Semantic Layer

Was der Semantic Layer löst

In einem typischen Marketing-Analytics-Stack lässt sich dieselbe Metrik auf drei verschiedene Arten definieren:

• Der „ROAS“ des Marketings umfasst nur Meta- und Google-Ausgaben
• Der „ROAS“ des Finanzteams umfasst alle Paid Media plus Agenturgebühren
• Der „ROAS“ des CEOs ist, was das neueste Dashboard gerade zeigt

Jede Definition ist vertretbar. Sie sind nur inkonsistent, und wenn die Führung fragt „wie ist unser ROAS?“, hängt die Antwort vollständig davon ab, auf welchen Report sie gerade schaut.

Ein Semantic Layer behebt das, indem er jede Metrik einmal definiert, an einer einzigen Stelle, mit expliziter Business-Logik. Jeder nachgelagerte Konsument, BI Dashboard, CRM, KI-Agent, nutzt dieselbe Definition. „ROAS“ bedeutet überall dasselbe.

Was ein Semantic Layer enthält

Fünf Primitive:

• Metriken, revenue, roas, cac, aov, ltv, custom KPIs
• Dimensionen, channel, campaign, country, cohort, device
• Joins, wie die zugrunde liegenden Tabellen verbunden sind
• Filter, z. B. „internen Traffic ausschließen“, „nur Paid“
• Ziele und Budgets, Ist- vs. Plan-Vergleiche

Der Semantic Layer übersetzt eine Anfrage wie „ROAS nach Kanal dieses Quartal“ in das richtige SQL gegen das zugrunde liegende Warehouse und wendet die richtigen Joins, Filter und Aggregationen an.

Warum KI-Agenten den Semantic Layer brauchen

Das ist eins der wichtigsten Muster 2026. Einem LLM lässt sich geben:

• Rohes Warehouse-Schema, es schreibt SQL, das syntaktisch valide, aber semantisch falsch ist
• Ein Dashboard-Screenshot, es liest die sichtbaren Zahlen, verpasst aber Filter und Kontext
• Eine Semantic-Layer-Schnittstelle, es bekommt korrekte Metriken mit den richtigen Definitionen fest eingebaut

MCP-Server, die auf einem Semantic Layer aufbauen, liefern dramatisch zuverlässigere KI-Analytics. Die KI muss nicht wissen, welche Spalten zu joinen sind oder wie Umsatz berechnet wird, sie fragt nach revenue und bekommt die richtige Zahl.

Ohne Semantic Layer degradiert KI-getriebenes Analytics schnell zu selbstbewusst falschen Antworten.

Semantic Layer in modernen Data-Stacks

Mehrere Produkte setzen dieses Muster um: dbt Semantic Layer, Cube, Lookers LookML, Lightdash. Die gemeinsame Form:

• Metrikdefinitionen im Code (YAML, SQL oder eine DSL), versionskontrolliert in Git
• Eine Query-Engine, die Metrik-Anfragen zu SQL kompiliert
• Eine API-Oberfläche, die BI-Tools, KI-Clients und CRM-Integrationen aufrufen können
• Oft eine Caching-Schicht für die Performance

Das „Headless BI“-Framing betont, dass der Semantic Layer keine eigene Visualisierung braucht, er bedient jeden Konsumenten, der seine Query-API spricht.

Häufige Fehler

• Einzelne Dashboards Metriken neu implementieren lassen. Das ist die Ursache des ursprünglichen Problems. Erzwinge die Regel: Dashboards rufen den Semantic Layer auf, nie das Warehouse direkt.
• Zu viele Metriken definieren. Ein Semantic Layer mit 800 Metriken ist unbrauchbar. Kürze rücksichtslos auf die 30 bis 100, die echte Entscheidungen treiben.
• Den Semantic Layer als BI-Feature behandeln. Er ist grundlegende Infrastruktur auch für KI-Agenten. Designe von Anfang an für beide Konsumenten.

FAQ zu Semantic Layer

Was ist ein Semantic Layer?

Ein Semantic Layer ist ein einheitlicher Satz an Metrik- und Dimensionsdefinitionen, der zwischen Rohdaten und nachgelagerten Konsumenten (Dashboards, BI-Tools, KI-Agenten) sitzt. Er ist das, was sicherstellt, dass „ROAS“ in jedem Report und jeder Abfrage dasselbe bedeutet.

Brauche ich einen Semantic Layer, wenn ich ein BI-Tool habe?

Zunehmend ja. Ohne Semantic Layer definiert jedes Dashboard Metriken anders und sie driften auseinander. Ein Semantic Layer macht die Metrikdefinition zur einzigen Quelle der Wahrheit.

Warum brauchen KI-Agenten einen Semantic Layer?

LLMs, denen man rohe Warehouse-Schemas gibt, schreiben SQL, das syntaktisch valide, aber semantisch falsch ist. Ein Semantic Layer stellt konsistente, geschäftlich definierte Metriken bereit, die die KI anfragen kann, ohne Fehler bei Joins, Filtern oder Aggregationen zu machen.