Data Mining, ETL, Big Data, Data Lake, Data Mesh, Lakehouse – oder einfach nur "Daten irgendwie bewegen"

Es ist ein Phänomen, das jeden Data Professional mindestens einmal pro Woche zur Weißglut treibt: Kaum hat man sich in einen neuen Begriff eingearbeitet, wird er durch einen anderen ersetzt – der im Kern exakt das Gleiche bedeutet. Data Mining, Data Warehousing, ETL, Big Data, Data Lake, Data Mesh, Lakehouse, Data Fabric, Data Intelligence ... die Liste ist endlos.

📋 1. Die ewige Wiederkehr des Gleichen – Eine Begriffskarte

🔄 2. Das Grundproblem: Die Physik der Daten bewegt sich nicht

Unabhängig vom Namen: Die harten Fakten der Datenverarbeitung bleiben gleich. Jedes System, das mit nicht-trivialen Datenmengen umgeht, muss folgende Probleme lösen:

-- 1998: Data Mining Query
SELECT customer_id, COUNT(*) as purchases
FROM sales_fact
GROUP BY customer_id
HAVING COUNT(*) > 10;

-- 2025: "AI-Ready Data Preparation" – sieht verdächtig ähnlich aus
SELECT customer_id, COUNT(*) AS purchase_frequency
FROM unified_sales_layer
GROUP BY customer_id
HAVING COUNT(*) > 10;
-- Und der Plan ist immer noch derselbe: Tabelle scannen.

🎭 3. Das Rebranding-Motiv: Warum tun wir uns das an?

Die treibenden Kräfte hinter der ständigen semantischen Verschiebung sind nicht technischer, sondern wirtschaftlicher und psychologischer Natur.

🧠 4. Die falschen Versprechungen jeder neuen Welle

Jeder neue Begriff kommt mit dem Versprechen, die alten Probleme zu lösen. Jedes Mal stellt sich heraus: Tut er nicht.

• Data Warehouse: "Endlich zentrale, konsistente Daten!" → Realität: ETL-Jobs brechen nachts um 3 Uhr.
• Big Data / Hadoop: "Skaliert auf unendlich!" → Realität: Cluster-Konfiguration ist die Hölle, und der Name Node stirbt bei der Sortierung.
• Data Lake: "Speichern Sie alles im Rohformat!" → Realität: Der See wird zum Sumpf ("Data Swamp"), niemand findet mehr etwas.
• Data Mesh: "Dezentrale Datenprodukte für mehr Agilität!" → Realität: Jede Domain macht ihr eigenes Ding, das zentrale Reporting wird unmöglich.
• Lakehouse: "Das Beste aus Lake und Warehouse!" → Realität: Die Komplexität beider Welten, plus Vendor-Lock-in.

📈 5. Die ewigen Konstanten – Was sich nie ändert

Unabhängig vom Modebegriff – diese Wahrheiten überdauern jedes Rebranding:

-- Der ewige Kampf gegen Datenmüll (2005 vs. 2025)
-- 2005: SQL Server Integration Services (SSIS) mit Data Flow
-- 2025: "Lakehouse Medallion Architecture Bronze → Silver → Gold"

-- Im Kern beides ETL mit Filtern:
SELECT 
customer_id,
CASE WHEN birthdate = '1900-01-01' THEN NULL ELSE birthdate END as clean_birthdate,
LOWER(email) as clean_email
FROM raw_customers
WHERE customer_id IS NOT NULL
AND LENGTH(email) > 5;

// Die Transformation ändert sich nicht – nur der Ort, an dem sie steht.

💡 6. Ausweg aus dem Begriffswirrwarr: Pragmatismus

Was tun, wenn der nächste Consultant mit "Data Fabric" um die Ecke kommt? Drei einfache Regeln:

1. Fragen Sie nach dem Problem, nicht nach der Lösung. "Welches konkrete Problem soll uns diese 'Data Mesh'-Einführung lösen?"
2. Ignorieren Sie den Namen, analysieren Sie die Operationen. Extraktion, Transformation, Laden, Speicherung, Abfrage – das sind die echten Bausteine.
3. Bleiben Sie skeptisch bei "Disruptiv", "Gamechanger", "Neu". Oft ist es das alte Zeug mit neuem CSS.

🔮 7. Ausblick: Was kommt als Nächstes?

Da die Marketingmaschinerie niemals stillsteht, hier ein paar Prognosen für die nächsten Modebegriffe:

• "Data Sentience" (2027) – Daten, die selbst entscheiden, wo sie gespeichert werden wollen.
• "Autonomous ETL" (2028) – KI schreibt die Pipelines selbst (und macht die gleichen Fehler wie wir).
• "Post-Lake Era" (2029) – Der See war gestern, jetzt kommt der "Data Ocean".
• "Zero-ETL" (wird jedes Jahr versprochen, nie gehalten) – Weil Daten sich nicht von allein bewegen.

Also: Nächstes Mal, wenn jemand mit "modernem Data Stack" wedelt, fragen Sie freundlich: "Und wo genau ist das anders als das ETL vor 15 Jahren?" Die Stille, die folgt, ist Gold wert.