{"id":18457,"date":"2026-08-28T16:37:49","date_gmt":"2026-08-28T16:37:49","guid":{"rendered":"https:\/\/stage-01.hopmann.com\/de\/blog\/datenqualitaet-governance\/"},"modified":"2026-09-01T12:06:27","modified_gmt":"2026-09-01T12:06:27","slug":"semantic-layer-fuer-ki-im-marketing","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/de\/blog\/semantic-layer-fuer-ki-im-marketing\/","title":{"rendered":"Semantic Layer f\u00fcr KI"},"content":{"rendered":"<hr>\n<ul>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<\/ul>\n<hr>\n<div>\n<p class=\"uk-text-large\"><em>Die Hopmann AI Foundation, Teil 4<\/em><\/p>\n<div class=\"uk-card uk-card-default uk-card-body\">\n<p class=\"uk-text-large\"><strong>Kurz zusammengefasst:<\/strong> Der Semantic Layer f\u00fcr KI ist das W\u00f6rterbuch eines Unternehmens. Er legt an einer zentralen Stelle fest, was \u201eUmsatz&#8220;, \u201eConversion&#8220; oder \u201eCustomer Lifetime Value&#8220; genau bedeuten, damit Dashboards, Ad-hoc-Auswertungen und KI-Agenten aus denselben Rohdaten dieselbe Zahl berechnen. F\u00fcr 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.<\/p>\n<\/div>\n<p class=\"uk-text-large\">In den ersten Beitr\u00e4gen <a href=\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\">dieser Serie<\/a> haben wir gezeigt, warum eine belastbare <a href=\"\/de\/blog\/measurement-framework\/\">Measurement Strategie<\/a> und eine gute <a href=\"\/de\/blog\/data-quality-governance\/\">Datenqualit\u00e4t<\/a> 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.<\/p>\n<h2>Warum eine saubere Zahl noch keine eindeutige Antwort ist<\/h2>\n<p class=\"uk-text-large\">Fragen Sie in einem beliebigen Marketingteam, was ein \u201eLead&#8220; ist, bekommen Sie mindestens drei Antworten. Sales meint einen qualifizierten Kontakt mit Budget und Bedarf, Performance-Marketing z\u00e4hlt jeden Formularabsender, das CRM markiert einen bestimmten Statuswechsel. Jede dieser Definitionen ist in ihrem Kontext richtig. F\u00fcr einen einzelnen Report l\u00e4sst sich das aushandeln.<\/p>\n<p class=\"uk-text-large\">Ein KI-Agent hingegen z\u00f6gert nicht und nimmt die erste Definition, die er findet. Mit dieser formuliert fl\u00fcssig eine Erkl\u00e4rung und legt eine Zahl auf den Tisch. Wird dieselbe Frage zehn Minuten sp\u00e4ter anders formuliert, kommt eine andere Zahl heraus, weil das Modell einer anderen Interpretation gefolgt ist. Beide Antworten klingen gleich \u00fcberzeugend, und beide sind f\u00fcr sich genommen nicht falsch, sondern nur nicht dieselbe.<\/p>\n<p class=\"uk-text-large\">Ein menschlicher Analyst w\u00fcrde 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 Pr\u00e4sentation landet, ist die Wahl der Definition nicht mehr sichtbar. Auf Dauer werden Diskussionen im Team l\u00e4nger, nicht k\u00fcrzer, weil jede Zahl zuerst gegen ihre implizite Definition gepr\u00fcft werden muss.<\/p>\n<h2>Was ein Semantic Layer f\u00fcr KI konkret ist<\/h2>\n<p class=\"uk-text-large\">Ein Semantic Layer f\u00fcr KI ist die Ebene zwischen den Rohdaten und allem, was diese Daten liest. Er h\u00e4lt an einer Stelle fest, was Metriken und Dimensionen bedeuten und wie sie berechnet werden. Aus einer Handvoll Tabellen wird damit eine Reihe klar benannter Gesch\u00e4ftsobjekte: Kunde, Auftrag, Kampagne. Aus einer Berechnungslogik wird eine Metrik mit Formel, Filter, Granularit\u00e4t und Zeitlogik. Aus einem Feldnamen wird eine Beschreibung, die sowohl f\u00fcr Menschen als auch f\u00fcr ein Sprachmodell verst\u00e4ndlich ist.<\/p>\n<p class=\"uk-text-large\">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 <a href=\"https:\/\/www.gartner.com\/en\/documents\/7440462\" rel=\"noopener noreferrer nofollow\" target=\"_blank\">Infrastruktur f\u00fcr KI<\/a> geworden.<\/p>\n<p class=\"uk-text-large\">Ein Semantic Layer besteht typischerweise aus diesen Bausteinen:<\/p>\n<table class=\"uk-table uk-table-divider uk-table-middle\">\n<thead>\n<tr>\n<th>BAUSTEIN<\/th>\n<th>WAS ER LEISTET<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Metriken<\/strong><\/td>\n<td>Definiert Formeln, Filter und Ausschl\u00fcsse f\u00fcr Kennzahlen wie Umsatz, Conversion oder ROAS an einer Stelle.<\/td>\n<\/tr>\n<tr>\n<td><strong>Dimensionen<\/strong><\/td>\n<td>Legt die Attribute fest, nach denen ausgewertet werden kann, mit <a href=\"\/de\/marketing-analytics\/datenqualitaet\/\">sauberen Datentypen<\/a> und gesch\u00e4ftsfreundlichen Namen.<\/td>\n<\/tr>\n<tr>\n<td><strong>Entit\u00e4ten<\/strong><\/td>\n<td>Bildet Kunden, Auftr\u00e4ge, Produkte oder Kampagnen auf die physischen Tabellen ab, die sie repr\u00e4sentieren.<\/td>\n<\/tr>\n<tr>\n<td><strong>Beziehungen<\/strong><\/td>\n<td>Beschreibt Joins, Kardinalit\u00e4ten und den Grain der Tabellen, damit Auswertungen nicht doppelt z\u00e4hlen.<\/td>\n<\/tr>\n<tr>\n<td><strong>Zeitlogik<\/strong><\/td>\n<td>Fixiert den Fiskalkalender, das prim\u00e4re Datumsfeld und die Vergleichslogik f\u00fcr Vorjahres- oder Vorperiodenwerte.<\/td>\n<\/tr>\n<tr>\n<td><strong>Beschreibungen und Synonyme<\/strong><\/td>\n<td>Erkl\u00e4ren Menschen die Bedeutung eines Feldes und sagen Sprachmodellen, welche W\u00f6rter Nutzer tats\u00e4chlich verwenden.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p class=\"uk-text-large\">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.<\/p>\n<h2>Die Diskussion einmal f\u00fchren, nicht bei jeder Abfrage<\/h2>\n<p class=\"uk-text-large\">Der eigentliche Wert des Semantic Layers ist nicht, dass er die Diskussion dar\u00fcber beendet, was \u201eaktiver Kunde&#8220; bedeutet. Er sorgt daf\u00fcr, dass diese Diskussion genau einmal gef\u00fchrt wird und die Antwort dann f\u00fcr 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.<\/p>\n<p class=\"uk-text-large\">F\u00fcr 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 \u00fcber den Semantic Layer geht, berechnet nicht neu, sondern verweist auf eine gepr\u00fcfte Definition. Damit wird aus einer generierten Antwort eine reproduzierbare.<\/p>\n<p class=\"uk-text-large\">Das erkl\u00e4rt 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 verf\u00fcgbaren Antwort. Der Unterschied wirkt akademisch, entscheidet in der Praxis aber dar\u00fcber, ob sich die Definitionen im Alltag durchsetzen oder nur in Slides existieren.<\/p>\n<h2>Der Gewinn<\/h2>\n<p class=\"uk-text-large\">Die sp\u00fcrbaren 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 m\u00fcssen. Und KI-Agenten k\u00f6nnen erstmals verl\u00e4sslich Fragen beantworten, weil sie eine gemeinsame Sprache mit den Menschen im Unternehmen sprechen.<\/p>\n<p class=\"uk-text-large\">Konkret hei\u00dft das: Wenn ein Agent im Chat auf <strong>[Umsatz]<\/strong> referenziert, ist die Zahl im Chat dieselbe wie im Dashboard. Keine neu erfundene Berechnung, kein stiller Definitionsdrift. F\u00fcr ein Team, das bisher jede Woche eine Stunde mit dem Abgleich von Zahlen zwischen Tools verbringt, ist das ein t\u00e4glich sp\u00fcrbarer Gewinn, unabh\u00e4ngig davon, ob am Ende ein Agent produktiv aufgesetzt wird oder nicht.<\/p>\n<p class=\"uk-text-large\">Der Gewinn skaliert au\u00dferdem 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 h\u00e4ufiger als eine, die jedes Mal aus dem Kontext geraten werden muss. Die Hebelwirkung einer sauberen zentralen Definition steigt genau in dem Ma\u00df, in dem KI-Anwendungen produktiv gehen.<\/p>\n<h2>Was der Semantic Layer f\u00fcr KI nicht kann<\/h2>\n<p class=\"uk-text-large\">Auch die beste zentrale Definition erkl\u00e4rt nicht, warum die Zahlen so aussehen. Ein Semantic Layer f\u00fcr KI h\u00e4lt das <em>Was<\/em> fest, nicht das <em>Warum<\/em>. Er wei\u00df, wie Umsatz berechnet wird, aber zum Beispiel nicht, dass die Zahlen im M\u00e4rz durch eine IT-Migration verzerrt sind. Er beschreibt den geordneten Vergangenheitszustand, nicht die laufende Gegenwart.<\/p>\n<p class=\"uk-text-large\">Das ist keine Schw\u00e4che, sondern eine bewusste Rollenzuweisung. Ein Semantic Layer, der zus\u00e4tzlich den Gesch\u00e4ftskontext tragen soll, wird un\u00fcbersichtlich, langsam und in der Pflege kaum noch beherrschbar. Genau darum gibt es die n\u00e4chste Ebene der Foundation.<\/p>\n<h2>Wie es weitergeht<\/h2>\n<p class=\"uk-text-large\">Mit dem Semantic Layer f\u00fcr KI sprechen alle Systeme dieselbe Sprache. Was fehlt, ist der Rahmen, in dem diese Zahlen interpretiert werden. Ein Umsatzr\u00fcckgang im Dezember bedeutet im Handel etwas anderes als im Abo-Gesch\u00e4ft, ein Strategiewechsel in einer Kampagne erkl\u00e4rt Ausschl\u00e4ge, die sonst wie Trackingfehler aussehen, und eine IT-Migration im M\u00e4rz kann jede Vergleichszahl im Fr\u00fchjahr entwerten. Genau darum geht es im n\u00e4chsten Beitrag dieser Serie: um den Context Layer, die Ebene, die dem Semantic Layer das <em>Warum<\/em> zur Seite stellt.<\/p>\n<p class=\"uk-text-large\">Wer Agentic AI im Marketing zum Erfolg f\u00fchren will, f\u00e4ngt nicht beim Agenten an. Er sorgt zuerst daf\u00fcr, dass alle \u00fcber dasselbe reden.<\/p>\n<p class=\"uk-text-large uk-margin-large-top\"><em>Wollen Sie herausfinden, wie ein Semantic Layer f\u00fcr KI auf Ihre Daten angewandt werden kann? <a href=\"\/de\/kontakt\/\">Vereinbaren Sie eine kostenfreie 30-min\u00fctige Erstberatung<\/a> mit unserem Team.<\/em><\/p>\n<div class=\"uk-grid-small uk-flex-middle uk-margin-large-top\" uk-grid>\n<div class=\"uk-width-auto\">\n    <img decoding=\"async\" src=\"\/wp-content\/uploads\/Tobias-Lanzl.png\" alt=\"Tobias Lanzl, Hopmann Marketing Analytics\" width=\"64\" height=\"64\" loading=\"lazy\" class=\"uk-border-circle\" style=\"object-fit:cover;\">\n  <\/div>\n<div class=\"uk-width-expand\">\n<p class=\"uk-text-large uk-margin-remove\"><strong><a href=\"\/de\/unternehmen\/wer-wir-sind\/\">Tobias Lanzl<\/a><\/strong> ist Manager Data Analytics bei Hopmann Marketing Analytics und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/p>\n<\/p><\/div>\n<\/div>\n<hr>\n<p class=\"uk-text-large\">Folgen Sie <a href=\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\" rel=\"noopener noreferrer\" target=\"_blank\">Hopmann Marketing Analytics auf LinkedIn<\/a> f\u00fcr weitere Einblicke in Marketing Analytics und KI.<\/p>\n<\/div>\n<p><p>\n        <a href=\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\">Mehr zum Semantic Layer ><\/a>\n    <\/p>\n<\/p>\n<hr>\n<div>\n<p style=\"text-align: center;\">Was wir h\u00e4ufig gefragt werden.<\/p>\n<\/div>\n<h2>FAQ: Semantic Layer<\/h2>\n<ul>\n<li>\n<h3>Was ist ein Semantic Layer im Kontext von KI und Marketing?<\/h3>\n<div>\n<p>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. F\u00fcr KI-Anwendungen ist das die Voraussetzung daf\u00fcr, dass eine Frage nicht bei jeder Wiederholung zu einer anderen Antwort f\u00fchrt.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Was ist der Unterschied zwischen Semantic Layer und Data Warehouse?<\/h3>\n<div>\n<p>Ein Data Warehouse speichert die Daten und bringt sie in eine analysef\u00e4hige Struktur. Der Semantic Layer sitzt dar\u00fcber 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.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Warum reicht eine gute Dokumentation nicht als Semantic Layer?<\/h3>\n<div>\n<p>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 verf\u00fcgbaren Antwort. Erst dieser Unterschied macht Definitionen f\u00fcr KI verl\u00e4sslich.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie h\u00e4ngen Semantic Layer und Measurement Framework zusammen?<\/h3>\n<div>\n<p>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.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Braucht jedes Unternehmen einen dedizierten Semantic Layer?<\/h3>\n<div>\n<p>Nicht zwingend als eigenst\u00e4ndiges 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 L\u00f6sungen. 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.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie unterst\u00fctzt Hopmann Unternehmen beim Aufbau eines Semantic Layers?<\/h3>\n<div>\n<p>Wir pr\u00fcfen den bestehenden Data Stack, kl\u00e4ren, wo Definitionen heute leben und wo sie sich widersprechen, und entscheiden gemeinsam, welche Ebene die Metriken k\u00fcnftig verbindlich h\u00e4lt. Daraus entsteht ein tragf\u00e4higer 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 gleicherma\u00dfen verlassen k\u00f6nnen.<\/p>\n<\/div>\n<\/li>\n<\/ul>\n<hr>\n<p><p>\n        Vorheriger Artikel    <\/p>\n<\/p>\n<p><p>\n        N\u00e4chster Artikel    <\/p>\n<\/p>\n<hr>\n<div>Neueste Artikel<\/div>\n<div>\n<\/div>\n<div>Kategorien<\/div>\n<div>\n<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-medium\",\"animation_delay\":\"50\",\"height\":\"page\",\"image_position\":\"center-center\",\"padding_bottom\":\"large\",\"padding_top\":\"none\",\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"large\"},\"children\":[{\"type\":\"row\",\"props\":{\"column_gap\":\"large\",\"layout\":\"2-3,1-3\",\"padding_remove_horizontal\":false,\"row_gap\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_large\":\"2-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"title_element\":\"div\",\"title_style\":\"text-meta\"},\"source_extended\":{\"props\":{\"content\":{\"composed\":{\"value\":\"{{ sources.46d0 }}\",\"sources\":{\"46d0\":{\"name\":\"field.subline\",\"query\":{\"name\":\"#parent\"}}},\"conditions\":[]}}}}},{\"type\":\"headline\",\"props\":{\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"title_element\":\"h1\",\"title_style\":\"h1\"},\"source_extended\":{\"props\":{\"content\":{\"name\":\"title\",\"query\":{\"name\":\"#parent\"}}}}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"remove\",\"margin_top\":\"medium\"}},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 8px;\\n    margin-bottom: 8px;\\n}\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"large\",\"margin_top\":\"large\",\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"panel\",\"props\":{\"content_column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"\",\"image_grid_column_gap\":\"small\",\"image_grid_row_gap\":\"medium\",\"image_grid_width\":\"auto\",\"image_height\":40,\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":40,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin_bottom\":\"\",\"margin_top\":\"\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"title_align\":\"top\",\"title_element\":\"h3\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"text-small\"},\"source_extended\":{\"props\":{\"image\":{\"name\":\"field.foto.url\",\"query\":{\"name\":\"#parent\"}},\"title\":{\"composed\":{\"value\":\"\",\"sources\":[],\"conditions\":[]}},\"content\":{\"composed\":{\"value\":\"{{ sources.5d02 }}, {{ sources.67e8 }}\",\"sources\":{\"5d02\":{\"name\":\"field.autor\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\"}},\"67e8\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":[]}},\"content_en_us\":{\"composed\":{\"value\":\"{{ sources.cce3 }} on {{ sources.4656 }}\",\"sources\":{\"4656\":{\"name\":\"date\",\"query\":{\"name\":\"blogs.singleBlog\"},\"filters\":{\"date\":\"\"}},\"cce3\":{\"filters\":{\"search\":\"\"},\"name\":\"field.autor\",\"query\":{\"name\":\"blogs.singleBlog\"}}},\"conditions\":[]}}}},\"name\":\"Verfasser\"}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"yooessentials_social_sharing\",\"props\":{\"class\":\"social-sharing-blog\",\"grid\":\"horizontal\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"image_svg_inline\":true,\"link_style\":\"link\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"text_align\":\"right\"},\"children\":[{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"linkedin\"}}],\"name\":\"Teilen\"}]}]}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Start \/\/ ---\"},{\"type\":\"html\",\"props\":{\"content\":\"\n\n<p class=\\\"uk-text-large\\\"><em>Die Hopmann AI Foundation, Teil 4<\/em><\/p>\n\n\\n\\n\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\"><strong>Kurz zusammengefasst:<\/strong> Der Semantic Layer f\u00fcr KI ist das W\u00f6rterbuch eines Unternehmens. Er legt an einer zentralen Stelle fest, was \u201eUmsatz\\\", \u201eConversion\\\" oder \u201eCustomer Lifetime Value\\\" genau bedeuten, damit Dashboards, Ad-hoc-Auswertungen und KI-Agenten aus denselben Rohdaten dieselbe Zahl berechnen. F\u00fcr 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.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In den ersten Beitr\u00e4gen <a href=\\\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\\\">dieser Serie<\/a> haben wir gezeigt, warum eine belastbare <a href=\\\"\/de\/blog\/measurement-framework\/\\\">Measurement Strategie<\/a> und eine gute <a href=\\\"\/de\/blog\/data-quality-governance\/\\\">Datenqualit\u00e4t<\/a> 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.<\/p>\n\n\\n\\n\n\n<h2>Warum eine saubere Zahl noch keine eindeutige Antwort ist<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Fragen Sie in einem beliebigen Marketingteam, was ein \u201eLead\\\" ist, bekommen Sie mindestens drei Antworten. Sales meint einen qualifizierten Kontakt mit Budget und Bedarf, Performance-Marketing z\u00e4hlt jeden Formularabsender, das CRM markiert einen bestimmten Statuswechsel. Jede dieser Definitionen ist in ihrem Kontext richtig. F\u00fcr einen einzelnen Report l\u00e4sst sich das aushandeln.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein KI-Agent hingegen z\u00f6gert nicht und nimmt die erste Definition, die er findet. Mit dieser formuliert fl\u00fcssig eine Erkl\u00e4rung und legt eine Zahl auf den Tisch. Wird dieselbe Frage zehn Minuten sp\u00e4ter anders formuliert, kommt eine andere Zahl heraus, weil das Modell einer anderen Interpretation gefolgt ist. Beide Antworten klingen gleich \u00fcberzeugend, und beide sind f\u00fcr sich genommen nicht falsch, sondern nur nicht dieselbe.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein menschlicher Analyst w\u00fcrde 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 Pr\u00e4sentation landet, ist die Wahl der Definition nicht mehr sichtbar. Auf Dauer werden Diskussionen im Team l\u00e4nger, nicht k\u00fcrzer, weil jede Zahl zuerst gegen ihre implizite Definition gepr\u00fcft werden muss.<\/p>\n\n\\n\\n\n\n<h2>Was ein Semantic Layer f\u00fcr KI konkret ist<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Semantic Layer f\u00fcr KI ist die Ebene zwischen den Rohdaten und allem, was diese Daten liest. Er h\u00e4lt an einer Stelle fest, was Metriken und Dimensionen bedeuten und wie sie berechnet werden. Aus einer Handvoll Tabellen wird damit eine Reihe klar benannter Gesch\u00e4ftsobjekte: Kunde, Auftrag, Kampagne. Aus einer Berechnungslogik wird eine Metrik mit Formel, Filter, Granularit\u00e4t und Zeitlogik. Aus einem Feldnamen wird eine Beschreibung, die sowohl f\u00fcr Menschen als auch f\u00fcr ein Sprachmodell verst\u00e4ndlich ist.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">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 <a href=\\\"https:\/\/www.gartner.com\/en\/documents\/7440462\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Infrastruktur f\u00fcr KI<\/a> geworden.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Semantic Layer besteht typischerweise aus diesen Bausteinen:<\/p>\n\n\\n\\n\n\n<table class=\\\"uk-table uk-table-divider uk-table-middle\\\">\\n  \n\n<thead>\\n    \n\n<tr>\\n      \n\n<th>BAUSTEIN<\/th>\n\n\\n      \n\n<th>WAS ER LEISTET<\/th>\n\n\\n    <\/tr>\n\n\\n  <\/thead>\n\n\\n  \n\n<tbody>\\n    \n\n<tr>\\n      \n\n<td><strong>Metriken<\/strong><\/td>\n\n\\n      \n\n<td>Definiert Formeln, Filter und Ausschl\u00fcsse f\u00fcr Kennzahlen wie Umsatz, Conversion oder ROAS an einer Stelle.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Dimensionen<\/strong><\/td>\n\n\\n      \n\n<td>Legt die Attribute fest, nach denen ausgewertet werden kann, mit <a href=\\\"\/de\/marketing-analytics\/datenqualitaet\/\\\">sauberen Datentypen<\/a> und gesch\u00e4ftsfreundlichen Namen.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Entit\u00e4ten<\/strong><\/td>\n\n\\n      \n\n<td>Bildet Kunden, Auftr\u00e4ge, Produkte oder Kampagnen auf die physischen Tabellen ab, die sie repr\u00e4sentieren.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Beziehungen<\/strong><\/td>\n\n\\n      \n\n<td>Beschreibt Joins, Kardinalit\u00e4ten und den Grain der Tabellen, damit Auswertungen nicht doppelt z\u00e4hlen.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Zeitlogik<\/strong><\/td>\n\n\\n      \n\n<td>Fixiert den Fiskalkalender, das prim\u00e4re Datumsfeld und die Vergleichslogik f\u00fcr Vorjahres- oder Vorperiodenwerte.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Beschreibungen und Synonyme<\/strong><\/td>\n\n\\n      \n\n<td>Erkl\u00e4ren Menschen die Bedeutung eines Feldes und sagen Sprachmodellen, welche W\u00f6rter Nutzer tats\u00e4chlich verwenden.<\/td>\n\n\\n    <\/tr>\n\n\\n  <\/tbody>\n\n\\n<\/table>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">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.<\/p>\n\n\\n\\n\n\n<h2>Die Diskussion einmal f\u00fchren, nicht bei jeder Abfrage<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der eigentliche Wert des Semantic Layers ist nicht, dass er die Diskussion dar\u00fcber beendet, was \u201eaktiver Kunde\\\" bedeutet. Er sorgt daf\u00fcr, dass diese Diskussion genau einmal gef\u00fchrt wird und die Antwort dann f\u00fcr 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.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">F\u00fcr 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 \u00fcber den Semantic Layer geht, berechnet nicht neu, sondern verweist auf eine gepr\u00fcfte Definition. Damit wird aus einer generierten Antwort eine reproduzierbare.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Das erkl\u00e4rt 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 verf\u00fcgbaren Antwort. Der Unterschied wirkt akademisch, entscheidet in der Praxis aber dar\u00fcber, ob sich die Definitionen im Alltag durchsetzen oder nur in Slides existieren.<\/p>\n\n\\n\\n\n\n<h2>Der Gewinn<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die sp\u00fcrbaren 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 m\u00fcssen. Und KI-Agenten k\u00f6nnen erstmals verl\u00e4sslich Fragen beantworten, weil sie eine gemeinsame Sprache mit den Menschen im Unternehmen sprechen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Konkret hei\u00dft das: Wenn ein Agent im Chat auf <strong>[Umsatz]<\/strong> referenziert, ist die Zahl im Chat dieselbe wie im Dashboard. Keine neu erfundene Berechnung, kein stiller Definitionsdrift. F\u00fcr ein Team, das bisher jede Woche eine Stunde mit dem Abgleich von Zahlen zwischen Tools verbringt, ist das ein t\u00e4glich sp\u00fcrbarer Gewinn, unabh\u00e4ngig davon, ob am Ende ein Agent produktiv aufgesetzt wird oder nicht.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Gewinn skaliert au\u00dferdem 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 h\u00e4ufiger als eine, die jedes Mal aus dem Kontext geraten werden muss. Die Hebelwirkung einer sauberen zentralen Definition steigt genau in dem Ma\u00df, in dem KI-Anwendungen produktiv gehen.<\/p>\n\n\\n\\n\n\n<h2>Was der Semantic Layer f\u00fcr KI nicht kann<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Auch die beste zentrale Definition erkl\u00e4rt nicht, warum die Zahlen so aussehen. Ein Semantic Layer f\u00fcr KI h\u00e4lt das <em>Was<\/em> fest, nicht das <em>Warum<\/em>. Er wei\u00df, wie Umsatz berechnet wird, aber zum Beispiel nicht, dass die Zahlen im M\u00e4rz durch eine IT-Migration verzerrt sind. Er beschreibt den geordneten Vergangenheitszustand, nicht die laufende Gegenwart.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Das ist keine Schw\u00e4che, sondern eine bewusste Rollenzuweisung. Ein Semantic Layer, der zus\u00e4tzlich den Gesch\u00e4ftskontext tragen soll, wird un\u00fcbersichtlich, langsam und in der Pflege kaum noch beherrschbar. Genau darum gibt es die n\u00e4chste Ebene der Foundation.<\/p>\n\n\\n\\n\n\n<h2>Wie es weitergeht<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Mit dem Semantic Layer f\u00fcr KI sprechen alle Systeme dieselbe Sprache. Was fehlt, ist der Rahmen, in dem diese Zahlen interpretiert werden. Ein Umsatzr\u00fcckgang im Dezember bedeutet im Handel etwas anderes als im Abo-Gesch\u00e4ft, ein Strategiewechsel in einer Kampagne erkl\u00e4rt Ausschl\u00e4ge, die sonst wie Trackingfehler aussehen, und eine IT-Migration im M\u00e4rz kann jede Vergleichszahl im Fr\u00fchjahr entwerten. Genau darum geht es im n\u00e4chsten Beitrag dieser Serie: um den Context Layer, die Ebene, die dem Semantic Layer das <em>Warum<\/em> zur Seite stellt.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wer Agentic AI im Marketing zum Erfolg f\u00fchren will, f\u00e4ngt nicht beim Agenten an. Er sorgt zuerst daf\u00fcr, dass alle \u00fcber dasselbe reden.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large uk-margin-large-top\\\"><em>Wollen Sie herausfinden, wie ein Semantic Layer f\u00fcr KI auf Ihre Daten angewandt werden kann? <a href=\\\"\/de\/kontakt\/\\\">Vereinbaren Sie eine kostenfreie 30-min\u00fctige Erstberatung<\/a> mit unserem Team.<\/em><\/p>\n\n\\n\n\n<div class=\\\"uk-grid-small uk-flex-middle uk-margin-large-top\\\" uk-grid>\\n  \n\n<div class=\\\"uk-width-auto\\\">\\n    <img src=\\\"\/wp-content\/uploads\/Tobias-Lanzl.png\\\" alt=\\\"Tobias Lanzl, Hopmann Marketing Analytics\\\" width=\\\"64\\\" height=\\\"64\\\" loading=\\\"lazy\\\" class=\\\"uk-border-circle\\\" style=\\\"object-fit:cover;\\\">\\n  <\/div>\n\n\\n  \n\n<div class=\\\"uk-width-expand\\\">\\n    \n\n<p class=\\\"uk-text-large uk-margin-remove\\\"><strong><a href=\\\"\/de\/unternehmen\/wer-wir-sind\/\\\">Tobias Lanzl<\/a><\/strong> ist Manager Data Analytics bei Hopmann Marketing Analytics und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/p>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Folgen Sie <a href=\\\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">Hopmann Marketing Analytics auf LinkedIn<\/a> f\u00fcr weitere Einblicke in Marketing Analytics und KI.<\/p>\n\n\\n\",\"content_en_us\":\"\n\n<p class=\\\"uk-text-large\\\"><em>The Hopmann AI Foundation, Part 4<\/em><\/p>\n\n\\n\\n\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\"><strong>In short:<\/strong> The Semantic Layer for AI is a company's dictionary. It defines in one central place what \\\"revenue\\\", \\\"conversion\\\" or \\\"customer lifetime value\\\" actually mean, so that dashboards, ad-hoc queries and AI agents all compute the same number from the same raw data. For AI, this is not a nice-to-have. Without this shared language, the same agent returns a different answer to the same question every time it is asked, and nobody can tell which one is correct.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In the <a href=\\\"\/en\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-series\/\\\">earlier posts of this series<\/a> we showed why a solid <a href=\\\"\/en\/blog\/measurement-framework-ai\/\\\">measurement strategy<\/a> and reliable <a href=\\\"\/en\/blog\/data-quality-governance\/\\\">data quality<\/a> are the first two layers of the Hopmann AI Foundation. With those in place, it is clear what is being measured and that the underlying data can be trusted. What is missing is an intermediate layer that guarantees people and machines interpret the same numbers in the same way. That is what the Semantic Layer does.<\/p>\n\n\\n\\n\n\n<h2>Why a clean number is not yet an unambiguous answer<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ask any marketing team what a \\\"lead\\\" is and you will get at least three answers. Sales means a qualified contact with budget and need, performance marketing counts every form submission, the CRM flags a specific status change. Each definition is correct in its own context. For a single report, it can be negotiated.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">An AI agent does not hesitate. It takes the first definition it finds, fluently formulates an explanation and puts a number on the table. Ask the same question ten minutes later in slightly different wording and a different number comes out, because the model followed a different interpretation. Both answers sound equally convincing, and neither is wrong in itself, they are just not the same.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A human analyst would ask back: which customers do you mean, active ones or everyone ever registered, with or without test accounts, net or gross? An agent does not do that on its own. It decides and delivers a plausible, cleanly formatted number. Once that number lands in a presentation, the choice of definition is no longer visible. Over time, discussions in the team get longer, not shorter, because every number first has to be checked against its implicit definition.<\/p>\n\n\\n\\n\n\n<h2>What a Semantic Layer actually is<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A Semantic Layer sits between the raw data and everything that reads that data. It holds in one place what metrics and dimensions mean and how they are calculated. A handful of tables turn into a set of clearly named business objects: customer, order, campaign. A calculation rule turns into a metric with a formula, filters, granularity and time logic. A field name turns into a description that both a person and a language model can understand.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">What makes it different today from three years ago is the dual audience. Traditionally the Semantic Layer was a BI convenience: it saved analysts the work of rebuilding a data model in every dashboard. Today AI agents read from the same definitions. The Semantic Layer has moved from a reporting convention to <a href=\\\"https:\/\/www.gartner.com\/en\/documents\/7440462\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">infrastructure for AI<\/a>.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A Semantic Layer typically consists of these building blocks:<\/p>\n\n\\n\\n\n\n<table class=\\\"uk-table uk-table-divider uk-table-middle\\\">\\n  \n\n<thead>\\n    \n\n<tr>\\n      \n\n<th>BUILDING BLOCK<\/th>\n\n\\n      \n\n<th>WHAT IT DELIVERS<\/th>\n\n\\n    <\/tr>\n\n\\n  <\/thead>\n\n\\n  \n\n<tbody>\\n    \n\n<tr>\\n      \n\n<td><strong>Metrics<\/strong><\/td>\n\n\\n      \n\n<td>Defines formulas, filters and exclusions for KPIs like revenue, conversion or ROAS in one place.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Dimensions<\/strong><\/td>\n\n\\n      \n\n<td>Sets the attributes you can slice by, with clean <a href=\\\"\/en\/marketing-analytics\/data-quality-and-governance\/\\\">data types<\/a> and business-friendly names.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Entities<\/strong><\/td>\n\n\\n      \n\n<td>Maps customers, orders, products or campaigns to the physical tables that represent them.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Relationships<\/strong><\/td>\n\n\\n      \n\n<td>Describes joins, cardinalities and the grain of the tables so that analyses do not double-count.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Time logic<\/strong><\/td>\n\n\\n      \n\n<td>Fixes the fiscal calendar, the primary date field and the comparison logic for year-over-year or period-over-period values.<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Descriptions and synonyms<\/strong><\/td>\n\n\\n      \n\n<td>Explain the meaning of a field to people and tell language models which words users actually use.<\/td>\n\n\\n    <\/tr>\n\n\\n  <\/tbody>\n\n\\n<\/table>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The craft lies less in choosing the building blocks and more in the discipline of keeping every definition in only that one place. As soon as the same metric is maintained in parallel in an Excel formula, a Power BI measure and a CRM filter, the centralisation is diluted again, and the Semantic Layer loses the property that made it valuable.<\/p>\n\n\\n\\n\n\n<h2>Have the discussion once, not on every query<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The real value of the Semantic Layer is not that it ends the debate about what an \\\"active customer\\\" means. It is that this debate happens exactly once and the answer then applies bindingly across all systems. What used to be a recurring argument in every reporting meeting becomes a one-off definitional decision, anchored in the data stack.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">For AI this difference matters especially. A language model that freely decides each time how to compute a metric produces different answers to the same question and no basis for trusting any of them. A model that goes through the Semantic Layer does not recompute, it references a validated definition. That turns a generated answer into a reproducible one.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">This also explains why a Semantic Layer delivers more than good documentation. A catalogue describes definitions, a Semantic Layer enforces them. A rule an agent only sees as a hint in the prompt is a rule it can reason its way around. A rule that is implemented as a metric in the Semantic Layer becomes the only technically available answer. The distinction sounds academic but decides in practice whether definitions are lived in day-to-day work or only exist in slides.<\/p>\n\n\\n\\n\n\n<h2>The payoff<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The tangible effects of a well-maintained Semantic Layer show up in three places. Reports and dashboards deliver consistent numbers because they compute from the same source. New analyses are produced faster because the fundamentals do not have to be renegotiated with every ticket. And AI agents can, for the first time, reliably answer questions because they speak the same language as the people in the company.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Concretely: when an agent in a chat references <strong>[Umsatz]<\/strong>, the number in the chat is the same one as in the dashboard. No newly invented calculation, no silent definition drift. For a team that used to spend an hour every week reconciling numbers between tools, that is a payoff felt every day, whether or not an agent is eventually put into production.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The payoff also scales with usage. A conventional report is opened perhaps ten times a month. An agent answers ten thousand questions in the same period. A definition captured correctly once therefore takes effect far more often than one that has to be guessed from context every time. The leverage of a clean central definition grows in direct proportion to how many AI applications go live.<\/p>\n\n\\n\\n\n\n<h2>What the Semantic Layer cannot do<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Even the best central definition does not explain why the numbers look the way they do. A Semantic Layer holds the <em>what<\/em>, not the <em>why<\/em>. It knows how revenue is calculated, but not, for example, that the March figures are distorted by an IT migration. It describes the settled past, not the live present.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">That is not a weakness, it is a deliberate assignment of roles. A Semantic Layer that also tries to carry the business context becomes unwieldy, slow, and almost impossible to maintain. That is exactly why the next layer of the Foundation exists.<\/p>\n\n\\n\\n\n\n<h2>What comes next<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">With the Semantic Layer in place, every system speaks the same language. What is missing is the frame in which those numbers are interpreted. A drop in revenue in December means something different in retail than in a subscription business, a strategy change in a campaign explains movements that would otherwise look like tracking errors, and an IT migration in March can devalue every comparison figure in the spring. That is the focus of the next post in this series: the Context Layer, the layer that puts the <em>why<\/em> alongside the Semantic Layer's <em>what<\/em>.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Anyone who wants agentic AI in marketing to succeed does not start with the agent. They first make sure that everyone is talking about the same thing.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large uk-margin-large-top\\\"><em>Want to find out what a Semantic Layer could look like for your data? <a href=\\\"\/en\/contact\/\\\">Schedule a free 30-minute initial consultation<\/a> with our team.<\/em><\/p>\n\n\\n\n\n<div class=\\\"uk-grid-small uk-flex-middle uk-margin-large-top\\\" uk-grid>\\n  \n\n<div class=\\\"uk-width-auto\\\">\\n    <img src=\\\"\/wp-content\/uploads\/Tobias-Lanzl.png\\\" alt=\\\"Tobias Lanzl, Hopmann Marketing Analytics\\\" width=\\\"64\\\" height=\\\"64\\\" loading=\\\"lazy\\\" class=\\\"uk-border-circle\\\" style=\\\"object-fit:cover;\\\">\\n  <\/div>\n\n\\n  \n\n<div class=\\\"uk-width-expand\\\">\\n    \n\n<p class=\\\"uk-text-large uk-margin-remove\\\"><strong><a href=\\\"\/en\/company\/who-we-are\/\\\">Tobias Lanzl<\/a><\/strong> is Manager Data Analytics at Hopmann Marketing Analytics, specialising in AI-powered analytics architectures at the intersection of semantic models, context layers and large language models. As a former research associate and university lecturer he brings the ability to make complex AI and data architectures accessible in a way that works in practice.<\/p>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Follow <a href=\\\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">Hopmann Marketing Analytics on LinkedIn<\/a> for more insights on marketing analytics and AI.<\/p>\n\n\\n\"}},{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"default\",\"margin_top\":\"default\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"primary\",\"content\":\"Mehr zum Semantic Layer >\",\"content_en_us\":\"More on Semantic Layer >\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon_align\":\"left\",\"link\":\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\",\"link_en_us\":\"\/en\/marketing-analytics\/marketing-data-stack\/semantic-layer-for-ai\/\",\"link_title\":\"Mehr zum Semantic Layer >\",\"link_title_en_us\":\"More on Semantic Layer >\"}}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}},{\"type\":\"headline\",\"props\":{\"content\":\"\n\n<p style=\\\"text-align: center;\\\">Was wir h\u00e4ufig gefragt werden.<\/p>\n\n\",\"content_en_us\":\"\n\n<p style=\\\"text-align: center;\\\">Common questions we receive.<\/p>\n\n\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"title_color\":\"primary\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"headline\",\"props\":{\"content\":\"FAQ: Semantic Layer\",\"content_en_us\":\"FAQ: Semantic Layer\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_top\":\"remove\",\"text_align\":\"center\",\"title_element\":\"h2\",\"title_style\":\"h2\"}},{\"type\":\"grid\",\"props\":{\"content_column_breakpoint\":\"m\",\"faq_schema\":true,\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_medium\":\"2\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"m\",\"image_grid_width\":\"1-2\",\"image_svg_color\":\"emphasis\",\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"parallax_easing\":\"1\",\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"h3\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"h3\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>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. F\u00fcr KI-Anwendungen ist das die Voraussetzung daf\u00fcr, dass eine Frage nicht bei jeder Wiederholung zu einer anderen Antwort f\u00fchrt.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>A Semantic Layer is the central layer of a data stack that defines what metrics and dimensions mean and how they are calculated. Dashboards, ad-hoc queries and AI agents all draw on the same definitions. For AI applications this is the prerequisite for a question not producing a different answer every time it is repeated.<\/p>\n\n\",\"title\":\"Was ist ein Semantic Layer im Kontext von KI und Marketing?\",\"title_en_us\":\"What is a Semantic Layer in the context of AI and marketing?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Ein Data Warehouse speichert die Daten und bringt sie in eine analysef\u00e4hige Struktur. Der Semantic Layer sitzt dar\u00fcber 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.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>A data warehouse stores the data itself and brings it into a structure suitable for analysis. The Semantic Layer sits on top of it and describes what the data means. Without a warehouse there is no reliable raw basis, without a Semantic Layer there is no consistent interpretation. Both layers address different questions and cannot be substituted for one another.<\/p>\n\n\",\"title\":\"Was ist der Unterschied zwischen Semantic Layer und Data Warehouse?\",\"title_en_us\":\"What is the difference between a Semantic Layer and a Data Warehouse?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>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 verf\u00fcgbaren Antwort. Erst dieser Unterschied macht Definitionen f\u00fcr KI verl\u00e4sslich.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Documentation describes definitions, a Semantic Layer enforces them. An agent that only sees a description in the prompt can deviate from it the moment a different interpretation seems more plausible. A metric implemented in the Semantic Layer, by contrast, becomes the only technically available answer. That distinction is what makes definitions reliable for AI.<\/p>\n\n\",\"title\":\"Warum reicht eine gute Dokumentation nicht als Semantic Layer?\",\"title_en_us\":\"Why is good documentation not enough as a Semantic Layer?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>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.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>The Measurement Framework defines from a business perspective which KPIs a company steers by and how they are defined. The Semantic Layer implements those definitions technically and makes them binding in the data stack. Without a framework the Semantic Layer lacks the content; without a Semantic Layer the framework remains a document that every department can apply differently.<\/p>\n\n\",\"title\":\"Wie h\u00e4ngen Semantic Layer und Measurement Framework zusammen?\",\"title_en_us\":\"How do the Semantic Layer and the Measurement Framework relate?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Nicht zwingend als eigenst\u00e4ndiges 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 L\u00f6sungen. 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.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Not necessarily as a standalone product. Most Power BI environments already contain a Semantic Layer in the form of their data models, dbt provides a variant with MetricFlow, and Snowflake, Databricks and other providers offer their own solutions. What matters is less the tool than the discipline of maintaining definitions in only one place and mirroring them from there into every consuming system.<\/p>\n\n\",\"title\":\"Braucht jedes Unternehmen einen dedizierten Semantic Layer?\",\"title_en_us\":\"Does every company need a dedicated Semantic Layer?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Wir pr\u00fcfen den bestehenden Data Stack, kl\u00e4ren, wo Definitionen heute leben und wo sie sich widersprechen, und entscheiden gemeinsam, welche Ebene die Metriken k\u00fcnftig verbindlich h\u00e4lt. Daraus entsteht ein tragf\u00e4higer 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 gleicherma\u00dfen verlassen k\u00f6nnen.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>We examine the existing data stack, clarify where definitions currently live and where they contradict one another, and decide together which layer will hold the metrics as binding going forward. The result is a robust Semantic Layer that is read identically by reporting tools and AI agents. That way the investments in measurement strategy and data quality become definitions that people and machines can equally rely on.<\/p>\n\n\",\"title\":\"Wie unterst\u00fctzt Hopmann Unternehmen beim Aufbau eines Semantic Layers?\",\"title_en_us\":\"How does Hopmann support companies in building a Semantic Layer?\"}}]},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Ende \/\/ ---\"},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"default\",\"margin_top\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 70px;\\n}\",\"margin_bottom\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}}]}]},{\"type\":\"row\",\"props\":{\"class\":\"blog-pager\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"small\",\"margin_top\":\"small\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"class\":\"blog-pager\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"Vorheriger Artikel\",\"content_en_us\":\"Previous article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-left\",\"icon_align\":\"left\"},\"source\":{\"query\":{\"name\":\"blogs.singlePreviousBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\",\"text_align\":\"right\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"N\u00e4chster Artikel\",\"content_en_us\":\"Next article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-right\",\"icon_align\":\"right\"},\"source\":{\"query\":{\"name\":\"blogs.singleNextBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]},{\"type\":\"row\",\"props\":{\"margin_top\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}}]}]}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky\":\"column\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"120\",\"width_large\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Neueste Artikel\",\"content_en_us\":\"Latest articles\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"grid\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"articles-sm\",\"content_column_breakpoint\":\"m\",\"faq_schema\":false,\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_gap\":\"small\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"\",\"image_grid_width\":\"auto\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"meta_align\":\"above-title\",\"meta_element\":\"div\",\"meta_style\":\"text-small\",\"panel_image_no_padding\":true,\"panel_link\":true,\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"div\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_margin\":\"remove\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"source\":{\"query\":{\"name\":\"blogs.customBlogs\",\"arguments\":{\"users\":[],\"users_operator\":\"IN\",\"offset\":0,\"limit\":5,\"order\":\"date\",\"order_direction\":\"DESC\",\"terms\":[],\"blog_kategorie_operator\":\"IN\"}},\"props\":{\"title\":{\"filters\":{\"search\":\"\"},\"name\":\"title\"},\"meta\":{\"filters\":{\"search\":\"\"},\"name\":\"field.subline\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]},{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Kategorien\",\"content_en_us\":\"Categories\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"margin_top\":\"large\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\",\"yooessentials_access_conditions\":[{\"type\":\"yooessentials_access_dynamic\",\"id\":\"ci_AD8A0F\",\"props\":{\"condition\":\"!\",\"reversed\":true},\"source_extended\":{\"props\":{\"value\":{\"name\":\"blog_kategorieString\",\"query\":{\"name\":\"#parent\"}}}}}],\"yooessentials_access_mode\":\"AND\"}},{\"type\":\"list\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"tag-list\",\"column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"list_element\":\"ul\",\"list_horizontal_separator\":\"\",\"list_type\":\"horizontal\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"list_item\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\",\"field\":{\"name\":\"blog_kategories\",\"directives\":[{\"name\":\"slice\",\"arguments\":{\"offset\":0}}]}},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"name\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]}],\"name\":\"Blog V11 - 08\/26\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"5.0.38\"} --><\/p>\n","protected":false},"featured_media":18447,"template":"","blog-kategorie":[94,41],"class_list":["post-18457","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-ai-in-marketing","blog-kategorie-best-practice"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":2,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18457\/revisions"}],"predecessor-version":[{"id":18564,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18457\/revisions\/18564"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media\/18447"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media?parent=18457"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog-kategorie?post=18457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}