Was funnel.io eigentlich macht
Google Ads, Meta, TikTok, LinkedIn, Pinterest, Klaviyo, das Shopify-Backend, das CRM. Alles von Hand gezogen, jeden Montag dieselbe Excel-Schlacht. Jemand sagt „können wir das nicht automatisieren?“, und drei Wochen später kommt jemand mit einem Tool-Pitch, das 2.000 €/Monat kostet.
Ab einer gewissen Größe hat das jedes Marketing-Team. Und funnel.io ist eine der populärsten Antworten: ein Marketing Data Hub, der Konnektoren zu 600+ Quellen mitbringt und die Daten in BigQuery, ein BI-Tool, oder als fertigen Report bereitstellt, ohne dass jemand Python schreiben muss.
funnel.io ist wie ein Zoll-Sammelpunkt für Marketing-Daten. Statt dass jede Plattform ihre Pakete einzeln schickt, gehen alle erst durch funnel.io, werden sortiert, vereinheitlicht und gehen dann konsolidiert weiter. Die Frage ist nur: wann lohnt sich der Sammelpunkt, und wann nicht.
Architektur im Modern Data Stack
2026 ist die Frage nicht nur „können wir die Daten ingesten“, sondern „in welcher Form kommen sie am AI-/BI-Layer an“. Funnel sitzt zwischen den Source-APIs und dem Warehouse und lässt Ihnen die Wahl: harmonisieren in Funnel selbst (no-code, schnell) oder roh laden und mit dbt im Warehouse harmonisieren (versionierte SQL, Lineage). Beide Pfade landen in BigQuery oder Snowflake; der Unterschied ist, wo die Schema-Arbeit lebt.
Funnel harmonisiert die Schemas vor dem Schreiben, was im Warehouse landet, ist bereits einheitlich. Kürzester Pfad zur AI-/BI-Schicht, dafür Lock-in auf Funnels Mapping.
Warum das für AI-Readiness wichtig ist. Jeder AI-Agent oder RAG-Chatbot, den ihr auf Marketing-Daten loslasst, ist nur so gut wie das Schema darunter. Wenn Metas spend, Googles cost und TikToks total_cost_usd als separate Spalten mit eigenen Konventionen liegen, halluziniert das LLM einen Join oder kapituliert. Funnels Harmonisierung glättet das, dafür gehört das Mapping Funnel. dbt behält die Kontrolle beim Team und macht dieselbe Harmonisierung testbar.
Wann es sich lohnt
Drei klare Signale, dass funnel.io passt:
Mehr als 8 bis 10 aktive Werbe- und Marketing-Plattformen. Bei drei Plattformen schreibt ein Dev-Team Custom-Konnektoren in einer Woche. Bei zehn wird Wartung von Custom-Konnektoren zum Vollzeit-Job. Funnels Stärke ist die Breite: 600+ vorgefertigte Konnektoren, die mitwachsen wenn Plattformen ihre APIs ändern.
Keine Daten-Engineering-Kapazität intern. Wenn ihr keinen Data Engineer im Team habt, der Pipelines bauen und warten kann, ist funnel.io der schnelle Weg. Setup in 1 bis 2 Wochen, läuft danach mit minimalem Wartungsaufwand.
Time-to-Report unter einem Monat. Wenn die Geschäftsführung in 30 Tagen einen sauberen Cross-Channel-Performance-Report braucht und ihr nicht die Zeit habt, etwas Eigenes zu bauen, funnel.io ist die einzige realistische Option in dem Zeitfenster.
AI-/BI-Readiness vom ersten Tag an. Mit Funnel als ELT-Schicht sind die Daten, die Ihre KI-Tools (Data (Looker) Studio Gemini, Power BI Copilot, eigene RAG-Agents) konsumieren, bereits harmonisiert. Kein „garbage in, garbage out“ aus rohen Connector-Dumps.
In einem Retail-Projekt haben wir genau diesen Fall gesehen: vier Quellen, die niemand automatisiert zusammenbekam, weil jede ihr eigenes Schema für Spend, Klicks und Kampagnennamen mitbrachte. Die Ingest-Schicht war der Teil, der das gelöst hat, nicht das Dashboard darüber. Ob funnel.io oder ein vergleichbares Tool, der Unterschied lag in der Harmonisierung vor dem Warehouse, nicht im spezifischen Anbieter.
Wann es überteuert ist
Genauso ehrlich:
Unter 5 Werbe-Plattformen. Bei drei Plattformen (Google Ads, Meta, ein Shop) lohnt sich der Funnel-Aufpreis selten. Direct-Konnektoren in BigQuery (über Google Ads Data Transfer Service) oder ein einfacher Fivetran-Setup sind günstiger.
Niedriges Daten-Volumen. funnel.io rechnet Lizenz teilweise über Datenmenge ab. Bei kleinen Sites mit unter 100k Sessions/Monat zahlt ihr für eine Infrastruktur, deren Skalierungs-Vorteile ihr nicht braucht.
Schon vorhandenes Data-Engineering-Team. Wenn ihr einen Data Engineer im Team habt, der Pipelines schon baut, funnel.io ist dann ein Layer der Komplexität ohne klaren Mehrwert. Direktimport in BigQuery + dbt für Modellierung ist meist die saubere Antwort.
Pricing 2026
Funnel veröffentlicht seine Einstiegstarife inzwischen offen (Stand August 2026): Starter ab 300 USD/Monat bei jährlicher Zahlung mit 121 Konnektoren, Business ab 600 USD/Monat mit 579 Konnektoren, Enterprise auf Anfrage mit über 600. Was die Liste nicht zeigt: was den Preis oberhalb dieser Böden bewegt. Funnel schreibt „starts from“ und nennt keinen Treiber. Die Einordnung unten sagt deshalb, in welchem Tarif ihr landet und was dessen veröffentlichter Boden ist, statt eine Endsumme zu behaupten.
Welcher Tarif passt zu Ihrem Setup?
Funnel veröffentlicht Startpreise, aber nicht, was den Preis darüber hinaus bewegt. Diese Einordnung nennt deshalb den Tarif und seinen veröffentlichten Boden, keine Endsumme.
Empfehlung
Funnel Business
Veröffentlichter Start
ab 600 USD/Mon.
bei jährlicher Zahlung
Konnektoren im Tarif: 579
Warum
Der fast vollständige Katalog plus ausgewiesene Export-Ziele. Das ist der Tarif, sobald ein Warehouse dranhängt oder eine Quelle außerhalb der Top-121 liegt.
Was darüber hinaus zählt, verhandelt Funnel pro Account. Volumen, Zahl der Export-Ziele und Zusatzmodule wie Measurement gehen in den Endpreis ein.
Über den Listenpreis hinaus verhandelt Funnel pro Account. Volumen, Zahl der Export-Ziele und Zusatzmodule wie Measurement gehen in den Endpreis ein, veröffentlicht ist davon nichts. Stabil ist die Tier-Form: drei Stufen, gestaffelt nach Konnektor-Zugang statt nach Werbebudget. Starter deckt die 121 gängigsten Quellen ab, Business öffnet den fast vollständigen Katalog samt ausgewiesener Export-Ziele, Enterprise alles plus Vertragliches.
Alternativen. Custom-Pipelines, Supermetrics, Direct-Import
Drei Alternativen, die wir in der Praxis sehen:
Custom-Pipelines auf Fivetran + dbt. Fivetran ist ein Konkurrent von funnel.io im Backend-Sinne. Konnektoren zu vielen Plattformen, aber positioniert eher als Data-Engineering-Tool als als Marketing-Hub. Plus dbt für Datenmodellierung. Lohnt sich wenn ihr einen Data Engineer habt, dann oft günstiger als funnel.io und stärker in der Governance. Der strukturierte Vergleich mit Entscheidungsmatrix: funnel.io vs. Fivetran.
Supermetrics. Ein älterer Konkurrent, fokussiert auf Marketing-Dashboards. Stärken: Excel- und Looker-Studio-Integration ist sehr gut. Schwächen: weniger BigQuery-zentrisch, Skalierungs-Layer dünner als funnel.io. Für kleinere Marketing-Teams oft die günstigere Wahl.
Direct-Import in BigQuery. Google Ads Data Transfer Service ist kostenlos und liefert Google-Daten nativ. Die Meta Conversions API funktioniert ohne Marketing-Hub. Wenn ihr nur 3 bis 5 Plattformen habt und die alle native BigQuery-Konnektoren, dann ist das die günstigste Lösung. Aufwand: ein Data Engineer für 2 bis 3 Wochen Setup.
Funnel.io vs Supermetrics vs Fivetran: Wer ist 2026 besser?
Der ehrliche Entscheidungsbaum als If/Then-Liste:
- Wenn ihr unter 5 Werbe-Quellen habt und das Ziel ein Looker-Studio-/Power-BI-Dashboard ist (kein Warehouse), dann → Supermetrics. Meist am günstigsten und direktesten.
- Wenn ihr 5–10+ Werbe-Quellen habt, keinen Data Engineer und Daten in BigQuery für AI/BI braucht, dann → funnel.io. Der kanonische Sweet Spot.
- Wenn ihr einen Data Engineer habt und versionierte Modelle, Tests, Lineage wollt, besonders bei Multi-Domain-Daten (Marketing + Ops + Finance), dann → Fivetran + dbt.
- Wenn ihr nur 2–3 Google-native Quellen habt (Google Ads + GA4 + Search Console), dann → Direct-Import über den Google Ads Data Transfer Service. Kostenlos und Google-supported.
- Wenn AI-Agents oder RAG-Chatbots die Daten downstream konsumieren, dann funktioniert alles drei, aber Funnel und Fivetran+dbt liefern ein saubereres Schema als Supermetrics, das eher BI-first ist.
- Wenn Governance und Audit-Trail wichtig sind (Großkonzern, regulierte Branche), dann → Fivetran + dbt. Funnels Transformationen liegen in einer vendor-eigenen Mapping-Schicht, die schwerer zu auditieren ist.
Die Matrix unten erlaubt den Cross-Check nach Team-Profil:
Wer gewinnt für welches Team-Profil?
Profil oben antippen, die Tabelle hebt die empfohlene Spalte hervor und passt die Bewertungen auf den jeweiligen Use Case an.
Mehr als 10 Quellen, AI-/BI-Ambition auf BigQuery, oft Marketing + Sales kombiniert. Funnel.io ist der Sweet Spot: kein Engineering-Aufwand, aber Warehouse-tauglich.
Disclosure
Die Offenlegung steht im Bewertungsblock oben, aus derselben Datei wie der Score. Sie hier ein zweites Mal auszuschreiben ist genau der Weg, auf dem dieser Absatz zuletzt das Gegenteil der Integrationsseite behauptet hat.
Wir empfehlen funnel.io nicht reflexhaft. Bei kleineren Setups schlagen wir oft Fivetran + dbt oder Direct-Import vor. Diese Empfehlungen basieren auf operativer Erfahrung mit allen drei Wegen.
Konkrete Schritte
Drei Diagnose-Fragen, bevor ihr einen Marketing-Hub bestellt:
- Wie viele aktive Werbe- und Marketing-Plattformen habt ihr? Unter 5: kein Hub nötig, Direct-Konnektoren reichen. 5 bis 10: Supermetrics oder Lite-Variante von funnel.io. Über 10: voller Marketing-Hub lohnt sich.
- Habt ihr einen Data Engineer im Team oder Zugriff auf einen? Wenn ja: Fivetran + dbt ist meist günstiger und flexibler. Wenn nein: funnel.io spart die Personalkosten.
- Welches Volumen an Daten verarbeitet ihr monatlich? Unter 5 Mio. Rows aktiv genutzt: kleinste funnel-Tarife reichen. Über 50 Mio.: Lizenz wird signifikant, alternative Architekturen werden ökonomisch interessant.
Wenn ihr unsicher seid, welcher Setup zum Volumen passt: bei uns gibt's ein 30-Minuten-Discovery-Gespräch. Mehr zur Methodik gibt es auf der Modern Data Stack & Composable CDP Service-Seite.