Daten-WG

Was passiert, wenn man einfach ein MCP auf alle Datenquellen legt und der KI Fragen stellt, ohne Pipeline, ohne Warehouse, ohne semantisches Modell dazwischen? Tim Ebner vom Datendurst-Podcast und ich setzen unser Gespräch zu AI Analytics fort und schauen dorthin, wo es unbequem wird: Marketing mit seinen vielen Plattformen und Silos, MCP als neuer Standard, und ein ganz konkretes Beispiel, in dem ich meine Zeiterfassung und Umsatzauswertung nur noch direkt über Claude erledige, mitsamt aller Ausnahmen, die ich in einem BI-Tool kaum abbilden könnte.Daraus entsteht die eigentliche Frage der Folge: Lesen wir mit KI bald wieder alle direkt auf den operativen Systemen, und brauchen wir dann überhaupt noch eine Datenschicht? Wir sprechen über Semantik als Kontext, über Tokens versus Skripte, über Anthropics Git-Ersatz und die Vision vom Ende der Tastatur. Am Ende landen wir bei einer Grundsatzdiskussion über die Single Source of Truth, bei der Tim und ich nicht ganz einer Meinung sind.Tim Ebner https://www.linkedin.com/in/ebner-tim/Artur König https://www.linkedin.com/in/datakoenigartur/00:00 – Intro: Tim Ebner und der Weg vom Performance Marketing in die Daten01:54 – Marketing Analytics: Viele Plattformen, viele Silos08:58 – Ein MCP auf alle Quellen und einfach fragen?10:53 – MCP als Standard und die Fragmentierung der KI-Welt14:44 – Semantik als Kontext: Ohne Modellierung geht es nicht15:31 – Praxisbeispiel: Zeiterfassung und Umsatz direkt mit Claude20:34 – Tokens oder Skript: Wann lohnt sich Automatisierung?22:54 – KI als Turbo für Proof of Concepts24:17 – Analytics direkt auf dem operativen System26:26 – Wenn alle aufs SAP losgehen: Warum die Datenschicht bleibt29:45 – Anthropic ersetzt Git, SAP die Tastatur34:55 – Das beste Modell ist das für die eine Frage36:03 – Single Source of Truth: Pro und Contra39:27 – Bottom-up statt Fünf-Jahres-Plan43:42 – Ausblick: KI lernt, wie wir KI nutzenDatendurst Podcast mit Tim Ebner: https://www.youtube.com/@datendurstClockodo MCP Server: https://www.clockodo.com/fr/blog/clockodo-mcp-server-connecting-ai-agents-to-clockodo/Anthropic ersetzt Git durch Scion: https://thenewstack.io/anthropic-scion-git-replacement/Was wir sonst so machen:https://www.daten-wg.com/

Im E-Commerce ist doch alles digital, also müsste man auch genau wissen, welche Anzeige zu welchem Verkauf geführt hat? Corinna Zennig, CEO von Lazy Analyst, hilft seit neun Jahren E-Commerce-Brands dabei, datengetrieben zu werden, und räumt mit diesem Irrtum gründlich auf. Wir sprechen darüber, warum Google und Meta zusammen gerne 200 von 100 Sales für sich beanspruchen, was Amazon und der Cookie-Consent mit der Customer Journey machen und warum die simple Frage nach dem "Wie hast du uns gefunden?" so unterschätzt ist.Danach geht es um AI Analytics: um Tools, die versprechen, dass man kein Data Warehouse und keine Dashboards mehr braucht, um Revenue-Definitionen, die jede Firma anders auslegt, und um die Frage, warum Brands einem AI-Chat mit 95 Prozent Genauigkeit mehr vertrauen als einem validierten Dashboard. Am Ende steht ein klares Plädoyer: erst Strategie, dann Tool.Corinna Zennig https://www.linkedin.com/in/corinnazennig/Artur König https://www.linkedin.com/in/datakoenigartur/00:00 – Intro: Corinna Zennig und der Lazy Analyst01:45 – Wie technologieagnostisch kann E-Commerce sein?04:51 – Echtzeit oder täglich? Was E-Commerce wirklich braucht10:30 – Die Customer Journey nachvollziehen12:03 – Amazon, Cookie-Consent und fehlende Kundendaten13:50 – 100 Sales, 200 Zuschreibungen: Attribution zwischen Google und Meta17:35 – First-Party-Data und Server-Side-Tracking20:06 – Der einfachste Hebel: Frag deine Kunden22:01 – Wie AI das E-Commerce-Game verändert23:40 – Revenue ist nicht gleich Revenue: Warum AI Kontext braucht25:13 – 95 Prozent Accuracy und blindes Vertrauen in den AI-Chat29:41 – Data Warehouse, Databricks Genie oder fertiges Tool?32:18 – Dashboard und AI-Chat: Wofür was?35:26 – AI Analytics selbst bauen? Lieber nicht38:11 – Abschlusstipp: Erst Strategie, dann ToolLazy Analyst: https://www.lazyanalyst.com/Kostenloser Data Strategy Call bei Lazy Analyst: https://www.lazyanalyst.com/consultation/

Gabi Münster ist zurück im Quarterly, diesmal pünktlich kurz vor der Daten-WG und frisch nach der FabCon Europe in Barcelona. Wir schauen auf ein Quartal, das ruhig angefangen hat und mit einer ganzen Welle an Announcements endete: Fabric Planning ist GA, Web-Editor und Power BI Desktop wachsen weiter zusammen, und mit dem Modern Report Design entstehen Fabric Apps jetzt direkt aus Power BI Desktop heraus, demnächst auch mit Pro- und PPU-Lizenz.Auf der Plattformseite geht es um F0 als nutzungsbasierten Einstieg ohne Kapazität, um Operation Events im Real-Time Hub und den neuen Job-Monitor, um Mirroring inklusive Security-Rollen aus Snowflake, um Apache Ossie als offenen Standard für Semantik und um die Fabric Policy Engine, mit der sich endlich technisch steuern lässt, wer welche Items anlegen darf. Zum Schluss wieder unsere Wünsche: Lineage auf Spaltenebene und mehr Policies.Gabi Münster https://www.linkedin.com/in/gabimuenster/Artur König https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: Quarterly kurz vor der Daten-WG und Newsflash von der FabCon01:32 – Fabric Planning ist GA und das Preismodell ist fairer als gedacht04:24 – Web und Desktop wachsen zusammen: TMDL-Ansicht, PBIP GA, DirectQuery im Service06:07 – Fabric Apps und Modern Report Design in Power BI Desktop08:40 – Lego oder 3D-Drucker: Wie viel Zukunft haben interaktive Reports?15:28 – Fabric Apps auch für Pro und PPU: Wo die Lizenzgrenze jetzt verläuft18:42 – F0: Fabric ohne Kapazität und was das für Planning bedeutet26:30 – Operation Events im Real-Time Hub und der neue Job-Monitor31:57 – KI auf Plattformebene: Fabric Copilot, M365 und gehosteter MCP-Server35:25 – Mirroring mit Security-Rollen aus Snowflake44:49 – Apache Ossie, Semantic Views und Ontologien: Wie portabel wird Semantik?52:27 – Fabric Policy Engine: Wer darf welche Items anlegen?59:16 – Deployment Plans und Bilder aus OneLake in Power BI Reports1:02:47 – Wünsche: Vega Visual, Lineage auf Spaltenebene und neue Policies1:07:14 – Ausblick auf die Daten-WG 2026FabCon und SQLCon 2026 Barcelona, alle Ankündigungen: https://azure.microsoft.com/en-us/blog/fabcon-and-sqlcon-2026-in-barcelona-building-the-data-foundation-for-microsoft-copilot-and-agents/Policies in Fabric (Preview): https://go.microsoft.com/fwlink/?LinkId=2372038Microsoft & Snowflake zu Apache Ossie: https://community.fabric.microsoft.com/blog/fbc_pbiupdatesblog/microsoft--snowflake%E2%80%99s-commitment-to-apache-ossie/5369534

Aus einer Idee wird eine Firma: Simon Harrer ist zurück in der Daten-WG. Aus dem Data Mesh Manager ist Entropy Data geworden, ausgegründet aus der INNOQ, mit Kunden in acht Ländern. Wir sprechen darüber, warum ein Datenprodukt-Marktplatz mit Data Contracts plötzlich genau das ist, was KI-Agenten brauchen, und wie ein Coding Agent aus einem Contract automatisch eine Pipeline baut.Außerdem geht es um Open Semantic Interchange, das jetzt Apache Ossie heißt, um Ontologien, um die Frage, ob ein Agent selbst ein Datenprodukt ist, um das Interesse von Microsoft an Data Contracts für Fabric und Power BI und um die Frage, wer eigentlich die Kontrolle über die Metadaten haben sollte.Simon Harrer https://www.linkedin.com/in/simonharrer/Artur König https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: Aus Leidenschaft wird ein Unternehmen00:48 – Vom Data Mesh Manager zu Entropy Data02:21 – Was ist ein Datenprodukt-Marktplatz?03:07 – Der Traum eines jeden Agenten04:50 – Contract first: Der Coding Agent baut die Pipeline05:53 – Praxisbeispiel: Zeiterfassung als Datenprodukt09:05 – Data Contracts statt Datenkatalog und die Frage der Ownership11:35 – Agenten als Feedback-Instrument für gute Metadaten13:08 – Ist ein Agent selbst ein Datenprodukt?16:57 – Wie verhindert man Slop im Marktplatz?18:10 – OSI: Ein offener Standard für Semantikmodelle22:37 – Metadaten für KI, ODCS und Ontologien25:32 – Aus OSI wird Apache Ossie26:56 – Entropy Data trifft Microsoft Fabric und Power BI31:45 – Wem gehören die Metadaten? Souveränität und offene StandardsShownotesEntropy Data: https://www.entropy-data.com/Data Contract CLI (Open Source, Prüfung von Daten gegen Contracts): https://github.com/datacontract/datacontract-cliData Contracts Guide: https://datacontract.com/Apache Ossie (ehemals Open Semantic Interchange): https://ossie.apache.org/Ankündigung: OSI wird Apache Ossie: https://ossie.apache.org/updates/ossie-enters-apache-incubator/Apache Ossie auf GitHub: https://github.com/apache/ossie

Time to step out of the Microsoft comfort zone: this episode is about Databricks. Vitalija Bartusevičiūtė, Databricks MVP and Senior Consultant at Capgemini, explains what makes so many people in the data community fall in love with the platform, and why "customizable" is both its biggest strength and its biggest hurdle.We talk about Genie and what it really takes to let business users talk to their data: clean data, metadata, synonyms, benchmarks and a clear question to answer. From there we drift into metric views, the Open Semantic Interchange, SQL dialects, DirectQuery vs. import mode, and why Excel is still both the source and the end of every data pipeline.Vitalija Bartusevičiūtė https://www.linkedin.com/in/vitalijabart/Artur König https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 conference, October 14-16, Cologne: https://www.daten-wg.com/daten-wg-202600:00 – Intro: stepping out of the Microsoft comfort zone01:02 – From biologist and R to Databricks MVP02:18 – Why Databricks? Customization and the Unity Catalog moment04:05 – Only for big enterprises? Databricks Free for everyone05:39 – "I'm not married to a tool": solving the client's problem first08:05 – What Databricks actually is: Spark, SQL and the growing AI part09:06 – Genie: talking to your data in the Teams chat of a convenience store12:55 – Metadata, synonyms and how end users really talk about data14:13 – Benchmarks, joins and the 80% rule for a good Genie space16:44 – Flat tables, Frankenstein tables and rethinking best practices for AI17:15 – Metric views and the Open Semantic Interchange initiative19:44 – Delta, SQL dialects and why semantic models are still black magic25:55 – Governance, DirectQuery vs. import and the Excel loop30:42 – Advice: try Databricks Free and focus on the problem, not the tool31:30 – Python pre-con at Daten-WG 2026 in CologneShownotes:Databricks Free Edition (replaces Community Edition): https://www.databricks.com/learn/free-editionDatabricks Excel Add-in: https://docs.databricks.com/aws/en/integrations/excel-setupApache Ossie: https://ossie.apache.org/Artur's own article on OSI [German]: https://www.tdwi.eu/wissen/vereinspublikationen

Es regnet in Köln, wir kommen hier so schnell nicht weg – also reden wir endlich mal über das, worüber wir sonst immer nebenbei reden: Fabric-Architekturen. Vier Berater, vier laufende Projekte, und am Ende erstaunlich wenig Einigkeit darüber, wie eine Datenplattform in Fabric eigentlich aussehen sollte.Marcus lädt SAP-Daten per Notebook aus dem Data Lake, ein anderes Projekt hängt an Navision und setzt konsequent auf Warehouses und Stored Procedures, das dritte dreht die Medaillon-Architektur einfach um und legt Gold ins Lakehouse. Dazwischen streiten wir über die Frage, ob es wirklich immer drei Layer sein müssen, über Self-Service-Lakehouses und Composite Models, über Dataflows für Citizen Developer, über TMDL-Measures, die sich partout nicht überschreiben lassen – und darüber, warum SQL vielleicht doch leichter zu lernen ist als DAX.Ulrik Harnisch https://www.linkedin.com/in/ulrik-harnisch/Marcus Wegener https://www.linkedin.com/in/marcuswegener/Michael Tenner https://www.linkedin.com/in/michael-tenner-5b885970/Artur König https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: Zu viert im Regen und die Frage nach dem Fabric-Standard00:34 – Marcus' SAP-Projekt: Datasphere, Delta-Dateien und warum es ein Notebook wurde04:16 – F64 für die Lizenzen, 2% Auslastung und die Exit-Strategie aus dem Projekt06:11 – Navision, Data Gateway und eine Medaillon-Architektur auf Warehouses09:26 – Business Central und Open Mirroring: die Session von Julian Wissel10:45 – Architekturen entstehen nicht aus Vorsystemen, sondern aus Menschen12:15 – Umgekehrt gedacht: Warehouse für Bronze und Silber, Lakehouse für Gold13:57 – Dataflows für Citizen Developer und wo die Aufteilung plötzlich wehtut17:21 – "Immer drei Layer, und die sind nicht diskutabel"20:34 – Self-Service-Lakehouse, Composite Models und das Excel-Monster25:07 – TMDL, fachliche Pakete und die Frage nach dem Ease of Use30:19 – Warum SQL leichter zu lernen ist als DAX35:07 – Von der Excel-Kreuztabelle über M-Code zum SQL-Statement39:00 – Power Apps, eine F2 am Limit und der Umstieg auf Stored Procedures47:20 – Sessions auf der Daten-WG 2026: DAX, Data Vault und PythonErwähnte Daten-WG Speaker:Julian Wissel (Session zu Business Central & Open Mirroring): https://www.linkedin.com/in/julianwissel/Ben Weissman (Session rund um SQL): https://www.linkedin.com/in/benweissman/Matthias Nohl (Session "Integration von Architekturen"): https://www.linkedin.com/in/matthias-nohl/Andreas Rederer (Session "Integration von Architekturen"): https://www.linkedin.com/in/andreasrederer/Francesco Bergamaschi (Precon "DAX Pillars"): https://www.linkedin.com/in/francescobergamaschi/Tom Martens (Precon Python-Datenaufbereitung und Session zu Power BI Scanning): https://www.linkedin.com/in/tommartens68/Martin Bubenheimer (DAX Deep Dive und Fabric Debatte): https://www.linkedin.com/in/martin-bubenheimer/David Sanadze (Data Vault): https://www.linkedin.com/in/david-sanadze/

Was macht eigentlich ein Data Solution Engineer bei Microsoft – und wo hört seine Arbeit auf?Alexander Korn und Lukasz Obst sind beide im Januar bei Microsoft gestartet, beide aus der Beratung, und beide sitzen jetzt in einer Rolle, die viele Kunden gar nicht auf dem Schirm haben: Pre-Sales, kostenlos, aber mit klarem Interesse dahinter.Wir reden über die Rollenlandschaft bei Microsoft vom Account Executive bis zur Delivery, über die Frage, wonach die beiden entscheiden, welchem Kunden sie ihre Zeit geben, über das Verhältnis zu Partnern – und darüber, warum es sich für Microsoft nicht rechnet, einem Kunden die teurere Plattform zu verkaufen.Alexander Korn https://www.linkedin.com/in/alexanderkorn/Lukasz Obst https://www.linkedin.com/in/lukasz-obst-3672083a2/Artur König https://www.linkedin.com/in/datakoenigartur/LIEV dabei seinDaten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-2026Alex und Lukasz haben außerdem den Developer Hub gebaut, mehr dazu gibt es bei YouTube:https://youtu.be/e50qKdVn-2400:00 – Intro: zwei Insider von Microsoft zu Gast00:53 – Vom Softwareentwickler in die Datenwelt: Lukasz' Weg02:32 – Vom Microsoft-Partner zu Microsoft: was Pre-Sales wirklich heißt03:54 – Drei Solution-Engineer-Rollen: Data, Infrastruktur, AI und Apps04:30 – Wer macht bei Microsoft was? Von AE über CSA bis Delivery06:32 – Kostenlose Beratung mit Verkaufsinteresse: das Spannungsfeld08:12 – Impact als Maßstab: welchem Kunden helfen wir?09:45 – Partnerstufen, Spezialisierungen und Managed Partner10:26 – POC bei Microsoft, Umsetzung beim Partner12:16 – Freiheit und Druck: Ziele, Industrien und 15 Kunden14:36 – Warum "verkaufen, verkaufen, verkaufen" nicht aufgeht16:15 – Trusted Advisor statt Quick Win: Kapazität sinnvoll nutzen17:57 – Fabric Planning als Beispiel: Konsolidierung statt Nischenlösung19:05 – Eigene Kompetenz im Markt: Power BI Fixer und Developer Hub20:32 – Ausblick: Fabric-Debatte und Dashboard Roast auf der Daten-WGShownotesPower BI Fixer (Inzwischen auch als Fabric App Edition!): https://actionablereporting.com/pbi-fixer/Alexander Korn auf GitHub: https://github.com/KornAlexander

Kann man sich selbst durch KI ersetzen – und das auch noch gut finden? Burkhardt Gasber hat genau das getan. Zum dritten Mal zu Gast im Daten-WG-Podcast erzählt er, wie er im vergangenen November abends angefangen hat, mit Lovable seine eigene Arbeitsweise zu digitalisieren: die Heatmap-Analysen für Marketing-Teams, die er jahrelang mühsam von Hand aufbereitet hat.Herausgekommen ist ein Tool für kollaborative Datenanalyse – mit Notizen per Sprache, KI-Summaries und einer Einstiegshürde, die so niedrig ist, dass niemand mehr ein Excel-Training braucht. Wir reden über Slop im Code und warum der egal sein kann, über den fertigen MVP als bestes Briefing, über Datenschutz und deutsche Server, über die Frage, ob Beratung sich damit selbst abschafft – und darüber, was passiert, wenn Wissen plötzlich exponentiell schneller fließt.Burkhardt Gasber https://www.linkedin.com/in/burkhardtgasber/Artur König https://www.linkedin.com/in/datakoenigartur/LIVE hier:Daten-WG 2026 Konferenz am 14.-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: „Ich habe begonnen, mich selbst zu ersetzen"04:01 – Warum die Heatmap seine Lieblingsvisualisierung ist04:39 – Der Abend mit Lovable: aus fünf Zeilen Prompt wird ein Tool07:00 – Top-1-Prozent-Coder: was die Analyse der eigenen Prompts zeigte09:14 – „Echter Slop": warum die KI die Interpretation nicht übernimmt10:39 – Gemeinsam auf die Daten schauen: rote Tage, Muster, Evidenzen14:06 – Datenschutz, deutsche Server und raus aus der Lovable-Cloud17:13 – Welche Daten? Wenige KPIs statt ETL-Monster19:42 – Notizen per Sprache, Notes Board und KI-Summaries22:41 – Ohne Datenkompetenztraining: die Einstiegshürde radikal senken25:25 – Was so ein Tool kostet – und warum man in Credits investieren sollte28:31 – Make or Buy: „Dann spare ich mir den Burkhardt"?33:54 – Der MVP als bestes Briefing – Slop im Code ist erstmal egal40:54 – Nicht Ersetzen, sondern Transformation: exponentiell statt linear46:02 – Die Guten mitnehmen, Mittelstand aufholen – und der AbschlusstippShownotes:gasber digital business consulting (Website): https://www.gasber.online/Burkhardt Gasber auf freelancermap: https://www.freelancermap.com/profile/burkhardt-gasberFrüherer Podcast Autritt: https://open.spotify.com/episode/5ABvGykc29oMFQLDfwKwRhLovable – Vibe-Coding-Plattform, mit der das Tool entstanden ist: https://lovable.dev/

Gabi Münster ist zurück im Quarterly – und diesmal geht es um das, was seit der Build wirklich Wellen schlägt: Fabric Apps und Rayfin. Ist das der Anfang vom Ende des klassischen Report-Layers? Artur und Gabi sind sich einig: nein, aber die Karten werden neu gemischt.Dazu Power BI mit ungewöhnlich vielen GA-Updates, Fabric Planning auf der Zielgeraden samt neuem Session-Preismodell, GPU-Beschleunigung im Warehouse, Delegated Shortcuts als Federation-Modell für OneLake Security – und zum Schluss zwei Feature-Wünsche: Lineage bis auf Tabellenebene und die Fabric Policy Engine.Gabi Münster: https://www.linkedin.com/in/gabimuenster/Artur König: https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 Konferenz am 14.-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: Data Saturday Rheinland und eine Ära, die endet05:11 – Power BI bekommt Liebe: zehn GA-Updates in zwei Monaten06:11 – Custom Totals und Visual Calculations sind GA07:43 – Kleinigkeiten mit Wirkung: Full HD und Set as Landing Page09:46 – MS Build: Fabric Apps und Rayfin12:24 – Rayfin ist kein Report-Ersatz, sondern ein Backend-Service18:08 – Regionen-Frage und Kurt Buhlers Vergleich: Lego vs. 3D-Drucker20:13 – Fabric Planning und PowerTable: Excel-Frontend auf SQL21:05 – Drei Preismodelle in Fabric und was das Session-Modell bedeutet28:32 – Warehouse mit GPU-Beschleunigung und was das kosten wird34:02 – Storage Tiers und Item Size Reporting35:11 – SharePoint Shortcuts GA und Shortcut Transformations36:35 – Delegated Shortcuts: Federation für OneLake Security42:42 – Real-Time Intelligence: Business Events und CDC-Mirroring47:55 – Feature-Wünsche: Lineage auf Tabellenebene und die Policy EngineShownotes/Quellen:Kurt Buhler: https://www.linkedin.com/posts/kurtbuhler_microsoftfabric-fabricapps-dataviz-share-7468300931789463553-1u0i/Data Saturday Rheinland: https://datasaturdays.com/Event/20260711-datasaturday0084Microsoft Build 2026 Book of News / Ankündigungen: https://azure.microsoft.com/en-us/blog/microsoft-build-2026-building-agentic-apps-with-microsoft-fabric-and-microsoft-databases/Fabric Apps und Rayfin:https://community.fabric.microsoft.com/t5/Fabric-Updates-Blog/Introducing-Rayfin-A-new-AI-first-way-to-build-deploy-and-govern/ba-p/5191676Capacity & Cost Calculator (Fabric Planning): https://fabricplanning.io/calculator/GPU-Beschleunigung im Fabric Data Warehousehttps://www.linkedin.com/posts/bogdanc_i-put-a-gpu-behind-fabric-data-warehouse-share-7480295686303928320-epRV/Delegated shortcutshttps://www.linkedin.com/posts/aajmerrill_data-analytics-onelake-share-7478576952379867137-88V3/Workspace Access Managementhttps://www.linkedin.com/posts/aajmerrill_onelake-data-analytics-share-7470542489314324481-zUFA/

In Zeiten von KI und „alles agentic" klingt „Data Warehouse" fast wie ein Dinosaurier. Aber warum und wie es trotzdem weiterlebt erklärt Reinhard Mense, Mitgründer von areto, Gründer von Yotilla (2020 von Exasol übernommen) und seit Jahren mit Leib und Seele im Thema Data-Warehouse-Automatisierung.Wir sprechen über den Rebuild-Cycle, der Data Warehouses alle paar Jahre neu entstehen lässt, über die Grenzen heutiger Automatisierung und Reinhards Vision, schon auf der konzeptionellen Geschäftsobjekt-Ebene anzusetzen. Dazu ein ehrlicher Schlagabtausch über Self-Service, was zentral gehört und was nicht – und wo KI wirklich hilft und wo Determinismus gewinnt.Reinhard Mense https://www.linkedin.com/in/reinhard-mense-data-warehouse-automation/Artur König https://www.linkedin.com/in/datakoenigartur/Daten-WG 2026 Konferenz am 14-16. Oktober: https://www.daten-wg.com/daten-wg-202600:00 – Intro: Ist das Data Warehouse ein Dinosaurier? Reinhards Werdegang03:52 – Der Data-Warehouse-Rebuild-Cycle: warum alle 5 Jahre neu gebaut wird04:39 – Neue Technologie als vermeintlicher Heilsbringer – und warum das nicht reicht05:33 – Wenn der Fachbereich nicht mehr wartet: die Excel-Chaos-Spirale07:47 – Automatisierung setzt zu spät an – der Vergleich mit der Telefonvermittlung10:47 – Einen Schritt früher: Automatisierung ab dem konzeptionellen Modell13:45 – Abstraktion eine Ebene höher – warum wir Datenbanken längst akzeptiert haben17:53 – Die Grenzen von Self-Service: das Supply-Chain-Beispiel21:20 – Was gehört zentral? Finance, Kennzahlen und gemeinsame Wahrheiten24:00 – Was sich nicht zentralisieren lässt: Prozente, Durchschnitte, lokale Mappings28:48 – Warum nicht alles mit KI? Determinismus schlägt GenAI32:01 – KI vorgelagert: das konzeptionelle Modell im Dialog mit dem Fachbereich35:32 – Der Rebuild-Cycle bei BI-Tools: Migration ist selten die Lösung44:22 – Daten-WG 2026 in Köln: Coworking, Theater und Speaker48:13 – Der Abschluss-Tipp: mit KI bauen, was früher Großprojekte brauchten