Data Warehouse Beratung Schweiz: Aufbau, Migration und Betrieb

Ihre Daten liegen in ERP, CRM, Excel und IoT-Systemen verstreut. Für fundierte Entscheide brauchen Sie eine zentrale, verlässliche Datenbasis. Genau das ist ein Data Warehouse - und genau das bauen wir. Plattformunabhängig, auf der Technologie die zu Ihrem Unternehmen passt.

Wann brauchen Sie ein Data Warehouse?

Die meisten Unternehmen kommen zu uns, wenn eine von vier Situationen eintritt:

Reporting stösst an Grenzen. Monatliche Berichte werden manuell aus mehreren Systemen zusammenkopiert. Jede Abteilung hat ihre eigene Excel-Wahrheit. Die Zahlen stimmen nie überein. Wenn Ihnen das bekannt vorkommt, haben wir dazu einen eigenen Artikel geschrieben: Excel ablösen - aber richtig.

Daten aus mehreren Systemen zusammenführen. ERP, MES, CRM, IoT-Sensoren, Webshop - jedes System speichert Daten in einem eigenen Format und einer eigenen Logik. Ein Data Warehouse bringt diese Quellen in ein einheitliches Modell, sodass übergreifende Auswertungen möglich werden. Die technische Grundlage dafür ist eine saubere Data Pipeline.

Self-Service BI ermöglichen. Fachbereiche wollen eigene Analysen erstellen, ohne für jede Abfrage auf die IT warten zu müssen. Ein gut strukturiertes Data Warehouse mit Power BI als Frontend macht das möglich - mit klaren Berechtigungen und zuverlässigen Daten.

Compliance und Nachvollziehbarkeit. Regulatorische Anforderungen (Finanzbranche, Pharma, öffentliche Verwaltung) verlangen lückenlose Datenhistorie und auditierbare Prozesse. Ein Data Warehouse liefert genau das: versionierte Daten mit nachvollziehbarer Herkunft.

Unser Ansatz: Plattformunabhängig, modular, cloud-ready

Wir sind kein Reseller und nicht an einen Hersteller gebunden. Wir empfehlen die Technologie, die zu Ihrem Unternehmen passt - nicht die, an der wir am meisten verdienen.

Die Plattform hängt vom Kontext ab. Für ein KMU mit bestehendem Microsoft-365-Ökosystem ist Microsoft Fabric oft der kürzeste Weg zum Ziel. Für datenintensive Umgebungen mit Data-Science-Anforderungen kann Databricks die bessere Wahl sein. Für Unternehmen, die maximale Flexibilität bei der Wahl des BI-Tools wollen, ist Snowflake eine Überlegung wert. Und manchmal ist ein gut strukturierter SQL Server On-Premise immer noch die pragmatischste Lösung. Einen ehrlichen Vergleich der Plattformen haben wir im Glossar zusammengestellt.

dbt als Transformationsschicht - immer. Wir setzen konsequent auf dbt (Data Build Tool) für alle Transformationen: SQL-basiert, versioniert in Git, testbar, dokumentiert. Das ist eine bewusste Entscheidung. Denn wenn die gesamte Transformationslogik in dbt liegt - und nicht in plattformspezifischen Stored Procedures oder proprietären ETL-Tools - wird die darunterliegende Datenplattform austauschbar. Sie starten auf Fabric und wollen später auf Databricks wechseln? Die dbt-Modelle ziehen mit. Das ist echte Plattformunabhängigkeit - nicht als Versprechen, sondern als Architekturentscheidung.

Analytics dort, wo Ihre Leute arbeiten. Ein Data Warehouse ist kein Selbstzweck. Es liefert die Grundlage für Dashboards, Self-Service-Analysen und automatisierte Reports - ob in Power BI, Apache Superset oder einem anderen Tool. Unsere Power BI Best Practices zeigen exemplarisch, worauf es bei der Visualisierung ankommt.

Was wir besonders gut kennen: Den Microsoft-Stack (Fabric, Azure, Power BI) setzen wir am häufigsten ein, weil viele unserer Kunden bereits im Microsoft-Ökosystem arbeiten. Aber wir haben ebenso Erfahrung mit Databricks, Snowflake, PostgreSQL und Open-Source-Stacks. Entscheidend ist nicht das Logo auf der Plattform, sondern ob die Architektur trägt.

Bestehendes Data Warehouse modernisieren

Mehr als die Hälfte unserer DWH-Projekte sind keine Neubauten, sondern Modernisierungen. Typische Ausgangslage:

Ein On-Premise SQL Server oder Oracle DWH, das seit 10+ Jahren wächst. Die ETL-Prozesse sind fragil, kaum dokumentiert und von einer Person abhängig. Performance-Probleme bei wachsenden Datenmengen. Keine Möglichkeit, neue Quellen (IoT, Cloud-Services, APIs) sinnvoll anzubinden.

Unser Vorgehen bei Migrationen:

Schritt 1 - Datenlandkarte erstellen. Bevor wir irgendetwas migrieren, verschaffen wir uns ein vollständiges Bild: Welche Quellen gibt es? Welche Datenflüsse existieren? Welche Reports nutzt wer? Das Ergebnis ist eine Datenlandkarte, die als Grundlage für alle weiteren Entscheide dient.

Schritt 2 - Architektur definieren. Klassisches Data Warehouse, Lakehouse oder eine hybride Plattform? Die Antwort hängt von den Anforderungen ab: Datenvolumen, Echtzeitbedarf, vorhandene Skills im Team, Budget. Wir empfehlen die Architektur, die zum Unternehmen passt - nicht die, die gerade am modernsten klingt. Mehr zu den Optionen in unserem Datenplattform-Vergleich.

Schritt 3 - Schrittweise migrieren. Kein Big Bang. Wir migrieren Domäne für Domäne, beginnend mit dem Bereich, der den grössten Schmerzpunkt hat. Altes und neues System laufen parallel, bis die neue Lösung validiert ist. Wie wir solche Projekte strukturieren, beschreiben wir in unserem Leitfaden für Datenprojekte.

Schritt 4 - Betrieb und Weiterentwicklung. Ein Data Warehouse ist kein Einmalprojekt. Neue Quellen kommen dazu, Anforderungen ändern sich, Datenqualität muss überwacht werden. Auf Wunsch übernehmen wir auch den laufenden Betrieb und die Weiterentwicklung - als Extended Workbench, die Ihr internes Team ergänzt, oder als vollständige Betreuung, wenn Sie kein eigenes Data-Engineering-Team aufbauen möchten.

Referenzprojekte

SIPRO Steel Solutions - Cloud-Migration auf Azure und Power BI

Ausgangslage: Veraltete On-Premise-Infrastruktur mit manuellen Datenprozessen.Lösung: Migration auf Azure, Aufbau einer modernen Datenplattform mit automatisierten Pipelines und Power BI als Analytics-Frontend.Ergebnis: Durchgängige Datenverfügbarkeit, automatisiertes Reporting, skalierbare Cloud-Architektur.

BVB Basel - Datenplattform mit Microsoft Fabric und dbt

Ausgangslage: Heterogene Datenlandschaft im öffentlichen Verkehr mit Echtzeit-Sensordaten aus dem Weichensystem.Lösung: Aufbau einer Datenplattform auf Microsoft Fabric mit Medallion-Architektur, Event Hub für Streaming-Daten und dbt für die Transformationen.Ergebnis: Zentrale, verlässliche Datenbasis für den operativen Betrieb und strategische Analysen.

Weitere Projekte

Wir haben Data-Warehouse- und Datenplattform-Projekte in verschiedenen Branchen umgesetzt: Industrie und Logistik, öffentlicher Verkehr und öffentliche Verwaltung. Gemeinsam ist allen: Wir verbinden technische Umsetzung mit Domänen-Know-how.

Data Warehouse vs. Lakehouse vs. Data Platform - was passt?

"Data Warehouse" ist der Begriff, den die meisten suchen. In der Praxis bauen wir aber oft etwas, das über ein klassisches DWH hinausgeht. Eine kurze Einordnung:

Die ehrliche Antwort: Für die meisten KMU in der Schweiz ist ein cloud-basiertes Data Warehouse auf Microsoft Fabric der beste Einstieg. Es lässt sich später jederzeit zu einer vollständigen Data Platform ausbauen. Den ausführlichen Vergleich finden Sie in unserem Glossar: Data Warehouse oder Lakehouse für Industrie 4.0? Teil 1 und Teil 2.

Warum Substring?

Unabhängig. Wir sind kein Partner-Reseller und bekommen keine Provisionen von Plattformanbietern. Unsere Empfehlung basiert auf Ihren Anforderungen, nicht auf unserer Marge.

Seit 2000 in Bern. Wir sind kein Startup und keine Unternehmensberatung. Wir sind Ingenieure, die seit über 20 Jahren Datenplattformen für Schweizer Unternehmen bauen und betreiben.

Durchgängig. Wir machen nicht nur die Strategie oder nur das Coding. Wir begleiten von der Datenstrategie über die Architektur bis zum produktiven Betrieb. Eine Ansprechperson, ein Team, kein Subcontracting.

Branchen-Know-how. Industrie, Logistik, öffentlicher Verkehr, Verwaltung - wir kennen die Domänen und ihre spezifischen Datenanforderungen. Das macht den Unterschied zwischen einem generischen DWH und einem, das tatsächlich genutzt wird.

Häufige Fragen

Was kostet ein Data Warehouse Projekt?

Das hängt stark vom Umfang ab. Ein fokussierter Einstieg - etwa ein Proof of Concept mit zwei bis drei Datenquellen und ersten Dashboards - liegt typischerweise bei CHF 40'000 bis 80'000. Ein vollständiger Aufbau mit mehreren Domänen, Datenqualitätsprozessen und Schulung bewegt sich im Bereich CHF 150'000 bis 400'000. Dazu kommen laufende Cloud-Betriebskosten, die je nach Plattform und Datenvolumen variieren. Wir klären die Grössenordnung gerne in einem ersten Gespräch - dafür brauchen wir vor allem ein Verständnis Ihrer Datenlandschaft und Ihrer Ziele.

Wie lange dauert der Aufbau eines Data Warehouse?

Erste nutzbare Ergebnisse - ein Proof of Concept mit echten Daten und ersten Dashboards - liefern wir in wenigen Wochen. Ein produktives DWH mit mehreren Quellen und automatisierten Prozessen entsteht in wenigen Monaten. Wir arbeiten in Sprints, sodass Sie früh Ergebnisse sehen und Feedback geben können.

Brauche ich ein Data Warehouse oder reicht Power BI?

Power BI ist ein Reporting-Tool. Es kann Daten direkt aus Quellsystemen lesen, aber bei mehreren Quellen, grossen Datenmengen oder der Anforderung nach einer "Single Source of Truth" stossen direkte Verbindungen an Grenzen. Ein Data Warehouse liefert die zuverlässige Datenbasis, Power BI macht sie sichtbar. Beides zusammen ist der Standard, den wir empfehlen.

Kann ich mein bestehendes DWH schrittweise migrieren?

Ja, und das empfehlen wir ausdrücklich. Parallelbetrieb von alt und neu, Domäne für Domäne migrieren, validieren, umschalten. Kein Big Bang, kein Risiko eines Totalausfalls.

Was ist der Unterschied zwischen Data Warehouse und Data Lake?

Ein Data Warehouse speichert strukturierte, bereinigte Daten in einem definierten Schema - optimiert für Abfragen und Reporting. Ein Data Lake speichert Rohdaten in beliebigen Formaten - optimiert für Flexibilität und Data Science. Moderne Plattformen wie Microsoft Fabric kombinieren beide Ansätze in einer Lakehouse-Architektur.

Bieten Sie auch laufenden Betrieb und Support an?

Ja. Wir übernehmen den laufenden Betrieb, die Weiterentwicklung und das Monitoring Ihres Data Warehouse - entweder als Extended Workbench, die Ihr Team ergänzt, oder als vollständige Betreuung. Sie brauchen kein eigenes Data-Engineering-Team aufzubauen, wenn Sie nicht wollen.

Nächster Schritt

Sie überlegen, ein Data Warehouse aufzubauen oder Ihr bestehendes zu modernisieren? Wir klären in einem kurzen, unverbindlichen Gespräch, wo Sie stehen und was ein sinnvoller erster Schritt wäre.

Kontakt aufnehmen

‍