Die eine Datenbasis.
Was ist ein Data Lake? Ein zentraler Speicher, in dem alle Daten einer Firma in Rohform zusammenlaufen — strukturiert und unstrukturiert: Dateien, Mails, CRM, ERP, Logs und mehr. Damit man sie flexibel auswerten und KI darauf ansetzen kann, ohne vorher zu wissen, welche Frage man morgen stellt. Kurz: die eine Datenbasis, aus der die Firma lernt.
„Ein Data Lake ist kein Big-Data-Monster, sondern eine Haltung: alle Daten der Firma an einem Ort, roh und verfügbar — damit die Firma aus dem Gesamtbild lernen kann, statt in Silos zu raten."
Rohform statt Vorsortierung.
Ein Data Lake nimmt Daten so auf, wie sie anfallen — roh, unverändert, in jedem Format. Struktur bekommt eine Information erst dann, wenn man sie ausliest (schema-on-read). Das ist der entscheidende Unterschied zu einem Data Warehouse, das alles vorab in ein festes Schema presst, und zu einer klassischen Datenbank, die nur hinter einer einzelnen Anwendung sitzt. Drei Begriffe, die oft verwechselt werden:
Data Lake
Alle Daten landen in Rohform — strukturiert und unstrukturiert. Struktur wird erst beim Auslesen gegeben. Maximal flexibel, ideal für Analyse, Data Science und KI, die nicht von Anfang an weiss, was sie später braucht.
Data Warehouse
Daten werden vor dem Speichern in ein festes Schema gebracht und bereinigt. Perfekt für wiederkehrende Berichte und Kennzahlen — aber starr: neue Fragen brauchen erst ein neues Modell.
Klassische Datenbank
Die Datenbank hinter einer einzelnen Anwendung (CRM, ERP, Shop). Optimiert für den laufenden Betrieb dieser einen App — nicht dafür, die Daten der ganzen Firma zusammenzuführen.
Der Lake ist das rohe Reservoir, aus dem man flexibel schöpft. Das Warehouse ist die aufbereitete Regalwand für feste Kennzahlen. Die Datenbank ist der Motor einer einzelnen App. Viele Firmen kombinieren Lake und Warehouse — der Lake ist dabei die breite Basis darunter.
Weil Daten sonst in Silos verhungern.
In den meisten Firmen liegen die Daten verstreut: das CRM kennt die Kunden, das ERP die Aufträge, die Dateiablage die Verträge, das Postfach den Rest. Jedes Tool sieht nur seinen Ausschnitt — der Splitter-Effekt. Solange die Daten in diesen Silos gefangen sind, kann keine KI aus dem Gesamtbild lernen, und niemand beantwortet Fragen, die über eine App hinausgehen.
Daten liegen verstreut in vielen Tools. Jedes Werkzeug kennt nur seinen Teil. Fragen über System-Grenzen hinweg bleiben unbeantwortet — und KI sieht nie das Ganze.
Der Data Lake bricht die Silos auf. Alle Daten laufen in einer Basis zusammen. KI zieht Wert aus dem Gesamtbild — und die Firma lernt aus sich selbst.
Erst die eine Datenbasis, dann echter KI-Wert.
Daten sind das Core-Asset jeder Firma — der Rohstoff, das Gedächtnis und der Treibstoff für alles, was folgt. Und eine KI ist nur so gut wie die Daten, mit denen sie arbeitet. Der Data Lake ist die Brücke dazwischen: Er hebt den Splitter-Effekt auf und macht aus verstreuten Fragmenten eine Basis, aus der man tatsächlich Wert ziehen kann.
Fünf Stufen, pragmatisch klein.
Ein Data Lake entsteht als Kette: Daten fliessen von den Quellen bis zur Auswertung durch fünf klare Stufen. Wichtig ist nicht die Grösse, sondern die Ordnung — fangen Sie pragmatisch klein an (die wertvollsten Quellen zuerst, kein Big-Data-Monster) und nehmen Sie Governance von Anfang an mit, nicht als Nachgedanke.
Quellen laufen roh ein · Governance hält Ordnung · KI schöpft am Ende Wert.
Integrationen zu allen Systemen: Dateien, Mails, CRM, ERP, Logs, Datenbanken, APIs. Jede Quelle bekommt einen sauberen Weg in den Lake.
Daten laufen in Rohform ein — nichts wird vorher weggeworfen. Was Sie heute nicht brauchen, kann morgen wertvoll sein. Schema-on-read statt teurer Vorab-Modellierung.
Objekt-Speicher, der mit den Daten mitwächst. Roh speichern ist billig — Sie zahlen nicht für Struktur, die Sie vielleicht nie brauchen.
Metadaten, ein durchsuchbarer Katalog, Zugriffsrechte und Herkunft (Lineage). Ohne diese Schicht kennt niemand mehr die Daten — genau hier entsteht sonst der Data Swamp.
Auf der aufgeräumten Basis setzen Auswertungen, Dashboards, RAG-Wissens-KI und Modelle auf. Jetzt zieht die Firma echten Wert aus dem Gesamtbild.
Ordnung entscheidet über Wert oder Sumpf.
Ohne Governance wird der Data Lake zum Data Swamp.
Ein Data Swamp ist ein Data Lake, in den Daten nur reingekippt wurden — ohne Katalog, Metadaten, Rechte und Qualität. Das Ergebnis: ein riesiger Speicher, in dem niemand mehr weiss, was wo liegt, woher es kommt oder ob man ihm trauen kann. Der Unterschied zwischen Lake und Swamp ist nicht die Technik, sondern die Ordnung. Deshalb gehört Governance in die erste Stunde, nicht in die letzte.
Was einen Data Lake wirklich wertvoll macht, sind nicht Terabytes, sondern sechs Erfolgsfaktoren. Jeder davon ist zugleich ein Fallstrick, wenn er fehlt:
Regeln, Verantwortliche und Struktur von Anfang an — nicht als Nachgedanke. Ohne Governance verkommt der Lake zum Data Swamp: ein Datensumpf, in dem alles liegt, aber niemand mehr etwas findet oder ihm traut.
Roh heisst nicht dreckig. Herkunft, Aktualität und Vollständigkeit müssen nachvollziehbar bleiben — sonst lernt die KI aus Müll und liefert Müll.
Ein durchsuchbarer Katalog ist das Inhaltsverzeichnis des Lakes. Er sagt, was wo liegt, woher es kommt und was es bedeutet. Ohne ihn ist der grösste Speicher wertlos.
Nicht jeder darf alles sehen. Feingranulare Rechte, Verschlüsselung und Protokollierung gehören zur Grundausstattung — gerade wenn sensible Daten zusammenlaufen.
Die eine Datenbasis der Firma darf nicht in fremder Hand liegen. Sie bleibt bei Ihnen, in offenen Formaten, mit eigener Hoheit — die Grundlage jeder unabhängigen KI-Zukunft.
Wenn KI auf den Lake zugreift, braucht es klare Leitplanken: Welche Daten, für wen, mit welchem Zweck. So bleibt der Lake ein Werkzeug — und wird nicht zum Datenleck.
Zwei dieser Faktoren wiegen besonders schwer: Die Datensouveränität — die eine Datenbasis der Firma bleibt in Ihrer Hand, in offenen Formaten, mit eigener Hoheit. Und Guardrails für den KI-Zugriff, damit aus der zentralen Basis kein zentrales Leck wird.
Kein starker KI ohne breite Basis.
Der eigentliche Grund für einen Data Lake ist heute die KI. Modelle, Analytics und vor allem RAG-Wissens-KI werden erst dann stark, wenn sie auf einer breiten, aktuellen und zusammenhängenden Datenbasis aufsetzen — nicht auf einem einzelnen Tool-Ausschnitt. Der Lake liefert genau das: das Gesamtbild, aus dem die Firma lernt.
Nichts wegwerfen
Weil roh gespeichert wird, steht der KI später auch das zur Verfügung, was heute niemand für wichtig hielt. Schema-on-read heisst: Sie entscheiden die Frage, wenn Sie sie haben — nicht Jahre vorher.
Speichern statt sortieren
Rohspeicher ist billig. Sie zahlen nicht für aufwändige Vorab-Modellierung, sondern halten die Tür für Auswertungen offen, die es heute noch gar nicht gibt.
Die Firma lernt
Aus der einen Basis zieht RAG-KI belegbare Antworten, Analytics erkennt Muster über Systemgrenzen hinweg — und die Firma wird mit jeder neuen Frage klüger über sich selbst.
Der Data Lake ist der Baustein „Daten" im Core.
Im ITM-Core ist der Data Lake genau das: der Baustein Daten — das Fundament, auf dem Prozesse, Automatisierung und KI aufsetzen. Wir bauen ihn souverän by default: Die Daten bleiben lokal (auf Wunsch im Private AI Cluster), mit Governance und Guardrails von Anfang an und sauberen Prozessen. Und für KMU pragmatisch dimensioniert — die wertvollen Quellen zuerst, mitwachsend statt überzogen. Kein Big-Data-Monster, sondern ein Fundament, das trägt.
Kurz beantwortet.
Data Lake vs. Data Warehouse — was ist der Unterschied?
Ein Data Lake speichert alle Daten in Rohform und gibt ihnen erst beim Auslesen Struktur (schema-on-read) — flexibel, günstig und ideal für Analyse und KI. Ein Data Warehouse bringt Daten vor dem Speichern in ein festes, bereinigtes Schema (schema-on-write) — perfekt für wiederkehrende Berichte, aber starr bei neuen Fragen. Vereinfacht: Der Lake ist das rohe Reservoir, aus dem man flexibel schöpft; das Warehouse ist die aufbereitete Regalwand für feste Kennzahlen. Viele Firmen kombinieren beides.
Braucht meine kleine Firma überhaupt einen Data Lake?
Nicht als Big-Data-Monster — aber die Idee dahinter schon. Sobald Ihre Daten über viele Tools verstreut liegen (Mails, CRM, ERP, Dateiablagen) und Sie KI sinnvoll nutzen wollen, brauchen Sie eine zentrale Datenbasis, aus der die Firma lernen kann. Für KMU heisst das: pragmatisch klein anfangen, mit den wichtigsten Quellen, sauberer Governance und einem Speicher, der mitwachsen kann. Kein Konzern-Projekt, sondern ein passend dimensioniertes Fundament.
Was ist ein Data Swamp?
Ein Data Swamp (Datensumpf) ist ein Data Lake ohne Governance: Daten wurden einfach reingekippt, aber ohne Katalog, Metadaten, Zugriffsrechte und Qualitätskontrolle. Das Ergebnis ist ein grosser Speicher, in dem niemand mehr weiss, was wo liegt, woher es kommt oder ob man ihm trauen kann. Der Unterschied zwischen Lake und Swamp ist nicht die Technik, sondern die Ordnung — genau deshalb gehört Governance von Anfang an dazu.
Cloud oder lokal — wo sollte der Data Lake liegen?
Das hängt von Sensibilität, Datenschutz und Souveränität ab. Cloud ist bequem und schnell skalierbar, macht Sie aber von einem Anbieter, seinen Preisen und dem politischen Zugriff auf dessen Standort abhängig. Wer die eine Datenbasis der Firma und die darauf laufende KI in der eigenen Hand behalten will, fährt lokal oder hybrid besser — etwa mit einem Private AI Cluster, bei dem Daten und Modell das Haus nicht verlassen. Entscheidend ist, dass Eigentum und Zugriff bei Ihnen bleiben.
Was kostet ein Data Lake?
Der reine Rohspeicher ist der günstigste Teil — Objekt-Speicher ist bewusst billig, gerade weil man roh und viel speichert. Der Aufwand steckt in Anbindung der Quellen, Governance, Katalog und Betrieb. Genau deshalb rät ITM zu pragmatisch klein anfangen: mit den wertvollsten Quellen starten, sauber aufsetzen und mitwachsen, statt teuer ein Big-Data-Monster zu bauen, das nie in Betrieb geht. So bleibt der Nutzen von Anfang an grösser als die Kosten.
Data Lake & DSGVO — wie passt das zusammen?
Sehr gut, wenn Governance von Anfang an mitgedacht ist. Weil im Lake viele Daten zusammenlaufen, sind Zugriffsrechte, Verschlüsselung, Löschkonzepte, Zweckbindung und ein sauberer Katalog Pflicht — genau das, was die DSGVO verlangt. Ein souverän, lokal betriebener Lake macht das leichter: Die Daten bleiben in Ihrer Hand, Sie kontrollieren Zugriff und Verarbeitung selbst und können KI-Zugriffe über klare Guardrails absichern. Ordnung ist hier nicht Bürokratie, sondern Voraussetzung.
Wir bauen Ihnen die eine Datenbasis.
Vom Anbinden der Quellen über Governance und Katalog bis zur RAG-Wissens-KI — ITM baut Ihren Data Lake pragmatisch, souverän und KI-ready. Klein anfangen, mitwachsen, Wert ziehen.