datascale
DE EN
Kontakt

Stack

Tools, die wir einsetzen. Ehrlich und transparent.

Wir empfehlen, was wir selbst nutzen oder für Kunden produktiv aufbauen, und benennen die Tradeoffs ehrlich. Wo eine Partnership besteht, ist das offen deklariert, inklusive Provisionsmodell.

EU-first für DACH

Wo Ihre Daten leben.

Default-Stack für DACH-Kunden, sieben Schichten von Consent bis Aktivierung. Filter nach Trust-Kategorie, um zu sehen, wo Ihre eigenen Tools einsortiert sind.

collect

  1. CMP

    Usercentrics

    München · EU

    EU-native

    ?

  2. Tagging

    sGTM · stape.io

    Frankfurt · EU

    EU-native

    ?

  3. Analytics

    GA4

    via sGTM · EU

    EU-konfigurierbar

    ?

visualize

  1. BI

    Power BI (EU-Tenant)

    Frankfurt · EU

    EU-konfigurierbar

    ?

activate

  1. Aktivierung

    Hightouch

    US · managed

    US mit SCCs

    ?

Fundament · unter allen Stufen

  1. Warehouse

    BigQuery

    europe-west3

    EU-native

    ?

  2. Modeling

    dbt

    läuft am Warehouse

    EU-konfigurierbar

    ?

Auch unterstützt:

  • Cookiebot
    ?
  • OneTrust
    ?
  • Plausible CE
    ?
  • Matomo
    ?
  • Snowflake
    ?
  • Data (Looker) Studio
    ?
  • Census
    ?
  • RudderStack
    ?
  • funnel.io
    ?

Diagramm: Datascale-Default-Stack für DACH-Kunden. Bei internationalen Projekten passen wir an. Stand Jun 2026.

Referenz-Architekturen

So sieht ein echter Stack aus.

Drei typische Setups, die wir bauen, mit den konkreten Tools auf jeder Schicht. Kein Tool steht für sich, der Wert liegt im sauberen Datenfluss von der Quelle bis zur Aktivierung.

Shopify-Shop, hoher Paid-Anteil. Das Conversion-Tracking muss ITP und Adblocker überstehen, sonst optimieren Meta und Google auf Lücken.

  1. Quelle

    Shopify

    Webshop

  2. Sammlung

    sGTM via stape.io

    Frankfurt · EU

  3. Speicher

    BigQuery

    europe-west3

  4. Modell

    dbt

  5. Reporting

    Data (Looker) Studio

    Power BI

  6. Aktivierung

    Meta CAPI

    Google Ads

Beispiel-Architekturen, kein Pflicht-Setup. Pro Projekt passen wir an. Stand Jun 2026.

Filter
57 von 57 Tools
Tool Setzen wir ein. Integration Bauen wir produktiv auf. Partner Zertifiziert · offen deklariert.

Erfassung & Tracking

Server-Side & Tag Management

Wir bauen das Measurement & Privacy Engineering →

Event Collection & CDI

Wir bauen das Modern Data Stack & Composable CDP →Measurement & Privacy Engineering →

Analytics

Web & Marketing Analytics

Wir bauen das Measurement & Privacy Engineering →

Product Analytics

Qualitative & Behavior

Ingestion

Wir bauen das Modern Data Stack & Composable CDP →

Storage & Modeling

Data Warehouse

Wir bauen das Modern Data Stack & Composable CDP →

Transformation

Orchestrierung & Scheduling

Wir bauen das Modern Data Stack & Composable CDP →

Reliability & Governance

Data Observability & Quality

Wir bauen das Data Reliability & Governance →

Data Catalog & Metadaten-Governance

Wir bauen das Data Reliability & Governance →

BI & Dashboards

Measurement

Privacy hat Attribution gebrochen, nicht Messung.

Privacy hat Multi-Touch-Attribution gebrochen, nicht Messung. Safari ITP, iOS ATT und Consent-Flows haben die Identitäts-Abdeckung von MTA von über 90% auf grob 30 bis 60% gedrückt. Die Antwort 2026 ist kein einzelnes Tool, sondern ein geschichteter Mess-Stack: MMM als strategisches Rückgrat, validiert durch Incrementality-Tests auf den größten Kanälen, mit Attribution nur noch als Richtungssignal für die laufende Optimierung. Darunter liegen First-Party-Event-Collection und ein Warehouse als Golden Record, auf dem eine Composable CDP aktiviert. Das ist Marketing Engineering. Es deckt sich exakt mit unserem warehouse-zentrierten, self-hosted Default.

Wir bauen das Measurement & Privacy Engineering →

Experimentation

Wir bauen das Experimentation & Conversion Intelligence →

Activation & Lifecycle

Activation & Composable CDP

Wir bauen das Modern Data Stack & Composable CDP →

Marketing Automation & Lifecycle

Wir bauen das Revenue Intelligence & Executive BI →

AI & Intelligence

Erst Semantic Layer, dann Agent.

Ein AI-Agent ist nur so gut wie die Governance-Schicht darunter. Roher Schema-Zugriff für einen LLM reproduziert das Shadow-BI-Problem auf Agenten-Ebene: ohne Metrik-Definitionen, ohne Lineage, ohne Row-Level-Security. Die Reihenfolge ist deshalb: erst Semantic Layer, dann Agent, dann Observability. Nicht umgekehrt. Snowflake misst rund 20 Prozent mehr Text-to-SQL-Genauigkeit mit semantischem Modell statt nur Schema. Der Markt zieht nach: Usercentrics hat im Januar 2026 MCP Manager übernommen, eine Consent- und Governance-Schicht fürs Model Context Protocol.

Wir bauen das AI Strategy & Data Readiness →Modern Data Stack & Composable CDP →

Womit diese Seite läuft

Diese Seite läuft auf genau diesem Stack: self-hosted in der EU.

Hosting & Infrastruktur

CMS

E-Mail

  • Q01
    Brauche ich einen Semantic Layer, bevor ich einen Analytics-Agent einsetze?

    Ja. Ohne semantisches Modell rät der Agent aus dem rohen Schema und reproduziert Shadow BI auf Agenten-Ebene. Snowflake misst rund 20 Prozent mehr Text-to-SQL-Genauigkeit mit Semantic Layer statt nur Schema, dazu konsistente Metrik-Definitionen und Lineage.

  • Q02
    Ist MCP DSGVO-konform?

    Das hängt an der Governance-Schicht, nicht am Protokoll. Roher MCP-Schema-Zugriff nutzt oft einen Service-Account statt User-Identity und umgeht damit Row- und Column-Level-Security. DSGVO-konform wird es, wenn MCP über den Semantic Layer mit echter Zugriffskontrolle läuft.

  • Q03
    Self-hosted LLM-Observability in der EU, was nehmen?

    Langfuse als Default, MIT-lizenziert und self-hostbar in der EU-Region. Arize Phoenix, wenn Sie ohnehin OpenTelemetry-nativ standardisiert haben. Beide halten die Trace-Daten in Ihrer eigenen Infrastruktur.

  • Q04
    Cortex oder BigQuery ML?

    Folgen Sie dem Warehouse, nicht der Mode. Liegt das Lakehouse auf BigQuery in der EU, ist BigQuery ML der kohärente Default. In einem Snowflake-committed Shop ist Cortex der direktere Pfad.

  • Q05
    MMM oder Attribution, was 2026?

    Beides, aber geschichtet. MMM trägt die strategische Budget-Allokation, Incrementality-Tests validieren die größten Kanäle, Attribution bleibt das Richtungssignal für die laufende Optimierung. Privacy hat Multi-Touch-Attribution als alleinige Wahrheit beendet, nicht die Messung.

  • Q06
    Lohnt sich Open-Source-MMM wie Meridian oder Robyn?

    Ja, aber rechnen Sie ehrlich: Die Lizenz ist frei, die Total Cost of Ownership ist Data-Science-Headcount. Ein MMM ohne Betreuung verfällt, und wenn der Data Scientist geht, bricht das Modell. Genau diese Betreuung leisten wir.

  • Q07
    Wie messe ich ohne Third-Party-Cookies?

    Mit dem geschichteten Stack: First-Party-Event-Collection als Fundament, MMM für den strategischen Beitrag, Incrementality-Tests für die Kausalität. Keine dieser Schichten braucht Third-Party-Cookies.

  • Q08
    Composable CDP oder Packaged?

    Hängt von Ihrer Data-Engineering-Reife ab. Wenn ein sauber modelliertes Warehouse Ihr Golden Record ist, aktiviert eine Composable CDP direkt darauf, ohne Datenduplikat. Ohne dieses Fundament kann eine Packaged-Lösung der schnellere Start sein.