Datenintegration
Erst richtig verknüpfte Informationen schaffen neue Einsichten und echten Mehrwert.
Datenintegration entscheidet über Erfolg oder Scheitern eines BI-Projekts. Nicht das Dashboard ist der schwierige Teil, sondern die Frage, wie die Zahlen verlässlich und wiederholbar dort hineinkommen.
Fast jeder Ratgeber zum Thema bleibt bei Kategorien stehen: „ERP, CRM, MES, Cloud-Tools“. In der Praxis stellt sich die Frage aber nie abstrakt, sondern konkret: Wie kommen die Buchungen aus DATEV, die Abwesenheiten aus Personio und die Umsätze aus HubSpot in eine Auswertung – und was geht dabei erfahrungsgemäß schief?
Deshalb steht auf dieser Seite, was anderswo fehlt: die Systeme, die ich tatsächlich angebunden habe, ihre jeweilige Anbindungsart und der Fallstrick, der bei jedem einzelnen regelmäßig unterschätzt wird.
Systeme, die ich bereits angebunden habe
Die folgende Übersicht stammt aus abgeschlossenen Projekten – von der Finanzbuchhaltung über Personal- und Praxissysteme bis zu Affiliate-Netzwerken. Die Fallstricke sind keine theoretischen Risiken, sondern die Punkte, an denen in der Praxis nachgearbeitet werden musste.
Ein Schwerpunkt liegt bei Gesundheitsketten – MVZ-Verbünden, Praxisketten und Klinikgruppen. Deren Anforderungen unterscheiden sich deutlich von klassischen ERP-Anbindungen: Mehrmandantenfähigkeit über Standorte hinweg, die Frage, wem eine erbrachte Leistung zugerechnet wird, und Gesundheitsdaten als besondere Kategorie nach Art. 9 DSGVO, die die Architektur von Anfang an bestimmt.
So unterschiedlich die Branchen sind – Klinikgruppe, Industriebetrieb oder Agentur –, die Aufgabe bleibt dieselbe: verstreute Vorsysteme so zusammenführen, dass am Ende alle über dieselben Zahlen sprechen. Die Systemnamen wechseln, das Vorgehen nicht.
Finanzen & Controlling
| System | Typische Anbindung | Fallstrick aus der Praxis |
|---|---|---|
| DATEV | Export (DATEV-Format/CSV), DATEVconnect | Unterschiedliche Kontenrahmen (SKR03/SKR04) und abweichende Buchungsperioden. Ohne saubere Mapping-Tabelle ist gruppenweite Vergleichbarkeit nicht herstellbar. |
| LucaNet | Export/Schnittstelle auf die Finanzdatenbank | Die Zahlen sind bereits konsolidiert. Wer sie mit Einzelabschlüssen mischt, zählt Konzernumsätze doppelt. Die Konsolidierungslogik gehört in LucaNet – nicht ins Dashboard. |
Personal & Dienstplanung
| System | Typische Anbindung | Fallstrick aus der Praxis |
|---|---|---|
| Personio | REST-API | Personenbezogene Daten. Die Aggregation muss vor dem Dashboard erfolgen, nicht darin – sonst ist die Auswertung weder DSGVO-konform noch mit dem Betriebsrat vereinbar. |
| rexx systems | Schnittstelle/Export | Bewerberstatus sind Momentaufnahmen. Ohne eigene Historisierung lässt sich der Recruiting-Funnel später nicht rekonstruieren – Time-to-Hire wird unberechenbar. |
| Planerio | Schnittstelle/Export | Dienstpläne sind Planwerte und ändern sich rückwirkend durch Tausch, Ausfall oder Nachtrag. Ohne Momentaufnahme je Stichtag ist die ursprünglich geplante Besetzung nicht mehr rekonstruierbar. Plan und Ist gehören getrennt gespeichert. |
Gesundheitsketten: Praxis- und Fachanwendungen
| System | Typische Anbindung | Fallstrick aus der Praxis |
|---|---|---|
| Doctolib | API | Ein gebuchter Termin ist keine erbrachte Leistung. No-Shows, Umbuchungen und Terminarten müssen getrennt erfasst werden, sonst wird die Auslastung systematisch überschätzt. |
| Digithurst / medavis | Fachanwendungs-Schnittstelle | Gesundheitsdaten unterliegen als besondere Kategorie (Art. 9 DSGVO) verschärften Anforderungen. Auswertungen sind nur pseudonymisiert und aggregiert zulässig. |
| smartworx | Fachanwendungs-Schnittstelle | Befundung findet standortübergreifend und teils extern statt. Die eigentliche Modellierungsfrage ist die Zuordnung von Leistung, Standort und befundender Person – ohne sie lassen sich Auslastung und Leistungsabrechnung nicht sauber trennen. |
Vertrieb, Marketing & Web
| System | Typische Anbindung | Fallstrick aus der Praxis |
|---|---|---|
| HubSpot | REST-API | Änderungen an der Pipeline-Struktur brechen bestehende Zeitreihen. Deal-Stages brauchen eine eigene Historisierung, sonst ist die Forecast-Qualität nach dem ersten Umbau dahin. |
| Google Analytics | GA4-API, BigQuery-Export | Begrenzte Aufbewahrungsfristen. Wer historische Vergleiche will, muss die Daten früh selbst sichern – rückwirkend sind sie nicht mehr zu bekommen. |
| Google Search Console | Search-Analytics-API | 16 Monate Aufbewahrung, dazu anonymisierte Suchanfragen. Die Summe der Einzelzeilen ergibt nie exakt die Gesamtzahl – das muss im Dashboard erklärt sein, sonst wird es als Fehler gelesen. |
| Bing Webmaster Tools | API | Eigenes Datenmodell und andere Zählweise als Google. Absolute Zahlen sind zwischen beiden nicht vergleichbar; belastbar sind nur Trends je Kanal. |
| Awin | Publisher-API | Transaktionen ändern nachträglich ihren Status – von offen zu bestätigt oder storniert. Wer beim ersten Abruf festschreibt, arbeitet dauerhaft mit zu hohen Umsätzen. Die Stornoquote steht erst Wochen später fest. |
| Webgains | API/Export | Jedes Netzwerk nutzt eigene Statusmodelle, Währungen und Zeitzonen. Ohne Vereinheitlichung sind die Zahlen zweier Netzwerke schlicht nicht addierbar. |
| Amazon PartnerNet | Product Advertising API (PA-API 5) | Harte Abfragelimits: Der Einstieg liegt bei einer Anfrage pro Sekunde, eine Erhöhung wird nur über generierten Umsatz freigeschaltet. Massenabfragen scheitern daran – Zwischenspeicherung ist Pflicht, kein Optimierungsdetail. |
Dokumente & Zusammenarbeit
| System | Typische Anbindung | Fallstrick aus der Praxis |
|---|---|---|
| SharePoint | Graph-API, Listen, Excel-Dateien | Excel-Dateien werden als Quasi-Datenbank genutzt. Spalten ändern sich ohne Ankündigung – ohne Schema-Prüfung beim Import fällt die Pipeline still aus. |
Drei Wege der Anbindung – und wann welcher passt
Fast jede Integration läuft über einen dieser drei Wege. Die Wahl entscheidet über Aufwand, Stabilität und darüber, wie oft man später nachbessern muss.
API-Anbindung
Wann: Das System bietet eine dokumentierte Schnittstelle (Personio, HubSpot, Google).
Vorteil: Automatisierbar, wiederholbar, mit Delta-Logik sparsam.
Grenze: Limits und Kontingente. Wer täglich Vollabzüge zieht, läuft irgendwann dagegen.
Datei-Export
Wann: Ältere oder abgeschottete Systeme, häufig in der Finanzbuchhaltung.
Vorteil: Schnell startklar, kein Eingriff im Quellsystem nötig.
Grenze: Der Export bleibt ein manueller Schritt, solange er nicht automatisiert abgelegt wird – und damit die häufigste Fehlerquelle.
Direkter Datenbankzugriff
Wann: Eigene Systeme oder solche mit Lesezugriff auf die Datenbank.
Vorteil: Vollständig, schnell, ohne Umweg.
Grenze: Man umgeht die Geschäftslogik der Anwendung. Ein Update des Quellsystems kann die Auswertung ohne Vorwarnung verändern.
Die Reihenfolge, die sich bewährt hat
- Mit der Entscheidung beginnen, nicht mit der Datenquelle. Welche Frage soll beantwortet werden? Erst daraus ergibt sich, welche Systeme überhaupt gebraucht werden.
- Ein System zuerst, vollständig. Eine saubere Anbindung schlägt fünf halbfertige. Der erste Durchstich zeigt zudem, wie belastbar die Datenqualität wirklich ist.
- Schlüssel klären, bevor verknüpft wird. Kunden- und Kostenstellennummern stimmen selten über Systeme hinweg überein. Diese Mapping-Frage ist der eigentliche Aufwandstreiber – nicht die technische Verbindung.
- Historisierung von Anfang an. Was heute nicht gespeichert wird, ist in einem Jahr unwiederbringlich verloren. Das gilt besonders für Statusfelder und Analytics-Daten.
- Automatisieren, sobald es zweimal manuell lief. Vorher weiß man nicht genug über die Ausnahmen.
Der häufigste Irrtum: Datenintegration wird als technisches Problem behandelt. Tatsächlich scheitert sie fast immer an fachlichen Fragen – welcher Umsatzbegriff gilt, wann ein Auftrag als gewonnen zählt, welche Kostenstelle führend ist. Diese Klärungen kosten mehr Zeit als jede Schnittstelle.
Kernbereiche
Data Cleansing
Bereinigung und Standardisierung Ihrer Datenbestände für konsistente Informationen.
ETL-Prozesse
Automatisierte Datenpipelines von der Quelle bis zum Data Warehouse.
Data Warehouse
Zentrale Datenplattform als Single Source of Truth.
API-Integrationen
Anbindung externer Systeme und Cloud-Services.
Tech Stack
- Python (pandas, SQLAlchemy, Apache Airflow)
- SQL / PostgreSQL / MySQL
- Cloud-Plattformen (AWS, Azure, GCP)
- Open-Source ETL (Airbyte, dbt, Meltano)
- Jedox für Financial Planning
Häufige Fragen
Wie lange dauert die Anbindung eines Systems?
Die technische Verbindung ist meist in Tagen hergestellt. Der Aufwand steckt in der fachlichen Klärung: Welche Felder bedeuten was, welche Schlüssel verbinden die Systeme, wie wird mit Altlasten umgegangen. Systeme mit dokumentierter API sind dabei erheblich schneller als solche, die nur Dateiexporte anbieten.
Brauche ich ein Data Warehouse, oder reicht eine direkte Verbindung?
Für eine einzelne Quelle reicht oft die Direktverbindung. Sobald zwei oder mehr Systeme verknüpft werden, historische Vergleiche gewünscht sind oder mehrere Personen dieselben Zahlen sehen sollen, führt an einer eigenen Datenschicht kein Weg vorbei – sonst entstehen widersprüchliche Auswertungen.
Was passiert bei personenbezogenen Daten?
Personaldaten und erst recht Gesundheitsdaten (Art. 9 DSGVO) verlangen, dass Pseudonymisierung und Aggregation Teil der Architektur sind – nicht eine nachträgliche Einstellung im Dashboard. In der Praxis heißt das: Die Verdichtung passiert in der Pipeline, das Auswertungswerkzeug sieht Einzelpersonen gar nicht erst.
Was ist der Unterschied zwischen Datenintegration und ETL?
ETL (Extract, Transform, Load) ist ein Verfahren innerhalb der Datenintegration. Datenintegration umfasst zusätzlich die fachlichen Fragen: Definitionen abstimmen, Schlüssel harmonisieren, Verantwortlichkeiten klären. Mehr dazu im Beitrag zu ETL-Prozessen.
Weiterführend: Datensilos auflösen · Data Warehouse aufbauen · Datenqualität als Fundament · Data Pipeline aufbauen
Welche Systeme sollen zusammenfinden?
Schildern Sie mir Ihre Systemlandschaft – ich sage Ihnen, welche Anbindung realistisch ist und wo die Fallstricke liegen.
Jetzt besprechen →