Denken in Tabellen | Daten-WG Podcast mit Jasmin Simader

Flat Table oder Sternschema – warum prallen hier eigentlich
Welten aufeinander?


In dieser Folge sprechen wir über ein Thema, das in fast jedem
Analytics-Projekt früher oder später eskaliert:
Datenmodellierung.





Ausgehend von einem echten Projekt mit Databricks und Power BI
diskutieren wir, warum flache Tabellen für viele „einfacher“
wirken, warum Sternschemata trotzdem ihre Stärken haben und
weshalb diese Diskussion oft weniger technisch ist, als sie
scheint. Es geht um Prägung durch Excel, unterschiedliche
Tech-Stacks, Self-Service-Versprechen, Performance-Mythen,
Speicherplatz, Kosten – und darum, warum saubere Modelle vor
allem eines bringen: weniger Schmerzen beim Arbeiten mit Daten.





Keine Dogmen, kein „richtig oder falsch“, sondern ehrliche
Erfahrungen aus der Praxis.


Und am Ende die Frage: Wann ist Flat Table okay – und wann wird
sie zur Sackgasse?





00:27 Ausgangslage: Flat Table aus Databricks


01:01 Konfliktmoment: „Flat Table war doch einfacher“ vs.
Sternschema


01:44 Prägung/Tech-Stack: Analysis Services/OLAP vs. alles im DWH
vorberechnen


04:19 Praxisargument: Views/Joins, Tool-Kompatibilität,
Fachanwender brauchen “breite Tabelle”


06:50 Excel-Prägung & Self-Service: müssen Fachbereiche
„kleine Entwickler“ werden?


08:37 Sternschema-Aha: bessere Filterlogik, Granularitäten,
weniger Excel-Schmerz


17:12 Realitätscheck: Benchmarks/Testdaten vs. echte Daten + wann
Flat Table „reicht“


31:45 Kosten/Limits & Wrap-up: Pro/Premium, On-Prem Limits,
Service-Restriktionen + Outro





Jasmin Simader: https://www.linkedin.com/in/jasmin-simader


Artur König: https://www.linkedin.com/in/datakoenigartur


Ulrik Harnisch: https://www.linkedin.com/in/ulrik-harnisch


Marcus Wegener: https://www.linkedin.com/in/marcuswegener/


was wir sonst so machen: https://www.daten-wg.com/