Bewegungsdaten – auch Transaktionsdaten – sind Daten, die einzelne Geschäftsereignisse oder Transaktionen zu einem bestimmten Zeitpunkt beschreiben: Bestellungen, Rechnungen, Zahlungen, Lieferscheine, Buchungen, Servicevorgänge, Messwerte. Im Gegensatz zu Stammdaten, die stabile Referenzobjekte beschreiben, dokumentieren Bewegungsdaten, was wann mit wem passiert ist – sie sind das Tagebuch des Geschäftsbetriebs.
Bewegungsdaten entstehen in enormen Mengen und sind das primäre Verarbeitungsobjekt automatisierter Prozesse: Jede Bestellung, jede Rechnung, jedes Ereignis in einem automatisierten Workflow ist ein Bewegungsdatensatz. Während Stammdaten die Qualität einer Automatisierung grundsätzlich bestimmen, ist die effiziente Verarbeitung von Bewegungsdaten der eigentliche Leistungsnachweis einer Automatisierungslösung.
Bewegungsdaten in der Automatisierungspraxis
- Primäres Verarbeitungsobjekt: Jeder Workflow verarbeitet Bewegungsdaten – eine Bestellung wird angelegt, eine Rechnung gebucht, ein Status aktualisiert
- Referenz auf Stammdaten: Bewegungsdaten referenzieren Stammdaten – eine Bestellung referenziert Kunden-ID und Artikel-ID. Fehlen oder stimmen diese Referenzen nicht, scheitert der Workflow
- Historisierung: Bewegungsdaten werden in der Regel nicht geändert, sondern neue Datensätze erstellt – eine Korrektur ist eine neue Transaktion, keine Überschreibung
- Volumen und Geschwindigkeit: Bewegungsdaten akkumulieren schnell – tausende Transaktionen täglich – und erfordern effiziente Speicher- und Abfragestrategien
- Analytische Verwendung: Historische Bewegungsdaten sind die Basis für BI-Analysen, Forecasting-Modelle und Performancemessungen
Bewegungsdaten und Datenarchivierung
Bewegungsdaten akkumulieren ohne Ende – nach Jahren enthält die Datenbank Millionen von Bestellungen und Transaktionen. Ohne aktives Archivierungsmanagement verlangsamen alte Daten Abfragen, erhöhen Backup-Zeiten und treiben Speicherkosten. Eine Archivierungsstrategie definiert, wie lange aktive Bewegungsdaten in der Produktionsdatenbank verbleiben (z. B. 2 Jahre), danach in ein kostengünstigeres Archiv (Data Warehouse, Cold Storage) verschoben werden – aber für Analyse und Compliance weiterhin abrufbar bleiben.
Praxisbeispiel
Ein E-Commerce-Unternehmen verarbeitet täglich 1.800 Bestellungen – je Bestellung wird ein Bewegungsdatensatz in der Datenbank angelegt, der Artikel, Mengen, Preise, Lieferadresse, Zahlungsart und alle Statusübergänge enthält. Nach 3 Jahren: 1,97 Millionen Bestellungen in der Produktionsdatenbank. Datenbankabfragen für das Tages-Dashboard dauern 8–12 Sekunden – zu langsam. Lösung: Archivierungsstrategie eingeführt. Bestellungen älter als 18 Monate werden automatisch wöchentlich in ein BigQuery-Data-Warehouse verschoben. Produktionsdatenbank enthält nur noch ~550.000 aktuelle Datensätze. Dashboard-Abfragen: unter 1 Sekunde. Historische Analysen: gegen BigQuery gestellt. Beide Dimensionen optimal bedient.
