StartLeistungenData Platform & Governance
Leistung 04 · Data Platform & Governance
Wir bauen das Marketing Data Lakehouse in der kundeneigenen Cloud (BigQuery/Snowflake), plus die Governance-Schicht darüber: verbindliche Definitionen, automatische Qualitäts-Tests und ein Zugriffsmodell, damit die Zahlen nicht wieder auseinanderlaufen.
Erstgespräch in 48 h · 5–7 Arbeitstage · ab 3.490 € netto
Sie sind hier richtig, wenn:
Shop, Ad-Systeme und CRM zeigen drei verschiedene Umsatzzahlen.
Meetings beginnen mit der Frage, welche Zahlen die richtigen sind.
LTV, CAC oder Attribution lassen sich intern nicht sauber berechnen.
Ein Excel führt alle Quellen manuell zusammen, einmal pro Woche.
Was wir bauen
Von der Architektur bis zur Governance, buchbar einzeln oder als Kette.
BigQuery oder Snowflake als zentrale, EU-gehostete Datenquelle. Tool und Schema entscheiden wir nach dem konkreten Kontext, nicht nach Standard-Template.
Ist-Analyse aller Quellen, Zielarchitektur-Dokument, Tool-Entscheidung BigQuery vs. Snowflake mit Begründung, Kostenkontrolle.
Alle relevanten Quellen laufen automatisiert in den Lake und werden in dbt zu geprüften Modellen. Staging, Marts, Business-Logik.
funnel.io plus Custom-Konnektoren für Shop, CRM, Finance. dbt-Transformationen, tägliche Orchestrierung mit Monitoring.
Die geprüften Daten gehen zurück dorthin, wo sie wirken: in Ads, CRM und Marketing-Automation. Kein Export-Excel dazwischen.
Attribution (Data-Driven statt Last-Click), LTV auf Basis eigener Transaktionsdaten, Audience-Segmente per Reverse-ETL.
Wenn „Lead“ in Marketing, CRM und Finance dreimal etwas anderes heißt, hilft kein Dashboard. Wir definieren die zentralen Metriken einmal verbindlich.
Stakeholder-Mapping, verbindliches Glossar für Lead, MQL, SQL, Conversion, Revenue, Mapping auf die Felder in GA4, CRM und ERP.
Definitionen ohne Tests werden wieder weich. Automatische Checks warnen vor stillem Datenverlust, ein RBAC-Modell schützt produktive Pipelines vor Versehen.
dbt tests und Great Expectations für kritische Pipelines, Slack-Alerts mit Diagnose-Kontext, RBAC und Schema-Change-Management mit Review-Gates.
Funktionsweise
Ein zentraler Lake, getestet und dokumentiert, statt Punkt-zu-Punkt-Exporte.
funnel.io und Custom-Konnektoren laden Shop, Ads, CRM und Finance automatisiert in den Lake.
dbt normalisiert, reichert an und legt die Business-Logik für Attribution und LTV fest.
Automatische Tests auf Vollständigkeit, Freshness und Plausibilität. Slack-Alert bei Drift, bevor ein Dashboard lügt.
Reverse-ETL spielt die geprüften Audiences zurück in Ads, CRM und Klaviyo.
Ablauf
Start immer mit Phase 1 · kein Blindflug
Ein bestehendes Warehouse, bis zu drei Pipelines und fünf Kernmodelle; Stichproben zu Datenqualität, Kosten und Zugriffsrechten.
Data Contract, Event-Design und Zielarchitektur. Wir legen fest, welche Zahl wo entsteht und wer sie garantiert.
Umsetzung in Sprints, jeder Baustein einzeln abgenommen. Ihr Team ist eingebunden, nicht ausgeschlossen.
Monitoring, Releases begleiten, Plattform-Updates abfangen. Optional. Viele Kunden übernehmen selbst.
Was Sie bekommen
Der Audit Sprint endet mit einem Dokument: Befunde je Ebene, Schweregrad, Aufwand, Reihenfolge. Kein Foliensatz mit Empfehlungen im Konjunktiv.
→ Befundliste mit Schweregrad und Reproduktionsweg
→ Aufwandsschätzung je Befund, in Personentagen
→ Data-Contract-Entwurf für die wichtigsten Events
→ Umsetzungsplan, den auch eine andere Agentur ausführen könnte
Lieferumfang · Data Platform & Governance
Gliederung aus dem Leistungsumfang dieser Seite. Der konkrete Scope entsteht im Audit.
Scopes
ab 3.490 € netto
Für den vereinbarten Prüfumfang
Bericht: 5–7 Arbeitstage
Belegte Befunde und ein konkreter Maßnahmenplan für den vereinbarten Umfang.
Festpreis
Individuell nach Projektumfang
6–10 Wochen
Neuaufbau oder Überarbeitung nach vereinbarter Spezifikation.
Monatlich
Individuell nach Betreuungsumfang
Mindestens 3 Monate
Laufende Betreuung und Weiterentwicklung Ihrer Datenarchitektur.
Audit Sprint: Ab vereinbartem Start mit vollständigen Zugängen und Unterlagen. Umfang und Liefertermin stehen vor Beauftragung fest.
Alle Preise netto, zzgl. gesetzlicher MwSt. Für Unternehmen in Deutschland, Österreich und der Schweiz.
Aus dem Integrations-Katalog
Kategorie: CDP & Event-PipelinesKategorie: CRMKategorie: Data WarehouseKategorie: Datenintegration & ETL
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.
Audit Sprint: ab 3.490 € netto, 5–7 Arbeitstage bis zum Bericht. Ein bestehendes Warehouse, bis zu drei Pipelines und fünf Kernmodelle; Stichproben zu Datenqualität, Kosten und Zugriffsrechten. Belegte Befunde, Maßnahmenplan und 60 Minuten Ergebnisbesprechung. Ab vereinbartem Start mit vollständigen Zugängen und Unterlagen. Umfang und Liefertermin stehen vor Beauftragung fest. Umsetzung separat, keine Folgeverpflichtung. Alerts und neue Pipelines folgen in der separat beauftragten Umsetzung.
Nächster Schritt
Audit Sprint: ab 3.490 € netto, 5–7 Arbeitstage bis zum Bericht. Ein bestehendes Warehouse, bis zu drei Pipelines und fünf Kernmodelle; Stichproben zu Datenqualität, Kosten und Zugriffsrechten. Belegte Befunde, Maßnahmenplan und 60 Minuten Ergebnisbesprechung. Ab vereinbartem Start mit vollständigen Zugängen und Unterlagen. Umfang und Liefertermin stehen vor Beauftragung fest. Umsetzung separat, keine Folgeverpflichtung.
