Termin buchen
Digital Analytics

Star Schema für Marketingdaten: Der praxisnahe Leitfaden

Star Schema für Marketingdaten: Faktentabellen, Dimensionen und Granularität erklärt, mit einem Beispielmodell für Kampagnen, Website und CRM in Power BI oder BigQuery.

Armin Sanjari · 6 Min. Lesezeit

Ein Star Schema ordnet Daten in zwei Arten von Tabellen: Faktentabellen mit Zahlen in der Mitte und Dimensionstabellen mit Beschreibungen drumherum. Auf dem Diagramm sieht das aus wie ein Stern, daher der Name. Für Marketingdaten ist es fast immer das richtige Modell, weil es schnelle Berichte liefert und weil Fachleute es verstehen.

Wir bauen Marketing-Datenmodelle in Power BI, BigQuery und anderen Plattformen. Dieser Artikel zeigt das Prinzip und ein Beispiel, das sich in vielen Projekten bewährt hat.

Fakten und Dimensionen

Faktentabellen enthalten Messwerte: Kosten, Klicks, Impressionen, Sitzungen, Leads, Umsatz. Jede Zeile ist ein Ereignis oder ein Messpunkt, etwa „Kampagne X am 3. März“.

Dimensionstabellen enthalten die Merkmale, nach denen Sie filtern und gruppieren: Datum, Kampagne, Kanal, Produkt, Region. Jede Zeile beschreibt genau ein Ding, etwa eine Kampagne mit Name, Plattform, Ziel und Startdatum.

Verbunden werden sie über Schlüssel. Die Faktentabelle enthält die Kampagnen-ID, die Dimensionstabelle die Details zur Kampagne.

Die wichtigste Entscheidung: Granularität

Bevor Sie die erste Tabelle anlegen, legen Sie fest, was eine Zeile in der Faktentabelle bedeutet. Diese Festlegung heißt Granularität.

Für Werbedaten ist eine sinnvolle Granularität: ein Tag × eine Anzeigengruppe × eine Plattform. Feiner (pro Anzeige, pro Stunde) wird das Modell schnell groß. Gröber (pro Kampagne und Woche) fehlen Ihnen später Details.

Wichtig: Fakten mit unterschiedlicher Granularität gehören in verschiedene Faktentabellen. Werbekosten pro Tag und Leads pro Person in eine Tabelle zu zwingen, führt zu falschen Summen.

Ein Beispielmodell für Marketing

Faktentabellen:

  • fakt_werbung: Datum, Kampagnen-ID, Plattform, Kosten, Impressionen, Klicks, Conversions laut Plattform.
  • fakt_website: Datum, Kanal-ID, Landingpage-ID, Sitzungen, Conversions laut GA4.
  • fakt_leads: Lead-ID, Erstellungsdatum, Kampagnen-ID, Status, Auftragswert.

Dimensionstabellen:

  • dim_datum: ein Eintrag pro Tag mit Woche, Monat, Quartal, Geschäftsjahr, Feiertag.
  • dim_kampagne: Kampagnen-ID, Name, Plattform, Ziel, Produktlinie.
  • dim_kanal: Kanal-ID, Kanalgruppe (bezahlt, organisch, direkt, E-Mail).
  • dim_landingpage: URL, Seitentyp, Thema.

Mit diesem Modell lassen sich Fragen beantworten wie: „Was haben Kampagnen der Produktlinie A im letzten Quartal gekostet, und wie viel Umsatz kam aus den Leads?“ Ohne dass jemand eine Formel in Excel zusammenbauen muss.

Wenn sich Dimensionen ändern

Kampagnen werden umbenannt, Produkte wechseln die Linie, Vertriebsgebiete werden neu geschnitten. Wie gehen Sie mit der Geschichte um?

  • Überschreiben (Typ 1): Der neue Wert ersetzt den alten. Einfach, aber alte Berichte sehen danach anders aus.
  • Historisieren (Typ 2): Jede Änderung bekommt eine neue Zeile mit Gültigkeitszeitraum. Aufwendiger, aber alte Zahlen bleiben nachvollziehbar.

Für Kampagnennamen reicht meist Typ 1. Für Vertriebsgebiete und Produktzuordnungen, die in Umsatzberichten vorkommen, lohnt sich Typ 2.

Star Schema oder Snowflake?

Beim Snowflake-Schema werden Dimensionen weiter zerlegt, etwa Kampagne → Plattform → Anbieter in eigene Tabellen. Das spart Speicher, macht Abfragen aber komplizierter und langsamer.

Für Analyse und Berichte empfehlen wir fast immer das Star Schema. Speicher ist billig, Verständlichkeit nicht. In Power BI ist das Star Schema die von Microsoft ausdrücklich empfohlene Form.

Umsetzung

In Power BI: Fakten- und Dimensionstabellen in Power Query aufbereiten, Beziehungen von Dimension (1) zu Fakt (viele) anlegen, Filterrichtung einfach. Kennzahlen als DAX-Measures, nicht als berechnete Spalten. Mehr dazu in unserem Power-BI-Seminar.

In BigQuery oder einem anderen Data Warehouse: Rohdaten in eine eigene Schicht laden, daraus mit SQL die Fakten- und Dimensionstabellen bauen. Werkzeuge wie dbt oder Dataform helfen, die Transformationen zu versionieren und zu testen.

Inkrementell laden: Bei großen Faktentabellen nur die neuen Tage laden und die letzten Tage überschreiben, weil Plattformen Werte nachträglich korrigieren.

Datenqualität und Datenschutz

  • Schlüssel prüfen: Gibt es Fakten ohne passende Dimension? Das sind die „Unbekannt“-Zeilen im Bericht.
  • Kampagnennamen standardisieren: Ein Namensschema mit festen Bausteinen spart später viel Mapping-Arbeit.
  • Personenbezogene Daten trennen: Lead-Daten mit Namen und E-Mail gehören nicht in ein Modell, auf das das halbe Unternehmen Zugriff hat. Pseudonyme IDs reichen für die Analyse.

Wenn Sie ein Marketing-Datenmodell aufbauen wollen: Unser Team für Data Engineering macht genau das.

FAQ

Was ist ein Star Schema?

Ein Datenmodell mit einer oder mehreren Faktentabellen für Messwerte in der Mitte und Dimensionstabellen für beschreibende Merkmale außen herum.

Was ist der Unterschied zwischen Star Schema und Snowflake Schema?

Beim Snowflake Schema werden Dimensionen in weitere Tabellen zerlegt. Das spart Speicher, macht Abfragen aber komplizierter. Für Berichte ist das Star Schema meist besser.

Warum empfiehlt Microsoft das Star Schema für Power BI?

Weil die Analyse-Engine von Power BI darauf optimiert ist. Berichte werden schneller, Kennzahlen einfacher zu schreiben und Filter verhalten sich vorhersehbar.

Quellen

Empfehlungen

Newsletter & Webinare

Noch nicht so weit? Bleiben Sie auf dem Laufenden.

Praxiswissen zu Tracking, Datenschutz, Analytics und Performance Marketing, dazu Einladungen zu unseren Webinaren. Kein Spam, Abmeldung jederzeit mit einem Klick.

Themen

30-Minuten-Termin buchen

Bei Calendly öffnen ↗ · Lieber eine Nachricht schreiben · Datenschutz-Einstellungen