Eine Datenbank ist ein strukturiertes, elektronisches System zur dauerhaften Speicherung, Organisation, Verwaltung und Abfrage von Daten. Sie ermöglicht, große Mengen von Informationen so zu strukturieren, dass sie effizient gespeichert, gezielt abgerufen, aktualisiert und gelöscht werden können – und zwar konsistent, auch wenn viele Benutzer oder Prozesse gleichzeitig auf dieselben Daten zugreifen.
Datenbanken sind die unsichtbare Grundinfrastruktur jedes Softwaresystems und damit auch jeder Automatisierungslösung: Jedes ERP, CRM, BI-System und jede Automatisierungsplattform speichert ihre Daten in einer oder mehreren Datenbanken. Im Automatisierungskontext sind Datenbanken sowohl Quellen (aus ihnen werden Daten für Workflows gelesen) als auch Ziele (in sie werden Ergebnisse von Workflows geschrieben).
Datenbanktypen und ihre Anwendungsfälle
Relationale DB (SQL)
Tabellenstruktur mit definierten Beziehungen. Standard für transaktionale Systeme: PostgreSQL, MySQL, SQL Server, Oracle. Stark bei strukturierten Daten und komplexen Abfragen.
Dokumentenorientiert (NoSQL)
Flexible JSON-Dokumente ohne festes Schema. MongoDB, Firestore. Stark bei variierenden Datenstrukturen und horizontaler Skalierung.
Key-Value-Store
Einfachste Form: Schlüssel → Wert. Redis, DynamoDB. Extrem schnell für Cache, Session-Daten und einfache Lookup-Tabellen.
Column-Store
Daten spaltenweise gespeichert. Cassandra, BigQuery, Redshift. Optimal für analytische Abfragen über große Datenmengen – das Fundament moderner Data Warehouses.
Graph-Datenbank
Knoten und Kanten modellieren Beziehungen. Neo4j. Ideal für Netzwerkanalysen, Empfehlungssysteme, Beziehungsgeflechte.
Zeitreihendatenbank
Optimiert für zeitgestempelte Datenpunkte. InfluxDB, TimescaleDB. Ideal für IoT-Sensordaten, Metriken und Monitoring-Daten.
Datenbanken in der Automatisierungspraxis
In Automatisierungsworkflows interagieren Workflows auf drei Arten mit Datenbanken: Sie lesen Daten (z. B. Kundendaten für die Verarbeitung), sie schreiben Daten (z. B. Verarbeitungsstatus oder Ergebnisse), und sie nutzen Datenbanken als State-Speicher für laufende Prozesse. Die Wahl der richtigen Datenbank für den jeweiligen Zweck hat erheblichen Einfluss auf Performance, Skalierbarkeit und Zuverlässigkeit automatisierter Prozesse.
Transaktionale Datenbanken (OLTP) sind für häufige, kleine Lese- und Schreiboperationen optimiert – sie sind das Rückgrat operativer Systeme wie ERP und CRM. Analytische Datenbanken (OLAP / Data Warehouses) sind für komplexe Abfragen über große Datenmengen optimiert – sie sind das Fundament von BI-Systemen und Reports. Automatisierungsprojekte interagieren meist mit transaktionalen Datenbanken; BI-Projekte mit analytischen.
Praxisbeispiel
Ein Automationsdienstleister nutzt drei verschiedene Datenbanken für unterschiedliche Zwecke in seiner Plattform: PostgreSQL (relational) als primären State-Speicher für alle laufenden Workflow-Zustände – ACID-konform, zuverlässig, gut abfragbar. Redis (Key-Value) als Cache für häufig abgefragte Lookup-Tabellen (Lieferantennamen, Kontenrahmen) – Zugriff in unter 1 Millisekunde statt 50 Millisekunden aus PostgreSQL. BigQuery (Column-Store) als analytische Datenbank für alle historischen Workflow-Metriken und KPI-Auswertungen – komplexe Aggregationen über Milliarden von Ausführungsprotokollen in Sekunden. Jede Datenbank tut, was sie am besten kann – das Gesamtsystem ist dadurch schneller, günstiger und robuster als mit einer einzigen universellen Datenbank.
