Data Engineering für SaaS: von Tabellen zu Self-Service-Analytics
Moderner Data Stack in 7 Wochen: 56 Stunden weniger manuelles Reporting im Monat, Monatsabschluss in 2 statt 5 Tagen, 186.000 $ ARR gesichert.
Das Unternehmen, ein Projektmanagement-SaaS, das über 1.200 Unternehmen nutzen und das um 40 % pro Jahr wächst, erzeugte Daten in 7 Systemen: HubSpot, Stripe, einer PostgreSQL-Produktionsdatenbank, Intercom, Google Analytics, QuickBooks und Gusto. Um einfache Geschäftsfragen zu beantworten, saßen 2 Analysten tagelang an Tabellen.
Für die Net Revenue Retention (NRR) wurden Daten aus Stripe, HubSpot und der Produktdatenbank exportiert und abweichende Kunden-IDs per SVERWEIS abgeglichen. Am Ende stand eine Zahl, der niemand ganz traute. Der CEO wollte montagmorgens ein Dashboard mit ARR, NRR, Churn, Expansion und Nutzungstrends, ohne dass ein Analyst eingreifen muss. Der VP of Finance verlor 5 Tage für den Monatsabschluss, weil das Finanzreporting Daten aus 4 Systemen von Hand zusammenführen musste.
Eine einwöchige Datenanalyse für 4.000 $ prüfte alle 7 Quellen und priorisierte den Reporting-Bedarf. Allein das ARR/MRR-Dashboard kostete 4 Stunden Handarbeit pro Woche, die NRR 8 Stunden pro Monat und das Paket für den Monatsabschluss 20 Stunden pro Monat. Der Plan: alles in Snowflake laden, die Kennzahlen in dbt modellieren und Self-Service-Dashboards in Metabase bereitstellen.
In den Wochen 2–3 wurde die Infrastruktur aufgebaut. Fivetran band alle 7 Quellen an, mit Synchronisationsintervallen nach Bedarf: stündlich für die Produktnutzung, alle 6 Stunden für Stripe und HubSpot, täglich für GA und QuickBooks. Snowflake erhielt eine Architektur in drei Schichten: eine unveränderliche Rohdatenschicht als Audit-Trail, eine Staging-Schicht mit systemübergreifend vereinheitlichten Kunden-IDs und fachlich aufbereitete Data Marts für Finanzen, Kunden, Produkt und Support.
In den Wochen 4–5 entstanden 34 dbt-Modelle: MRR je Kunde mit anteiliger Berechnung, ein ARR-Wasserfall, NRR nach Kohorten, ein zusammengesetzter Customer Health Score und Modelle zur Feature-Nutzung. Jedes Modell ist durch Datenqualitätstests abgesichert. Fehlerhafte Quelldaten lassen die Pipeline deshalb sichtbar fehlschlagen, statt falsche Kennzahlen zu erzeugen. In den Wochen 6–7 gingen 6 Metabase-Dashboards live (Geschäftsführung, Monatsabschluss, Kundengesundheit, Produktanalyse, Support, Marketing), und die Teams wurden in einer zweistündigen Schulung eingewiesen.
Das manuelle Reporting sank von über 56 Stunden pro Monat auf 4 Stunden Prüfung (−93 %). Der Monatsabschluss verkürzte sich von 5 Tagen auf 2 (−60 %). Die Antwort auf eine Geschäftsfrage braucht statt 4–8 Stunden manueller Analyse noch 30 Sekunden im Dashboard. Alle 7 Datenquellen liegen jetzt in Snowflake als Single Source of Truth, mit einem Health Score in Echtzeit für alle 1.200 Kunden.
Mit dem Dashboard zum Health Score konnte das Team früh gegensteuern: Das Customer-Success-Team erkannte 47 Kunden mit Kündigungsrisiko und hielt 31 davon (Quote 66 %). Das sicherte rund 186.000 $ ARR. Die Produktanalyse zeigte, dass die Zeiterfassung, ein wenig genutztes Feature, 2,4-mal stärker mit der Kundenbindung korrelierte als jedes andere Feature. Daraufhin wurde der nächste Release-Zyklus neu ausgerichtet.
Die Investition im ersten Jahr betrug insgesamt 78.200 $ (44.000 $ Entwicklung, 850 $ pro Monat Plattformkosten, 2.000 $ pro Monat Support-Pauschale). Dem stehen über 270.000 $ Wert im ersten Jahr gegenüber, aus eingesparter Analystenzeit und verhinderten Kündigungen.
Vor Gigabit begann jeder Montag mit ‚Hat jemand die aktuellen Zahlen?‘ Heute beginnt jeder Montag mit ‚Das sagen uns die Zahlen.‘ Dieser Wechsel vom Datensammeln zum Handeln auf Basis der Daten ist mehr wert als die eingesparte Zeit allein.
Unsere veröffentlichten Fallstudien stammen überwiegend aus Nordamerika. Alle Beträge in US-Dollar. Der Kunde ist anonymisiert.
