Quicklinks

    Was ist Source-to-Target Mapping?

    Beim Source-to-Target Mapping (STM), manchmal auch Quell-Ziel-Mapping genannt, wird dokumentiert, wie Datenfelder aus einem oder mehreren Quellsystemen Feldern in einem Zielsystem entsprechen. Es hilft Teams dabei, genau zu sehen, welche Daten verschoben werden, wie sie transformiert werden und wie sie in Berichten, Analysen oder nachgelagerten Anwendungen verwendet werden.

    Erweiterte Definition

    In den meisten Unternehmen bleiben Daten nicht dort, wo sie entstehen. Sie durchlaufen mehrere Systeme wie CRM, ERP, Abrechnung, Marketing und Finanzen und gelangen schließlich in Cloud Data Warehouses, Data Lakes und Analyseplattformen.

    Source-to-Target Mapping bietet einen detaillierten Plan dafür, wie Daten von einer Umgebung in eine andere verschoben werden. Es vermittelt den Teams ein gemeinsames Verständnis dieser Bewegung auf Feldebene und zeigt auf, wo jedes Feld seinen Ursprung hat, welche Regeln es verändern und welchen Zweck seine endgültige Form hat.

    Zu den gängigen Elementen eines Source-to-Target Mapping gehören:

    • Quellfeldnamen, Datentypen und Definitionen
    • Umwandlungslogik, wie Geschäftsregeln, Berechnungen oder Bereinigungsschritte
    • Zieltabelle und Felddefinitionen
    • Validierungsprüfungen und Einschränkungen
    • Hinweise zu Verantwortlichkeiten und Änderungsmanagement

    Source-to-Target Mapping begrenzt nicht nur den Nachbearbeitungsaufwand bei Integrations- und Berichtsprojekten, sondern spielt auch eine zentrale Rolle bei Data Governance und Datenverlauf, wo es Data Analysts, Auditor:innen und Regulator:innen hilft, zu verstehen, wie kritische Daten beschafft, umgewandelt und im Laufe der Zeit gepflegt werden.

    Gartner weist darauf hin, dass „Unternehmen Schwierigkeiten haben zu verstehen, wie und wohin Daten fließen, was sich nachhaltig auf den Geschäftsbetrieb auswirken kann. D&A-Verantwortliche sollten Best Practices für den Datenverlauf nutzen, um die Governance zu verbessern, die Entscheidungsfindung zu optimieren und die Einhaltung gesetzlicher Vorschriften sicherzustellen.“

    McKinsey kommt zu dem Schluss, dass generative KI den Bedarf an Daten-Mapping erhöht hat, indem sie eine „Flut unstrukturierter Daten“ freisetzt, und dass sich Datenverantwortliche darauf konzentrieren müssen, „die Zeit zu investieren, um zu ermitteln, welche Teile unstrukturierter Daten benötigt werden, um Geschäftsprioritäten und kritische Datenprodukte bestmöglich zu erreichen.“

    Mit der zunehmenden digitalen Transformation in datengetriebenen Unternehmen wird auch die Nachfrage nach Tools fürs Daten-Mapping weiter steigen. Congruence Market Insights geht davon aus, dass der globale Markt für Datenzuordnungssoftware zwischen 2025 und 2032 jährlich um 8,1 % wachsen und 695,4 Millionen US-Dollar erreichen wird.

    Wie Source-to-Target Mapping in Unternehmen und Daten angewendet wird

    Source-to-Target Mapping ist ein strategischer Wegbereiter für zuverlässige Analysen: Teams erstellen Source-to-Target Mapping nicht um ihrer selbst willen, sondern nutzen sie, um sicherzustellen, dass geschäftskritische Arbeiten auf sauberen, vertrauenswürdigen und gut verständlichen Daten basieren. Die Verantwortung wird in der Regel von Data-Engineering-, Analyse- und Governance-Teams geteilt, wobei Fachbereiche die Definitionen validieren, um sicherzustellen, dass die Zuordnung sowohl aktuelle als auch zukünftige Use Cases unterstützt.

    Um wirksam zu sein, muss ein Mapping so detailliert sein, dass eine neue Analystin oder ein neuer Engineer eine Pipeline ohne Unklarheiten implementieren oder Fehler beheben kann – mit klar definierten Feldzuordnungen, Transformationsregeln und abgestimmten fachlichen Definitionen.

    Hier sind einige gängige Methoden, wie Source-to-Target Mapping in Unternehmen verwendet wird:

    • Datenmigrationen und -modernisierungen: Definieren, wie alte Systeme neuen Systemen zugeordnet werden, um das Fehlerrisiko beim Wechsel vom Altsystem zur neuen Umgebung zu reduzieren und die Berichterstellung während Cloud- oder Plattformübergängen konsistent zu halten.
    • Unternehmens-Reporting und Business Intelligence (BI): Helfen BI-Teams zu verstehen, welche Quellfelder KPIs und Metriken unterstützen, damit Dashboards genau und aufeinander abgestimmt bleiben.
    • Datenintegration über Geschäftsbereiche hinweg: Bieten Teams ein gemeinsames Regelwerk zur Standardisierung und Harmonisierung von Daten, bevor sie in Analyse- oder Planungs-Tools verwendet werden.
    • Initiativen zu Regulierung, Prüfung und Compliance: Dokumentieren, woher sensible Daten stammen, wie sie umgewandelt werden und wohin sie fließen, damit Unternehmen regulatorische und Audit-Anforderungen erfüllen können.
    • Self-Service Analyticsund Automatisierung: Stellen sicher, dass kuratierte Datasets und verwaltete Ebenen auf vertrauenswürdigen, konsistent definierten Daten basieren und nicht auf einmaligen, ungeplanten Extrakten.

    Alteryx optimiert das Source-to-Target-Mapping, indem statische Zuordnungsdokumente in automatisierte, geregelte Workflows überführt werden, die visuell erfassen, wie Daten umgewandelt und bereitgestellt werden. Dadurch wird STM leichter verständlich, wartbar und teamübergreifend nutzbar, während gleichzeitig Dokumentation und Ausführung aufeinander abgestimmt bleiben.

    So funktioniert Source-to-Target Mapping

    Unternehmen verwenden Source-to-Target Mapping als Leitfaden bei Migrationen, Systemintegrationen und dem Aufbau von Analyselösungen. Es vermittelt Data Analysts, Data Engineers und Geschäftsanwender:innen ein gemeinsames Verständnis davon, woher Daten stammen und wie sie geformt werden, um Berichterstellung, Modellierung und Analytics Automation zu unterstützen.

    Die Schritte im Source-to-Target Mapping:

    1. Profilierung und Inventarisierung von Quelldaten: Das Team identifiziert relevante Datenquellsysteme wie CRM, ERP und Abrechnung und erfasst Tabellen, Felder, Datentypen und grundlegende Profilierungsdetails wie Wertebereiche und die Häufigkeit leerer oder fehlender Werte.
    2. Definition von Zielstrukturen und Geschäftsanforderungen: Stakeholder entscheiden, wie die endgültigen Daten organisiert werden sollen – ob in Warehouse-Tabellen oder analysebereiten Datasets – und skizzieren die erforderlichen Metriken, Felder und Geschäftsdefinitionen, damit alle Beteiligten ein gemeinsames Verständnis darüber haben, was die Daten leisten müssen.
    3. Erstellung von Zuordnungen auf Feldebene: Für jedes Feld im Zielsystem identifiziert das Team das Quellfeld, aus dem es stammt, und notiert alle Schritte, die zur Kombination oder Anreicherung der Daten erforderlich sind – wie das Abrufen verwandter Werte aus einer anderen Tabelle oder das Abgleichen von Datensätzen aus verschiedenen Systemen – sowie Regeln wie das Ändern von Datentypen, das Bereinigen von Werten, das Standardisieren von Formaten, das Zusammenfassen von Daten oder das Erstellen neuer berechneter Felder.
    4. Regeln zur Dokumentenvalidierung und -qualität: Die Zuordnung beschreibt Prüfungen, die die Korrektheit der Daten sicherstellen. Dazu gehören die Validierung von Tabellenbeziehungen, die Bestätigung erforderlicher Felder und Wertebereiche sowie die Festlegung, wie Fehler behandelt werden sollen, damit Teams Probleme schnell identifizieren und beheben können.
    5. Implementieren von Zuordnungen in ETL/ELT-Workflows: Data Engineers und Data Analysts wandeln die dokumentierten Zuordnungen in automatisierte Daten-Workflows oder Pipelines um, um sicherzustellen, dass die von ihnen erstellte Logik mit den Vorgaben im STM übereinstimmt.
    6. Testen, iterieren und freigeben: Muster- und Produktionsdaten werden durch die Pipeline geleitet, die Ergebnisse mit den Erwartungen verglichen, und die Beteiligten überprüfen, ob die resultierenden Daten ihren Berichts- und Analyseanforderungen entsprechen.
    7. Kontinuierliche Pflege und Steuerung: Bei Änderungen von Systemen, Definitionen oder Vorschriften, aktualisieren Teams das Mapping und ihre Workflows durch einen kontrollierten Prüf- und Genehmigungsprozess, um sicherzustellen, dass alles projektübergreifend konsistent bleibt.

    Anwendungsfälle

    Teams verwenden Source-to-Target Mapping für Aufgaben wie die folgenden:

    • Kombination von Kundendatensätzen aus verschiedenen CRMs zu einer vollständigen, analysefähigen Kundenansicht
    • Konvertieren von Webanalyse-Ereignissen in ein konsistentes Format, das Marketing-Attribution unterstützt
    • Standardisierung von Produkthierarchien aus mehreren Bestellsystemen in eine einzige Berichtsstruktur
    • Umwandlung von Rohdaten aus Transaktionen in zusammenfassende Tabellen für monatliche, vierteljährliche und jährliche Berichte für Finanzen und Betrieb

    Branchenbeispiele

    Hier sind einige Beispiele dafür, wie Source-to-Target Mapping in verschiedenen Sektoren angewendet wird:

    • Finanzdienstleistungen: Zuordnung von Transaktions-, Konto- und Risikodaten in regulierte Berichtsvorlagen und Stresstest-Modelle
    • Einzelhandel und E-Commerce: Harmonisierung von SKU-, Bestands- und Verkaufsdaten aus Geschäften und digitalen Kanälen zu einheitlichen Leistungs-Dashboards
    • Fertigung und Logistik: Zuordnung von Sensor-, Produktions- und Logistikdaten in Modelle zur Unterstützung vorausschauender Wartung und Optimierung der Lieferkette
    • Öffentlicher Sektor: Integration von Daten aus mehreren Behörden oder Abteilungen in gemeinsame Plattformen für Transparenz, Leistungsmessung und Bereitstellung von Bürgerdiensten

    Häufig gestellte Fragen

    Warum ist Source-to-Target Mapping wichtig? Source-to-Target Mapping ist unerlässlich, da es eine einzige, verlässliche Referenz dafür schafft, wie Daten systemübergreifend fließen und transformiert werden. Ohne sie können Teams inkonsistente Annahmen über Definitionen, Umwandlungsregeln oder Feldherkünfte treffen, was zu Diskrepanzen in der Berichterstattung, Audit-Problemen und Nacharbeiten führt.

    Ist Source-to-Target Mapping nur für große Unternehmen geeignet? Jedes Unternehmen, das Daten aus mehreren Systemen integriert oder auf wiederkehrende Berichterstellung und Analysen angewiesen ist, kann von Source-to-Target Mapping profitieren. Auch kleinere Teams profitieren von klaren, dokumentierten Zuordnungen, da sie Nacharbeiten reduzieren, Missverständnisse vermeiden und eine wiederholbare Grundlage für steigende Datenanforderungen schaffen.

    Was ist der Unterschied zwischen Source-to-Target Mapping und Datenverlauf? Source-to-Target Mapping beschreibt die beabsichtigten Beziehungen und die Transformationen zwischen Quell- und Zielfeldern. Der Datenverlauf zeigt die tatsächlichen Pfade, die Daten durch Systeme und Prozesse nehmen. Sie ergänzen sich gegenseitig und sorgen für volle Transparenz.

    Weitere Ressourcen

    Quellen und Referenzen

    Synonyme

    • Datenzuordnung
    • ETL/ELT-Mapping
    • Feldzuordnung
    • Transformationszuordnung
    • Zuordnungsspezifikation

    Dazugehörige Begriffe

     

    Zuletzt überprüft:

    Dezember 2025

    Alteryx Redaktionsstandards und Überprüfung

    Dieser Glossareintrag wurde vom Alteryx Content-Team erstellt und auf Klarheit, Genauigkeit und Übereinstimmung mit unserem Fachwissen in Data Analytics Automation überprüft.