Die meisten Analytics-Probleme sind keine Tool-Probleme, sondern Modell-Probleme: Niemand weiß genau, wie eine Kennzahl entsteht, und jede Abteilung rechnet anders. Analytics Engineering setzt genau hier an — mit Daten als versioniertem, getestetem Produkt.
Die Schichten
Ein bewährtes Muster trennt drei Ebenen: Raw (Rohdaten, unverändert), Staging (bereinigt, typisiert — eine Quelle, ein Modell) und Marts (fachliche Modelle für Reports). BigQuery ist das Warehouse, dbt die Disziplin obendrauf.
Warum dbt den Unterschied macht
- Transformationen als Code — SQL in Git, mit Review und Historie.
- Tests —
not_null,unique,relationships: Annahmen werden überprüfbar, nicht gehofft. - Dokumentation & Lineage — jede Spalte hat eine nachvollziehbare Herkunft.
Der eigentliche Gewinn
Wenn eine Kennzahl an genau einer Stelle definiert ist, getestet wird und dokumentiert ist, hören die Diskussionen über „die richtige Zahl” auf. Das ist das Ziel: nicht mehr Dashboards, sondern verlässliche Entscheidungsgrundlagen.