Datenmodellierung ist nicht tot, aber sie wandelt sich: vom Schemadesign zu Semantik und Interoperabilität. Der Vortrag zeigt, warum Datenmodellierung auch im Lakehouse/Modern Data Stack zentral bleibt, wie sich Data Catalog und Business Glossary vom fachlichen Datenmodell abgrenzen und wie Datenprodukte per Data Contracts skalieren. Außerdem: wann Graph/Linked Data passen und welche Rolle Datenmodelle bei KI mit Text-to-SQL und RAG spielen – mit praxisnahen Beispielen aus verschiedenen Branchen wie Finanzdienstleistung, Energie und Umwelt.

Zielpublikum: Fach- und Führungskräfte aus Datenarchitektur und Datenmanagement, die moderne Datenplattformen weiterentwickeln und Datenprodukte sowie Data Governance gestalten – inkl. Verantwortliche, die KI-Use-Cases auf eine verlässliche Datenbasis stellen wollen.
Voraussetzungen: Grundverständnis von Datenarchitekturen sowie von Datenmodellierung. Begriffe wie Data Mesh, Data Products, Data Governance und Metadaten sollten bekannt sein.
Level: Advanced

Extended Abstract:
Modern Data Stack und Data Lakehouse senken die technischen Hürden, lösen aber die eigentliche Herausforderung nicht: die Bedeutung der Daten. In der Praxis führt „Schema-on-read“ ohne klare Semantik schnell zu KPI-Divergenzen, Join-Chaos, inkonsistenten Definitionen und steigender Governance-Schuld – besonders dort, wo Nachvollziehbarkeit und Stabilität geschäftskritisch sind, beispielsweise in regulierten Branchen wie der Finanzdienstleistung. Der Vortrag zeigt deshalb: Datenmodellierung ist nicht tot, sie hat jedoch ihren Schwerpunkt verlagert – weg vom reinen Datenbankentwurf hin zu Semantik und Interoperabilität.

Im Zentrum steht eine zeitgemäße Sicht auf Modellierung als Zusammenspiel mehrerer Ebenen: Data Catalog und Business Glossary helfen beim Auffinden und Benennen, reichen aber nicht aus, um Beziehungen, Granularitäten und fachliche Regeln zu verankern. Ein fachliches Datenmodell schafft diesen gemeinsamen Referenzrahmen. In Data Mesh- und Datenprodukt-Ansätzen wird Datenmodellierung zudem zum Interface-Design: Konsumenten brauchen nicht nur ein Schema, sondern verlässliche Zusagen zu Datenbedeutung und -qualität. Gleichzeitig gewinnt Interoperabilität an Bedeutung, sobald Daten domänen- oder organisationsübergreifend genutzt werden – etwa in Data-Spaces- oder Digital-Twin-Szenarien, wo gemeinsame Informationsmodelle und semantische Beschreibungen den Kontext über Systemgrenzen hinweg erhalten.

Ein weiterer Fokus liegt auf KI: Text-to-SQL, RAG und graphbasierte Verfahren profitieren stark von expliziter Semantik, definierten Begriffen und bekannten Beziehungen; ohne diese Leitplanken steigt das Risiko plausibler, aber falscher Antworten.

Die Inhalte werden anhand praxisnaher Beispiele aus Projekten im Finanzdienstleistungs-, Energie- und Smart-City-Umfeld illustriert. Ziel ist eine realistische Orientierung, wie Datenmodellierung in modernen Plattformen konkret eingesetzt wird, um Geschwindigkeit, Wiederverwendung, Governance und KI-Fähigkeit zusammenzubringen.