Business-Intelligence, die Entscheidungen trägt
Die Single Source of Truth aus Marketing, CRM und Backend. Schluss mit den CPA-Märchen der Ad-Netzwerke. Wahre Customer Acquisition Costs, echter LTV, AI-ready für 2026.
- BigQuery
- dbt
- Fivetran
- Airbyte
- Data (Looker) Studio
- Power BI
✓ EU-Region (BigQuery Frankfurt) · SCCs & DPA mit Google Cloud
Kurz gesagt
Wir konsolidieren Marketing-Spend, CRM-Stufen und echten Umsatz in einer Quelle, in BigQuery, modelliert in dbt, ausgespielt nach Data (Looker) Studio oder Power BI. Ein CAC, ein LTV, eine Berechnungslogik. Schluss mit drei Systemen, die drei Zahlen für dasselbe Bankkonto melden.
- Für wen
- E-Commerce & B2B, deren Zahlen intern angezweifelt werden
- Was Sie bekommen
- Marketing Data Hub, dbt-Modelle & Executive Dashboards
- Einstieg
- Audit ab 2.900 €, Build in 3 bis 8 Wochen
01Kurzer Selbsttest
Sie sind hier richtig, wenn:
Bitte ankreuzen, was zutrifft.
02So funktioniert's
Vier Phasen, jede mit einer klaren Aufgabe.
Kein One-Tool-Schweizer-Messer. Jede Phase nutzt das Tool, das für ihre Aufgabe das richtige ist.
- Fivetran · Airbyte
Ingestion
Pre-built Konnektoren ziehen Stripe, HubSpot, Meta, Google Ads und Shopify inkrementell in die EU-Region.
- BigQuery EU
Storage
BigQuery in EU-multi-region: Storage und Compute getrennt, Pay-per-Query, keine Cluster zu sizen.
- dbt · marts
Transformation
dbt macht aus Raw-Tables getestete Modelle. Ändert Sales die CAC-Definition, ändert sie sich an einer Stelle.
- Looker Studio · Power BI
Output
Executive-View auf einer Seite, operative Views für Marketing und Sales, Anomalie-Alerts in Slack.
03Was wir bauen
Was wir bauen
Meta meldet 3,50 € CAC. HubSpot sagt 47 €. Stripe weist 89 € echte Akquisitionskosten aus. Drei Zahlen, drei Systeme, ein Bankkonto. Das ist kein Reporting-Problem. Das ist ein Architektur-Problem.
Revenue Intelligence & Executive BI ist die Datenarchitektur, die diese drei Zahlen in eine konsolidiert: Marketing-Spend aus den Ad-Plattformen, Lead-Stufen aus dem CRM, Umsatz aus dem Payment-Backend. Alles in BigQuery, transformiert in dbt, ausgespielt nach Data (Looker) Studio oder Power BI. Eine Quelle, eine Berechnungslogik, ein Dashboard pro Zielgruppe.
Wir bauen keine isolierten Dashboards, sondern robuste ELT-Pipelines, auf denen Dashboards das Endprodukt sind. Voraussetzung ist saubere serverseitige Datenerfassung: Wer Marketing-Daten in ein Warehouse lädt, das mit kaputtem Tracking befüllt wird, automatisiert nur den Fehler. Siehe Measurement & Privacy Engineering.
04Der Unterschied
Excel-Silo vs. konsolidierter Data Hub.
Architektur: EU-Datenresidenz in BigQuery Frankfurt, SCCs und DPA mit Google Cloud. PII pro Pipeline ausschließbar oder pseudonymisiert.
05Die Bausteine
Zwei Reifegrade. Ein Fundament.
Tier 1 ist die Foundation, ohne die Tier 2 nicht funktioniert. Predictive auf inkonsistenten Daten automatisiert Halluzinationen.
Tier 1 · Foundation
Sauberes Marketing-zu-CRM-Mapping, BigQuery als zentrale Datenbasis, dbt-Modelle für die Kern-Metriken. Das Attribution-Grundgerüst, auf dem alles Weitere aufbaut.
Konkret: Fivetran-Setup (Meta, Google Ads, HubSpot, GA4), BigQuery-Projekt in EU-Region mit IAM und Cost-Controls, dbt mit staging/intermediate/mart, Dashboards für Marketing und Geschäftsführung.
Tools: Fivetran · BigQuery · dbt · Looker Studio
Tier 2 · Executive BI & Predictive
Stripe- und Backend-Integration, LTV-Kohortenanalyse, Anomaly-Detection und Forecasting auf Channel- und Kohorten-Ebene.
Konkret: Stripe-API in BigQuery, LTV-Modelle pro Akquisitions-Kohorte, Anomaly-Alerts bei ROAS-Drift, Forecasting-Layer (Prophet oder ML je nach Datenmenge).
Tools: Stripe · BigQuery ML · Prophet · Slack
06Kurz erklärt
Die wichtigsten Begriffe, kurz erklärt.
CAC
Customer Acquisition Cost. Der echte, in Stripe rekonzilierbare Akquisitionspreis, nicht die CPA-Meldung des Ad-Netzwerks.
LTV
Customer Lifetime Value pro Akquisitions-Kohorte, berechnet aus historischen Transaktionsdaten statt geschätzt.
ELT statt ETL
Erst laden, dann transformieren: Raw-Daten landen in BigQuery, dbt modelliert sie dort, versioniert und getestet.
dbt
data build tool. Erzwingt Git-Versionierung, Tests pro Modell und eine klare Trennung von Quelldaten und Geschäftslogik.
07Für wen
Für wen sich das rechnet.
CMO / VP Marketing
Verteidigen das Marketing-Budget vor dem CFO. Brauchen einen Report, der CAC und LTV aus Stripe-Daten zeigt, nicht aus Meta-Attribution. Auf einer Seite.
Founder / Geschäftsführung
Wollen wissen, welcher Kanal echte Kunden bringt, nicht welcher sich die Conversion zuschreibt. Die Brücke zwischen Marketing-Spend und Bankkontostand.
Head of Data / BI
Haben BigQuery, brauchen die Marketing- und CRM-Quellen sauber angebunden und in dbt modelliert. Ohne Custom-Python, das mit jedem Meta-API-Update bricht.
Performance-Teams (E-Commerce)
Wollen ROAS, POAS und echte Marge in einer Ansicht. Nicht in drei Tools mit drei verschiedenen Attribution-Modellen.
08Deliverables
Was am Ende steht.
Ingestion & Storage
- Fivetran- oder Airbyte-Konnektoren für alle relevanten Quellen (Ads, CRM, Payment, Shop)
- BigQuery-Projekt in EU-Region mit IAM und Cost-Controls
- Inkrementelle Loads, Schema-Drift-Handling, Backfill-Mechanik
Transformation & Modelle
- dbt-Projekt mit staging-, intermediate- und mart-Layern
- Kern-Modelle: dim_customers, fct_orders, mart_cac_by_channel, mart_ltv_cohorts
- Datenqualitäts-Tests pro Modell (dbt tests, Freshness-Checks)
Output & Executive BI
- Executive Dashboard (Data Studio, Power BI oder Tableau), eine Seite, PDF-tauglich
- Operative Views für Marketing und Sales
- LTV-Kohorten, Anomaly-Alerts in Slack, Forecasting-Layer (Tier 2)
Governance & Übergabe
- KPI-Definitions-Dokument für internes Alignment
- Dokumentation mit dbt docs (was wird wie berechnet, wer ist Owner)
- Handover-Session plus 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
- Marketing Data Hub (funnel.io oder BigQuery)
- Attributions-Modell + Executive Dashboard
- KPI-Definitions-Dokument + Handover
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.
Warum dbt statt reiner SQL-Views in BigQuery?
dbt erzwingt drei Dinge, die rohe Views nicht leisten: Versionierung in Git, automatisierte Tests pro Modell, und eine klare Layer-Trennung zwischen Quelldaten und Geschäftslogik. Bei sieben Quellen mit zehn nachgelagerten Metriken bricht der View-Ansatz spätestens beim ersten Schema-Change. Eine View, die niemand testet, ist eine Bombe mit Lunte. dbt löst das in Tagen statt in Wochen Incident-Response.
Wie binden Sie HubSpot-Daten datenschutzorientiert an?
Über die offizielle HubSpot-API via Fivetran. Fivetran ist [EU-multi-region-fähig](https://fivetran.com/docs/using-fivetran/fivetran-dashboard/account-settings/troubleshooting/use-fivetran-multiple-regions), der Sync läuft in EU-Frankfurt, die Daten bleiben in der EU-Region. Personenbezogene Felder (E-Mail, Telefon) lassen sich pro Pipeline ausschließen oder pseudonymisieren. Mit SCCs und DPA bleibt die Anbindung audit-fest. Eine On-Prem-Alternative über Airbyte Self-Hosted ist möglich, wenn der Cloud-Vendor vertraglich ausgeschlossen ist.
Was kostet die Architektur monatlich im Betrieb?
Eine typische Mittelstands-Konfiguration (5 Quellen, ~100M Rows/Monat, 4 dbt-Modelle täglich, 2 produktive Dashboards) liegt bei 300 bis 800 € BigQuery, 200 bis 500 € Fivetran je nach Connector-Mix, plus 50 € dbt Cloud falls verwendet. Data (Looker) Studio ist kostenlos, Power BI Pro 10 € pro User. Die Betriebskosten skalieren mit den Datenmengen, nicht mit der Anzahl an Reports. Custom-ETL-Maintenance entfällt.
Warum BigQuery und nicht Snowflake oder Redshift?
Für DACH-Mittelstands-Setups ist BigQuery in den meisten Fällen das pragmatischere Tool: kein Cluster-Sizing, EU-multi-region out of the box, native GA4-Integration über den Export, transparente Pay-per-Query-Kosten. Snowflake ist überlegen bei Multi-Cloud-Szenarien und sehr großen Concurrency-Anforderungen. Redshift sitzt natürlicher in AWS-zentrierten Setups. Wir empfehlen das Warehouse zur Situation, nicht zur Vorliebe.
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
Welcher CAC stimmt: Meta, HubSpot oder Stripe?
Ein Audit Sprint klärt in 10 Arbeitstagen, welche Zahl in welchem System falsch ist und wie eine konsolidierte Datenbasis aussieht. Priorisierter Report. 60-Minuten Walkthrough-Call. Kein Folge-Vertrag, kein Retainer-Zwang.
- Einstieg
- 2.900–4.500 € netto
- Lieferung
- 3–8 Wochen
- Umfang
- 5 Module