funnel.io 2026: Wo es im Modern Data Stack sitzt, und was es kostet

Was funnel.io eigentlich macht

Wer kennt das nicht? Marketing zieht Daten manuell aus Google Ads, Meta, TikTok, LinkedIn, Pinterest, Klaviyo, dem Shopify-Backend, dem CRM. 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.

Das ist die Geschichte fast jedes Marketing-Teams ab einer gewissen Größe. Und funnel.io ist eine der populärsten Antworten: ein Marketing Data Hub, der Konnektoren zu 500+ 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 jede Plattform schickt ihre Pakete einzeln, 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 gibt euch 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.

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: 500+ 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 eure AI-Tools (Looker Studio Gemini, Power BI Copilot, eigene RAG-Agents) konsumieren, bereits harmonisiert. Kein „garbage in, garbage out" aus rohen Connector-Dumps.

Bei einem Retail-Netzwerk mit mehreren Standorten haben wir genau diesen Fall gesehen. Reporting lief bisher manuell aus drei bis vier Datenquellen. Excel, manuelle Exports, jeden Monat dieselbe Schlacht. Nach der Anbindung an einen zentralen Marketing Data Hub war das Reporting vollautomatisch, der Aufwand sank von Tagen auf Minuten pro Monat. Ob funnel.io oder ein vergleichbares Tool, der Unterschied war die Konsolidierung, nicht der spezifische 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 keine exakten Preise, jeder Vertrag wird verhandelt. Bekannte Startpreise beginnen bei ~1.500 €/Monat, Lizenzen skalieren in den fünfstelligen Bereich für Enterprise-Setups. Der Slider unten gibt die Größenordnung für eure Spend- und Connector-Anzahl basierend auf Audit-Erfahrung.

Die gezeigten Zahlen sind Schätzungen, keine Angebote. Funnel verhandelt immer pro Account, typisch ±25 % Spielraum. Stabil ist die Tier-Form: Lite für sub-5 Konnektoren, Business für die 5–20er Mid-Band, Enterprise sobald ihr 20 Konnektoren oder 300k €/Monat Spend überschreitet.

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.

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. Meta CAPI + Conversions API funktionieren 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:

Disclosure

Wir sind seit 2024 deklarierter funnel.io-Partner. Der Status bringt uns Zugang zu Roadmap-Calls und gelegentlich Promo-Codes für Discovery-Kunden, aber keine Provision für vermittelte Lizenzen. funnel.io ist im Impressum als deklarierte Partnerschaft aufgeführt.

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 macht Sinn.
• 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.

Steht ein Marketing-Hub-Setup an? Audit Sprint anfragen →, ab 1.500 € · 2 Wochen Turnaround.