Datenintegration bezeichnet den Prozess, Daten aus verschiedenen, heterogenen Quellen zusammenzuführen, zu harmonisieren und in einer einheitlichen, konsistenten Form bereitzustellen. Das Ziel der Datenintegration ist, dass alle Systeme und Nutzer, die Daten benötigen, auf eine gemeinsame, aktuelle und verlässliche Datenbasis zugreifen können – unabhängig davon, aus welchem Ursprungssystem die Daten stammen.
Datenintegration ist eine der fundamentalsten technischen Herausforderungen in Unternehmen: Wenn Kundendaten im CRM anders heißen als im ERP, wenn Bestände in Echtzeit im Webshop angezeigt werden sollen, die eigentlich im Warenwirtschaftssystem geführt werden, oder wenn ein BI-Tool Daten aus zwölf verschiedenen Systemen aggregieren soll – dann ist Datenintegration die Aufgabe, die all das möglich macht.
Datenintegrations-Muster im Überblick
ETL Extract, Transform, Load – Daten werden extrahiert, transformiert und in ein Zieldatensystem geladen. Klassisch für Data Warehouses und Reporting.
ELT Extract, Load, Transform – Daten werden zuerst roh ins Zielsystem geladen, Transformation findet dort statt. Modernes Muster für Data Lakes und Cloud-Warehouses.
CDC Change Data Capture – Nur Änderungen an Daten werden erfasst und weitergegeben, statt immer vollständige Datensätze zu übertragen. Effizient für Echtzeit-Synchronisation.
Data Virtualisation Daten bleiben in den Quellsystemen, werden aber über eine einheitliche virtuelle Schicht abfragbar gemacht – kein physischer Transfer nötig.
Herausforderungen der Datenintegration
- Datenqualität: Verschiedene Systeme pflegen dieselben Informationen unterschiedlich – unterschiedliche Schreibweisen, fehlende Felder, veraltete Einträge müssen harmonisiert werden
- Semantische Unterschiede: „Kunde“ in System A entspricht „Auftraggeber“ in System B – gleiche Bedeutung, unterschiedliche Bezeichnung, unterschiedliche Struktur
- Aktualität: Sollen Daten in Echtzeit synchronisiert oder periodisch abgeglichen werden? Verschiedene Anforderungen erfordern verschiedene Integrationsmuster
- Konsistenz: Wenn dieselben Daten in mehreren Systemen existieren, welches System ist die authoritative Quelle (Single Source of Truth)?
- Volumenskalierung: Millionen von Datensätzen zu verarbeiten erfordert andere Architekturen als tausende
Praxisbeispiel
Ein Einzelhandelsunternehmen betreibt einen Webshop (Shopify), ein ERP (SAP), ein CRM (Salesforce) und ein BI-Tool (Power BI). Die Datenintegrations-Herausforderung: Alle vier Systeme führen Kundendaten – aber inkonsistent. Datenintegrations-Lösung: SAP wird als Single Source of Truth für Kundenstammdaten definiert. Eine CDC-Lösung überträgt jede Änderung in SAP innerhalb von 30 Sekunden in CRM und Webshop. Für Power BI läuft täglich ein ETL-Job: Bestelldaten aus Shopify, Kundendaten aus SAP und Interaktionsdaten aus Salesforce werden extrahiert, normalisiert und in ein Data Warehouse geladen. Alle Dashboards zeigen denselben, konsistenten Datenstand.
