Unsere Antwort ist unbequem, weil sie eine Gegenfrage ist: Wofür?
Die Tool-Frage wird fast immer zu früh gestellt. Anbieter verkaufen Plattformen, und Plattformen klingen nach Zukunftssicherheit. Aber ein Werkzeug, das größer ist als Ihr Problem, löst Ihr Problem nicht schneller. Es kostet nur mehr — und zwar nicht nur Geld, sondern auch die Glaubwürdigkeit Ihres Datenprojekts, wenn nach einem Jahr eine teure Plattform herumsteht, die drei Dashboards betreibt.
Die drei Klassen, um die es geht
Klasse 1: die klassische Datenbank. PostgreSQL ist das bekannteste Beispiel — kostenlos lizenzierbar, seit Jahrzehnten bewährt, jeder IT-Dienstleister kennt es. Was viele unterschätzen: Eine ordentlich aufgesetzte PostgreSQL-Instanz verarbeitet problemlos Tabellen mit vielen Millionen Zeilen. Für die Auftrags-, Kunden- und Produktionsdaten eines Unternehmens mit 50 bis 250 Mitarbeitern ist das in aller Regel mehr als genug. Betriebskosten: das Hosting, ein paar hundert Euro im Monat, oft weniger.
Klasse 2: das Cloud-Warehouse. Snowflake und Google BigQuery sind die bekanntesten Vertreter. Sie übernehmen den kompletten Betrieb, skalieren automatisch und rechnen nach Nutzung ab. Sinnvoll, wenn die Datenmengen wachsen, viele Quellsysteme zusammenlaufen oder mehrere Standorte parallel auswerten. Der Preis ist gut kalkulierbar, solange jemand die Abfragen im Blick behält — unkontrollierte Dashboards können die Rechnung treiben.
Klasse 3: die Datenplattform. Databricks ist hier der Platzhirsch: verteiltes Rechnen über viele Maschinen, integrierte Machine-Learning-Werkzeuge, das Lakehouse-Konzept für strukturierte und unstrukturierte Daten in einem. Eine beeindruckende Technologie — gebaut für Organisationen mit eigenem Datenteam, das sie füttert, betreibt und ausreizt.
Vier Fragen entscheiden
Wir arbeiten mit einem simplen Prüfpfad, und Sie können ihn selbst durchgehen:
Passen Ihre Daten auf eine einzelne Maschine? Solange die Antwort Ja ist — und das ist sie bei den allermeisten Mittelständlern, auch bei denen, die sich für datenreich halten —, gibt es keinen technischen Grund für verteilte Systeme.
Wie viele Quellsysteme laufen zusammen? Ein bis drei Systeme: Klasse 1 reicht. Ab vier bis sechs Systemen mit wachsenden Datenmengen wird Klasse 2 interessant, weil das Betriebsthema sonst zur Dauerbaustelle wird.
Gibt es ein Datenteam? Ohne mindestens zwei, drei Leute, die hauptamtlich mit Daten arbeiten, ist Klasse 3 keine Option. Nicht, weil die Technik schlecht wäre — sondern weil sie sonst niemand bedient.
Gibt es ML-Ambitionen jenseits von Prognosen? Absatzprognosen und Frühwarnsysteme laufen bestens auf Klasse 1 und 2. Erst wer eigene Modelle in Serie trainieren will, braucht darüber nachzudenken, ob eine Plattform sich rechnet.
Der Fehler, den wir am häufigsten sehen
Zu groß kaufen. Und danach, als Verstärker: Eigenlösungen des Dienstleisters. Wenn Ihre Datenaufbereitung in einem selbstgestrickten Framework steckt, das nur der Erbauer versteht, haben Sie sich einen Anbieter auf Lebenszeit eingekauft. Deshalb bestehen wir auf Standardwerkzeugen — insbesondere auf dbt für die Datenaufbereitung, das inzwischen jeder Daten-Freelancer beherrscht.
Wie fehleranfällig der Status quo ohne solche Werkzeuge ist, hat übrigens die Forschung mehrfach beziffert: Der Wirtschaftsinformatiker Raymond Panko kam über Jahre auf rund 88 Prozent fehlerhafte komplexe Tabellenkalkulationen; eine Übersichtsstudie um Pak-Lok Poon fand 2024 sogar in 94 Prozent der untersuchten Business-Tabellen Fehler. Der berühmteste Einzelfall bleibt die Reinhart-Rogoff-Tabelle, in der ein paar vergessene Zeilen jahrelang die weltweite Schuldenpolitik beeinflusst haben. Wer sein Reporting auf Excel-Ketten baut, sollte diese Zahlen kennen.
Die gute Nachricht: Die Entscheidung ist nicht endgültig
Das ist der Punkt, der die Tool-Angst nimmt. Wenn Ihre Datenlogik in dbt und SQL liegt, ist sie portabel. Der Umzug von PostgreSQL zu Snowflake ist dann ein überschaubares Infrastrukturprojekt, kein Neuanfang. Sie dürfen also klein anfangen — und genau das empfehlen wir: Klasse 1 oder 2 nach Größe, Standardwerkzeuge, ein konkreter Anwendungsfall. Wachsen können Sie immer.
Für die schnelle Selbsteinschätzung: Unser Daten-Readiness-Check ordnet Sie in fünf Minuten ein — inklusive einer ehrlichen Antwort auf die Databricks-Frage.