{"id":17778,"date":"2026-08-03T11:06:30","date_gmt":"2026-08-03T11:06:30","guid":{"rendered":"https:\/\/stage-01.hopmann.com\/blog\/\/"},"modified":"2026-08-03T13:12:54","modified_gmt":"2026-08-03T13:12:54","slug":"semantic-layer-vs-context-layer","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/en\/blog\/semantic-layer-vs-context-layer-ai\/","title":{"rendered":"Semantic Layer vs. Context Layer"},"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\"><strong>Semantic Layer vs. Context Layer<\/strong>: Diese Unterscheidung entscheidet, ob eine KI-Analyse verl\u00e4sslich ist oder nur plausibel klingt.<\/p>\n<p> Wer KI auf Unternehmensdaten losl\u00e4sst, bekommt immer eine Antwort. Ob sie stimmt, h\u00e4ngt davon ab, was das Modell \u00fcber die Daten wei\u00df. In <a href=\"\/de\/blog\/power-bi-claude\/\">unserem vorherigen Artikel<\/a> haben wir gezeigt, wie Claude per <a href=\"https:\/\/modelcontextprotocol.io\/\" rel=\"noopener noreferrer\" target=\"_blank\">MCP<\/a> direkt <a href=\"https:\/\/learn.microsoft.com\/de-de\/dax\/\" rel=\"noopener noreferrer\" target=\"_blank\">DAX<\/a>-Queries gegen semantische Modelle in Power BI Service ausf\u00fchrt. Dieses Setup funktioniert technisch sofort. Verl\u00e4sslich wird es aber erst durch eine zweite Wissensschicht: den Context Layer.<\/p>\n<p class=\"uk-text-large\">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.<\/p>\n<h2>Was der Semantic Layer leistet<\/h2>\n<p class=\"uk-text-large\">Der <a href=\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\">Semantic Layer<\/a> 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.<\/p>\n<p class=\"uk-text-large\"><code>[Revenue]<\/code> 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 Granularit\u00e4t eine Tabelle hat und wie die Objekte zusammenh\u00e4ngen, und schlie\u00dflich das Datenmodell selbst mit seinen Beziehungen.<\/p>\n<p class=\"uk-text-large\">Der Semantic Layer beantwortet damit zwei Fragen: Was gibt es, und wie wird gerechnet? F\u00fcr 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.<\/p>\n<h2>Wo der Semantic Layer endet<\/h2>\n<p class=\"uk-text-large\">Was der Semantic Layer nicht beantwortet, ist die dritte Frage: Warum sehen die Zahlen so aus?<\/p>\n<p class=\"uk-text-large\">Ein Modell wei\u00df nicht, dass im Februar eine Marketing-Kampagne lief. Es wei\u00df auch nicht, dass ein API-Token abgelaufen war und deshalb f\u00fcnf Wochen lang Bestellungen aus einem Land fehlen. Dieses Wissen existiert, aber in den K\u00f6pfen der Analysten, in Slack-Threads und in Meeting-Notizen.<\/p>\n<p class=\"uk-text-large\">Ein menschlicher Analyst bringt dieses Wissen implizit mit. Ein Sprachmodell nicht. Und weil ein Sprachmodell im Zweifel trotzdem antwortet, entsteht ohne dieses Wissen die gef\u00e4hrlichste Sorte Ergebnis: eine plausibel klingende, sauber formatierte, falsche Analyse.<\/p>\n<h2>Der Context Layer: Business-Wissen als explizite Schicht<\/h2>\n<p class=\"uk-text-large\">Der Context Layer ist damit die vierte Ebene der <a href=\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\">Hopmann AI Foundation<\/a>. Dort ordnen wir ihn strategisch in das Zusammenspiel aller f\u00fcnf Ebenen ein, in diesem Artikel zeigen wir, wie er sich in der Praxis mit Power BI und Claude konkret aufbauen l\u00e4sst.<\/p>\n<p class=\"uk-text-large\">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.<\/p>\n<p class=\"uk-text-large\">Erstens die Event-Timeline: gesch\u00e4ftliche und technische Ereignisse, die sich in den Daten niederschlagen.<\/p>\n<pre>event_timeline:\n  - 2024-10-30: Service-Token der Order-API f\u00fcr Deutschland abgelaufen,\n      Re-Authentifizierung erst am 2024-12-03.\n  - Februar 2025: Umsatzspitze bei C\u00f4te de Blaye in Deutschland\n      durch Marketing-Kampagne.\n  - M\u00e4rz 2025: Getr\u00e4nke-Sortiment durch Lieferkettenprobleme\n      weitgehend ausverkauft, Bestellr\u00fcckgang.<\/pre>\n<p class=\"uk-text-large\">Zweitens Verified Questions: gepr\u00fcfte Frage-Query-Paare, die als Muster dienen.<\/p>\n<pre>suggested_questions:\n  - question: \"Welche Produkte sind unsere Top 5 nach Umsatz?\"\n    dax: |\n      EVALUATE\n      TOPN(5,\n        ADDCOLUMNS(VALUES(dim_products[productName]), \"Revenue\", [Revenue]),\n        [Revenue], DESC)\n      ORDER BY [Revenue] DESC<\/pre>\n<p class=\"uk-text-large\">Drittens Known Caveats: Stolperfallen, die zu Fehlinterpretationen f\u00fchren.<\/p>\n<pre>known_caveats:\n  - \"Revenue ist Menge x Einzelpreis ohne Rabatt und Fracht,\n     nicht als Netto-Umsatz oder Rohertrag beschreiben.\"\n  - \"discount ist ein nicht verrechneter Prozentsatz pro Zeile,\n     kein Geldbetrag, niemals aufsummieren.\"\n  - \"country ist das Land des Kunden, nicht des Versenders oder\n     der Produktherkunft.\"<\/pre>\n<p class=\"uk-text-large\">Und viertens eine Dom\u00e4nen-Beschreibung: worum es im Dataset geht und was eine Zeile bedeutet.<\/p>\n<h2>Semantic Layer vs. Context Layer im Vergleich<\/h2>\n<table class=\"uk-table uk-table-divider\">\n<thead>\n<tr>\n<th><\/th>\n<th>Semantic Layer<\/th>\n<th>Context Layer<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Beantwortet<\/strong><\/td>\n<td>Was gibt es? Wie wird gerechnet?<\/td>\n<td>Warum sehen die Zahlen so aus? Worauf muss ich achten?<\/td>\n<\/tr>\n<tr>\n<td><strong>Inhalt<\/strong><\/td>\n<td>Measures, Dimensionen, Beschreibungen, Beziehungen<\/td>\n<td>Events, Verified Questions, Caveats, Gesch\u00e4ftskontext<\/td>\n<\/tr>\n<tr>\n<td><strong>Gepflegt von<\/strong><\/td>\n<td>BI-\/Data-Team<\/td>\n<td>Analysten und Fachbereich<\/td>\n<\/tr>\n<tr>\n<td><strong>\u00c4ndert sich<\/strong><\/td>\n<td>mit dem Datenmodell<\/td>\n<td>mit dem Gesch\u00e4ft<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p class=\"uk-text-large\">Eine brauchbare Faustregel: Was f\u00fcr jedes Tool gelten soll, das auf die Daten zugreift, geh\u00f6rt in den Semantic Layer. Was ein erfahrener Analyst einem neuen Kollegen in der Einarbeitung erz\u00e4hlen w\u00fcrde, geh\u00f6rt in den Context Layer.<\/p>\n<h2>Was der Context Layer konkret verhindert<\/h2>\n<p class=\"uk-text-large\">Drei Beispiele aus unserem Demo-Setup mit dem Northwind-Modell.<\/p>\n<p class=\"uk-text-large\">Die Datenl\u00fccke, die wie ein Gesch\u00e4ftsproblem aussieht: Fragt man nach der Umsatzentwicklung in Deutschland Ende 2024, zeigen die Daten einen massiven Einbruch. Ohne Kontext liefert die KI eine \u00fcberzeugende Analyse \u00fcber schw\u00e4chelnde Nachfrage. Mit der Event-Timeline erkennt sie, dass der Einbruch von einem abgelaufenen API-Token kommt. Die Daten sind unvollst\u00e4ndig, nicht das Gesch\u00e4ft schwach. Das ist der Unterschied zwischen einer Analyse, die Entscheidungen verbessert, und einer, die sie in die falsche Richtung lenkt.<\/p>\n<p class=\"uk-text-large\">Die Kennzahl, die anders hei\u00dft als sie rechnet: <code>[Revenue]<\/code> im Modell ist Menge mal Einzelpreis, ohne Rabatt. Pr\u00e4sentiert die KI das als \u201eNettoumsatz&#8221;, ist jede darauf aufbauende Aussage falsch, obwohl die Query korrekt war. Der Caveat verhindert nicht den Rechenfehler, den gibt es nicht, sondern den Interpretationsfehler.<\/p>\n<p class=\"uk-text-large\">Die Query, die es fast richtig macht: Verified Questions geben der KI gepr\u00fcfte Muster vor, welche Measures kanonisch sind, wie Zeitr\u00e4ume 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.<\/p>\n<h2>Pragmatisch anfangen<\/h2>\n<p class=\"uk-text-large\">Ein Context Layer muss nicht vollst\u00e4ndig sein, um Wirkung zu zeigen. Unsere Empfehlung f\u00fcr den Start:<\/p>\n<ol class=\"uk-text-large\">\n<li>Mit den Caveats beginnen. Die Frage an das Team: \u201eWelche drei Missverst\u00e4ndnisse korrigierst du regelm\u00e4\u00dfig, wenn jemand mit diesen Daten arbeitet?&#8221; Das Ergebnis sind die ersten <code>known_caveats<\/code>.<\/li>\n<li>Events nachtragen, wenn sie passieren. Kampagnenstart, Datenpanne, Systemumstellung: ein Zweizeiler in der Timeline zum Zeitpunkt des Ereignisses ist billiger als jede sp\u00e4tere Rekonstruktion.<\/li>\n<li>Verified Questions aus echten Anfragen destillieren. Die Fragen, die im Alltag wiederkehren, einmal sauber in DAX beantworten und als Muster hinterlegen.<\/li>\n<\/ol>\n<p class=\"uk-text-large\">Wichtig ist die Ownership: Der Context Layer ist kein IT-Artefakt, sondern dokumentiertes Fachwissen. Er geh\u00f6rt dorthin, wo dieses Wissen entsteht, zu den Analysten und dem Fachbereich. Als YAML-Datei ist er lesbar, versionierbar und ohne Tooling-Aufwand pflegbar. \u00c4nderungen sind sofort wirksam, ohne Deployment oder Modell-Refresh.<\/p>\n<h2>Fazit<\/h2>\n<p class=\"uk-text-large\"><strong>Semantic Layer vs. Context Layer<\/strong>, im direkten Vergleich zeigt sich: Der Semantic Layer sorgt daf\u00fcr, dass die KI richtig rechnet. Der Context Layer sorgt daf\u00fcr, dass sie richtig interpretiert. Wer KI-gest\u00fctzte 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 S\u00e4tzen \u00fcber die eigenen Daten.<\/p>\n<p class=\"uk-text-large\">Wer noch \u00fcberlegt, wo der eigene Semantic Layer architektonisch am besten aufgehoben ist, findet Orientierung in unserem Beitrag <a href=\"\/de\/blog\/die-richtige-semantic-layer-architektur-waehlen\/\">Die richtige Semantic Layer Architektur w\u00e4hlen<\/a>.<\/p>\n<p class=\"uk-text-large\">Wir bei Hopmann Marketing Analytics unterst\u00fctzen BI-Teams und Marketing-Organisationen beim Aufbau eines strukturierten Context Layers, der KI-gest\u00fctzte Analysen im Alltag verl\u00e4sslich macht. M\u00f6chten Sie wissen, wie das f\u00fcr Ihre semantischen Modelle aussehen k\u00f6nnte?<\/p>\n<p><a href=\"\/de\/kontakt\/\" class=\"uk-button uk-button-default\">Jetzt kostenfreies Erstgespr\u00e4ch buchen<\/a><\/p>\n<p class=\"uk-text-large\" style=\"margin-top:2rem;\"><em>Tobias Lanzl ist Manager Data Analytics bei Hopmann Marketing Analytics, zertifizierter Power BI-Experte 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.<\/em><\/p>\n<\/div>\n<hr>\n<h3>\n<p style=\"text-align: center;\">H\u00e4ufige Fragen zur AI Foundation.<\/p>\n<\/h3>\n<h2>FAQ zu Semantic Layer vs. Context Layer<\/h2>\n<ul>\n<li>\n<h3>Was ist ein Context Layer und wie unterscheidet er sich vom Semantic Layer?<\/h3>\n<div>\n<p>Der Semantic Layer definiert, was es an Daten gibt und wie Kennzahlen berechnet werden. Der Context Layer erg\u00e4nzt, warum die Zahlen in einem bestimmten Zeitraum so aussehen, etwa durch Ereignisse wie Kampagnen oder Datenl\u00fccken. Beide Schichten beantworten unterschiedliche Fragen und erg\u00e4nzen sich.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Brauche ich f\u00fcr verl\u00e4ssliche KI-Analysen zwingend beide Schichten?<\/h3>\n<div>\n<p>Ja, wenn die Analyse belastbar sein soll. Ohne Semantic Layer rechnet die KI falsch, ohne Context Layer interpretiert sie richtige Zahlen falsch. Beide Fehlerarten sehen f\u00fcr Lesende gleich \u00fcberzeugend aus, sind aber unterschiedlich gef\u00e4hrlich.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie baue ich einen Context Layer praktisch auf?<\/h3>\n<div>\n<p>Am einfachsten mit den Known Caveats: Fragen Sie Ihr Team, welche drei Missverst\u00e4ndnisse regelm\u00e4\u00dfig korrigiert werden m\u00fcssen. Erg\u00e4nzen Sie danach eine Event-Timeline und, sobald genug Anfragen vorliegen, gepr\u00fcfte Verified Questions.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wer sollte den Context Layer pflegen, IT oder Fachbereich?<\/h3>\n<div>\n<p>Der Context Layer geh\u00f6rt zu den Analysten und dem Fachbereich, nicht zur IT. Er dokumentiert Gesch\u00e4ftswissen, das sich mit dem Gesch\u00e4ft \u00e4ndert, nicht mit dem Datenmodell.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Funktioniert das Konzept auch au\u00dferhalb von Power BI?<\/h3>\n<div>\n<p>Ja, f\u00fcr jedes Tool unterscheidet sich nur der Weg, \u00fcber den der KI-Agent sich zus\u00e4tzlichen Kontext zu einer Abfrage holen kann, nicht das Konzept selbst. \u00dcber MCP-Server ist das jedoch technisch auch schon weitestgehend standardisiert.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Unterst\u00fctzt Hopmann Marketing Analytics beim Aufbau eines Context Layers?<\/h3>\n<div>\n<p>Ja. Wir begleiten Unternehmen von der ersten Bestandsaufnahme des Business-Wissens \u00fcber die Strukturierung des Context Layers bis zur Integration in bestehende KI-Analyse-Setups mit Power BI oder anderen semantischen Modellen.<\/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\\\"><strong>Semantic Layer vs. Context Layer<\/strong>: Diese Unterscheidung entscheidet, ob eine KI-Analyse verl\u00e4sslich ist oder nur plausibel klingt.\n\n Wer KI auf Unternehmensdaten losl\u00e4sst, bekommt immer eine Antwort. Ob sie stimmt, h\u00e4ngt davon ab, was das Modell \u00fcber die Daten wei\u00df. In <a href=\\\"\/de\/blog\/power-bi-claude\/\\\">unserem vorherigen Artikel<\/a> haben wir gezeigt, wie Claude per <a href=\\\"https:\/\/modelcontextprotocol.io\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">MCP<\/a> direkt <a href=\\\"https:\/\/learn.microsoft.com\/de-de\/dax\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">DAX<\/a>-Queries gegen semantische Modelle in Power BI Service ausf\u00fchrt. Dieses Setup funktioniert technisch sofort. Verl\u00e4sslich wird es aber erst durch eine zweite Wissensschicht: den Context Layer.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">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.<\/p>\n\n\\n\\n\n\n<h2>Was der Semantic Layer leistet<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der <a href=\\\"\/de\/marketing-analytics\/marketing-data-stack\/semantic-layer\/\\\">Semantic Layer<\/a> 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.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><code>[Revenue]<\/code> 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 Granularit\u00e4t eine Tabelle hat und wie die Objekte zusammenh\u00e4ngen, und schlie\u00dflich das Datenmodell selbst mit seinen Beziehungen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Semantic Layer beantwortet damit zwei Fragen: Was gibt es, und wie wird gerechnet? F\u00fcr 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.<\/p>\n\n\\n\\n\n\n<h2>Wo der Semantic Layer endet<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Was der Semantic Layer nicht beantwortet, ist die dritte Frage: Warum sehen die Zahlen so aus?<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Modell wei\u00df nicht, dass im Februar eine Marketing-Kampagne lief. Es wei\u00df auch nicht, dass ein API-Token abgelaufen war und deshalb f\u00fcnf Wochen lang Bestellungen aus einem Land fehlen. Dieses Wissen existiert, aber in den K\u00f6pfen der Analysten, in Slack-Threads und in Meeting-Notizen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein menschlicher Analyst bringt dieses Wissen implizit mit. Ein Sprachmodell nicht. Und weil ein Sprachmodell im Zweifel trotzdem antwortet, entsteht ohne dieses Wissen die gef\u00e4hrlichste Sorte Ergebnis: eine plausibel klingende, sauber formatierte, falsche Analyse.<\/p>\n\n\\n\\n\n\n<h2>Der Context Layer: Business-Wissen als explizite Schicht<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Context Layer ist damit die vierte Ebene der <a href=\\\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\\\">Hopmann AI Foundation<\/a>. Dort ordnen wir ihn strategisch in das Zusammenspiel aller f\u00fcnf Ebenen ein, in diesem Artikel zeigen wir, wie er sich in der Praxis mit Power BI und Claude konkret aufbauen l\u00e4sst.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">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.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Erstens die Event-Timeline: gesch\u00e4ftliche und technische Ereignisse, die sich in den Daten niederschlagen.<\/p>\n\n\\n\\n\n\n<pre>event_timeline:\\n  - 2024-10-30: Service-Token der Order-API f\u00fcr Deutschland abgelaufen,\\n      Re-Authentifizierung erst am 2024-12-03.\\n  - Februar 2025: Umsatzspitze bei C\u00f4te de Blaye in Deutschland\\n      durch Marketing-Kampagne.\\n  - M\u00e4rz 2025: Getr\u00e4nke-Sortiment durch Lieferkettenprobleme\\n      weitgehend ausverkauft, Bestellr\u00fcckgang.<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Zweitens Verified Questions: gepr\u00fcfte Frage-Query-Paare, die als Muster dienen.<\/p>\n\n\\n\\n\n\n<pre>suggested_questions:\\n  - question: \\\"Welche Produkte sind unsere Top 5 nach Umsatz?\\\"\\n    dax: |\\n      EVALUATE\\n      TOPN(5,\\n        ADDCOLUMNS(VALUES(dim_products[productName]), \\\"Revenue\\\", [Revenue]),\\n        [Revenue], DESC)\\n      ORDER BY [Revenue] DESC<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Drittens Known Caveats: Stolperfallen, die zu Fehlinterpretationen f\u00fchren.<\/p>\n\n\\n\\n\n\n<pre>known_caveats:\\n  - \\\"Revenue ist Menge x Einzelpreis ohne Rabatt und Fracht,\\n     nicht als Netto-Umsatz oder Rohertrag beschreiben.\\\"\\n  - \\\"discount ist ein nicht verrechneter Prozentsatz pro Zeile,\\n     kein Geldbetrag, niemals aufsummieren.\\\"\\n  - \\\"country ist das Land des Kunden, nicht des Versenders oder\\n     der Produktherkunft.\\\"<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Und viertens eine Dom\u00e4nen-Beschreibung: worum es im Dataset geht und was eine Zeile bedeutet.<\/p>\n\n\\n\\n\n\n<h2>Semantic Layer vs. Context Layer im Vergleich<\/h2>\n\n\\n\\n\n\n<table class=\\\"uk-table uk-table-divider\\\">\\n  \n\n<thead>\\n    \n\n<tr>\\n      \n\n<th><\/th>\n\n\\n      \n\n<th>Semantic Layer<\/th>\n\n\\n      \n\n<th>Context Layer<\/th>\n\n\\n    <\/tr>\n\n\\n  <\/thead>\n\n\\n  \n\n<tbody>\\n    \n\n<tr>\\n      \n\n<td><strong>Beantwortet<\/strong><\/td>\n\n\\n      \n\n<td>Was gibt es? Wie wird gerechnet?<\/td>\n\n\\n      \n\n<td>Warum sehen die Zahlen so aus? Worauf muss ich achten?<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Inhalt<\/strong><\/td>\n\n\\n      \n\n<td>Measures, Dimensionen, Beschreibungen, Beziehungen<\/td>\n\n\\n      \n\n<td>Events, Verified Questions, Caveats, Gesch\u00e4ftskontext<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Gepflegt von<\/strong><\/td>\n\n\\n      \n\n<td>BI-\/Data-Team<\/td>\n\n\\n      \n\n<td>Analysten und Fachbereich<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>\u00c4ndert sich<\/strong><\/td>\n\n\\n      \n\n<td>mit dem Datenmodell<\/td>\n\n\\n      \n\n<td>mit dem Gesch\u00e4ft<\/td>\n\n\\n    <\/tr>\n\n\\n  <\/tbody>\n\n\\n<\/table>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Eine brauchbare Faustregel: Was f\u00fcr jedes Tool gelten soll, das auf die Daten zugreift, geh\u00f6rt in den Semantic Layer. Was ein erfahrener Analyst einem neuen Kollegen in der Einarbeitung erz\u00e4hlen w\u00fcrde, geh\u00f6rt in den Context Layer.<\/p>\n\n\\n\\n\n\n<h2>Was der Context Layer konkret verhindert<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Drei Beispiele aus unserem Demo-Setup mit dem Northwind-Modell.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die Datenl\u00fccke, die wie ein Gesch\u00e4ftsproblem aussieht: Fragt man nach der Umsatzentwicklung in Deutschland Ende 2024, zeigen die Daten einen massiven Einbruch. Ohne Kontext liefert die KI eine \u00fcberzeugende Analyse \u00fcber schw\u00e4chelnde Nachfrage. Mit der Event-Timeline erkennt sie, dass der Einbruch von einem abgelaufenen API-Token kommt. Die Daten sind unvollst\u00e4ndig, nicht das Gesch\u00e4ft schwach. Das ist der Unterschied zwischen einer Analyse, die Entscheidungen verbessert, und einer, die sie in die falsche Richtung lenkt.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die Kennzahl, die anders hei\u00dft als sie rechnet: <code>[Revenue]<\/code> im Modell ist Menge mal Einzelpreis, ohne Rabatt. Pr\u00e4sentiert die KI das als \u201eNettoumsatz\\\", ist jede darauf aufbauende Aussage falsch, obwohl die Query korrekt war. Der Caveat verhindert nicht den Rechenfehler, den gibt es nicht, sondern den Interpretationsfehler.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die Query, die es fast richtig macht: Verified Questions geben der KI gepr\u00fcfte Muster vor, welche Measures kanonisch sind, wie Zeitr\u00e4ume 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.<\/p>\n\n\\n\\n\n\n<h2>Pragmatisch anfangen<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein Context Layer muss nicht vollst\u00e4ndig sein, um Wirkung zu zeigen. Unsere Empfehlung f\u00fcr den Start:<\/p>\n\n\\n\\n\n\n<ol class=\\\"uk-text-large\\\">\\n  \n\n<li>Mit den Caveats beginnen. Die Frage an das Team: \u201eWelche drei Missverst\u00e4ndnisse korrigierst du regelm\u00e4\u00dfig, wenn jemand mit diesen Daten arbeitet?\\\" Das Ergebnis sind die ersten <code>known_caveats<\/code>.<\/li>\n\n\\n  \n\n<li>Events nachtragen, wenn sie passieren. Kampagnenstart, Datenpanne, Systemumstellung: ein Zweizeiler in der Timeline zum Zeitpunkt des Ereignisses ist billiger als jede sp\u00e4tere Rekonstruktion.<\/li>\n\n\\n  \n\n<li>Verified Questions aus echten Anfragen destillieren. Die Fragen, die im Alltag wiederkehren, einmal sauber in DAX beantworten und als Muster hinterlegen.<\/li>\n\n\\n<\/ol>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wichtig ist die Ownership: Der Context Layer ist kein IT-Artefakt, sondern dokumentiertes Fachwissen. Er geh\u00f6rt dorthin, wo dieses Wissen entsteht, zu den Analysten und dem Fachbereich. Als YAML-Datei ist er lesbar, versionierbar und ohne Tooling-Aufwand pflegbar. \u00c4nderungen sind sofort wirksam, ohne Deployment oder Modell-Refresh.<\/p>\n\n\\n\\n\n\n<h2>Fazit<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Semantic Layer vs. Context Layer<\/strong>, im direkten Vergleich zeigt sich: Der Semantic Layer sorgt daf\u00fcr, dass die KI richtig rechnet. Der Context Layer sorgt daf\u00fcr, dass sie richtig interpretiert. Wer KI-gest\u00fctzte 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 S\u00e4tzen \u00fcber die eigenen Daten.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wer noch \u00fcberlegt, wo der eigene Semantic Layer architektonisch am besten aufgehoben ist, findet Orientierung in unserem Beitrag <a href=\\\"\/de\/blog\/die-richtige-semantic-layer-architektur-waehlen\/\\\">Die richtige Semantic Layer Architektur w\u00e4hlen<\/a>.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wir bei Hopmann Marketing Analytics unterst\u00fctzen BI-Teams und Marketing-Organisationen beim Aufbau eines strukturierten Context Layers, der KI-gest\u00fctzte Analysen im Alltag verl\u00e4sslich macht. M\u00f6chten Sie wissen, wie das f\u00fcr Ihre semantischen Modelle aussehen k\u00f6nnte?<\/p>\n\n\\n\\n<a href=\\\"\/de\/kontakt\/\\\" class=\\\"uk-button uk-button-default\\\">Jetzt kostenfreies Erstgespr\u00e4ch buchen<\/a>\\n\\n\n\n<p class=\\\"uk-text-large\\\" style=\\\"margin-top:2rem;\\\"><em>Tobias Lanzl ist Manager Data Analytics bei Hopmann Marketing Analytics, zertifizierter Power BI-Experte 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.<\/em><\/p>\n\n\",\"content_en_us\":\"\n\n<p class=\\\"uk-text-large\\\"><strong>Semantic Layer vs. Context Layer<\/strong>: this distinction decides whether an AI analysis is reliable or only sounds plausible.\n\n Feed AI a company's data and it will always give you an answer. Whether that answer is correct depends on what the model knows about the data. In our <a href=\\\"\/en\/blog\/power-bi-claude\/\\\">previous article<\/a>, we showed how Claude runs <a href=\\\"https:\/\/learn.microsoft.com\/en-us\/dax\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">DAX<\/a> queries directly against semantic models in Power BI Service via <a href=\\\"https:\/\/modelcontextprotocol.io\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">MCP<\/a>. That setup works technically straight away. But it only becomes reliable through a second knowledge layer: the context layer.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In this article, we draw the line between the two layers, show with concrete examples which mistakes a context layer prevents, and explain how to build one pragmatically.<\/p>\n\n\\n\\n\n\n<h2>What the semantic layer delivers<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The <a href=\\\"\/en\/marketing-analytics\/marketing-data-stack\/semantic-layer-for-ai\/\\\">semantic layer<\/a> is the agreed, technical description of the data. In Power BI, that is the semantic model: metric definitions as measures, descriptions of tables, columns and dimensions, plus relationships and structure.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><code>[Revenue]<\/code>, for example, is defined once, including discount logic, time intelligence and filter behaviour. Every report and every AI query calculates it identically. This is complemented by descriptions of what a field means, the granularity of a table, and how objects relate to one another, and finally the data model itself with its relationships.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The semantic layer therefore answers two questions: what exists, and how is it calculated? For AI analytics, it is the necessary foundation. Without it, the language model invents its own calculations, and the number in the chat drifts from the one in the dashboard.<\/p>\n\n\\n\\n\n\n<h2>Where the semantic layer stops<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">What the semantic layer does not answer is the third question: why do the numbers look the way they do?<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A model does not know that a marketing campaign ran in February. It also does not know that an API token expired, causing five weeks of missing orders from one country. That knowledge exists, but in the heads of analysts, in Slack threads and in meeting notes.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A human analyst brings that knowledge implicitly. A language model does not. And because a language model answers regardless when in doubt, the most dangerous kind of result emerges without that knowledge: a plausible-sounding, neatly formatted, incorrect analysis.<\/p>\n\n\\n\\n\n\n<h2>The context layer: business knowledge as an explicit layer<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The context layer is the fourth layer of the <a href=\\\"\/en\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-series\/\\\">Hopmann AI Foundation<\/a>. There, we place it strategically within the interplay of all five layers; in this article, we show how to build it in practice with Power BI and Claude.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The context layer makes exactly this implicit knowledge explicit. In our setup, that is a YAML file per semantic model, which Claude reads before every analysis. Four building blocks have proven particularly valuable.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">First, the event timeline: business and technical events that leave a mark on the data.<\/p>\n\n\\n\\n\n\n<pre>event_timeline:\\n  - 2024-10-30: Service token for the Order API in Germany expired,\\n      re-authentication not until 2024-12-03.\\n  - February 2025: Revenue spike for C\u00f4te de Blaye in Germany\\n      due to marketing campaign.\\n  - March 2025: Beverage range largely sold out due to supply chain\\n      issues, order decline.<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Second, verified questions: checked question-query pairs that serve as templates.<\/p>\n\n\\n\\n\n\n<pre>suggested_questions:\\n  - question: \\\"Which products are our top 5 by revenue?\\\"\\n    dax: |\\n      EVALUATE\\n      TOPN(5,\\n        ADDCOLUMNS(VALUES(dim_products[productName]), \\\"Revenue\\\", [Revenue]),\\n        [Revenue], DESC)\\n      ORDER BY [Revenue] DESC<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Third, known caveats: pitfalls that lead to misinterpretation.<\/p>\n\n\\n\\n\n\n<pre>known_caveats:\\n  - \\\"Revenue is quantity x unit price without discount and freight,\\n     do not describe as net revenue or gross profit.\\\"\\n  - \\\"discount is an unapplied percentage per line item,\\n     not a monetary amount, never sum it.\\\"\\n  - \\\"country is the customer's country, not the shipper's\\n     or the product's origin.\\\"<\/pre>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">And fourth, a domain description: what the dataset is about and what a row represents.<\/p>\n\n\\n\\n\n\n<h2>Semantic Layer vs. Context Layer compared<\/h2>\n\n\\n\\n\n\n<table class=\\\"uk-table uk-table-divider\\\">\\n  \n\n<thead>\\n    \n\n<tr>\\n      \n\n<th><\/th>\n\n\\n      \n\n<th>Semantic Layer<\/th>\n\n\\n      \n\n<th>Context Layer<\/th>\n\n\\n    <\/tr>\n\n\\n  <\/thead>\n\n\\n  \n\n<tbody>\\n    \n\n<tr>\\n      \n\n<td><strong>Answers<\/strong><\/td>\n\n\\n      \n\n<td>What exists? How is it calculated?<\/td>\n\n\\n      \n\n<td>Why do the numbers look this way? What should I watch out for?<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Content<\/strong><\/td>\n\n\\n      \n\n<td>Measures, dimensions, descriptions, relationships<\/td>\n\n\\n      \n\n<td>Events, verified questions, caveats, business context<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Maintained by<\/strong><\/td>\n\n\\n      \n\n<td>BI\/data team<\/td>\n\n\\n      \n\n<td>Analysts and the business<\/td>\n\n\\n    <\/tr>\n\n\\n    \n\n<tr>\\n      \n\n<td><strong>Changes with<\/strong><\/td>\n\n\\n      \n\n<td>the data model<\/td>\n\n\\n      \n\n<td>the business<\/td>\n\n\\n    <\/tr>\n\n\\n  <\/tbody>\n\n\\n<\/table>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A useful rule of thumb: whatever should hold true for every tool accessing the data belongs in the semantic layer. Whatever an experienced analyst would tell a new colleague during onboarding belongs in the context layer.<\/p>\n\n\\n\\n\n\n<h2>What the context layer specifically prevents<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Three examples from our demo setup with the Northwind model.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The data gap that looks like a business problem: ask about revenue trends in Germany at the end of 2024, and the data shows a sharp drop. Without context, the AI delivers a convincing analysis about weakening demand. With the event timeline, it recognises that the drop stems from an expired API token. The data is incomplete, not the business weak. That is the difference between an analysis that improves decisions and one that steers them in the wrong direction.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The metric that is named differently from how it is calculated: <code>[Revenue]<\/code> in the model is quantity times unit price, without discount. If the AI presents that as \\\"net revenue\\\", every statement built on it is wrong, even though the query itself was correct. The caveat does not prevent a calculation error, there isn't one, but an interpretation error.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The query that gets it almost right: verified questions give the AI checked templates for which measures are canonical, how time periods are filtered, and how top-N breakdowns should look in the model. Instead of improvising anew for every question, the AI varies proven templates. That noticeably reduces the spread of results.<\/p>\n\n\\n\\n\n\n<h2>Getting started pragmatically<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A context layer does not need to be complete to show impact. Our recommendation for getting started:<\/p>\n\n\\n\\n\n\n<ol class=\\\"uk-text-large\\\">\\n  \n\n<li>Start with the caveats. Ask the team: \\\"Which three misunderstandings do you regularly correct when someone works with this data?\\\" The answer gives you your first <code>known_caveats<\/code>.<\/li>\n\n\\n  \n\n<li>Log events as they happen. A campaign launch, a data outage, a system migration: two lines in the timeline at the time of the event are cheaper than any later reconstruction.<\/li>\n\n\\n  \n\n<li>Distil verified questions from real requests. Take the questions that keep recurring in daily work, answer them cleanly in DAX once, and store them as templates.<\/li>\n\n\\n<\/ol>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ownership matters here: the context layer is not an IT artefact but documented business knowledge. It belongs where that knowledge originates, with analysts and the business. As a YAML file, it is readable, versionable and maintainable without any tooling overhead. Changes take effect immediately, with no deployment or model refresh.<\/p>\n\n\\n\\n\n\n<h2>Conclusion<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Semantic Layer vs. Context Layer<\/strong>, compared directly: the semantic layer ensures the AI calculates correctly. The context layer ensures it interprets correctly. Anyone serious about using AI-powered analytics on company data needs both. The good news: the semantic layer already exists in most Power BI environments. The context layer starts with a text file and three honest sentences about your own data.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">If you are still weighing up where your own semantic layer should architecturally live, our article <a href=\\\"\/en\/blog\/choosing-the-right-semantic-layer-architecture\/\\\">Choosing the Right Semantic Layer Architecture<\/a> offers guidance.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">At Hopmann Marketing Analytics, we help BI teams and marketing organisations build a structured context layer that makes AI-powered analytics reliable in daily use. Would you like to know what that could look like for your semantic models?<\/p>\n\n\\n\\n<a href=\\\"\/en\/contact\/\\\" class=\\\"uk-button uk-button-default\\\">Book a free initial consultation<\/a>\\n\\n\n\n<p class=\\\"uk-text-large\\\" style=\\\"margin-top:2rem;\\\"><em>Tobias Lanzl is Manager Data Analytics at Hopmann Marketing Analytics, a certified Power BI expert 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 topics accessible in ways that work in practice.<\/em><\/p>\n\n\"}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}},{\"type\":\"headline\",\"props\":{\"content\":\"\n\n<p style=\\\"text-align: center;\\\">H\u00e4ufige Fragen zur AI Foundation.<\/p>\n\n\",\"content_en_us\":\"\n\n<p style=\\\"text-align: center;\\\">Frequent questions on the AI Foundation.<\/p>\n\n\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"title_color\":\"primary\",\"title_element\":\"h3\",\"title_style\":\"h6\"}},{\"type\":\"headline\",\"props\":{\"content\":\"FAQ zu Semantic Layer vs. Context Layer\",\"content_en_us\":\"FAQ on Semantic Layer vs. Context 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>Der Semantic Layer definiert, was es an Daten gibt und wie Kennzahlen berechnet werden. Der Context Layer erg\u00e4nzt, warum die Zahlen in einem bestimmten Zeitraum so aussehen, etwa durch Ereignisse wie Kampagnen oder Datenl\u00fccken. Beide Schichten beantworten unterschiedliche Fragen und erg\u00e4nzen sich.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>The semantic layer defines what data exists and how metrics are calculated. The context layer adds why the numbers look the way they do in a given period, for example due to events like campaigns or data gaps. Both layers answer different questions and complement each other.<\/p>\n\n\",\"title\":\"Was ist ein Context Layer und wie unterscheidet er sich vom Semantic Layer?\",\"title_en_us\":\"What is a context layer and how does it differ from a semantic layer?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Ja, wenn die Analyse belastbar sein soll. Ohne Semantic Layer rechnet die KI falsch, ohne Context Layer interpretiert sie richtige Zahlen falsch. Beide Fehlerarten sehen f\u00fcr Lesende gleich \u00fcberzeugend aus, sind aber unterschiedlich gef\u00e4hrlich.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Yes, if the analysis needs to be trustworthy. Without a semantic layer, the AI calculates incorrectly. Without a context layer, it misinterprets correct numbers. Both types of error look equally convincing to readers but are dangerous in different ways.<\/p>\n\n\",\"title\":\"Brauche ich f\u00fcr verl\u00e4ssliche KI-Analysen zwingend beide Schichten?\",\"title_en_us\":\"Do I need both layers for reliable AI analytics?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Am einfachsten mit den Known Caveats: Fragen Sie Ihr Team, welche drei Missverst\u00e4ndnisse regelm\u00e4\u00dfig korrigiert werden m\u00fcssen. Erg\u00e4nzen Sie danach eine Event-Timeline und, sobald genug Anfragen vorliegen, gepr\u00fcfte Verified Questions.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>The easiest starting point is known caveats: ask your team which three misunderstandings they regularly correct. Follow up with an event timeline and, once enough requests come in, checked verified questions.<\/p>\n\n\",\"title\":\"Wie baue ich einen Context Layer praktisch auf?\",\"title_en_us\":\"How do I build a context layer in practice?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Der Context Layer geh\u00f6rt zu den Analysten und dem Fachbereich, nicht zur IT. Er dokumentiert Gesch\u00e4ftswissen, das sich mit dem Gesch\u00e4ft \u00e4ndert, nicht mit dem Datenmodell.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>The context layer belongs with analysts and the business, not IT. It documents business knowledge that changes with the business, not with the data model.<\/p>\n\n\",\"title\":\"Wer sollte den Context Layer pflegen, IT oder Fachbereich?\",\"title_en_us\":\"Who should maintain the context layer, IT or the business?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Ja, f\u00fcr jedes Tool unterscheidet sich nur der Weg, \u00fcber den der KI-Agent sich zus\u00e4tzlichen Kontext zu einer Abfrage holen kann, nicht das Konzept selbst. \u00dcber MCP-Server ist das jedoch technisch auch schon weitestgehend standardisiert.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Yes, for each tool, the only difference is the way in which the AI agent can retrieve additional context for a query, not the concept itself. However, this has already been largely standardized from a technical standpoint via the MCP server.<\/p>\n\n\",\"title\":\"Funktioniert das Konzept auch au\u00dferhalb von Power BI?\",\"title_en_us\":\"Does this concept also work outside of Power BI?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Ja. Wir begleiten Unternehmen von der ersten Bestandsaufnahme des Business-Wissens \u00fcber die Strukturierung des Context Layers bis zur Integration in bestehende KI-Analyse-Setups mit Power BI oder anderen semantischen Modellen.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Yes. We support companies from the initial inventory of business knowledge through structuring the Context Layer to integrating it into existing AI analytics setups with Power BI or other semantic models.<\/p>\n\n\",\"title\":\"Unterst\u00fctzt Hopmann Marketing Analytics beim Aufbau eines Context Layers?\",\"title_en_us\":\"Does Hopmann Marketing Analytics support building a context 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 V10 - 07\/26\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"5.0.38\"} --><\/p>\n","protected":false},"featured_media":17779,"template":"","blog-kategorie":[94,56],"class_list":["post-17778","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-ai-in-marketing","blog-kategorie-deep-dive"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog\/17778","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":0,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog\/17778\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/media\/17779"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/media?parent=17778"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/en\/wp-json\/wp\/v2\/blog-kategorie?post=17778"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}