Das renommierte Consulting-Unternehmen stieß mit seinem gewachsenen, relationalen Data Warehouse zunehmend an strukturelle Grenzen. Komplexe sowie redundante Strukturen, uneinheitliche Entwicklungsprozesse und die fehlende Trennung der Entwicklungsumgebungen bremsten die Datenbereitstellung und erschwerten Wartung und Weiterentwicklung. Die Architektur war funktional gewachsen, jedoch nicht konsequent standardisiert. In der Folge entstanden parallele Logiken und Prozessvarianten, die Transparenz und Nachvollziehbarkeit beeinträchtigten. Ziel war es daher, die Landschaft technisch zu konsolidieren, Entwicklungsprozesse zu vereinheitlichen, Ladezeiten zu verkürzen und neue Reporting- sowie Analytics-Anforderungen künftig schneller und verlässlicher umzusetzen. Gleichzeitig sollte die Plattform so ausgerichtet werden, dass sie auch zukünftige Advanced-Analytics- und KI-Szenarien strukturell unterstützt.

pmOne entwickelte eine moderne, skalierbare und cloud-native Datenplattform auf Basis eines Lakehouse-Ansatzes, der die Skalierbarkeit eines Data Lakes mit der Qualität und Performance eines Data Warehouses verbindet. Im Mittelpunkt stand die technische und strukturelle Konsolidierung der bestehenden Architektur. Die ELT-Prozesse wurden automatisiert: Databricks übernimmt das Laden der Rohdaten, DBT (Data Build Tool) sorgt für eine standardisierte und nachvollziehbare Transformation. Zusätzlich wurde eine klare Trennung der Entwicklungsumgebungen etabliert. Über Azure DevOps entstand ein strukturierter CI/CD-Workflow, der verbindliche Entwicklungsstandards definiert und Transparenz über Änderungen und Releases schafft. Diese technische Neuordnung legte zugleich die Grundlage für klarere Zuständigkeiten im Entwicklungsprozess und eine nachvollziehbare Weiterentwicklung der Datenmodelle. Governance-Aspekte wurden damit nicht isoliert eingeführt, sondern entwickelten sich im Zuge der Standardisierung mit.

Das Unternehmen nutzt heute eine leistungsstarke, skalierbare und einfach wartbare Plattform mit spürbar kürzeren Ladezeiten, höherer Datenqualität und einem deutlich höheren Automatisierungsgrad. Standardisierte Entwicklungsprozesse erhöhen zudem die Transparenz und Nachvollziehbarkeit entlang des Datenlebenszyklus. Ein weiterer zentraler Vorteil: Neue Use Cases lassen sich schneller realisieren und bestehende Modelle strukturiert weiterentwickeln. Die konsolidierte Architektur bildet zugleich eine zuverlässige Grundlage für weiterführende Analytics- und KI-Anwendungen. Damit ist die Plattform nicht nur technologisch modernisiert, sondern strukturell und langfristig auf wachsende Datenanforderungen vorbereitet.