Jede Abteilung hat ihre Daten, aber niemand hat das Gesamtbild. Der Vertrieb schaut ins CRM, die Logistik ins ERP, das Marketing in fünf Tools, und für jede übergreifende Frage baut jemand tagelang eine Excel-Tabelle. Laut Gartner verfügen nur 12 Prozent der Unternehmen über Daten in ausreichender Qualität für KI-Anwendungen. BigQuery auf Google Cloud setzt genau an dieser Stelle an: ein zentrales, wartungsfreies Datenfundament, das Reports in Sekunden beantwortet und KI-Modelle mit denselben Daten versorgt.
Der Zustand, den jeder kennt und niemand geplant hat
Kein Unternehmen beschließt, seine Daten zu verstreuen. Es passiert einfach. Das ERP kam vor fünfzehn Jahren, das CRM vor acht, der Shop vor fünf, dazu das Marketing-Tool, das Ticketsystem und die Excel-Dateien, die irgendwann zwischen den Systemen entstanden und nie wieder verschwanden. Jedes System für sich funktioniert. Zusammen ergeben sie einen Zustand, in dem die einfachsten Fragen die schwersten sind.
Was kostet uns ein Kunde über seine gesamte Beziehung? Welche Produkte werden zusammen gekauft, und wie wirkt sich das auf die Lagerplanung aus? Warum steigen die Retouren in einer Region und nicht in der anderen? Jede dieser Fragen braucht Daten aus mindestens drei Systemen. Und in den meisten Unternehmen bedeutet das: Jemand exportiert, kopiert, verknüpft und baut tagelang eine Auswertung, die am Tag ihrer Fertigstellung schon veraltet ist.
Die Folgekosten dieses Zustands sind gut dokumentiert. Analysten verbringen je nach Erhebung zwischen 45 und 80 Prozent ihrer Zeit mit dem Beschaffen und Aufbereiten von Daten statt mit der Analyse. Und für alles, was mit KI zu tun hat, wird der Zustand zum Ausschlusskriterium: Gartner zufolge verfügen nur 12 Prozent der Unternehmen über Daten in ausreichender Qualität für KI-Anwendungen, und 85 Prozent der gescheiterten KI-Projekte nennen Datenqualität als Ursache.
Was ein Datenfundament leisten muss
Die Antwort auf verstreute Daten ist ein zentraler Ort, an dem sie zusammenlaufen und abfragbar werden. Das Konzept ist nicht neu, es hieß früher Data Warehouse und hatte einen schlechten Ruf: teuer in der Anschaffung, langsam im Aufbau, starr im Betrieb und nach zwei Jahren schon wieder zu klein.
Genau an diesen Schmerzpunkten setzt die heutige Generation an. BigQuery ist das Datenfundament von Google Cloud und arbeitet serverless. Das heißt: Es gibt keine Datenbankserver, die dimensioniert, gepatcht oder erweitert werden müssen. Daten werden geladen, Abfragen werden gestellt, und die Plattform kümmert sich um alles darunter. Eine Abfrage über Milliarden Zeilen dauert Sekunden, egal ob sie einmal im Monat oder hundertmal am Tag läuft. Bezahlt wird nach Nutzung, nicht nach vorgehaltener Kapazität. Das Prinzip ist dasselbe, das wir im Artikel über Serverless mit Cloud Run beschrieben haben, nur eben für Daten statt für Anwendungen.
Für die Praxis bedeutet das eine Verschiebung, die man nicht unterschätzen sollte. Die Frage ist nicht mehr, ob die Infrastruktur eine Auswertung verkraftet. Die Frage ist nur noch, ob die Daten da sind und was Sie wissen wollen. Das klingt banal, aber es verändert das Verhalten einer Organisation. Wenn Antworten Sekunden kosten statt Tage, werden mehr Fragen gestellt. Und Unternehmen, die mehr Fragen stellen, treffen bessere Entscheidungen.
Vom Reporting zur KI ist es derselbe Weg
Der häufigste Fehler bei Dateninitiativen ist, Analytics und KI als getrennte Projekte zu behandeln. Erst bauen wir das Reporting, später machen wir dann mal KI. In Wahrheit brauchen beide dasselbe Fundament: saubere, zusammengeführte, aktuelle Daten an einem Ort. Wer das Fundament für das eine legt, hat es für das andere schon.
BigQuery macht diese Verbindung besonders kurz. Dieselben Tabellen, die das Management-Dashboard speisen, versorgen auch die Modelle. Machine-Learning-Funktionen stehen direkt in der Datenbank zur Verfügung, und die Anbindung an Vertex AI, die KI-Plattform von Google Cloud, ist ein definierter Weg statt eines Integrationsprojekts. Ein Beispiel macht es greifbar: Ein Händler führt Bestellungen, Retouren und Web-Verhalten in BigQuery zusammen. Zuerst entsteht daraus ein Bericht, der zeigt, welche Produkte überdurchschnittlich retourniert werden. Dann eine Analyse, die die Treiber erkennt. Und schließlich ein Modell, das Retourenrisiko vor der Bestellung vorhersagt. Drei Ausbaustufen, ein Fundament, kein Systemwechsel dazwischen.
Warum diese Reihenfolge so wichtig ist, haben wir aus einem anderen Blickwinkel bereits beschrieben: KI-Initiativen scheitern fast nie am Algorithmus, sondern am Datenfundament darunter. BigQuery ist die Infrastruktur-Antwort auf genau dieses Problem.
Was BigQuery nicht löst
Der ehrliche Teil gehört auch hier dazu. BigQuery beantwortet die Frage, wo Ihre Daten zusammenlaufen und wie schnell sie abfragbar sind. Es beantwortet nicht die Frage, ob Ihre Daten stimmen. Wenn das ERP andere Kundennummern führt als das CRM, wenn Produktdaten in drei Versionen existieren, wenn niemand weiß, welches Feld die Wahrheit enthält, dann liegen diese Widersprüche nach dem Laden eben zentral vor, aber sie sind noch da.
Deshalb gehören zwei Themen zwingend neben die Plattform. Das erste sind die Zuleitungen: Pipelines, die Daten automatisch und regelmäßig aus den Quellsystemen holen, statt auf manuelle Exporte zu warten. Das zweite ist die Verantwortung: Es braucht Menschen, die für die Qualität bestimmter Datenbereiche zuständig sind, und Regeln, was bei Widersprüchen gilt. Wie man diese Verantwortung organisiert, haben wir im Artikel über Data Stewardship beschrieben. Plattform, Pipelines und Verantwortung bilden zusammen das Fundament. Jedes Element allein bleibt Stückwerk.
Wie der Einstieg aussieht, ohne dass es ein Großprojekt wird
Die schlechteste Art, ein Datenfundament zu bauen, ist das Zwei-Jahres-Projekt, das erst alle Quellen anbinden will, bevor es die erste Frage beantwortet. Solche Projekte verlieren ihre Unterstützer, lange bevor sie Nutzen zeigen.
Der bessere Weg beginnt mit einer Frage, die heute niemand beantworten kann und die jemanden im Management wirklich interessiert. Für diese eine Frage werden die zwei oder drei nötigen Quellen angebunden, die Daten zusammengeführt und ein erstes Dashboard gebaut. Das dauert Wochen, nicht Jahre. Die Antwort auf die erste Frage erzeugt die zweite, und mit jeder Frage wächst das Fundament dorthin, wo der Bedarf tatsächlich liegt. Nach einem Jahr steht eine Datenplattform, die nachweislich genutzt wird, weil sie entlang echter Fragen gewachsen ist statt entlang eines Schaubilds.
Ein praktischer Hinweis zur Souveränität gehört noch dazu: BigQuery läuft selbstverständlich auch in deutschen und europäischen Regionen, mit den Datengrenzen, die wir im Artikel über die souveräne Cloud beschrieben haben. Die Frage, ob Ihre Daten dorthin dürfen, hat damit eine belastbare Antwort.
So sieht der Weg in der Praxis aus: von der Frage zum Dashboard
Ein durchgespieltes Szenario zeigt den Ablauf. Ein Handelsunternehmen will wissen, welche Kunden abwandern, bevor sie es tun. Heute ist das nicht beantwortbar, denn die Bestellungen liegen im ERP, das Kundenverhalten im Shop und die Servicekontakte im Ticketsystem. Der Weg zum Datenfundament beginnt mit genau dieser einen Frage, nicht mit einem Architekturschaubild.
In den ersten Wochen werden die drei Quellen über Pipelines angebunden und laufen täglich automatisch nach BigQuery. Dort entsteht ein gemeinsames Kundenbild: Bestellfrequenz, Warenkorbentwicklung, Retouren, Servicekontakte, alles an einem Ort und über die Kundennummer verknüpft. Genau an dieser Verknüpfung zeigt sich übrigens sofort die Datenqualität, denn Kunden, die in drei Systemen unter vier Nummern existieren, fallen jetzt auf. Auch das ist ein Ergebnis, ein unbequemes und wertvolles.
Aus dem Kundenbild entsteht zuerst ein simples Dashboard: Kunden, deren Bestellfrequenz gegenüber ihrem eigenen Durchschnitt deutlich abgefallen ist. Das ist noch keine KI, nur ehrliche Arithmetik, und der Vertrieb arbeitet ab der ersten Woche damit. Die Modellstufe kommt danach, auf denselben Daten, mit besseren Vorhersagen. Der Punkt des Szenarios: Zwischen der ersten Frage und dem ersten nutzbaren Ergebnis liegen Wochen. Die Organisation lernt am echten Fall, und jede weitere Frage baut auf dem Fundament auf, das schon steht.
Welche Rolle Ihr Team dabei spielt
Ein Datenfundament ist kein reines Technikprojekt, und die Rollenfrage entscheidet über die Nachhaltigkeit. Drei Rollen tragen das Vorhaben. Die Fachseite stellt die Fragen und beurteilt, ob die Antworten stimmen, denn nur sie erkennt, wenn Zahlen plausibel aussehen und trotzdem falsch sind. Die Datenrolle baut Pipelines und Modelle im Datensinn, also Tabellenstrukturen, die auch die dritte und vierte Frage tragen und nicht nur die erste. Und die Verantwortungsrolle sorgt dafür, dass Qualität kein Zufall bleibt: wer pflegt was, welche Quelle gilt bei Widersprüchen, wie werden neue Felder aufgenommen.
Gerade die dritte Rolle wird am häufigsten vergessen und am teuersten vermisst. Ein Fundament ohne Pflegeverantwortung verfällt genauso zuverlässig wie ein Gebäude ohne Hausmeister. Die gute Nachricht ist auch hier: Nichts davon erfordert ein großes Team. Es erfordert Klarheit, wer welche der drei Rollen trägt, und den Willen, sie ernst zu nehmen.
Der erste Schritt ist eine Frage
Wenn Sie wissen wollen, ob dieses Thema bei Ihnen trägt, brauchen Sie kein Assessment über drei Monate. Sie brauchen die eine Frage, die Ihr Unternehmen heute nicht beantworten kann, obwohl die Daten dafür irgendwo vorhanden sind. Schreiben Sie sie auf. Zählen Sie die Systeme, in denen die Antwort verstreut liegt. Und schätzen Sie, was es kostet, dass niemand sie beantwortet.
Mit genau dieser Frage starten wir Datenprojekte: Quellen anbinden, in BigQuery zusammenführen, Antwort liefern, dann ausbauen. Unsere eigene Infrastruktur läuft auf Google Cloud, die mehrerer unserer Kunden ebenfalls. Den Einstieg finden Sie auf unserer Google-Cloud-Seite. Alle Analysen finden Sie in unseren Google Cloud Insights.