Ihr Marketing Data Warehouse und Composable CDP, plus Governance

Ein klassisches Data Warehouse (wie Redshift oder ein On-Premise-System) ist stark strukturiert und für SQL-Abfragen optimiert. Ein modernes Data Lake oder Lakehouse (BigQuery, Snowflake) kombiniert die Flexibilität eines Data Lake mit der Abfrageperformance eines Warehouses. Für Marketing-Anwendungsfälle ist BigQuery heute in den meisten Fällen die bessere Wahl.

funnel.io allein reicht für die meisten Marketing-Dashboards vollständig aus (→ Revenue Intelligence). Ein Data Lake wird nötig, sobald Transaktionsdaten aus dem Shop, CRM-Daten und Marketing-Daten zusammengeführt werden sollen, LTV- oder Attribution-Modelle berechnet werden oder ML-Anwendungen geplant sind.

Ja. BigQuery bietet EU-Regionen (europe-west3 Frankfurt, europe-west4 Niederlande). Datascale konfiguriert alle Projekte standardmäßig in EU-Regionen. Alle Daten bleiben in der EU-Region.

BigQuery wird ausschließlich in einer EU-Region konfiguriert (europe-west3 Frankfurt oder europe-west4 Niederlande). Datenresidenz ist vertraglich gegenüber Google zugesichert. Restrisiko: der CLOUD Act adressiert US-Mutterkonzerne. Bei besonders sensiblen Daten kombinieren wir BigQuery-Verschlüsselung mit CMEK (Customer-Managed Encryption Keys), optional mit External Key Manager bei EU-Anbietern wie Fortanix oder Thales. Der Entschlüsselungs-Schlüssel liegt dann außerhalb der CLOUD-Act-Reichweite. Für maximale Souveränität alternativ: Snowflake auf AWS Frankfurt mit identischem External-Key-Setup, oder ein Open-Source-Lake auf StackIT oder IONOS.

Eine Enterprise-CDP (Segment, mParticle, Tealium) liegt typisch bei 80.000–250.000 € jährlich, abhängig vom MTU-Volumen. Plus Implementierung. Ein Composable-Setup auf BigQuery EU bewegt sich in anderer Größenordnung: BigQuery-Storage und -Compute zusammen unter 1.500 € pro Monat für die meisten DACH-Mittelständler, dbt Cloud Team-Plan ab 100 € pro Monat, Hightouch Starter ab 350 € pro Monat. Die Implementierung läuft als Build Sprint zum Festpreis, der nach dem Audit steht. Gesamtkosten Jahr 1 typischerweise 35.000–60.000 €. Der größte Unterschied liegt nicht im Preis, sondern in der Datenkontrolle: Storage gehört Ihnen, nicht dem CDP-Anbieter.

Klassische Datenqualität misst einzelne Werte: Vollständigkeit, Format, Range. Data Reliability garantiert, dass eine Definition über mehrere Systeme hinweg dasselbe bedeutet, und dass automatische Tests dafür sorgen, dass es so bleibt, wenn jemand ein Schema ändert oder eine neue Quelle anbindet. Datenqualität ist eine Momentaufnahme, Data Reliability ist ein Prozess.

Nein, für die Governance braucht es keinen fertigen Data Lake. Wir starten mit den Quellen, die bereits existieren. GA4, Plausible, CRM-Export, Ads-APIs. Wenn sich im Audit zeigt, dass ein zentraler Layer fehlt, ist das eine Empfehlung, kein Vorab-Investment. Viele Reliability-Probleme lassen sich auch ohne fertiges Lakehouse adressieren, sofern Definitionen und Tests einmal sauber dokumentiert sind.

Eine interne Person aus dem Daten- oder Analytics-Team. Wir bauen das Framework, dokumentieren die Prozesse und schulen den ersten Steward, aber Governance funktioniert nur, wenn sie intern verankert ist. Externe Steward-Rollen halten erfahrungsgemäß keine 12 Monate.

Nach einem Audit-Sprint von 2 Wochen sind die kritischsten 3–5 Pipelines mit Alerts ausgestattet. Der vollständige Build mit Datenkatalog, RBAC-Modell und Governance-Prozessen läuft typischerweise über 6 bis 10 Wochen, gemeinsam mit Saloid für die technische Implementierung.