Data Mart

1. Begriff: Bei einem Data Mart handelt es sich um einen abgegrenzten Datenpool, der für eine Klasse von Applikationen eines Anwendungskontextes (z.B. abteilungs- oder themenbezogen) aufgebaut wird.
2. Merkmale: Data Marts werden in der Regel eingesetzt, um den spezifischen Bedürfnissen eines Anwendungsfeldes zu entsprechen. So können analytische Anforderungen aus dem Data-Science-Bereich, datenschutzrechtliche Rahmenbedingungen (z.B. EU-DSGVO), Anforderungen nach multidimensionalen Ad-Hoc-Datenauswertungen (OLAP – Online Analytical Processing), Mobilitätsgründe oder Performanceanforderungen die dedizierte Datenhaltung in Form von Data Marts fördern bzw. erforderlich machen.

3. Implementierungsvarianten:

Data Marts werden auf der Grundlage ihrer Implementierung in unabhängige, abgestimmte und abhänge Varianten unterschieden. Dabei können sie sowohl in Big-Data-, klassisch relationalen DWH- oder hybriden Datenarchitekturen eingesetzt werden. 
a) Unabhängige Data Marts: Unabhängige Data Marts bedienen sich direkt aus operativen unternehmensinternen und -externen Daten und bereiten diese für die relevanten Anwendungsfelder auf. Grund für den Einsatz dieser Variante ist häufig der Bedarf nach schneller und bereichsspezifischer Informationsbereitstellung seitens der Fachbereiche oder einem Fehlen einer koordinierenden Data- und Analytics-Strategie und -Governance. Diese isolierte Architekturvariante kann aus betriebswirtschaftlicher Sicht nur sinnvoll sein, wenn im Unternehmen keine übergreifenden Datenauswertungen erforderlich sind. Nachteile unabhängiger Data Marts liegen vor allem in redundanten syntaktischen und semantischen Transformationen operativer Daten, einer geringen Vergleichbarkeit der Daten unterschiedlicher Data Marts sowie der fehlenden Möglichkeit zur Durchführung bereichsübergreifender Auswertungen.
b) Abgestimmte Data Marts: Eine Alternative zur unabhängigen Variante stellt die Bildung von Data Marts mit konzeptionell abgestimmten Daten- und analytischen Modellen dar, mit deren Hilfe die Integrität des Datenmaterials gewährleistet werden soll. In diesem Zusammenhang hat sich neben der klassischen Entity-Relationship-Modellierung und Star-Schemata auch Data Vault als Modellierungsmethode etabliert. Bei diesem Architekturansatz ist für unterschiedliche Data Marts ebenfalls das mehrfache Aufbereiten identischer Quelldaten erforderlich. Entscheidend für die Konsistenz der Data Marts ist hier, dass die inhaltlich und zeitlich gleichen Datenabzüge verwendet werden. Ferner stößt der Ansatz nicht selten aufgrund der Data-Mart-typischen anwendungsnahen Datenspeicherung an Grenzen. So werden Daten in Data Marts bewusst in anwendungsklassenspezifischen Formen (insbesondere in unterschiedlicher Granularität, mit unterschiedlichen Dimensionsausprägungen und Erweiterungen) vorgehalten, so dass eine Datenintegration über die Marts hinweg meist nur unter Informationsverlusten möglich ist. 
c) Abhängige Data Marts: Bei abhängigen Data Marts handelt es sich um spezifisch aufbereitete Datenextrakte aus einem vorgelagerten Datenpool wie z .B. einem Data Lake oder einem Core Data Warehouse (CDWH). Data Marts sind in diesem Konzept integrale Bestandteile eines übergeordneten Ansatzes und bieten aufgrund der konsistenten Datenversorgung durch den zugrunde liegenden Datenpool abgestimmte und harmonisierte Daten für verschiedenste Analysezwecke. Historisch bedingt wurde diese Variante auf Basis eines CDWHs als „Hub-and-Spoke“-Architektur bezeichnet, wobei das CDWH den Hub (die Nabe) darstellt und die darauf aufsetzenden, abhängigen Data Marts die Spokes (die Speichen) repräsentieren. Da das zugrundliegende Konzept technologieunabhängig abgegrenzt ist, können Hub-and-Spoke-Architekturen auch mit Big Data und hybriden Datenarchitekturen realisiert werden.