Warum ein Data Warehouse

Jahrelang fügten Marketer Berichte in Tabellen zusammen: Export aus Google Ads, Export aus Meta, einfügen, VLOOKUP, wiederholen. Das funktioniert, bis es nicht mehr funktioniert. Zeilenlimits, fehlerhafte Formeln und veraltete Daten machen die wöchentliche Berichterstellung zu einer lästigen Aufgabe, die Analysezeit verschlingt.

Ein Data Warehouse durchbricht diese Grenze. Es ist eine zentrale, für Abfragen optimierte Datenbank, in der die Daten jedes Kanals zusammenlaufen, verknüpft werden und aktuell bleiben – bereit für Analysen jeder Größenordnung.

Ein Cloud-Data-Warehouse wie BigQuery oder Snowflake ist eine verwaltete, spaltenorientierte Datenbank für Analysen, nicht für Transaktionen. Sie trennt Speicherung und Rechenleistung, sodass Sie Terabytes kostengünstig speichern und nur für ausgeführte Abfragen zahlen.

Spaltenorientierte Speicherung bedeutet, dass eine Abfrage, die 3 von 50 Spalten verwendet, nur diese 3 liest und deutlich weniger Daten scannt. Deshalb kann eine Aggregation über eine Milliarde Werbeklick-Zeilen in Sekunden zurückgegeben werden.

Marketingdaten sind auf zehn oder mehr Plattformen verteilt, jede mit eigenem Schema, eigener Währung und eigener Attributionslogik. Keine einzelne Plattform erfasst den vollständigen Trichter von der Impression bis zum Umsatz.

Ein Data Warehouse ist der eine Ort, an dem Werbeausgaben, Websitzungen, CRM-Deals und E-Mail-Ereignisse über einen gemeinsamen Schlüssel verknüpft werden können. Erst dann können Sie echten kanalübergreifenden Blended CAC, ROAS und LTV berechnen.

Wenn der CMO, der Media Buyer und das Finanzteam jeweils Zahlen aus unterschiedlichen Tools abrufen, verkommen Meetings zu Diskussionen darüber, welche Zahl stimmt. Ein Data Warehouse beendet das.

Indem ROAS, Conversion und Umsatz einmalig in verwalteten SQL-Modellen definiert werden, greifen alle auf dieselben Definitionen zu. Die Zahl im Dashboard und die Zahl in der Vorstandspräsentation stimmen endlich überein.

Die entscheidende Innovation moderner Warehouses ist die Entkopplung von Speicherung und Rechenleistung. Die Daten liegen in kostengünstigem Objektspeicher; Rechencluster (virtuelle Snowflake-Warehouses, BigQuery-Slots) werden nur hochgefahren, wenn Abfragen laufen.

Praktisch bedeutet das, dass ein umfangreicher Monatsabschlussbericht die Rechenleistung hochskalieren kann, ohne die Abfragen anderer zu beeinflussen, und dass ungenutzter Speicher fast nichts kostet. Sie zahlen für das, was Sie tatsächlich nutzen.

Beide sind hervorragend. BigQuery ist serverlos, ohne zu verwaltende Cluster, und rechnet pro gescanntem Byte ab – eine natürliche Wahl für Teams, die bereits Google Cloud und GA4 verwenden. Snowflake ermöglicht eine fein abgestufte Größenanpassung der Warehouses, bietet starke Multi-Cloud-Unterstützung und rechnet die Rechenleistung vorhersehbar pro Sekunde ab.

Bei den meisten Marketingteams richtet sich die Wahl nach dem vorhandenen Stack: GA4 und Google Ads sprechen für BigQuery; ein Multi-Cloud-Unternehmen oder ein datenintensiver Konzern entscheidet sich häufig für Snowflake.

Ein Grund, warum Marketingteams zu BigQuery tendieren: GA4 bietet einen kostenlosen nativen Export auf Ereignisebene. Jede Sitzung, jeder Seitenaufruf und jede Conversion wird als unverarbeitete Zeile exportiert – ohne Sampling und ohne Schwellenwerte der Benutzeroberfläche.

Das ermöglicht Analysen, die die GA4-Oberfläche nicht leisten kann: benutzerdefinierte Attributionsfenster, Kohorten-Retention nach Akquisitionskanal und die Verknüpfung von Webverhalten mit CRM-Umsatz über user_id.

Ein Data Warehouse ist günstig, bis jemand alle fünf Minuten SELECT * auf einer Tabelle mit einer Milliarde Zeilen ausführt. Da BigQuery pro gescanntem Byte abrechnet, kann eine ungefilterte Dashboard-Abfrage unbemerkt mehrere hundert Dollar pro Tag kosten.

Fortgeschrittene Teams kontrollieren die Kosten mit Partitionierung, Clustering, materialisierten Aggregationstabellen und Warnungen zu Abfragekosten. Ein disziplinierter Umgang mit Rechenressourcen gehört zur Verantwortung für ein Data Warehouse und ist kein nachträglicher Zusatz.

Die Zentralisierung von Daten zentralisiert auch das Risiko. Personenbezogene Daten aus dem CRM, Umsatzzahlen und Kunden-E-Mail-Adressen liegen nun an einem Ort, daher sind Zugriffskontrolle und Data Governance wichtig.

Verwenden Sie rollenbasierte Zugriffssteuerung, trennen Sie Raw- und modellierte Schemas, maskieren oder hashen Sie personenbezogene Daten und führen Sie einen Prüfpfad. Ein Data Warehouse sollte Daten vertrauenswürdiger machen und keine neue Angriffsfläche für Datenlecks schaffen.

Das Data Warehouse ist der Mittelpunkt einer geschichteten Toolchain, die oft als moderner Data Stack bezeichnet wird: Konnektoren laden Daten (EL), eine Transformationsebene modelliert sie (T), und BI-Tools visualisieren sie.

Jede Ebene lässt sich austauschen. Sie könnten Fivetran zum Laden, dbt zum Modellieren und Looker Studio für Berichte verwenden, wobei alles auf einem Data Warehouse aufsetzt. Wenn Sie verstehen, wo das Data Warehouse angesiedelt ist, wird die Aufgabe jedes anderen Tools klarer.

Ein Data Warehouse ist nicht immer gerechtfertigt. Wenn Sie nur einen Kanal betreiben, Ihre Ausgaben überschaubar sind und ein verbundenes Looker-Studio-Reporting jede Frage beantwortet, kann der betriebliche Aufwand den Nutzen übersteigen.

Der Wendepunkt ist erreicht, wenn Sie kanalübergreifende Attribution, die Verknüpfung von Webverhalten mit Umsatz oder ein Reporting benötigen, das Tabellenkalkulationen überfordert. Sobald diese Anforderungen auftreten, ist ein Data Warehouse nicht mehr optional, sondern wird zur Infrastruktur.

Sie verwalten Ausgaben für Google Ads, Meta und TikTok und benötigen einen kanalübergreifenden ROAS, verknüpft mit Shopify-Umsätzen und CRM-Deals. Warum ist ein Data Warehouse dafür das richtige Werkzeug?

Ein Cloud-Data-Warehouse ist das Analytics-Zentrum des modernen Marketing-Stacks: eine spaltenorientierte, horizontal skalierbare Datenbank, die Speicher und Rechenleistung voneinander trennt. Es ist der zentrale Ort, an dem verstreute Kanal-, Web- und Umsatzdaten zu einer einzigen verlässlichen Datenquelle zusammengeführt werden.

BigQuery und Snowflake gehören zu den führenden Lösungen; die richtige Wahl ergibt sich meist aus Ihrem bestehenden Stack. Berücksichtigen Sie die Kosten, die Governance und die Frage, ob Ihr Umfang diese Infrastruktur tatsächlich rechtfertigt.