Semantic Layer für BI erklärt.
Kennzahlen einmal definieren.

Was ist ein Semantic Layer in der BI?

Ein Semantic Layer ist die Schicht zwischen Datenquellen und Auswertung, in der Kennzahlen, Beziehungen und Zugriffsregeln einmal fachlich definiert sind. Berichte, Dashboards und KI-Assistenten nutzen diese Definition, statt Formeln selbst zu bauen. Dadurch liefern verschiedene Werkzeuge dieselbe Zahl für Umsatz oder Marge. Bei Power BI heißt die Schicht semantisches Modell, bei Looker LookML-Modell, bei dbt Semantic Layer mit MetricFlow. Die Begriffe unterscheiden sich, die Aufgabe ist gleich: eine geprüfte Definition je Kennzahl. Dadurch sinken der Streit über Zahlen und der Abstimmungsaufwand zwischen Abteilungen.

Was ist der Unterschied zwischen Semantic Layer und Data Warehouse?

Das Data Warehouse speichert und bereinigt die Daten, der Semantic Layer beschreibt, was sie fachlich bedeuten. Im Warehouse liegen Tabellen und Spalten, im Semantic Layer liegen Kennzahlen wie Umsatz netto, Dimensionen wie Region und Rechte je Rolle. Viele Plattformen bieten beides, etwa Databricks mit Metric Views oder Snowflake mit Semantic Views. Der Semantic Layer ersetzt das Warehouse nicht, er sitzt darüber und macht die Tabellen für Fachbereiche und KI verständlich. Das Warehouse erklärt Data Warehouse für BI.

Braucht ein Mittelständler einen Semantic Layer?

Ja, sobald zwei Personen für dieselbe Kennzahl verschiedene Werte nennen oder KI Fragen an Daten beantworten soll. Bei einem BI-Werkzeug reicht meist dessen eingebautes Modell, etwa ein Power-BI-Semantikmodell mit zertifizierten Kennzahlen. Ein eigenständiger Layer wie dbt, Cube oder AtScale lohnt sich erst bei mehreren BI-Werkzeugen oder eigenen KI-Anwendungen. Beginnen Sie mit fünf bis zehn strittigen Kennzahlen und einem Fachbereich, nicht mit dem ganzen Unternehmen. So sehen Sie nach wenigen Wochen, ob Pflegeaufwand und Nutzen zusammenpassen.

Was ist ein semantisches Modell in Power BI?

Ein semantisches Modell in Power BI ist laut Microsoft eine für Berichterstellung und Visualisierung einsatzbereite Datenquelle. Es enthält Tabellen, Beziehungen, Berechnungen und Rechte und nutzt die Modellierungstechnologie von Analysis Services. Mehrere Berichte können dasselbe Modell verwenden, Änderungen wirken dann überall. Modelle lassen sich hervorheben oder zertifizieren, und für Copilot lassen sich KI-Anweisungen im Modell speichern. Die Modelle lassen sich über Git oder Bereitstellungspipelines verwalten. Kosten der Lizenzen finden Sie unter Power BI Kosten.

Was macht der dbt Semantic Layer?

Der dbt Semantic Layer zentralisiert Metrikdefinitionen im dbt-Projekt, die Engine heißt MetricFlow. Eine Kennzahl wie Umsatz pro Kunde wird einmal als YAML definiert und in angeschlossenen Werkzeugen überall gleich abgefragt. MetricFlow steht seit Version 0.209.0 unter Apache 2.0, die Nutzung des Semantic Layers erfordert laut dbt einen Starter- oder Enterprise-Tarif. Das Modell liegt damit im selben Projekt wie die Datentransformation. Starter kostet 100 USD je Nutzer und Monat und enthält 5.000 abgefragte Metriken je Monat (dbt, 30.10.2026).

Was ist Cube und ist es Open Source?

Cube ist ein Semantic Layer, dessen Kern Cube Core als Open Source verfügbar ist, dazu gibt es den Dienst Cube Cloud. Das Datenmodell wird in YAML oder JavaScript geschrieben und versioniert. Abfragen laufen per SQL (Postgres-kompatibel), REST oder GraphQL, KI-Agenten verbinden sich über MCP-Server. Laut Preisseite kostet Starter 40 USD und Premium 80 USD je Entwickler und Monat, Free ist kostenlos (Cube, 30.10.2026). Die Modelle laufen laut Cube unverändert in Core und Cloud, ein Wechsel ist also ohne Neubau möglich.

Was ist LookML und wofür dient es?

LookML ist die Modellierungssprache von Looker, mit der Sie semantische Datenmodelle erstellen. Sie beschreiben Tabellen, Beziehungen, Dimensionen und Maße einmal, Looker erzeugt daraus das SQL, sodass Fachanwender ohne SQL fragen können. Die Dateien liegen typischerweise in einem Git-Repository und lassen sich versionieren. LookML ist unabhängig vom SQL-Dialekt der Datenbank, dieselbe Definition kann also auf verschiedenen Datenbanken laufen. Der Preis für Looker ist im Angebot zu klären (Google Cloud, Stand 30.10.2026).

Warum braucht Text-to-SQL einen Semantic Layer?

Text-to-SQL übersetzt Fragen in Datenbankabfragen und rät dabei ohne Semantic Layer Tabellen, Spalten und Formeln. Das führt zu Antworten, die plausibel aussehen, aber falsch rechnen. Mit Semantic Layer wählt die KI geprüfte Metriken und erlaubte Joins, Snowflake beschreibt, dass Agenten die Definition lesen und daraus das SQL erzeugen. Zusicherungen bleiben begrenzt: Microsoft nennt das KI-Verhalten nicht deterministisch, testen Sie deshalb mit festen Fragen und wiederholen Sie die Tests nach jeder Modelländerung (Snowflake, Microsoft, 30.10.2026).

Wie hängen Data Governance und Semantic Layer zusammen?

Data Governance legt Regeln, Rollen und Verantwortung für Daten fest, der Semantic Layer setzt sie für Kennzahlen technisch um. Er hält fest, welche Definition gilt, wer sie ändert und wer Daten sehen darf. Im BARC Trend Monitor 2026 liegen Datenqualitätsmanagement und Datensicherheit auf Rang 1 und 2 mit je 7,9 von 10 Punkten, Data- und AI-Governance auf Rang 4 (BARC, 12.11.2025, 1.579 Befragte). Governance ohne Modell bleibt Papier, ein Modell ohne Governance wird schnell unübersichtlich.

Was bedeutet Open Semantic Interchange?

Open Semantic Interchange (OSI) ist eine Initiative für eine herstellerneutrale Spezifikation, mit der semantische Modelle zwischen Werkzeugen ausgetauscht werden können. Sie startete am 23.09.2025 mit Snowflake, Salesforce, dbt Labs, BlackRock und RelationalAI. Für Käufer heißt das: Fragen Sie Anbieter, ob sie Modelle in offenen Formaten exportieren oder importieren, das mindert die Bindung an ein Werkzeug. Verbindliche Zusagen einzelner Anbieter sollten Sie schriftlich einholen, am besten als Teil der Prüffragen vor der Shortlist (Snowflake, 23.09.2025).

Wie schützen Sie Rechte, wenn KI auf das Modell zugreift?

Setzen Sie die Rechte im Modell durch und lassen Sie die KI nur über das Modell fragen. Bei Power BI gelten Zeilen- und Objektrechte auch für Copilot, bei Cube wird jede Abfrage gegen Datenmodell und Zugriffsrichtlinien geprüft, Tableau-Semantics-Modelle sind standardmäßig privat. Geben Sie nur beschriebene und getestete Modelle frei und testen Sie mit drei echten Rollen, darunter eine mit den engsten Rechten. Dokumentieren Sie das Ergebnis für den Datenschutz. Details zu Microsoft: Copilot für Power BI (Stand 30.10.2026).

Was kostet ein Semantic Layer?

Die Lizenz reicht von 0 € für Open Source bis zu Verbrauchstarifen, die in der Demo zu klären sind. Im Rechenbeispiel für 50 Personen mit 3 Modellierenden kostet dbt Starter 3.600 USD, Cube Starter 1.440 USD und Cube Premium 14.160 USD je Jahr zuzüglich Bereitstellung, Power BI Pro 7.260 € (Listenpreise Stand 30.10.2026). Der größere Posten ist meist die Modellierung durch Menschen, die Pflege der Definitionen und die Schulung der Fachbereiche. Preise klären Sie mit der BI-Lizenzverhandlung.