Semantic Layer vs. Context Layer

Semantic Layer vs. Context Layer: Diese Unterscheidung entscheidet, ob eine KI-Analyse verlässlich ist oder nur plausibel klingt.

Wer KI auf Unternehmensdaten loslässt, bekommt immer eine Antwort. Ob sie stimmt, hängt davon ab, was das Modell über die Daten weiß. In unserem vorherigen Artikel haben wir gezeigt, wie Claude per MCP direkt DAX-Queries gegen semantische Modelle in Power BI Service ausführt. Dieses Setup funktioniert technisch sofort. Verlässlich wird es aber erst durch eine zweite Wissensschicht: den Context Layer.

In diesem Artikel grenzen wir die beiden Schichten voneinander ab, zeigen anhand konkreter Beispiele, welche Fehler ein Context Layer verhindert, und wie man ihn pragmatisch aufbaut.

Was der Semantic Layer leistet

Der Semantic Layer ist die abgestimmte, technische Beschreibung der Daten. In Power BI ist das das semantische Modell: Metrik-Definitionen als Measures, Beschreibungen von Tabellen, Spalten und Dimensionen, sowie Beziehungen und Struktur.

[Revenue] ist zum Beispiel einmal definiert, inklusive Rabattlogik, Zeitintelligenz und Filterverhalten. Jeder Report und jede KI-Query rechnet damit identisch. Dazu kommen Beschreibungen, was ein Feld bedeutet, welche Granularität eine Tabelle hat und wie die Objekte zusammenhängen, und schließlich das Datenmodell selbst mit seinen Beziehungen.

Der Semantic Layer beantwortet damit zwei Fragen: Was gibt es, und wie wird gerechnet? Für KI-Analysen ist er die notwendige Grundlage. Ohne ihn erfindet das Sprachmodell eigene Berechnungen, und die Zahl im Chat weicht von der im Dashboard ab.

Wo der Semantic Layer endet

Was der Semantic Layer nicht beantwortet, ist die dritte Frage: Warum sehen die Zahlen so aus?

Ein Modell weiß nicht, dass im Februar eine Marketing-Kampagne lief. Es weiß auch nicht, dass ein API-Token abgelaufen war und deshalb fünf Wochen lang Bestellungen aus einem Land fehlen. Dieses Wissen existiert, aber in den Köpfen der Analysten, in Slack-Threads und in Meeting-Notizen.

Ein menschlicher Analyst bringt dieses Wissen implizit mit. Ein Sprachmodell nicht. Und weil ein Sprachmodell im Zweifel trotzdem antwortet, entsteht ohne dieses Wissen die gefährlichste Sorte Ergebnis: eine plausibel klingende, sauber formatierte, falsche Analyse.

Der Context Layer: Business-Wissen als explizite Schicht

Der Context Layer ist damit die vierte Ebene der Hopmann AI Foundation. Dort ordnen wir ihn strategisch in das Zusammenspiel aller fünf Ebenen ein, in diesem Artikel zeigen wir, wie er sich in der Praxis mit Power BI und Claude konkret aufbauen lässt.

Der Context Layer macht genau dieses implizite Wissen explizit. In unserem Setup ist das eine YAML-Datei pro semantischem Modell, die Claude vor jeder Analyse liest. Vier Bausteine haben sich als besonders wertvoll erwiesen.

Erstens die Event-Timeline: geschäftliche und technische Ereignisse, die sich in den Daten niederschlagen.

event_timeline:
  - 2024-10-30: Service-Token der Order-API für Deutschland abgelaufen,
      Re-Authentifizierung erst am 2024-12-03.
  - Februar 2025: Umsatzspitze bei Côte de Blaye in Deutschland
      durch Marketing-Kampagne.
  - März 2025: Getränke-Sortiment durch Lieferkettenprobleme
      weitgehend ausverkauft, Bestellrückgang.

Zweitens Verified Questions: geprüfte Frage-Query-Paare, die als Muster dienen.

suggested_questions:
  - question: "Welche Produkte sind unsere Top 5 nach Umsatz?"
    dax: |
      EVALUATE
      TOPN(5,
        ADDCOLUMNS(VALUES(dim_products[productName]), "Revenue", [Revenue]),
        [Revenue], DESC)
      ORDER BY [Revenue] DESC

Drittens Known Caveats: Stolperfallen, die zu Fehlinterpretationen führen.

known_caveats:
  - "Revenue ist Menge x Einzelpreis ohne Rabatt und Fracht,
     nicht als Netto-Umsatz oder Rohertrag beschreiben."
  - "discount ist ein nicht verrechneter Prozentsatz pro Zeile,
     kein Geldbetrag, niemals aufsummieren."
  - "country ist das Land des Kunden, nicht des Versenders oder
     der Produktherkunft."

Und viertens eine Domänen-Beschreibung: worum es im Dataset geht und was eine Zeile bedeutet.

Semantic Layer vs. Context Layer im Vergleich

Eine brauchbare Faustregel: Was für jedes Tool gelten soll, das auf die Daten zugreift, gehört in den Semantic Layer. Was ein erfahrener Analyst einem neuen Kollegen in der Einarbeitung erzählen würde, gehört in den Context Layer.

Was der Context Layer konkret verhindert

Drei Beispiele aus unserem Demo-Setup mit dem Northwind-Modell.

Die Datenlücke, die wie ein Geschäftsproblem aussieht: Fragt man nach der Umsatzentwicklung in Deutschland Ende 2024, zeigen die Daten einen massiven Einbruch. Ohne Kontext liefert die KI eine überzeugende Analyse über schwächelnde Nachfrage. Mit der Event-Timeline erkennt sie, dass der Einbruch von einem abgelaufenen API-Token kommt. Die Daten sind unvollständig, nicht das Geschäft schwach. Das ist der Unterschied zwischen einer Analyse, die Entscheidungen verbessert, und einer, die sie in die falsche Richtung lenkt.

Die Kennzahl, die anders heißt als sie rechnet: [Revenue] im Modell ist Menge mal Einzelpreis, ohne Rabatt. Präsentiert die KI das als „Nettoumsatz“, ist jede darauf aufbauende Aussage falsch, obwohl die Query korrekt war. Der Caveat verhindert nicht den Rechenfehler, den gibt es nicht, sondern den Interpretationsfehler.

Die Query, die es fast richtig macht: Verified Questions geben der KI geprüfte Muster vor, welche Measures kanonisch sind, wie Zeiträume gefiltert werden, wie Top-N-Auswertungen im Modell aussehen sollen. Statt bei jeder Frage neu zu improvisieren, variiert die KI erprobte Vorlagen. Das reduziert die Streuung der Ergebnisse deutlich.

Pragmatisch anfangen

Ein Context Layer muss nicht vollständig sein, um Wirkung zu zeigen. Unsere Empfehlung für den Start:

1. Mit den Caveats beginnen. Die Frage an das Team: „Welche drei Missverständnisse korrigierst du regelmäßig, wenn jemand mit diesen Daten arbeitet?“ Das Ergebnis sind die ersten known_caveats.
2. Events nachtragen, wenn sie passieren. Kampagnenstart, Datenpanne, Systemumstellung: ein Zweizeiler in der Timeline zum Zeitpunkt des Ereignisses ist billiger als jede spätere Rekonstruktion.
3. Verified Questions aus echten Anfragen destillieren. Die Fragen, die im Alltag wiederkehren, einmal sauber in DAX beantworten und als Muster hinterlegen.

Wichtig ist die Ownership: Der Context Layer ist kein IT-Artefakt, sondern dokumentiertes Fachwissen. Er gehört dorthin, wo dieses Wissen entsteht, zu den Analysten und dem Fachbereich. Als YAML-Datei ist er lesbar, versionierbar und ohne Tooling-Aufwand pflegbar. Änderungen sind sofort wirksam, ohne Deployment oder Modell-Refresh.

Fazit

Semantic Layer vs. Context Layer, im direkten Vergleich zeigt sich: Der Semantic Layer sorgt dafür, dass die KI richtig rechnet. Der Context Layer sorgt dafür, dass sie richtig interpretiert. Wer KI-gestützte Analysen auf Unternehmensdaten ernsthaft einsetzen will, braucht beides. Die gute Nachricht: Der Semantic Layer existiert in den meisten Power BI-Umgebungen bereits. Der Context Layer beginnt mit einer Textdatei und drei ehrlichen Sätzen über die eigenen Daten.

Wer noch überlegt, wo der eigene Semantic Layer architektonisch am besten aufgehoben ist, findet Orientierung in unserem Beitrag Die richtige Semantic Layer Architektur wählen.

Wir bei Hopmann Marketing Analytics unterstützen BI-Teams und Marketing-Organisationen beim Aufbau eines strukturierten Context Layers, der KI-gestützte Analysen im Alltag verlässlich macht. Möchten Sie wissen, wie das für Ihre semantischen Modelle aussehen könnte?

Tobias Lanzl ist Manager Data Analytics bei Hopmann Marketing Analytics, zertifizierter Power BI-Experte und spezialisiert auf KI-gestützte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die Fähigkeit mit, komplexe Zusammenhänge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.