00:00 Intro und Ankündigung der nächsten Folge zu Healthcare Marketing

01:13 Was Dich in dieser Folge erwartet

01:46 Anzeige: Marketing & Sales Analyst Masterclass

02:46 Hamburger Goldkehlchen: Warum Tim im Männerchor singt

07:26 Brace for Impact: Unsere ersten Data Engineering Bruchlandungen

09:42 Datensilos: Die Krankheit in unseren Marketing-Abteilungen

11:18 Tim Wiegels Data Engineering Erfahrungen bei Goodgame Studios

12:51 Nicht nur Technik: Warum Teams und Prozesse mitziehen müssen

13:29 Tim Ebners Data Engineering Erfahrungen bei innogy.C3

13:59 UTM-Standards und IDs: So wird Tracking anschlussfähig

15:10 Lust auf ein Marketing-DWH mit Supermetrics, Google Sheets und SQL?

18:11 UTM-Pain, Attribution und Blackbox-Logiken von Google und Meta

21:01 Warum Google Sheets trotzdem ein sinnvoller Start ist

22:24 Der Wendepunkt: Ab wann ein Data Warehouse nötig wird

23:48 Raw, Refined, Gold: Die Layer-Logik einfach erklärt

26:38 Business-Logiken im Refined Layer: Kosten, Währungen und Regeln

28:40 Gold Layer und Data Marts: ROI, ROAS und die Single Source of Truth

29:34 Ab welchem Data Layer MMM und CLV Berechnungen Sinn machen

30:10 Welche Datenmodellierung in Power BI & Co nicht empfehlenswert ist

31:05 Views oder Tabellen? Warum View auf View schnell weh tut

34:10 Wie roh sollten Rohdaten sein? Und was sind "heiße" Daten?

36:34 Lieber zu viel Rohdaten als zu wenig

38:11 Wie Star Layer dein DWH schlanker und schneller machen

41:52 Warum saubere Layer Analytics und AI-Projekte einfacher machen

42:40 Echtzeit-Modelle vs. GenAI: Welche Datenqualität gebraucht werden

45:12 AI skaliert Chaos: Was ohne gute Daten schiefläuft

49:10 Womit anfangen? Tools, Datenbank und erste Schritte

52:16 Outro: Feedback, Bewertungen und Haufe-Hinweis

Shownotes

Tim Ebner und Tim Wiegels teilen ihre Erfahrungen und Herausforderungen beim Aufbau eines Marketing Data Warehouses. Sie diskutieren die typischen Anfangsprobleme, wie wichtig eine gute Datenstruktur ist und wie man Silos in Marketing und anderen Unternehmensbereichen überwindet. Als Ergebnis winken bessere Analysen und Entscheidungen. Tim und Tim tauchen tief in die Architektur eines effizienten Marketing Data Warehouse ein. Tim Wiegels erklärt dabei die vier wichtigsten Layer, die wichtig sind um die Datenverarbeitung vereinfachen, die Performance steigern und Kosten senken. Streamt rein und erfahrt praktische Tipps für den Aufbau und die Nutzung dieser Layer, um Data Engineering im Marketing smarter zu gestalten.

Der Instagrammer, der regelmäßig versucht ChatGPT, Claude und Gemini ins Boxhorn zu jagen, ist übrigens father_phi, erreichbar unter: https://www.instagram.com/father_phi

Takeaways

1. Alle Daten sollten in ihrer höchsten Granularität in einem Raw Layer gespeichert werden.
2. Vermeide Views auf Views, um Performancekosten zu minimieren.
3. Nutze Pipeline-Tools wie Airflow oder dbt für automatisierte Datenprozesse.
4. Der Gold Layer liefert die wichtigsten KPIs wie ROI und ROAS in sauberster Datenqualität.
5. AI-Projekte sollten auf dem Gold Layer oder höher aufbauen, um angemessene Ergebnisse zu sichern.

[Anzeige] Haufe Akademie: Marketing & Sales Analytics Masterclass

Bei der Haufe Akademie gibt es eine Weiterbildung, die sehr gut zu unserem Thema der Podcastfolge passt: Die Masterclass zum Marketing & Sales Analyst!

In mehreren Kursen (plus Abschlussprüfung):

1. bekommst Du einen Einstieg in Strategien und Werkzeuge, Tracking-Strategien, Analysen, Visualisierung und KI
2. machst Du erste Schritte und setzt zum Beispiel Dein erstes Marketing & Sales Dashboard um
3. erfährst Du, wie du KI Use Cases & Tools auswählst und danach in die Umsetzung gehst

Zur Masterclass: https://www.haufe-akademie.de/analyst

Weitere Angebote: https://www.haufe-akademie.de/future

Vorschau

In zwei Wochen spricht Tim bei Datendurst mit Nicole Freude über Datennutzung im Healthcare Marketing. Nicole ist schon seit 14 Jahren Beraterin in diesem Bereich und hat dementsprechend schon viel gesehen. Ihr könnt Euch also auf eine spannende Folge freuen!

Datendurst bei LinkedIn: https://www.linkedin.com/company/datendurst/