Datenpipelines und Sync
Geplante und ereignisgesteuerte Pipelines aus Shop, Warenwirtschaft, Marketing und weiteren Systemen – inkrementell, wo es geht, mit Wiederholungen, Blättern innerhalb der Grenzen jeder API und Nachladen der Historie.
Alle LeistungenLeistung
Eine Datenbasis für dein Unternehmen.Shop, Warenwirtschaft und Marketing in einem Modell.
Wir bauen die Pipelines und das Datenmodell, die Daten aus Shop, Warenwirtschaft und Marketing zusammenführen: nach Zeitplan synchronisiert, gegen die Quellsysteme abgeglichen und bereit für Dashboards, Prognosen und AI. Eine solche Plattform betreiben wir selbst – auf PostgreSQL, mit stündlichem Katalog-Sync und einer vereinten Bestellhistorie aus Shopify und plentymarkets.
- Abgleich gegen die Quellsysteme
- Deine Datenbank, deine Daten
- Monitoring für jede Pipeline
- Dokumentiertes Datenmodell
Alle Quellen in einem Modell
BeispielDatenplattformBeispiel
Quellen
- ShopBestellungen · Kunden
- ERPBestand · Einkauf
- E-MailVersand · Klicks
- AdsAusgaben · Kampagnen
Ein Modell, eine verlässliche Quelle
orders_unified
Sync stündlich
DatumKanalLandKunde
- 2026-11-12ShopDEneu
- 2026-11-12MarktplatzATBestand
- 2026-11-12ShopNLneu
- 2026-11-11ShopDEBestand
- 2026-11-11MarktplatzDEneu
- 2026-11-11ShopFRBestand
Bestellungen pro Woche · alle Kanäle
- PostgreSQL
- Datenplattform, die wir betreiben
- Stündlich
- Katalog-Sync
- Shopify + WaWi
- Eine Bestellhistorie
- Ein Modell
- Für Berichte, Prognosen und AI
Kommt dir bekannt vor?
Jedes System hat Zahlen. Sie passen nicht zusammen.
Die Daten sind da – verteilt auf Shop, Warenwirtschaft, Marketing-Tools und ein paar Tabellen. Was fehlt, ist ein Ort, an dem sie zusammenpassen.
Drei Systeme, drei Wahrheiten
Der Shop meldet einen Umsatz, die Warenwirtschaft einen anderen, das Marketing-Tool einen dritten. Jede Besprechung beginnt mit der Frage, wessen Zahl stimmt.
Berichte von Hand
Jemand exportiert CSV-Dateien und führt sie in einer Tabelle zusammen. Der Bericht ist veraltet, wenn er fertig ist, und niemand sonst kann ihn nachbauen.
Historie, die weg ist
Viele Schnittstellen liefern nur den aktuellen Stand oder ein begrenztes Zeitfenster. Ohne eigene Ablage lässt sich das Bild vom letzten Jahr nicht wiederherstellen.
Prognosen und AI ohne Grundlage
Prognosen und AI brauchen saubere, verknüpfte, historische Daten. Ohne diese Grundlage rät jedes Modell.
Was wir bauen
Von den Quellsystemen zu einem Modell, das du abfragen kannst.
Wir bauen die Schicht zwischen deinen operativen Systemen und allem, was daraus lesen will. Sechs Bereiche, in denen wir arbeiten:
Datenmodell und Datenbank
Ein relationales Modell auf PostgreSQL, in dem Bestellungen, Produkte, Kunden und Bestände aus verschiedenen Systemen dasselbe bedeuten. Dokumentiert, mit Schlüsseln, die über die Quellen hinweg passen.
Vereinte Bestell- und Produktdaten
Eine Bestellhistorie und ein Produktkatalog über Shops und Warenwirtschaft hinweg, mit Verkaufszahlen je Produkt – so, wie wir es für die Shops führen, die wir betreiben.
Datenqualität und Abgleich
Anzahlen und Summen gegen die Quellsysteme geprüft, Dubletten und Lücken erkannt, Abweichungen gemeldet statt still mitgeschleppt.
Dashboards und Reporting
Dashboards und geplante Berichte auf dem Modell: Umsatz, Bestand, Kunden, Marketing – mit denselben Definitionen in jeder Ansicht.
Grundlage für Prognosen und AI
Aufbereitete, historische Datenbestände, mit denen Prognosemodelle und AI Agents arbeiten können – inklusive Regeln, wer und was welche Daten lesen darf.
So läuft es ab
Von der Bestandsaufnahme zur laufenden Datenplattform.
Wir stimmen das Modell ab, bevor wir Pipelines bauen, und binden eine Quelle nach der anderen an. Jede Ladung wird gegen das System geprüft, aus dem sie kommt.
- Schritt 01
Daten-Bestandsaufnahme
Wir listen die Systeme, ihre Schnittstellen und Grenzen und die Fragen, die die Daten beantworten sollen. Du bekommst einen schriftlichen Plan: Quellen, Zielmodell, Reihenfolge.
- Schritt 02
Datenmodell
Objekte, Schlüssel und Definitionen – was als Bestellung, als Umsatz, als Kunde zählt – schriftlich abgestimmt, bevor die erste Pipeline entsteht.
- Schritt 03
Pipelines und Historie
Die Pipelines entstehen Quelle für Quelle, die Historie wird nachgeladen und jede Ladung gegen das Quellsystem abgeglichen.
- Schritt 04
Dashboards und Zugriff
Die ersten Dashboards und Berichte auf dem neuen Modell, dazu der Zugriff für deine Tools und dein Team.
- Schritt 05
Betrieb und Ausbau
Monitoring mit Warnungen bei fehlgeschlagenen oder verspäteten Ladungen, geplante Abgleiche und neue Quellen, wenn du sie brauchst. Oder die Übergabe an dein Team.
Belege
Shops, deren Daten über unsere Plattform laufen.
Shops, die wir betreiben. Ihr Tagesgeschäft läuft auf der Plattform, die wir für unseren eigenen Betrieb gebaut haben – Produktion, kein Demo-Setup.
Migration · Langfristige Partnerschaft
Klean Kanteen
Klean Kanteen Deutschland, seit 2017 betreut: Shopify-Shop mit Anbindung an Warenwirtschaft und Fulfillment-Partner, Katalog, Bestellungen und Kampagnen im Tagesbetrieb.
- Plattform
- Shopify
- Typ
- Migration
- Status
- Abgeschlossen
Migration
MADSea
MADSea: Shopify-Shop, den wir operativ betreiben – Katalog- und Bestell-Sync in unsere Operations-Plattform, Treueprogramm aus Bestelldaten berechnet, Events an Klaviyo weitergegeben.
- Plattform
- Shopify
- Typ
- Migration
- Status
- Abgeschlossen
Zusammenarbeit
Erst das Modell. Dann Quelle für Quelle.
Eine Datenplattform nützt, wenn man ihren Zahlen traut. Deshalb wird jede Pipeline gegen ihre Quelle abgeglichen, bevor jemand einen Bericht darauf baut. Umfang und Preis stehen schriftlich fest, bevor wir bauen.
Zum Einstieg
Bestandsaufnahme und Modell
Quellen, Schnittstellen, Definitionen und das Zielmodell – aufgeschrieben, bevor etwas gebaut wird.
- Liste der Quellen mit ihren Grenzen
- Abgestimmte Definitionen der Kennzahlen
- Plan mit Reihenfolge
Das Fundament
Aufbau der Datenplattform
Datenbank, Pipelines, Nachladen der Historie und die ersten Dashboards, Quelle für Quelle angebunden.
- PostgreSQL in deinem eigenen Konto
- Abgleich für jede Pipeline
- Modell und Pipelines dokumentiert
Dauerhaft am Laufen
Betrieb und Ausbau
Wir betreiben die Pipelines, reagieren, wenn sich eine Schnittstelle ändert, und ergänzen Quellen, Berichte und Datenbestände nach Bedarf.
- Monitoring mit Warnungen
- Geplante Abgleiche
- Neue Quellen und Berichte auf Anfrage
Dafür stehen wir
- Datenbank und Daten gehören dir
- Dokumentiertes Datenmodell mit Definitionen
- Abgleich gegen das Quellsystem für jede Pipeline
- Monitoring mit Warnungen bei fehlgeschlagenen oder verspäteten Ladungen
- Standard-Technik: PostgreSQL und SQL, kein proprietäres Format
- Umfang und Preis schriftlich vor dem Bau
FAQ
Was Unternehmen fragen, bevor sie eine Datenplattform bauen.
Brauchen wir eine eigene Datenplattform oder reicht ein Reporting-Tool?
Ein Reporting-Tool zeigt, was ein System weiß. Sobald eine Frage zwei Systeme braucht – Umsatz aus dem Shop gegen Bestand aus der Warenwirtschaft oder Bestellungen gegen Marketing-Kontakte –, müssen die Daten vorher irgendwo zusammengeführt werden. Bleiben deine Fragen innerhalb eines Systems, sagen wir dir, dass ein Reporting-Tool reicht.
Welche Systeme könnt ihr anbinden?
Shopify, plentymarkets und Klaviyo betreiben wir selbst produktiv. Andere Systeme mit REST- oder GraphQL-Schnittstelle, CSV-Exporten oder Datenbankzugriff binden wir auf demselben Weg an. Hat ein System gar keine Schnittstelle, sagen wir dir das in der Bestandsaufnahme.
Warum PostgreSQL?
Es ist offen, weit verbreitet und gut dokumentiert. Reporting-Tools können es lesen, und deine Entwickler kennen SQL bereits. Verlangen deine Datenmengen oder dein bestehendes Setup etwas anderes, sagen wir das in der Bestandsaufnahme.
Wie aktuell sind die Daten?
So aktuell, wie der Anwendungsfall es braucht. Auf unserer eigenen Plattform läuft der Katalog-Sync stündlich, die Bestelltabelle wird nach jedem Bestell-Sync aktualisiert; Ereignisse lassen sich verarbeiten, sobald sie eintreffen. Häufiger geht, lohnt sich aber nicht immer.
Was ist mit historischen Daten?
Die laden wir nach. Wo eine Schnittstelle begrenzt, wie viel eine einzelne Abfrage liefert, laden wir in Zeitfenstern – zum Beispiel Monat für Monat – und gleichen danach die Anzahlen ab.
Wo liegen die Daten? Ist das DSGVO-konform?
In einer Datenbank in deinem eigenen Konto, auf Wunsch in einer EU-Region. Der Zugriff ist je Rolle beschränkt, Zugangsdaten werden verschlüsselt gespeichert. Einen Auftragsverarbeitungsvertrag (AVV) schließen wir ab und dokumentieren, welche Daten wohin fließen.
Was hat das mit AI und Prognosen zu tun?
Es ist die Voraussetzung. Ein AI Agent, der eine Frage zu Bestellungen beantworten soll, braucht einen Ort, an dem er sie nachschlagen kann; eine Prognose braucht Historie in einheitlicher Form. Wir bauen die Datenbasis so, dass beides später dazukommen kann, ohne von vorn anzufangen.
Was kostet das?
Das hängt von der Zahl der Quellen, ihren Schnittstellen und der benötigten Historie ab. Nach dem Erstgespräch bekommst du Umfang und Preis für Bestandsaufnahme und Modell schriftlich; der Aufbau wird angeboten, sobald das Modell abgestimmt ist.
Welche Frage können deine Daten heute nicht beantworten?
Sag es uns. Wir melden uns mit einem Termin fürs Erstgespräch und einer ersten Einschätzung, welche Quellen und welches Modell es dafür braucht – unverbindlich.