Was ist die Ontology in Fabric IQ?

Als IT-Leiter stehst Du vor der Aufgabe, Datenplattform, Fachbereiche und KI-Initiativen so zu orchestrieren, dass am Ende verlässliche Entscheidungen und Automatisierung entstehen – ohne dass jede Abfrage über die IT laufen muss. Genau hier setzt die Fabric IQ Ontology an: Sie liefert die gemeinsame Geschäftssprache, mit der Menschen und KI dieselben Begriffe, Regeln und Ziele verstehen – statt sich in Tabellen, Spaltennamen und Einzelsichten zu verlieren.

In diesem Artikel zeigen wir, was die Ontology in Fabric IQ konkret ist, wie sie sich von klassischen Datenmodellen unterscheidet und welchen praktischen Nutzen sie für Dich, Deine Fachbereiche und Eure KI-Vorhaben hat.

Fabric IQ Ontology in einem Satz: das Geschäftsmodell statt nur Datenmodell

Die Fabric IQ Ontology ist ein zentrales Geschäftsmodell, das Entitäten wie Kunde, Auftrag, Maschine, Standort, Sensor mit ihren Beziehungen, Eigenschaften, Regeln und Zielen beschreibt – und diese Begriffe direkt mit den realen Daten in OneLake verbindet. Statt dass Nutzer mühselig Tabellen und Joins verstehen müssen, arbeiten sie mit klar benannten Geschäftseinheiten, die der Realität im Unternehmen entsprechen.

Technisch liegt die Ontology oberhalb der Lakehouse-, Eventhouse- und bestehenden Power-BI-Semantikmodelle und „hebt“ diese Daten auf eine Geschäftsebene. Praktisch bedeutet das: Fachanwender sprechen von Aufträgen, Lieferungen oder Ausfällen – und die Plattform weiß, welche Tabellen und Felder dahinterstehen.

Warum ist die Fabric IQ Ontology für IT-Leiter relevant?

Als IT-Verantwortlicher adressierst Du mit der Fabric IQ Ontology gleich mehrere Dauerprobleme:

• Einheitliche Begriffe statt Kennzahlen-Wildwuchs: Die Ontology definiert zentral, was ein Auftrag, ein aktiver Kunde, ein verspäteter Transport oder ein SLA-Verstoß ist. Das reduziert Diskussionen über „wessen Kennzahl stimmt“ und entlastet IT und Controlling.
• Weniger Abhängigkeit von IT bei Analysen: Fachbereiche können in Power BI, Excel oder über KI-gestützte Data Agents mit Geschäftskonzepten arbeiten, statt jedes Mal Datenmodelle anfragen zu müssen. Du behältst Governance, die Fachbereiche gewinnen Tempo.
• Solide Basis für KI und Automatisierung: KI-Agenten in Fabric greifen auf dieselbe Ontology zu. Sie „kennen“ damit Eure Geschäftsobjekte, Regeln und Ziele und können Entscheidungen nicht nur mathematisch, sondern fachlich nachvollziehbar treffen.
• Governance über Domänen hinweg: In einer verteilten Datenlandschaft mit Domain-Teams und Self-Service-Ansätzen bleibt die Semantik trotzdem zentral steuerbar. Das erleichtert Audits, Compliance und das Onboarding neuer Datenprodukte.

Worin unterscheidet sich die Ontology von klassischen Datenmodellen?

Viele Organisationen haben heute bereits Power-BI-Modelle, Data Warehouses oder Data Marts. Die Fabric IQ Ontology geht einen Schritt weiter:

• Von Tabellen zu Geschäftseinheiten: Statt „SalesHeader“, „SalesLine“ und „DimCustomer“ gibt es aus Nutzersicht „Kunde“, „Auftrag“ und „Position“, inklusive definierter Beziehungen und fachlichen Regeln.
• Von Metriken zu Zielen und Regeln: In der Ontology werden nicht nur Felder beschrieben, sondern auch Geschäftsregeln (z. B. wann ein Auftrag als kritisch gilt) und Ziele (Lieferzeit, Marge, Auslastung). KI kann sich daran orientieren, statt nur Ist-Werte zu berechnen.
• Von Silo-Modellen zu einem unternehmensweiten Vokabular: Anstatt jede Domäne ihr eigenes Wording zu pflegen, bildet die Fabric IQ Ontology ein wiederverwendbares, versioniertes Unternehmensvokabular, das über Domänen und Datenquellen hinweg gilt.

Praxisbeispiel: Von IoT-Daten zum handlungsfähigen KI-Agenten

In vielen unserer Projekte sehen wir ähnliche Ausgangslagen: Ein Produktionsunternehmen hat IoT-Sensordaten, Auftragsdaten aus ERP, Lieferinformationen aus einem Logistiksystem und Serviceaufträge im CRM. Fachlich geht es um eine einfache Frage: „Welche kritischen Kundenaufträge sind durch Maschinenstörungen oder Lieferengpässe gefährdet – und was sollen wir dagegen tun?“

Mit klassischer BI würde das bedeuten: mehrere Modelle verbinden, Reports bauen, Alarme definieren und in Meetings Entscheidungen diskutieren. Mit der Fabric IQ Ontology läuft es anders:

• Die Ontology definiert zentrale Entitäten wie Auftrag, Maschine, Sensor, Lieferung und Kunde sowie Beziehungen wie „Maschine produziert Auftrag“ oder „Lieferung gehört zu Auftrag“.
• IoT-, ERP- und Logistikdaten werden in OneLake als Quellen angebunden und über Bindungen mit diesen Entitäten verknüpft.
• Regeln in der Ontology legen fest, wann ein Auftrag „kritisch“ ist (z. B. hoher Kundenwert, naher Liefertermin, definierte SLA).
• Ein KI-basierter Operations Agent in Fabric nutzt diese Ontology, überwacht kontinuierlich die relevanten Datenströme, erkennt kritische Situationen und schlägt konkrete Maßnahmen vor (z. B. Umplanung auf andere Maschine, Priorisierung von Transporten oder Kundeninformation).

Der Nutzen: Fachbereiche sprechen in natürlicher Sprache über Aufträge und Maschinen, der Agent arbeitet dennoch auf sauberen, semantisch definierten Gold-Daten. Die IT stellt nicht mehr jeden einzelnen Report bereit, sondern die Plattform, die solche Use Cases skaliert.

Schlüsselmehrwerte der Fabric IQ Ontology für Dein Unternehmen

• Schnellere, konsistente Entscheidungen: Alle Beteiligten – Menschen und KI – nutzen dieselbe, klar definierte Geschäftssprache. Das beschleunigt Analysen und senkt das Risiko widersprüchlicher Reports.
• Vertrauen in KI-Ergebnisse: Weil Regeln, Ziele und Beziehungen explizit in der Ontology hinterlegt sind, lassen sich KI-Entscheidungen besser erklären und prüfen. Das erhöht die Akzeptanz im Management.
• Mehr Wert aus bestehenden BI-Investitionen: Vorhandene Power-BI-Modelle lassen sich in die Ontology überführen und anreichern. Du baust auf dem Bestehenden auf, statt alles neu aufzusetzen.
• Domänenübergreifende Szenarien: Durch den Graph-Ansatz können komplexe Ketten wie „Auftrag → Lieferung → Temperatur-Sensor → Kühlkettenbruch“ modelliert und über mehrere Systeme hinweg analysiert werden – ohne dass jede Abhängigkeit in SQL nachgebaut werden muss.
• Entlastete IT durch Self-Service auf hohem Niveau: Fachanwender nutzen in Power BI, Excel oder mit Data Agents die semantische Schicht, die Du über die Ontology bereitstellst. Du kontrollierst Qualität und Sicherheit, die Fachbereiche gewinnen Autonomie.