
• Plattformübergreifend und KI-ready. Der Context Layer führt diesen gesteuerten Kontext über Ihre Landschaft hinweg zusammen und liefert ihn über den MCP Server an jeden MCP-fähigen Agenten aus.

Behalten Sie Ihre Kennzahlenschicht als maßgebliche Quelle für die Berechnung. Dawiso legt die gesteuerte Bedeutung darum, die aus einer einheitlichen Zahl eine macht, der Ihre KI tatsächlich anvertraut werden kann.

Fazit

Eine Kennzahlenschicht definiert jede fachliche Kennzahl einmal, also Formel, Aggregation, Dimensionen und Filter, sodass jedes Werkzeug und jeder KI-Agent denselben Wert zurückgibt und die Drift der Kennzahlen verschwindet. Sie ist ein Bestandteil eines breiteren Semantic Layer und eigens auf die Berechnung gerichtet. Für KI sind einheitliche Kennzahlen der Boden und nicht die Decke: Agenten brauchen zusätzlich gesteuerte fachliche Bedeutung, Lineage und Klassifizierung. Definieren Sie Ihre Kennzahlen einmal, und geben Sie Ihrer KI dann den Kontext, um sie zu verstehen.