Was ist der Unterschied zwischen Lakehouse und Data Warehouse?

Ein Data Warehouse speichert strukturierte, aufbereitete Daten in einer Datenbank und ist auf Berichte und Kennzahlen optimiert. Ein Lakehouse nimmt auch Rohdaten, halbstrukturierte und unstrukturierte Daten auf und verarbeitet sie zusätzlich mit Spark und Notebooks. In der Praxis ergänzen sich beide: Das Lakehouse übernimmt Integration und Aufbereitung, das Warehouse die Kennzahlen.

Was ist die Medallion-Architektur?

Eine Gliederung der Daten in drei Schichten: Bronze enthält die Rohdaten aus den Quellsystemen, Silver bereinigte und verknüpfte Daten, Gold fachlich aufbereitete Daten für Berichte, Kennzahlen und KI. So bleibt nachvollziehbar, wie aus Rohdaten eine Kennzahl entsteht.

Welche Lakehouse-Plattformen gibt es?

Bekannte Plattformen sind Microsoft Fabric mit OneLake, Databricks und Lakehouse-Funktionen der großen Cloud-Anbieter. Sie nutzen offene Tabellenformate wie Delta Lake oder Apache Iceberg, sodass Daten nicht an ein einzelnes Werkzeug gebunden sind.

Braucht ein Krankenhaus ein Lakehouse?

Nicht immer. Für Controlling-Berichte aus wenigen, gut strukturierten Quellen genügt oft ein klassisches Data Warehouse. Ein Lakehouse lohnt sich, wenn viele Quellen, große historische Datenmengen, Nachrichten- oder Gerätedaten zusammengeführt oder Prognosen und KI-Anwendungen aufgebaut werden sollen.

Dürfen Gesundheitsdaten in einem Lakehouse gespeichert werden?

Ja, wenn Zweck, Rechtsgrundlage, Datenminimierung, Speicherregion, Berechtigungen und Auftragsverarbeitung geklärt sind und bei Gesundheitsdaten in großem Umfang eine Datenschutz-Folgenabschätzung vorliegt. Für Steuerungsauswertungen genügen meist pseudonymisierte oder aggregierte Daten.

Was ist ein Lakehouse? Einfach erklärt mit Klinikdaten

Q: Was ist ein Lakehouse einfach erklärt?

Ein Lakehouse ist eine Datenplattform, die die günstige, flexible Speicherung eines Data Lake mit der Zuverlässigkeit eines Data Warehouse verbindet. Daten liegen als Dateien in offenen Formaten wie Delta Lake oder Apache Iceberg, lassen sich aber wie Tabellen mit SQL abfragen, ändern und versionieren.

Kurze Antwort

Ein Lakehouse ist eine Datenplattform, die die günstige und flexible Speicherung eines Data Lake mit der Verlässlichkeit eines Data Warehouse verbindet. Die Daten liegen als Dateien in offenen Tabellenformaten wie Delta Lake oder Apache Iceberg, lassen sich aber wie Tabellen mit SQL abfragen, ändern und versionieren. Im Krankenhaus führt ein Lakehouse Daten aus KIS, ERP, Dienstplan und Fachsystemen zusammen und stellt sie geprüft für Controlling, Steuerung und KI bereit.

Stand: November 2026

Das Wichtigste in Kürze

Ein Lakehouse speichert Rohdaten und aufbereitete Daten an einem Ort – günstig wie ein Data Lake, verlässlich wie ein Data Warehouse.
Offene Formate wie Delta Lake und Apache Iceberg sorgen für Transaktionen, Versionierung und Unabhängigkeit von einzelnen Werkzeugen.
Die Medallion-Architektur mit Bronze, Silver und Gold macht nachvollziehbar, wie aus Rohdaten eine Kennzahl wird.
Lakehouse und Data Warehouse ergänzen sich: das eine für Integration und Aufbereitung, das andere für Kennzahlen.
Für Krankenhäuser lohnt es sich vor allem bei vielen Quellen, großen Datenmengen und geplanten Prognosen oder KI-Anwendungen.

Wie ist das Lakehouse entstanden?

Kurze Antwort

Aus zwei Vorgängern mit jeweils einer großen Schwäche: Das Data Warehouse war verlässlich, aber starr und teuer; der Data Lake war günstig und flexibel, wurde aber ohne Ordnung schnell zum „Datensumpf“.

Ansatz	Stärken	Schwächen
Data Warehouse (seit den 1990er-Jahren)	Einheitliche Kennzahlen, schnelle SQL-Abfragen, bewährt im Controlling	Nur strukturierte Daten, aufwendige Änderungen, Speicher teuer
Data Lake (seit den 2010er-Jahren)	Beliebige Daten günstig speichern, Grundlage für Data Science	Keine Transaktionen, schwer abzufragen, Datenqualität unklar
Lakehouse (seit etwa 2020)	Verbindet beides: offene Dateien mit Tabellenfunktionen, SQL und Spark auf denselben Daten	Braucht klare Architektur und Governance, sonst entsteht wieder ein Datensumpf

Möglich wurde das Lakehouse durch offene Tabellenformate. Sie legen über die Dateien im Speicher ein Protokoll, das Änderungen als Transaktionen verwaltet, frühere Versionen abrufbar macht („Zeitreise“) und das Schema der Tabellen sichert. Die bekanntesten Formate sind Delta Lake, Apache Iceberg und Apache Hudi.

Wie unterscheiden sich Lakehouse, Data Warehouse und Data Lake?

Kurze Antwort

Vor allem darin, welche Daten sie aufnehmen, wie sie verarbeitet werden und wofür sie gedacht sind.

Kriterium	Data Lake	Data Warehouse	Lakehouse
Daten	Alle Formate, ungeprüft	Strukturiert, aufbereitet	Alle Formate, in Schichten aufbereitet
Speicher	Dateien, günstig	Datenbank	Dateien in offenen Tabellenformaten, günstig
Verarbeitung	Spark, Skripte	SQL	SQL und Spark auf denselben Tabellen
Transaktionen und Versionen	Nein	Ja	Ja
Stärken	Rohdaten, Data Science	Kennzahlen, Berichte	Integration, Historie, Data Science und Berichte
Typisch im Krankenhaus	Archiv von Exporten	Controlling-Kennzahlen	Gemeinsame Datenbasis für Controlling, Steuerung und KI

Viele Plattformen kombinieren heute Lakehouse und Warehouse: In Microsoft Fabric speichern beide im Delta-Format im gemeinsamen Speicher OneLake. Das Lakehouse übernimmt Integration und Aufbereitung, das Warehouse die Kennzahlen für Controlling und Management – mehr dazu im Artikel Microsoft Fabric im Krankenhaus.

Wie funktioniert die Medallion-Architektur?

Kurze Antwort

Die Daten durchlaufen drei Schichten: Bronze (Rohdaten), Silver (bereinigt und verknüpft) und Gold (fachlich aufbereitet). Jede Schicht hat eine klare Aufgabe und Verantwortliche.

Schicht	Inhalt	Wer nutzt sie?
Bronze	Rohdaten, wie sie aus den Quellsystemen kommen, mit Ladezeitpunkt	Data Engineers zur Fehlersuche und Nachverarbeitung
Silver	Bereinigte, vereinheitlichte und verknüpfte Daten, z. B. ein Fall mit allen Bewegungen	Analysten, Data Science
Gold	Fachliche Tabellen und Kennzahlen, z. B. Belegung je Station und Tag	Power-BI-Berichte, Controlling, KI-Modelle

Ein Beispiel: der Weg der Belegungsdaten

Kurze Antwort

Aus einzelnen Aufnahme-, Verlegungs- und Entlassungsereignissen im KIS wird über Bronze, Silver und Gold eine verlässliche Belegungskennzahl je Station und Tag – nachvollziehbar und mit vollständiger Historie.

Quelle: Das KIS erzeugt bei jeder Aufnahme, Verlegung und Entlassung ein Ereignis, etwa als HL7-v2-Nachricht (ADT) über die Integrationsplattform oder als Datenbankexport.
Bronze: Die Ereignisse werden unverändert mit Ladezeitpunkt gespeichert. Korrekturen im KIS – etwa eine nachträglich geänderte Verlegungszeit – kommen als neue Ereignisse hinzu; nichts wird überschrieben.
Silver: Ein Datenpipeline-Schritt bereinigt die Daten: doppelte Nachrichten entfernen, Stationen und Fachabteilungen auf einen einheitlichen Katalog abbilden, Stornos berücksichtigen und je Fall eine saubere Abfolge von Aufenthalten bilden. Patientenbezogene Merkmale, die für die Auswertung nicht nötig sind, werden pseudonymisiert oder entfernt.
Gold: Daraus entstehen fachliche Tabellen wie „Belegung je Station und Tag“, „Verweildauer je Fall“ oder „Aufnahmen je Wochentag“ – mit einer festgelegten Definition, etwa zu welchem Stichzeitpunkt ein Bett als belegt gilt.
Nutzung: Ein Power-BI-Bericht liest die Gold-Tabellen direkt, das Belegungsmanagement sieht die aktuelle Lage, das Controlling die Entwicklung über Jahre. Ein Prognosemodell nutzt dieselben Daten für die Vorhersage der nächsten Tage – siehe Predictive Analytics im Krankenhaus.

Weil die Rohdaten erhalten bleiben, lässt sich jede Kennzahl bis zum Ursprung zurückverfolgen. Ändert sich eine Definition, wird die Gold-Schicht neu berechnet – ohne die Daten erneut aus dem KIS zu laden.

Wann lohnt sich ein Lakehouse für Krankenhäuser?

Kurze Antwort

Wenn viele Quellen zusammengeführt, große Datenmengen über Jahre historisiert oder Prognosen und KI-Anwendungen aufgebaut werden sollen. Für einige Controlling-Berichte aus wenigen Systemen reicht oft ein klassisches Data Warehouse.

Lakehouse lohnt sich, wenn …	Ein Data Warehouse genügt, wenn …
Daten aus vielen Systemen kommen (KIS, ERP, Dienstplan, Labor, Medizingeräte)	wenige, gut strukturierte Quellen ausgewertet werden
Nachrichten-, Geräte- oder Textdaten verarbeitet werden sollen	nur tabellarische Daten anfallen
eine lange Historie für Vergleiche und Prognosen gebraucht wird	Monats- und Jahresberichte im Vordergrund stehen
Data Science und KI geplant sind	Berichte und Kennzahlen das Ziel sind
mehrere Häuser eines Verbunds eine gemeinsame Datenbasis brauchen	ein einzelnes Haus seine Kennzahlen steuert

Ob dafür Microsoft Fabric oder eine bestehende Power-BI-Umgebung die bessere Wahl ist, beschreibt die Entscheidungshilfe Power BI oder Microsoft Fabric.

Worauf kommt es beim Aufbau an?

Mit einem Anwendungsfall beginnen: etwa Belegung oder Controlling, nicht mit „allen Daten“.
Datenschutz vor dem ersten Ladevorgang klären: Welche Daten dürfen in welcher Form in die Plattform? Pseudonymisierung, Berechtigungen, Speicherregion, Auftragsverarbeitung und Datenschutz-Folgenabschätzung.
Schichten und Verantwortliche festlegen: Wer verantwortet Bronze, Silver und Gold? Wer definiert Kennzahlen?
Datenqualität messbar machen: Prüfregeln je Schicht, etwa für Vollständigkeit, Dubletten und Plausibilität.
Offene Formate nutzen: Delta Lake oder Iceberg halten den Weg zu anderen Werkzeugen offen.
Kosten im Blick behalten: Rechenleistung entsteht beim Verarbeiten; Ladeläufe sinnvoll planen und Kapazitäten überwachen.
Team befähigen: Data Engineers, Analysten und Fachbereiche brauchen unterschiedliche Kenntnisse – siehe Schulungen unten.

Fazit

Ein Lakehouse verbindet die Flexibilität eines Data Lake mit der Verlässlichkeit eines Data Warehouse. Für Krankenhäuser ist es vor allem dann ein Gewinn, wenn viele Quellen, lange Historien und KI-Vorhaben zusammenkommen. Entscheidend sind nicht die Werkzeuge, sondern eine klare Schichtenarchitektur, abgestimmte Kennzahlen und ein Datenschutzkonzept, das von Anfang an mitläuft.

Bei Architektur, Pilot und Einführung unterstützen wir Sie – mehr auf der Seite Microsoft Fabric für Krankenhäuser: Beratung und Schulung.

Quellen

Was ist ein Lakehouse in Microsoft Fabric? Microsoft Learn.
Medallion-Lakehouse-Architektur in Microsoft Fabric Microsoft Learn.
Delta Lake. Linux Foundation, Projektseite.
Apache Iceberg. Apache Software Foundation, Projektseite.
Verordnung (EU) 2016/679 (DSGVO). Art. 9 und 35.

Passende Schulungen

Vertiefen Sie das Thema mit Ihrem Team – im offenen Seminar oder als Inhouse-Schulung.

Was ist ein Lakehouse? Erklärt am Beispiel von Klinikdaten

Wie ist das Lakehouse entstanden?

Wie unterscheiden sich Lakehouse, Data Warehouse und Data Lake?

Wie funktioniert die Medallion-Architektur?

Ein Beispiel: der Weg der Belegungsdaten

Wann lohnt sich ein Lakehouse für Krankenhäuser?

Worauf kommt es beim Aufbau an?

Fazit

Quellen

Passende Schulungen

Häufige Fragen

Lassen Sie uns über Ihr Projekt sprechen.