Sales-Daten über alle Kanäle

Technisch gibt es kein hartes Limit — praktisch lohnt sich aber ein gestaffeltes Vorgehen.

Phase 1 (typisch 3–5 Quellen): die wichtigsten Sales-Kanäle plus eine CRM-Quelle. Damit deckst du in der Regel 80–90 % des Umsatzes ab und kannst die größten Entscheidungen darauf basieren. Setup-Aufwand: 6–10 Wochen.

Phase 2 (Erweiterung auf 8–15 Quellen): Marketing-Daten (Meta, Google Ads), Email-Plattformen, Lager- und Logistik-Systeme. Hier verschiebt sich der Fokus von „Sales messen" zu „Geschäft steuern". Pro Quelle 1–2 Wochen Setup-Aufwand.

Was das Limit bestimmt: nicht die Tool-Auswahl, sondern die Datenpflege. Mehr als 20 aktive Quellen sind ohne dediziertes Daten-Team kaum sinnvoll.

Die Antwort hängt davon ab, welche Entscheidungen du auf den Daten triffst — Echtzeit ist teurer und komplexer und nicht für jeden Use-Case sinnvoll.

Kosten-Unterschied: Echtzeit-Pipelines kosten typisch 3–5× mehr als Tages-Batches — sowohl Infrastruktur als auch Setup.

Praktischer Rat: Start mit Tages-Aggregation. Wenn sich konkrete Echtzeit-Use-Cases nach 6 Monaten zeigen, gezielt einzelne Streams umstellen — nicht alles auf einmal.

• Tages-Aggregation reicht: operative Reports (CFO, Marketing, Filiale-Leiter), wöchentliche Vertriebs-Reviews, monatliche Reporting-Routinen, strategische Cohort-Analysen
• Echtzeit lohnt sich: operative Out-of-Stock-Warnungen, Echtzeit-Marketplace-Pricing, Live-Dashboards für Promotion-Aktionen, Fraud-Monitoring

BigQuery hat eine Pay-per-Use-Logik mit zwei Haupt-Kostentreibern: Storage und Query-Kosten.

Vergleich zu Alternativen: ein klassisches BI-SaaS-Tool für vergleichbare Funktionalität kostet oft 500–2.000 € monatlich pro Seat — bei 5 Nutzern also schnell 2.500–10.000 €. BigQuery ist über die Total-Cost-of-Ownership fast immer günstiger.

• Klein (1–5 Mio. Sales-Events/Monat, 3–5 Quellen): typisch 30–80 € Storage + Query
• Mittel (5–30 Mio. Events/Monat, 5–10 Quellen): typisch 80–250 €
• Groß (50+ Mio. Events/Monat, 10+ Quellen, viele Dashboards): 300–800 €
• Enterprise (Realtime + viele Concurrent-Users): ab 1.000 € — Reserved-Capacity-Verträge lohnen sich hier

Eine der wichtigsten Entscheidungen — und sie hängt mehr von deinem Team als vom Daten-Volumen ab.

Hybrid ist oft die beste Lösung: Standard-Quellen via Cloud-Tools (z.B. Airbyte für Shopify, Stripe), Custom-Quellen via Eigenbau (z.B. Lightspeed-API, Marketplace-Reports). dbt als Transformations-Layer ist in beiden Fällen das gleiche.

Faustregel zur Kosten-Abwägung: Cloud-Tools kosten oft 100–500 € monatlich pro Quelle — bei 10 Quellen sind das 1.000–5.000 € pro Monat. Eigenbau hat Setup-Kosten von 4–8 Stunden pro Quelle, dann laufende Kosten von 0 €. Ab 6+ Quellen ist die Break-even meist nach 12 Monaten erreicht.

• Cloud-Tools lohnen sich: keine internen Data-Engineers, meist Standard-APIs, schnelle Time-to-Value wichtiger als optimierte Kosten
• Eigenbau lohnt sich: proprietäre Quellen, Daten-Volumen exponentiell für SaaS, spezielle Transformations-Logik, Compliance verlangt volle Kontrolle

Ja — und das ist eine der wichtigsten Erkenntnisse, die man nach den ersten Multi-Channel-Projekten verinnerlicht. Eine einzige Sicht für alle Stakeholder zu bauen, ist fast immer ein Fehler.

Wichtig: alle Sichten basieren auf denselben Rohdaten im Data-Warehouse. Nur die Aggregations- und Visualisierungs-Schicht wird pro Zielgruppe maßgeschneidert. Sonst entstehen wieder die Daten-Konflikte zwischen Bereichen, die wir eigentlich vermeiden wollten.

• CFO-Sicht: Bruttoumsatz, Nettoumsatz, Steuer pro Kanal & Standort, Returns-bereinigte Zahlen, Forecast-Vergleich, Marge/Deckungsbeitrag
• Marketing-Sicht: Performance pro Kampagne/Channel/Creative, Cohort-Analysen, CLV, Repeat-Rate, Channel-Attribution, Realtime während Aktionen
• Filiale-/Vertriebs-Sicht: Tages-Umsatz pro Standort und Mitarbeiter, Top-/Flop-Produkte, Vergleich zur Vor-Periode und zu anderen Filialen

Ja, in den meisten Fällen lassen sich historische Daten nachträglich aufbauen — mit ein paar konkreten Einschränkungen pro Quelle.

Typisches Vorgehen: Initial-Backfill der letzten 12–24 Monate beim Setup, danach läuft die Pipeline auf laufende Daten weiter. Bei größeren Datenmengen wird der Backfill in Wochen-Chunks durchgeführt.

Wichtig: Aufarbeitung ist eine einmalige Investition mit klar abschätzbarem Aufwand. Die laufende Datenqualität ist langfristig wichtiger als die historische Tiefe — wenn du wählen müsstest zwischen 5 Jahren rückwirkend und sauberer Pipeline für die Zukunft, wähle die Pipeline.

• Gut nachträglich: Shopify (2 Jahre rückwirkend per API), Marketplaces wie Amazon/Otto/Zalando (1–2 Jahre), Kassen-Systeme (meist lokal verfügbar), CRM-Daten (vollständig)
• Nicht oder nur teilweise rekonstruierbar: Daten aus abgeschalteten Quellen, manuelle Excel-Korrekturen ohne Audit-Trail, aggregierte Reports von Tools ohne Rohdaten-Export

Ein typisches Erstgespräch für Multi-Channel-Sales-Daten dauert ca. 30–45 Minuten und ist konkret darauf ausgelegt, deinen Fall einzuordnen — nicht auf den Verkauf eines fertigen Pakets.

Was es nicht ist: ein Verkaufs-Gespräch mit Druck. Wenn dein Fall zu klein, zu groß oder thematisch unpassend für mich ist, sage ich das offen — und nenne dir bei Bedarf passende Alternativen.

• Was wir besprechen: welche Sales-Quellen heute existieren und welche fehlen, wo der größte Daten-Schmerz sitzt, welches Daten-Wissen im Team vorhanden ist, welche Tools schon genutzt werden
• Was du danach hast: Einschätzung ob Tracking-Audit oder Daten-Architektur-Projekt sinnvoller ist, grobe Größenordnung (Aufwand, Dauer, Kosten), konkrete Handlungs-Empfehlungen auch ohne weitere Zusammenarbeit