Semantic Layer und Context Layer in der Praxis

Je näher KI an operative Marketingentscheidungen rückt, desto wichtiger wird das Wissen hinter den Daten.

Ein Beispiel für Semantic Layer und Context Layer in der Praxis: Die Marketingleiterin fragt ihren KI-Agenten, in welchem Kanal sie das Budget kürzen sollte. Wenige Sekunden später empfiehlt der Agent, 30 Prozent aus Paid Social abzuziehen, weil der ROAS seit Freitag eingebrochen ist. Die Rechnung stimmt. Die Empfehlung ist trotzdem falsch, denn ein abgelaufener API Token verhindert seit Freitag, dass Conversions vollständig erfasst werden.

Das Beispiel ist fiktiv, doch vor dieser Herausforderung stehen derzeit fast alle modernen Marketing Teams, die KI zur Erleichterung ihrer Routineaufgaben eingeführt haben.

Bei Hopmann beschäftigen wir uns seit Längerem mit der Frage, wie KI-Agenten Marketingdaten nicht nur schnell, sondern auch verlässlich auswerten können. Weil fehlender Kontext in der Praxis über richtige oder falsche Handlungsempfehlungen entscheidet, haben wir den Semantic Layer und den Context Layer zum zentralen Thema unseres Raw & Roasted am 17. September 2026 gemacht. Tobias Lanzl, Manager des Teams AI-Ready Data Stack bei Hopmann, ordnete beide als zwei Ebenen der Hopmann AI Foundation ein und zeigte ihre Funktion an konkreten Beispielen. In diesem Beitrag fassen wir die wichtigsten Erkenntnisse des Abends zusammen.

Semantic Layer und Context Layer sind zwei der fünf Ebenen der Hopmann AI Foundation. Das Gesamtmodell verbindet Measurement Strategie, Data Quality & Governance, Semantic Layer, Context Layer und Agentic Marketing Intelligence. Die weiteren Ebenen der Hopmann AI Foundation können Sie in unserem Blog nachlesen.

Das Versprechen von KI-Agenten auf Unternehmensdaten und was dazugehört

Die eigenen Daten direkt zu befragen, ist heute für deutlich mehr Menschen möglich. Natürliche Sprache öffnet den Zugang auch für Teammitglieder, die noch nie ein eigenes Power-BI-Modell gebaut haben. Antworten liegen in Sekunden vor und müssen nicht auf ein freies Zeitfenster im Analytics-Team warten. Rückfragen lassen sich unmittelbar anschließen, während dafür früher oft ein eigenes Dashboard nötig war.

Für Marketingentscheidungen zählt allerdings eine Besonderheit von Analytics. Beim Programmieren können mehrere Wege zum Ziel führen. Für eine Kennzahl wie den Umsatz des vergangenen Monats braucht ein Unternehmen eine verbindliche Antwort. Was dabei als Umsatz zählt, wird bereits in der Measurement Strategie geklärt. Data Quality & Governance sichern die Verlässlichkeit und den kontrollierten Zugriff auf die zugrunde liegenden Daten. Erst dann übersetzt der Semantic Layer die fachliche Festlegung für den jeweiligen Anwendungsfall in die Datenwelt. Der Context Layer ergänzt, was zur richtigen Einordnung des Ergebnisses nötig ist.

Der KI-Agent ist wie ein neuer Kollege

Stellen Sie sich Ihren KI-Agenten wie einen neuen Kollegen vor, der am ersten Arbeitstag Zugang zur Datenbank erhält. Beide brauchen eine gute Einarbeitung. Dazu gehören klare Definitionen und ausreichend Hintergrundwissen über das Geschäft.

Bei einem KI-Agenten ist diese Einarbeitung aus drei Gründen besonders wichtig:

• Unsicherheit: Ein erfahrener Kollege fragt nach, wenn eine Anfrage unklar ist. Ein Agent arbeitet zuverlässiger, wenn die nötige Klarheit bereits dokumentiert wurde.
• Geschwindigkeit und Volumen: Eine hinterlegte Definition kann der Agent bei Tausenden Abfragen konsequent anwenden. So bleiben Ergebnisse vergleichbar.
• Zuständigkeit: Klare Leitplanken helfen dem Agenten zu erkennen, wann eine Frage außerhalb seines Themengebiets liegt und an die richtige Stelle gehört.

Wie die fünf Ebenen der Hopmann AI Foundation zusammenspielen

Verlässliche KI-Antworten beginnen nicht erst im Semantic Layer. Die Hopmann AI Foundation betrachtet den gesamten Weg von der geschäftlichen Frage bis zur handlungsfähigen Marketing Intelligence:

1. Measurement Strategie: Sie verbindet Unternehmensziele mit den Fragen des Marketings und definiert die relevanten Kennzahlen fachlich.
2. Data Quality & Governance: Sie schaffen die Grundlage aus vollständigen, konsistenten und sicher nutzbaren Daten.
3. Semantic Layer: Er bildet die für den jeweiligen Anwendungsfall benötigten Kennzahlen, Dimensionen und Begriffe technisch ab.
4. Context Layer: Er ergänzt aktuelle Ereignisse, Regeln, Einschränkungen und weiteres Geschäftswissen.
5. Agentic Marketing Intelligence: Sie nutzt diese Grundlagen, um Fragen zu beantworten, Zusammenhänge zu erklären und Entscheidungen vorzubereiten.

Im Raw & Roasted Vortrag konzentrierte sich Tobias auf den Semantic Layer und den Context Layer. Sie können ihre Aufgabe jedoch nur erfüllen, wenn Strategie, Datenqualität und Governance als vorgelagerte Ebenen stimmen. Wie die beiden Vortragsebenen mit KI-Agenten im Marketing zusammenspielen, erläutern wir ausführlicher im Beitrag Semantic Layer für KI im Marketing.

Semantic Layer: das technische Wörterbuch für den konkreten Anwendungsfall

Ein Beispiel aus dem Vortrag macht das greifbar. Eine Tabelle namens MKT_PERF_V2 enthält zunächst nur Spaltennamen wie dt, src, camp_nm, rev, revenue_net, rev_att, conv und cost. Damit ein KI-Agent daraus die richtige Antwort ableitet, braucht er zusätzlich, welche der drei Umsatzspalten als Revenue zählt, ob conv Leads oder Bestellungen meint, wie ROAS berechnet wird und was genau hinter cost steckt.

Die fachliche Definition dieser Kennzahlen entsteht nicht erst im Semantic Layer. Sie stammt aus der Measurement Strategie. Dort wird beispielsweise entschieden, was im Unternehmen als Conversion gilt, welcher Umsatzbegriff für eine Steuerungsfrage relevant ist und welche Entscheidung eine Kennzahl unterstützen soll.

Der Semantic Layer übernimmt die für den konkreten Anwendungsfall benötigten Teile dieser Strategie und bildet sie als technisches Wörterbuch ab. Dazu gehören:

• Kennzahlen: die Zuordnung fachlicher Definitionen zu Formeln und Datenfeldern
• Dimensionen und Entitäten: die Beschreibung von Auswertungsmerkmalen und Geschäftsobjekten
• Beziehungen und Zeitlogik: die Verknüpfung von Tabellen sowie Regeln für Geschäftsjahre und Stichtage
• Synonyme: die Verbindung unterschiedlicher Begriffe wie Kundschaft und Nutzende mit demselben Datenfeld

Dabei hilft nicht automatisch möglichst viel Dokumentation. Zu wenig Information zwingt den Agenten zu Annahmen. Zu viel unspezifischer Input erschwert ihm, für eine konkrete Frage die relevanten Definitionen und Felder auszuwählen. In unserer Beratung zum Semantic Layer verbinden wir deshalb die richtigen Elemente der Measurement Strategie mit dem jeweiligen Anwendungsfall. Aus unserer Projekterfahrung wissen wir, welche Informationstiefe genau richtig ist, damit aus Daten belastbares Data Driven Marketing wird.

Ergänzt man dieselbe Tabelle um die ausgewählten Beschreibungen und die technische Abbildung der zuvor fachlich festgelegten Kennzahlen, verbessert sich die Antwortqualität deutlich. Der Agent weiß dann, dass ROAS Net für diesen Anwendungsfall aus Nettoumsatz geteilt durch Kosten berechnet wird und Cost per Conversion aus Kosten geteilt durch Conversions. Auf die Frage „Wie hoch waren die Kosten pro Conversion im letzten Monat, aufgeschlüsselt nach Kanal?“ kann er damit eine eindeutige Antwort liefern.

In unseren Projekten sehen wir den größten Effekt, wenn diese Dokumentation von Anfang an parallel zur technischen Anbindung des Agenten entsteht. Früher erleichterte sie vor allem neuen Kolleginnen und Kollegen den Einstieg. Heute bildet sie zugleich die Grundlage für verlässliche KI-Antworten.

Context Layer: der Rahmen für das Warum

Der Semantic Layer macht die fachlich festgelegte Berechnung für den Agenten anwendbar. Der Context Layer erklärt, wie das Ergebnis einzuordnen ist. Im Vortrag zeigte ein ROAS-Chart nach Kanal, dass Paid Social zwischen Woche 40 und 41 von 4,1 auf 2,2 fällt, während Paid Search stabil bleibt. Allein anhand der Zahlen vermutet ein KI-Agent möglicherweise Creative Fatigue und steigende CPMs. Die naheliegende Empfehlung wäre dann, Budget zu Paid Search zu verschieben. Ob diese Einschätzung zutrifft, lässt sich erst mit dem Context Layer beurteilen.

Der Context Layer bündelt das Wissen, das für die Einordnung von Ergebnissen nötig ist:

• Business Events: Migrationen, Kampagnenstarts oder Lieferkettenereignisse
• Entscheidungen: eine versionierte Historie fachlicher Änderungen
• Datenqualitätssignale: Hinweise zum aktuellen Zustand und zur Vollständigkeit der Daten
• Business Kontext: Ziele, Saisonalität und Budgetgrenzen
• Nutzungskontext: Rollen und typische Fragestellungen
• Regeln: Leitplanken und verifizierte Abfragen

Wie sich diese Inhalte in die breitere Strategie für KI im Marketing einordnen, beschreiben wir an anderer Stelle ausführlicher.

Im Beispiel aus dem Vortrag enthielt die Business-Events-Tabelle einen Eintrag vom 6. Oktober. An diesem Tag war der Meta-API-Token abgelaufen. Der Agent erkennt dadurch, dass der ROAS-Rückgang auf eine kurze, behebbare Datenlücke zurückgeht und nicht auf die Kampagnenleistung. In einer business_context.yaml sind außerdem Ziele, Saisonalität und eine Budgetgrenze von 35 Prozent für Paid Social hinterlegt. So bleiben die Vorschläge des Agenten mit der Unternehmensstrategie vereinbar.

Semantic Layer und Context Layer in der Praxis im Vergleich

Die Ebenen der Hopmann AI Foundation erfüllen unterschiedliche Aufgaben. Die Measurement Strategie legt fest, welche Kennzahlen das Unternehmen für seine Entscheidungen braucht. Data Quality & Governance sichern ihre Datengrundlage. Der Semantic Layer macht die für den jeweiligen KI-Agenten relevante Auswahl im Datenmodell anwendbar. Der Context Layer erklärt, warum eine Zahl so aussieht und was bei ihrer Bewertung zu beachten ist. Agentic Marketing Intelligence führt diese Grundlagen in der Anwendung zusammen.

Eine Antwort aus der Fragerunde ist mir besonders im Gedächtnis geblieben. Aus dem Publikum kam die Frage, wie sich der Unterschied einer fünfzehnjährigen Person erklären ließe. Tobias verglich den Semantic Layer mit einer Werkzeugkiste, die dem Agenten den Zugang zu den richtigen Zahlen ermöglicht. Der Context Layer ist die Gebrauchsanweisung, die erklärt, was diese Zahlen bedeuten. Eine ausführlichere Gegenüberstellung finden Sie in unserem Beitrag Semantic Layer vs. Context Layer.

Der pragmatische Einstieg: technisch schnell gemacht, organisatorisch der eigentliche Gewinn

Der technische Aufwand für Semantic Layer und Context Layer ist heute gut beherrschbar. Plattformen wie Snowflake, Databricks oder Fabric bieten entsprechende Funktionen bereits an. Analytics-Tools wie Omni sind direkt um ein Datenmodell aufgebaut. Über MCP-Server lassen sich auch Claude oder ChatGPT mit Datenbank und Kontext verbinden.

Entscheidend sind vor allem drei organisatorische Schritte:

1. Gemeinsam definieren: Die beteiligten Stakeholder klären in der Measurement Strategie zum Beispiel, was als Lead zählt.
2. Gezielt abbilden: Die für den Pilot relevanten Daten werden qualitätsgesichert und kontrolliert bereitgestellt. Anschließend werden die benötigten Definitionen im Semantic Layer und das Geschäftswissen im Context Layer abgebildet.
3. Dauerhaft pflegen: Änderungen werden regelmäßig dokumentiert und für den Agenten verfügbar gemacht. Relevante Entscheidungen aus Meetings fließen über automatische Transkriptionen oder die Dokumentation von verantwortlichen Personen ein. So bleiben Definitionen und Kontext aktuell.

So bleiben Definitionen, Datenqualität und Kontext aktuell und enden nicht als einmalige Dokumentationsübung.

Eine im Vortrag zitierte Untersuchung von Anthropic zu Self-Service-Analysen mit Claude veranschaulicht den Nutzen dieser Pflege. Mit schriftlich hinterlegtem Business-Kontext stieg die Genauigkeit der Antworten von 21 auf 95 Prozent. Bei regelmäßiger Aktualisierung blieb sie auf diesem Niveau. Deshalb sollte die Pflege bereits bei der Konzeption berücksichtigt werden. Die Empfehlung aus dem Vortrag lautet, mit fünf bis zehn häufig genutzten Tabellen eines Teams zu beginnen und die Lösung anhand echten Nutzerfeedbacks weiterzuentwickeln.

Was das für Ihr Unternehmen bedeutet

Für Entscheidungsträger heißt das vor allem eines: Vertrauen in KI-gestützte Analysen entsteht nicht in erster Linie durch die Wahl des Sprachmodells, sondern dadurch, wie gut Geschäftswissen dokumentiert und aktuell gehalten wird. Wer Semantic Layer und Context Layer früh mitdenkt, gewinnt Antworten, auf die sich ein Team wirklich verlassen kann, und damit auch mehr Zeit für die Entscheidungen, die diese Antworten ermöglichen. Wie Sie die richtige Semantic-Layer-Architektur für Ihr Unternehmen auswählen, lesen Sie in unserem vertiefenden Beitrag.

Wie Hopmann Sie dabei unterstützt

Wenn Ihr Marketing-Team Budgetentscheidungen künftig auf Basis von KI-Antworten trifft, entscheidet die Qualität von Semantic Layer und Context Layer direkt darüber, wie sicher sich Ihr CMO oder CFO auf diese Zahlen verlassen kann.

Hopmann verbindet dafür Marketing-Fachwissen mit technischer Datenexzellenz. Wir sitzen an der Schnittstelle zwischen CMO und Data-Engineering-Team und behalten beide Perspektiven im Blick. Zuerst klären wir, welche fachlichen Definitionen aus der Measurement Strategie für den konkreten KI-Agenten relevant sind. Danach prüfen wir Datenqualität und Governance, überführen die richtige Auswahl in den Semantic Layer und ergänzen den nötigen Geschäftskontext.

So entsteht ein sinnvoller Mittelweg zwischen zu vielen Informationen und zu wenig Orientierung. Unsere Begleitung reicht von der Analyse der bestehenden Datenlandschaft über einen konkreten Piloten-Use-Case bis zur laufenden Pflege Ihrer Layer im Team-Alltag. Während des gesamten Projekts arbeiten Sie mit demselben Berater-Team von uns zusammen. Mehr über unseren Ansatz für einen AI-ready Marketing Data Stack erfahren Sie hier.

Sie möchten einen Piloten für Ihr Team aufsetzen? Sprechen Sie uns an.

Susanne Ullrich
Head of Marketing, Hopmann Marketing Analytics

Kümmert sich um das Marketing bei Hopmann, mit einem Background als Wirtschafts-Ingenieurin und Erfahrung aus fast 20 Jahren im Marketing in internationalen B2B- und B2C-Unternehmen.