Ihr Marketing Data Warehouse und Composable CDP, plus 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.
- BigQuery
- Snowflake
- dbt
- funnel.io
- Hightouch
- Census
- Great Expectations
- DataHub
✓ funnel.io-Partner · Full-Cycle-Umsetzung mit Saloid
Kurz gesagt
Wir bauen die zentrale Datenplattform, in der Marketing-, Shop- und CRM-Daten zusammenlaufen, in BigQuery oder Snowflake, EU-gehostet. Dazu die Governance-Schicht: verbindliche Definitionen, automatische Qualitäts-Tests und ein Zugriffsmodell. So bleiben die Zahlen belastbar, statt in jedem Tool anders zu heißen.
- Für wen
- E-Commerce & B2B mit Daten in Silos
- Was Sie bekommen
- Lakehouse, Reverse-ETL & Governance-Framework
- Einstieg
- Audit ab 4.500 €, Build in 6 bis 10 Wochen
01Kurzer Selbsttest
Sie sind hier richtig, wenn:
Bitte ankreuzen, was zutrifft.
02So funktioniert's
Von der Quelle bis in die Aktivierung, in vier Schritten.
Ein zentraler Lake, getestet und dokumentiert, statt Punkt-zu-Punkt-Exporte.
- funnel.io · dbt
Ingest
funnel.io und Custom-Konnektoren laden Shop, Ads, CRM und Finance automatisiert in den Lake.
- dbt · marts
Modellieren
dbt normalisiert, reichert an und legt die Business-Logik für Attribution und LTV fest.
- dbt tests · Slack
Prüfen
Automatische Tests auf Vollständigkeit, Freshness und Plausibilität. Slack-Alert bei Drift, bevor ein Dashboard lügt.
- Hightouch · Census
Aktivieren
Reverse-ETL spielt die geprüften Audiences zurück in Ads, CRM und Klaviyo.
03Was wir bauen
Was wir bauen
GA4 sampelt. Meta Ads meldet andere Conversions als GA4. Der Shop kennt seinen eigenen Umsatz, das CRM den Lifetime Value, und ein Excel verbindet einmal pro Woche irgendwie alle vier. Fehlerpotenzial in jeder Zeile.
Die Datenplattform löst das strukturell: alle relevanten Quellen landen in einem zentralen, EU-konformen Lake in BigQuery oder Snowflake, werden dort normalisiert, angereichert und stehen für Dashboards, ML-Modelle und Marketing Activation bereit.
Aber ein Lake allein reicht nicht. Irgendwann vertraut niemand mehr den Zahlen, weil „Lead" dreimal etwas anderes heißt und niemand dafür verantwortlich ist, dass eine Definition überall gleich umgesetzt wird. Deshalb bauen wir die Governance-Schicht gleich mit: verbindliche Definitionen, automatische Qualitäts-Tests und ein Zugriffsmodell, das produktive Dashboards vor Versehen schützt.
Joint Engagement mit klarer Trennung. Datascale liefert Architektur, Pipelines, Activation-Logik und Governance-Prozesse, Saloid die EU-Cloud-Infrastruktur und die technische Implementation.
04Der Unterschied
All-in-One CDP vs. Composable Lakehouse.
Architektur: EU-Datenresidenz in BigQuery Frankfurt oder Snowflake EU. Storage bleibt bei Ihnen, nicht beim CDP-Anbieter. CLOUD-Act-Härtung per CMEK steht im FAQ.
05Die Bausteine
Fünf Bausteine. Eine Plattform.
Von der Architektur bis zur Governance, buchbar einzeln oder als Kette.
Datenarchitektur & Lake
BigQuery oder Snowflake als zentrale, EU-gehostete Datenquelle. Tool und Schema entscheiden wir für den konkreten Kontext, nicht nach Standard-Template.
Konkret: Ist-Analyse aller Quellen, Zielarchitektur-Dokument, Tool-Entscheidung BigQuery vs. Snowflake mit Begründung, Kostenkontrolle.
Tools: BigQuery EU · Snowflake · CMEK
ELT-Pipelines & Modellierung
Alle relevanten Quellen laufen automatisiert in den Lake und werden in dbt zu geprüften Modellen. Staging, Marts, Business-Logik.
Konkret: funnel.io plus Custom-Konnektoren für Shop, CRM, Finance. dbt-Transformationen, tägliche Orchestrierung mit Monitoring.
Tools: funnel.io · dbt · Airflow
Marketing Activation & Reverse-ETL
Die geprüften Daten gehen zurück dorthin, wo sie wirken: in Ads, CRM und Marketing-Automation. Kein Export-Excel dazwischen.
Konkret: Attribution (Data-Driven statt Last-Click), LTV auf Basis eigener Transaktionsdaten, Audience-Segmente per Reverse-ETL.
Tools: Hightouch · Census · Klaviyo · HubSpot
Definitionen & Business-Glossar
Wenn „Lead" in Marketing, CRM und Finance dreimal etwas anderes heißt, hilft kein Dashboard. Wir definieren die zentralen Metriken einmal verbindlich.
Konkret: Stakeholder-Mapping, verbindliches Glossar für Lead, MQL, SQL, Conversion, Revenue, Mapping auf die Felder in GA4, CRM und ERP.
Tools: Notion / Confluence · dbt docs · DataHub
Datenqualität & Zugriffsmodell
Definitionen ohne Tests werden wieder weich. Automatische Checks warnen vor stillem Datenverlust, ein RBAC-Modell schützt produktive Pipelines vor Versehen.
Konkret: dbt tests und Great Expectations für kritische Pipelines, Slack-Alerts mit Diagnose-Kontext, RBAC und Schema-Change-Management mit Review-Gates.
Tools: dbt tests · Great Expectations · BigQuery IAM
06Kurz erklärt
Die wichtigsten Begriffe, kurz erklärt.
Composable CDP
Ihr eigenes Warehouse als zentraler Kundendaten-Speicher, statt Storage, Modellierung und Aktivierung in ein proprietäres All-in-One-System zu packen.
Reverse-ETL
Der Weg zurück: geprüfte Segmente aus dem Lake nach Ads, CRM und Marketing-Automation, per Hightouch oder Census.
Data Reliability
Die Garantie, dass eine Definition über mehrere Systeme hinweg dasselbe bedeutet, und dass Tests das nach einem Schema-Wechsel halten.
RBAC
Role-Based Access Control. Wer darf was sehen und ändern, damit niemand aus Versehen einen Production-View überschreibt.
07Für wen
Für wen sich das rechnet.
E-Commerce mit Silo-Daten
Daten in Shop, Ad-Systemen, CRM und Kundendienst, die nie zusammenlaufen. LTV- und Churn-Analyse stehen auf der Roadmap, aber die Grundlage fehlt.
B2B mit Sales-Cycle
Marketing, CRM und Finance zeigen nie dieselben Zahlen. CAC und LTV sind intern nicht berechenbar, weil die Daten in Silos stecken.
Teams mit Zahlen-Konflikten
Meetings beginnen damit, welche Zahlen die richtigen sind. Das ist kein Daten-, sondern ein Governance-Problem, und es kostet mehr Zeit als die Lösung.
Pre-BI- und Pre-ML-Teams
Power BI, Tableau oder ML-Modelle stehen an und brauchen eine skalierbare, sauber dokumentierte Datenquelle als Grundlage.
08Deliverables
Was am Ende steht.
Datenarchitektur
- Ist-Analyse aller relevanten Datenquellen (Vollständigkeit, Qualität, Aktualität)
- Zielarchitektur-Dokument: welche Daten wohin, welches Schema, welche Granularität
- Tool-Entscheidung BigQuery vs. Snowflake mit Begründung für den konkreten Kontext
Pipelines & Modellierung
- ELT-Pipelines für alle Quellen (funnel.io plus Custom-Konnektoren für Shop, CRM, Finance)
- dbt-Transformationen: Normalisierung, Anreicherung, Business-Logik
- Tägliche Aktualisierung mit Monitoring und Alerting bei Fehlern
Governance & Datenqualität
- Business-Glossar mit verbindlichen Definitionen für Lead, MQL, SQL, Conversion, Revenue
- Automatische Tests (Vollständigkeit, Freshness, Plausibilität) plus Slack-Alerts mit Diagnose-Kontext
- RBAC-Modell und Schema-Change-Management mit Review-Gates für breaking Changes
- Datenkatalog mit Owner-Zuordnung pro Tabelle
Activation & Übergabe
- Attribution- und LTV-Modell auf Basis eigener Daten
- Audience-Segmentierung für Reverse-ETL (Google Ads, Meta, Klaviyo, HubSpot)
- Dashboard (Data Studio, Power BI oder Tableau) plus Datenmodell-Dokumentation
- 30 Tage Post-Launch-Support
Was wir NICHT machen
Engagement-Tiefen
Drei Tiefen. Klare Scopes.
Kein Retainer ohne Bedarf.
Audit Sprint
Wir prüfen, was falsch läuft. Priorisierter Report + Handlungsplan.
zzgl. gesetzlicher MwSt.
Eingeschlossen
- Vollständige Analyse des bestehenden Setups
- Priorisierter Report mit konkreten Maßnahmen
- 90-Minuten-Walkthrough mit dem Team
Nicht enthalten
- Implementierung (folgt im Build Sprint)
- Code in App oder Website
Wann sinnvoll
Wenn das Setup läuft, aber die Zahlen intern angezweifelt werden.
Festpreis je nach Scope (Audit Sprint / Audit Sprint Plus). 50 % werden auf einen Build Sprint angerechnet, wenn innerhalb von 30 Tagen beauftragt.
Audit Sprint anfragen →Build Sprint
Neuaufbau oder Restrukturierung, nach Spec gebaut.
zzgl. gesetzlicher MwSt.
Eingeschlossen
- BigQuery / Snowflake Setup + funnel.io Konnektoren
- dbt-Modelle + Tests, Business-Glossar, RBAC
- Reverse-ETL (Hightouch / Census) + Monitoring
Nicht enthalten
- Kampagnen-Execution, Media-Buying, Creatives
- Tool-Lizenzen (direkt beim Anbieter, keine Marge)
Wann sinnvoll
Wenn strukturell neu gebaut werden muss, statt im Betrieb zu flicken.
Finaler Festpreis nach Scope-Definition.
Build Sprint besprechen →Managed Evolution
Laufende Partnerschaft. Analytics als Produkt.
zzgl. gesetzlicher MwSt.
Eingeschlossen
- Monatliche Weiterentwicklung + Roadmap
- QA bei jedem Release-Deploy
- Slack-Support, < 4 h Response (Mo–Fr)
- Monatlicher Report + Executive-Summary
Nicht enthalten
- 24/7-Bereitschaftsdienst
- Kampagnen-Operations
Wann sinnvoll
Wenn Analytics laufend mitwachsen muss.
Monatlich kündbar nach Mindestlaufzeit.
Managed Evolution anfragen →Alle Preise netto, zzgl. gesetzlicher MwSt. Für Unternehmen in Deutschland, Österreich und der Schweiz.
Was ist der Unterschied zwischen einem Data Warehouse und einem Data Lake?
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.
Brauchen wir wirklich einen Data Lake oder reicht funnel.io allein?
funnel.io allein reicht für die meisten Marketing-Dashboards vollständig aus (→ Revenue Intelligence). Ein Data Lake wird nötig wenn: Transaktionsdaten aus dem Shop, CRM-Daten und Marketing-Daten zusammengeführt werden sollen, wenn LTV- oder Attribution-Modelle berechnet werden sollen, oder wenn ML-Anwendungen geplant sind.
Können wir mit BigQuery in der EU hosten?
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.
Wie mitigieren Sie den US CLOUD Act in einer GCP-basierten Architektur?
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.
Was kostet ein Composable CDP gegenüber einer All-in-One-CDP?
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. Implementation als Build Sprint ab 7.500 € netto. 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.
Was unterscheidet Data Reliability von klassischer Datenqualität?
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.
Brauchen wir für die Governance schon einen fertigen Data Lake?
Nein. 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.
Wer übernimmt die laufende Data-Steward-Rolle nach dem Setup?
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.
Wie lange dauert es, bis die ersten Quality-Alerts laufen?
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 Implementation.
Integrations
Aus dem Integrations-Katalog
Diese Tools binden wir für diese Leistung an. Jede Katalogseite bewertet das Tool ehrlich: Setup-Aufwand, DSGVO-Einordnung und wann es passt.
Nächster Schritt
Datenplattform und Governance: Architektur-Gespräch.
Strategie-Gespräch zu Lakehouse-Architektur, Reverse-ETL und Governance. Full-Cycle-Umsetzung gemeinsam mit Saloid.
- Einstieg
- 4.500–7.500 € netto
- Lieferung
- 6–10 Wochen
- Umfang
- 5 Module