TL;DR
Cloud Consulting für eine Datenplattform im Mittelstand zahlt sich messbar aus, wenn drei Dinge stimmen: Use-Case vor Tool, Governance ab Tag 1, iterativer Rollout. Die zwölf Cases in diesem Beitrag zeigen Vorher/Nachher-KPIs, Investments zwischen 180k und 800k EUR und Time-to-Value von vier bis zehn Monaten — ohne Folienprosa.
Was Datenplattformen 2026 im Mittelstand wirklich liefern
Eine Zahl vorweg: 68 Prozent der Unternehmen betreiben laut IDC 2025 zwei bis drei parallele Datenplattformen — historisch gewachsen, selten konsolidiert. Das ist die Realität, in der wir starten. Nicht „grüne Wiese“, sondern SAP BW neben Qlik neben Snowflake neben einem Power-BI-Wildwuchs, der niemand mehr überblickt.
Was sich 2026 geändert hat: Die Plattform-Auswahl ist im DACH-Mittelstand spürbar gekippt. Microsoft Fabric liegt nach unserer Erfahrung bei 40 bis 45 Prozent Adoption, Databricks bei 20 bis 25 Prozent, Snowflake bei 15 bis 20 Prozent, der Rest verteilt sich auf Legacy-Stacks. Wer heute neu startet und schon im Microsoft-Ökosystem steht, landet zu 70 Prozent bei Fabric — nicht weil es technisch immer die beste Wahl ist, sondern weil Lizenzbündelung, Power-BI-Integration und vertrauter Toolstack die Adoption beschleunigen.
Der zweite Treiber ist KI. Bitkom misst 2026 41 Prozent aktive KI-Nutzung in deutschen Unternehmen. Gartner prognostiziert gleichzeitig, dass bis 2026 60 Prozent der KI-Projekte scheitern, weil die Daten nicht KI-ready sind. Das ist die ehrliche Verbindung zwischen Datenplattform und KI: Ohne saubere Datenbasis bleibt jedes LLM-Projekt ein teures PoC-Spielzeug.
McKinsey hat dazu 2024 die viel zitierte Zahl geliefert: Data-driven Unternehmen gewinnen 23-mal wahrscheinlicher Kunden und sind 19-mal profitabler als der Wettbewerb. Wir nehmen die Zahl mit Vorsicht — Korrelation, nicht Kausalität — aber der Effekt in unseren Projekten ist real: Wer Reportingzyklen von Wochen auf Stunden drückt, entscheidet anders.
Die 12 Cases im Überblick
Die folgenden zwölf Konstellationen sind anonymisierte Branchen-Pattern aus Projekten, die uns oder befreundeten Häusern in den letzten 18 Monaten begegnet sind. Nicht jeder Case ist ein direkter Pexon-Kunde — aber jede Größenordnung, jede KPI-Bewegung und jedes Investment-Band stammt aus realen Vergleichswerten.
Case-Tiefenbohrung 1: Maschinenbau, 800 MA, Monatsreporting
Fünf Tage Monatsabschluss, drei FTE in Vollauslastung, vier ERPs nach drei Zukäufen. So sah die Ausgangslage aus. Das Controlling-Team konsolidierte manuell in Excel, Korrekturen liefen per Mail, die Geschäftsleitung sah Zahlen frühestens am 7. Werktag.
Unsere Empfehlung: Microsoft Fabric mit OneLake als Single-Source-of-Truth, Direct-Lake-Anbindung an Power BI, Mirroring für die SAP-Quelle, native Connectoren für die drei kleineren ERPs. Bewusst keine Databricks-Schicht — die Datenmengen waren mit 1,2 TB klein genug, dass die zusätzliche Komplexität sich nicht gerechnet hätte.
Nach vier Monaten lag das Monatsreporting nach 15 Minuten vor, ein FTE betreute die Plattform mit, zwei FTE wechselten in Analytics-Rollen. Investment 180 bis 250 Tausend EUR all-in inklusive Datenmodellierung und Power-BI-Semantik. Der Payback lag bei knapp 14 Monaten — gerechnet ohne den nicht-monetären Effekt, dass Entscheidungen jetzt tagesaktuell statt vierteljährlich fallen. Was die Geschäftsleitung am meisten überraschte: Der größte Hebel kam nicht aus der Plattform selbst, sondern aus dem einheitlichen Datenmodell, das wir in den ersten sechs Wochen erzwungen haben.
Case-Tiefenbohrung 2: Spezialversicherer, 600 MA, Schadenquote
Eine Schadenquote, die man erst zwölf Wochen nach Quartalsende kennt, ist keine Steuerungsgröße. Sie ist ein Vergangenheitsbericht. Der Versicherer wusste das, hatte aber zwischen Hostsystem, Aktuariat und externen Daten keine durchgängige Pipeline.
Wir haben Snowflake als zentrale Plattform gesetzt, dbt für die Transformations-Logik, Power BI für die Aktuar-Sicht und ein dünnes Streamlit-Frontend für die Schadenregulierer. Ganz bewusst nicht Fabric — die Konzernpolitik schloss Azure für sensible Versichertendaten zu diesem Zeitpunkt aus, Snowflake auf AWS war freigegeben. Cloud Consulting bedeutet hier auch: Plattformwahl gegen Konzernrichtlinien verteidigen oder akzeptieren, dass nicht überall das technisch optimale Tool politisch durchsetzbar ist.
Nach sechs Monaten lag die Schadenquote 24 Stunden nach Vortag vor, Datenqualität von 80 auf 97 Prozent gehoben, Investment 300 bis 450 Tausend EUR. Der eigentliche Effekt: Die Combined Ratio sank im ersten Jahr um 1,8 Prozentpunkte, weil das Schadenmanagement frühe Trends sah — bei einem Prämienvolumen im neunstelligen Bereich rechnet sich die Plattform in unter neun Monaten.
Case-Tiefenbohrung 3: Technischer Großhandel, 1.200 MA, Post-M&A
Vier ERPs nach drei Zukäufen, Quartalsreporting auf Konzernebene brauchte 35 Tage und sechs Personen, jede Akquisition hatte ihre eigene Material- und Kundenstammlogik. Klassisches Post-Merger-Datenchaos.
Hier haben wir Databricks gewählt, nicht Fabric. Grund: Die Datenmengen lagen bei über 40 TB, die Datenqualitäts-Logiken brauchten echtes Spark, das Team hatte bereits Python-Skills. Unity Catalog als Governance-Layer, Delta Lake als Speicher, dbt-on-Databricks für die Modellierung, Power BI für das Top-Reporting. Die Konsolidierung der vier Stammdatensätze war der härteste Teil — neun Monate, davon vier nur Stammdaten-Harmonisierung mit den Fachbereichen.
Nach neun Monaten Quartalsabschluss in sieben Tagen, Investment 450 bis 700 Tausend EUR. Die ehrliche Bewertung: Die Hälfte des Werts kam aus der Plattform, die andere Hälfte aus der erzwungenen Stammdaten-Harmonisierung, die der M&A-Prozess vorher nie geliefert hatte. Eine Datenplattform ist hier nicht nur ein Werkzeug, sondern ein Vehikel, um Governance durchzusetzen, die organisatorisch sonst nicht passiert wäre.
Case-Tiefenbohrung 4: Pharma-Großhandel, BI-Konsolidierung
Vier BI-Stacks parallel: SAS für die Statistik, Cognos für Finance, Tableau im Vertrieb, Qlik in der Logistik. Lizenzkosten rund 420 Tausend EUR pro Jahr, vier Wartungsverträge, vier Skill-Profile im Team. Keine konsistente Definition von Umsatz, Marge oder Lieferquote.
Wir haben hier nicht eine neue Plattform daneben gebaut, sondern konsolidiert. Microsoft Fabric als Ziel, schrittweise Migration über sechs Monate, die schmerzhafteste Phase war Wochen 8 bis 16, in denen alte und neue Welt parallel liefen. Migration-Investment 220 bis 300 Tausend EUR einmalig, laufende Lizenzkosten von 420k auf 190k EUR pro Jahr — Payback in knapp 14 Monaten allein über Lizenz.
Cloud Consulting in dieser Konstellation hieß zu 60 Prozent Veränderungsbegleitung: vier Power-User-Communities zusammenführen, vier KPI-Definitionen kämpferisch harmonisieren, Tableau-Liebhaber davon überzeugen, dass Power BI ihre Use-Cases abdeckt. Die Technik war der einfache Teil.
Was die Cases gemeinsam haben
Über alle zwölf Konstellationen hinweg sehen wir wiederkehrende Muster. Erstens: Use-Case vor Tool. Jeder Case startete mit einer konkreten Schmerzfrage — Monatsabschluss zu langsam, Schadenquote zu spät, OEE zu niedrig — nie mit „wir brauchen eine moderne Datenplattform“. Wer mit dem Tool startet, baut eine Lösung auf der Suche nach einem Problem.
Zweitens: Iterativer Rollout schlägt Big Bang. In jedem erfolgreichen Case lag das erste produktive Ergebnis nach drei bis fünf Monaten vor, nicht nach zwölf. Wer zwölf Monate ohne sichtbares Ergebnis baut, verliert die Stakeholder.
Drittens: Governance ab Tag 1. Data Catalog, Data Ownership pro Domäne, klare Definition von KPIs — wenn das nicht in den ersten acht Wochen steht, holst du es nie mehr ein. Wir haben drei Projekte gesehen, die genau daran gescheitert sind.
Viertens — und das ist die unbequeme Wahrheit: Tool-Auswahl ist sekundär. Fabric, Databricks und Snowflake liefern alle drei bei korrekter Auswahl und Implementierung. Die Auswahlfrage ist 30 Prozent technisch, 70 Prozent organisatorisch: Welche Skills hat das Team? Welcher Cloud-Vertrag besteht? Welche Governance-Anforderungen?
Investment vs TCO — was Cloud Consulting tatsächlich kostet
Die Drei-Jahres-TCO-Bänder, die wir in unserer Erfahrung sehen, liegen für Microsoft Fabric bei 350 bis 800 Tausend EUR, für Databricks bei 500 Tausend bis 1,2 Millionen EUR, für Snowflake bei 400 bis 900 Tausend EUR — jeweils für mittelständische Setups zwischen 500 und 2.500 Mitarbeitenden.
Der größte Posten ist immer der interne Betrieb. Wer das nicht einplant, rechnet die Plattform schön. Cloud Consulting als externer Hebel macht typisch 30 bis 40 Prozent der Initial-Investition aus — der Rest sind Lizenz, Infrastruktur und interne Aufwände, die unabhängig vom Beratungspartner anfallen.
Ein realistischer Payback liegt zwischen 14 und 24 Monaten, wenn der Use-Case sauber definiert ist. Wer „wir wollen besser werden“ sagt, hat keinen Payback. Wer „Monatsabschluss in 8 Stunden statt 5 Tagen“ sagt, kann rechnen.
Wo Datenplattform-Projekte scheitern — sieben Anti-Patterns
In den letzten Jahren haben wir mehrere Projekte gesehen, die mit jedem Budget gestorben wären. Die Muster sind unbequem klar:
- Big-Bang statt iterativ. Zwölf Monate „wir bauen erst alles fertig“ — dann kennt niemand mehr die Anforderung von Monat eins.
- Tool vor Use-Case. „Wir kaufen Databricks, dann finden wir schon einen Anwendungsfall.“ Nein, dann findet ihr ein Budgetloch.
- Keine Data Ownership im Fachbereich. Wenn IT die Datenmodelle für Finance baut und Finance sich nicht verantwortlich fühlt, scheitert das Reporting.
- Governance erst am Ende. Data Lake wird zum Data Swamp. Gartner prognostiziert 80 Prozent gescheiterte Governance-Initiativen bis 2027 — wir sehen den Trend in jedem Audit.
- Self-Service ohne Semantik. Fünf Versionen der Wahrheit, weil jeder Fachbereich seine eigene KPI-Definition baut. Selten ein Tool-Problem, fast immer ein Definitions-Problem.
- Skills-Mismatch. Databricks-Lakehouse ohne Spark- und Python-Skills im Team. Funktioniert sechs Monate, dann hängt alles am externen Dienstleister.
- AI vor Daten. Erst das LLM-Projekt, dann fällt auf, dass die Datenbasis nicht KI-ready ist. Gartner 60 Prozent Quote stimmt mit unserer Erfahrung überein.
Wer drei oder mehr dieser Anti-Patterns gleichzeitig hat, sollte das Projekt verschieben, nicht starten. Cloud Consulting kann technische Lücken schließen, aber keine organisatorische Bereitschaft erzeugen.
Häufig gestellte Fragen
Microsoft Fabric vs Databricks — was passt für 800-MA-Mittelständler?
Wenn der Microsoft-Stack bereits steht (Microsoft 365, Power BI, Azure AD) und die Datenmengen unter 5 TB liegen, ist Fabric in 70 Prozent der Fälle die schnellere und günstigere Wahl. Databricks gewinnt, sobald echte ML-Workloads, große Datenmengen über 20 TB oder ein vorhandenes Spark/Python-Team im Spiel sind. Bei 800 MA und Standard-Reporting-Bedarf führt der Weg meist über Fabric.
Was kostet eine Datenplattform im Mittelstand wirklich (3-Jahres-TCO)?
Realistische Bänder für 500 bis 2.500 MA: Microsoft Fabric 350 bis 800 Tausend EUR, Databricks 500 Tausend bis 1,2 Millionen EUR, Snowflake 400 bis 900 Tausend EUR. Größter Block ist meist der interne Betrieb (1 bis 2 FTE über drei Jahre), nicht die Plattform-Lizenz. Wer nur Lizenzkosten rechnet, unterschätzt typisch um Faktor zwei.
Wie lange dauert die Einführung von Microsoft Fabric vom PoC bis produktiv?
Pilot mit einem klaren Use-Case in vier bis acht Wochen. Erstes produktives Dashboard in drei bis sechs Monaten. Vollausbau über mehrere Domänen in neun bis 18 Monaten. Wer schneller verspricht, lügt entweder beim Scope oder bei der Datenqualität.
Kann ich SAP/ERP-Daten in Microsoft Fabric integrieren?
Ja, über drei Wege: Mirroring (für SAP HANA in Echtzeit), CDC über SAP Datasphere, oder klassisch über Connectoren wie Theobald, SNP Glue oder Fivetran. In unseren Projekten ist Mirroring der schnellste Pfad, wenn HANA-Zugriff freigegeben ist; sonst über Theobald-Replikation in OneLake. Der Aufwand liegt typisch bei sechs bis zehn Wochen für die ersten kritischen Module (FI, CO, SD, MM).
Wie vermeide ich, dass mein Data-Lake zum Data-Swamp wird?
Drei Pflichten ab Tag 1: erstens Data Catalog (Purview, Unity Catalog, dbt Docs) mit Pflicht-Metadaten; zweitens Data Ownership pro Domäne mit benanntem Owner; drittens KPI-Glossar mit verbindlichen Definitionen, freigegeben durch das Steering. Wer eines davon weglässt, hat in 18 Monaten Datenchaos zurück.
Nächster Schritt
Wenn du in deinem Unternehmen eine ähnliche Konstellation siehst — fragmentierte Datenquellen, langsames Reporting, KI-Ambitionen ohne saubere Datenbasis — bringt eine strukturierte Discovery mehr als drei Workshops. In 60 Minuten klären wir Use-Case-Priorisierung und Plattform-Wahl auf Basis deiner konkreten Ausgangslage.
Datenplattform-Discovery: Use-Case und Plattform-Wahl in 60 Minuten klären
Verwandte Themen
