Semantic Layer für KI
Die Hopmann AI Foundation, Teil 4
Kurz zusammengefasst: Der Semantic Layer für KI ist das Wörterbuch eines Unternehmens. Er legt an einer zentralen Stelle fest, was „Umsatz“, „Conversion“ oder „Customer Lifetime Value“ genau bedeuten, damit Dashboards, Ad-hoc-Auswertungen und KI-Agenten aus denselben Rohdaten dieselbe Zahl berechnen. Für KI ist das kein Nice-to-have. Ohne diese gemeinsame Sprache liefert derselbe Agent auf dieselbe Frage jedes Mal eine andere Antwort, und niemand kann entscheiden, welche stimmt.
In den ersten Beiträgen dieser Serie haben wir gezeigt, warum eine belastbare Measurement Strategie und eine gute Datenqualität die ersten beiden Ebenen der Hopmann AI Foundation sind. Damit steht fest, was gemessen wird und dass den Daten dahinter zu trauen ist. Was fehlt, ist eine Zwischenschicht, die Menschen und Maschinen dieselbe Bedeutung dieser Zahlen zusichert. Genau das leistet der Semantic Layer.
Warum eine saubere Zahl noch keine eindeutige Antwort ist
Fragen Sie in einem beliebigen Marketingteam, was ein „Lead“ ist, bekommen Sie mindestens drei Antworten. Sales meint einen qualifizierten Kontakt mit Budget und Bedarf, Performance-Marketing zählt jeden Formularabsender, das CRM markiert einen bestimmten Statuswechsel. Jede dieser Definitionen ist in ihrem Kontext richtig. Für einen einzelnen Report lässt sich das aushandeln.
Ein KI-Agent hingegen zögert nicht und nimmt die erste Definition, die er findet. Mit dieser formuliert flüssig eine Erklärung und legt eine Zahl auf den Tisch. Wird dieselbe Frage zehn Minuten später anders formuliert, kommt eine andere Zahl heraus, weil das Modell einer anderen Interpretation gefolgt ist. Beide Antworten klingen gleich überzeugend, und beide sind für sich genommen nicht falsch, sondern nur nicht dieselbe.
Ein menschlicher Analyst würde bei einer Abfrage nachfragen: Welche Kunden sind gemeint, aktive oder alle jemals angelegten, mit oder ohne Testaccounts, netto oder brutto. Ein Agent tut das von sich aus nicht. Er entscheidet und liefert eine plausible, sauber formatierte Zahl. Wenn diese Zahl in einer Präsentation landet, ist die Wahl der Definition nicht mehr sichtbar. Auf Dauer werden Diskussionen im Team länger, nicht kürzer, weil jede Zahl zuerst gegen ihre implizite Definition geprüft werden muss.
Was ein Semantic Layer für KI konkret ist
Ein Semantic Layer für KI ist die Ebene zwischen den Rohdaten und allem, was diese Daten liest. Er hält an einer Stelle fest, was Metriken und Dimensionen bedeuten und wie sie berechnet werden. Aus einer Handvoll Tabellen wird damit eine Reihe klar benannter Geschäftsobjekte: Kunde, Auftrag, Kampagne. Aus einer Berechnungslogik wird eine Metrik mit Formel, Filter, Granularität und Zeitlogik. Aus einem Feldnamen wird eine Beschreibung, die sowohl für Menschen als auch für ein Sprachmodell verständlich ist.
Der Punkt, der ihn heute anders macht als noch vor drei Jahren, sind die zwei Zielgruppen. Klassisch war der Semantic Layer eine BI-Bequemlichkeit: Er sparte Analystinnen und Analysten die Arbeit, ein Datenmodell in jedem Dashboard neu aufzusetzen. Heute lesen KI-Agenten aus denselben Definitionen. Der Semantic Layer ist damit von einer Reporting-Konvention zur Infrastruktur für KI geworden.
Ein Semantic Layer besteht typischerweise aus diesen Bausteinen:
| BAUSTEIN | WAS ER LEISTET |
|---|---|
| Metriken | Definiert Formeln, Filter und Ausschlüsse für Kennzahlen wie Umsatz, Conversion oder ROAS an einer Stelle. |
| Dimensionen | Legt die Attribute fest, nach denen ausgewertet werden kann, mit sauberen Datentypen und geschäftsfreundlichen Namen. |
| Entitäten | Bildet Kunden, Aufträge, Produkte oder Kampagnen auf die physischen Tabellen ab, die sie repräsentieren. |
| Beziehungen | Beschreibt Joins, Kardinalitäten und den Grain der Tabellen, damit Auswertungen nicht doppelt zählen. |
| Zeitlogik | Fixiert den Fiskalkalender, das primäre Datumsfeld und die Vergleichslogik für Vorjahres- oder Vorperiodenwerte. |
| Beschreibungen und Synonyme | Erklären Menschen die Bedeutung eines Feldes und sagen Sprachmodellen, welche Wörter Nutzer tatsächlich verwenden. |
Die Kunst liegt weniger in der Auswahl der Bausteine, sondern in der Konsequenz, mit der eine Definition nur an dieser einen Stelle steht. Sobald dieselbe Metrik in einer Excel-Formel, einem Power BI-Measure und einem CRM-Filter parallel gepflegt wird, ist die Zentralisierung wieder aufgeweicht, und der Semantic Layer verliert die Eigenschaft, die ihn wertvoll macht.
Die Diskussion einmal führen, nicht bei jeder Abfrage
Der eigentliche Wert des Semantic Layers ist nicht, dass er die Diskussion darüber beendet, was „aktiver Kunde“ bedeutet. Er sorgt dafür, dass diese Diskussion genau einmal geführt wird und die Antwort dann für alle Systeme verbindlich gilt. Was vorher ein wiederkehrender Streit in jedem Reporting-Meeting war, wird zu einer einmaligen Definitionsentscheidung, die im Data Stack verankert ist.
Für KI hat dieser Unterschied besondere Bedeutung. Ein Sprachmodell, das jedes Mal frei entscheidet, wie es eine Metrik berechnet, produziert bei gleicher Frage unterschiedliche Antworten und keine Grundlage, um irgendeiner davon zu vertrauen. Ein Modell, das über den Semantic Layer geht, berechnet nicht neu, sondern verweist auf eine geprüfte Definition. Damit wird aus einer generierten Antwort eine reproduzierbare.
Das erklärt auch, warum ein Semantic Layer mehr leistet als eine gute Dokumentation. Ein Katalog beschreibt Definitionen, ein Semantic Layer erzwingt sie. Eine Regel, die ein Agent nur als Hinweis im Prompt sieht, ist eine Regel, um die er sich herum argumentieren kann. Eine Regel, die als Metrik im Semantic Layer implementiert ist, wird zur einzigen technisch verfügbaren Antwort. Der Unterschied wirkt akademisch, entscheidet in der Praxis aber darüber, ob sich die Definitionen im Alltag durchsetzen oder nur in Slides existieren.
Der Gewinn
Die spürbaren Wirkungen eines gut gepflegten Semantic Layers zeigen sich an drei Stellen. Reports und Dashboards liefern konsistente Zahlen, weil sie aus derselben Quelle rechnen. Neue Auswertungen entstehen schneller, weil die Grundlagen nicht bei jedem Ticket neu verhandelt werden müssen. Und KI-Agenten können erstmals verlässlich Fragen beantworten, weil sie eine gemeinsame Sprache mit den Menschen im Unternehmen sprechen.
Konkret heißt das: Wenn ein Agent im Chat auf [Umsatz] referenziert, ist die Zahl im Chat dieselbe wie im Dashboard. Keine neu erfundene Berechnung, kein stiller Definitionsdrift. Für ein Team, das bisher jede Woche eine Stunde mit dem Abgleich von Zahlen zwischen Tools verbringt, ist das ein täglich spürbarer Gewinn, unabhängig davon, ob am Ende ein Agent produktiv aufgesetzt wird oder nicht.
Der Gewinn skaliert außerdem mit der Nutzung. Ein klassischer Report wird vielleicht zehn Mal pro Monat aufgerufen. Ein Agent beantwortet zehntausend Fragen im gleichen Zeitraum. Eine Definition, die einmal richtig hinterlegt ist, wirkt entsprechend häufiger als eine, die jedes Mal aus dem Kontext geraten werden muss. Die Hebelwirkung einer sauberen zentralen Definition steigt genau in dem Maß, in dem KI-Anwendungen produktiv gehen.
Was der Semantic Layer für KI nicht kann
Auch die beste zentrale Definition erklärt nicht, warum die Zahlen so aussehen. Ein Semantic Layer für KI hält das Was fest, nicht das Warum. Er weiß, wie Umsatz berechnet wird, aber zum Beispiel nicht, dass die Zahlen im März durch eine IT-Migration verzerrt sind. Er beschreibt den geordneten Vergangenheitszustand, nicht die laufende Gegenwart.
Das ist keine Schwäche, sondern eine bewusste Rollenzuweisung. Ein Semantic Layer, der zusätzlich den Geschäftskontext tragen soll, wird unübersichtlich, langsam und in der Pflege kaum noch beherrschbar. Genau darum gibt es die nächste Ebene der Foundation.
Wie es weitergeht
Mit dem Semantic Layer für KI sprechen alle Systeme dieselbe Sprache. Was fehlt, ist der Rahmen, in dem diese Zahlen interpretiert werden. Ein Umsatzrückgang im Dezember bedeutet im Handel etwas anderes als im Abo-Geschäft, ein Strategiewechsel in einer Kampagne erklärt Ausschläge, die sonst wie Trackingfehler aussehen, und eine IT-Migration im März kann jede Vergleichszahl im Frühjahr entwerten. Genau darum geht es im nächsten Beitrag dieser Serie: um den Context Layer, die Ebene, die dem Semantic Layer das Warum zur Seite stellt.
Wer Agentic AI im Marketing zum Erfolg führen will, fängt nicht beim Agenten an. Er sorgt zuerst dafür, dass alle über dasselbe reden.
Wollen Sie herausfinden, wie ein Semantic Layer für KI auf Ihre Daten angewandt werden kann? Vereinbaren Sie eine kostenfreie 30-minütige Erstberatung mit unserem Team.
Folgen Sie Hopmann Marketing Analytics auf LinkedIn für weitere Einblicke in Marketing Analytics und KI.
Was wir häufig gefragt werden.
FAQ: Semantic Layer
Was ist ein Semantic Layer im Kontext von KI und Marketing?
Ein Semantic Layer ist die zentrale Schicht in einem Data Stack, die festlegt, was Metriken und Dimensionen bedeuten und wie sie berechnet werden. Dashboards, Ad-hoc-Auswertungen und KI-Agenten greifen dabei auf dieselben Definitionen zu. Für KI-Anwendungen ist das die Voraussetzung dafür, dass eine Frage nicht bei jeder Wiederholung zu einer anderen Antwort führt.
Was ist der Unterschied zwischen Semantic Layer und Data Warehouse?
Ein Data Warehouse speichert die Daten und bringt sie in eine analysefähige Struktur. Der Semantic Layer sitzt darüber und beschreibt, was diese Daten bedeuten. Ohne Warehouse fehlt die belastbare Rohbasis, ohne Semantic Layer fehlt die einheitliche Interpretation. Beide Ebenen bearbeiten unterschiedliche Fragen und lassen sich nicht durcheinander ersetzen.
Warum reicht eine gute Dokumentation nicht als Semantic Layer?
Eine Dokumentation beschreibt Definitionen, ein Semantic Layer erzwingt sie. Ein Agent, der nur eine Beschreibung im Prompt sieht, kann davon abweichen, sobald ihm eine andere Interpretation plausibler erscheint. Eine Metrik, die im Semantic Layer implementiert ist, wird dagegen zur einzigen technisch verfügbaren Antwort. Erst dieser Unterschied macht Definitionen für KI verlässlich.
Wie hängen Semantic Layer und Measurement Framework zusammen?
Das Measurement Framework legt fachlich fest, welche KPIs ein Unternehmen steuert und wie es sie definiert. Der Semantic Layer setzt diese Definitionen technisch um und macht sie im Data Stack verbindlich. Ohne Framework fehlt dem Semantic Layer die inhaltliche Grundlage, ohne Semantic Layer bleibt das Framework ein Dokument, das jede Abteilung anders anwenden kann.
Braucht jedes Unternehmen einen dedizierten Semantic Layer?
Nicht zwingend als eigenständiges Produkt. Die meisten Power BI-Umgebungen haben bereits einen Semantic Layer in Form ihrer Datenmodelle, dbt bringt mit MetricFlow eine Variante mit, Snowflake, Databricks und andere Anbieter bieten eigene Lösungen. Entscheidend ist weniger das Werkzeug als die Konsequenz, mit der Definitionen nur an einer Stelle gepflegt und von dort in alle konsumierenden Systeme gespiegelt werden.
Wie unterstützt Hopmann Unternehmen beim Aufbau eines Semantic Layers?
Wir prüfen den bestehenden Data Stack, klären, wo Definitionen heute leben und wo sie sich widersprechen, und entscheiden gemeinsam, welche Ebene die Metriken künftig verbindlich hält. Daraus entsteht ein tragfähiger Semantic Layer, der von Reporting-Tools und KI-Agenten identisch gelesen wird. So werden aus den Investitionen in Measurement Strategie und Data Quality Definitionen, auf die sich Menschen und Maschinen gleichermaßen verlassen können.