ETL-Prozess erklärt: Wie Daten aus Shop, Wawi und Marketing sauber zusammenfinden

Ein ETL-Prozess holt Daten aus mehreren Systemen (Extrahieren), bringt sie in eine einheitliche Form (Transformieren) und schreibt sie in einen gemeinsamen Speicher (Laden). Im Handel heißt das: Bestellungen aus Shop, Wawi, Amazon und Google Analytics landen bereinigt in einer Tabelle. Bei ELT wird erst geladen und danach im Zielsystem umgeformt.

Stand: 25. September 2026. Alle Herstellerangaben stammen aus deren Dokumentation und wurden an diesem Tag einzeln nachgelesen. Felder ändern sich mit neuen Versionen — prüfen Sie vor dem Bau die Doku Ihrer Version. Die Belege stehen am Ende.

1. ETL in drei Schritten: Extrahieren, Transformieren, Laden

ETL steht für Extract, Transform, Load. Microsoft beschreibt ETL als Prozess, der Daten aus verschiedenen Quellen in einem einheitlichen Speicher zusammenführt (Quelle: Microsoft Learn, Extrahieren, Transformieren und Laden). Das Ziel ist meist ein Data Warehouse, also ein Speicher für Auswertungen. Die Reihenfolge ist fest:

1. Extrahieren. Die Strecke holt die Rohdaten aus den Quellen ab: als Datei, über eine Schnittstelle oder mit einer Abfrage auf die Datenbank.
2. Transformieren. Sie filtert, verknüpft, bereinigt, entfernt Dubletten und prüft die Werte — so zählt Microsoft die Umformung auf. Hier entsteht die belastbare Zahl.
3. Laden. Sie schreibt das Ergebnis in den Zielspeicher. Berichte und Dashboards lesen nur noch von dort.

Dazu zwei Begriffe. Eine ETL-Strecke, englisch ETL-Pipeline, ist ein fest eingerichteter Ablauf von einer Quelle bis zum Ziel. Der Staging-Bereich ist ein Zwischenlager vor dem Ziel. IBM nennt ihn eine „Laderampe": Dort werden Rohdaten bereinigt und geprüft, bevor sie weiterwandern (Quelle: IBM, Was ist ETL?).

Laut IBM läuft ETL meist automatisch, in Stapeln und außerhalb der Geschäftszeiten. Das trennt ETL von einer Schnittstelle, die einzelne Ereignisse sofort weiterreicht, etwa eine Zahlung. Diesen zweiten Weg erklärt unser Beitrag zu API und Webhooks im Echtzeitbetrieb.

2. Das Beispiel: ein Tagesumsatz aus vier Quellen

Nehmen wir einen Händler mit JTL-Wawi, einem Shopify-Shop, einem Amazon-Konto und Google Analytics 4. Die Geschäftsführung will jeden Morgen eine Zahl sehen: den Nettoumsatz des Vortags nach Retouren, in Euro, nach deutschem Kalendertag. Jede Quelle liefert dafür etwas anderes — schon im einzelnen Feld.

Die letzte Zeile ist kein Fehler. Mit einem Einwilligungsbanner fehlen in Analytics die Daten der Nutzer, die nicht zugestimmt haben (Quelle: Analytics-Hilfe, Einwilligungsmodus). Die Schätzung, die diese Lücke in Berichten füllt, wirkt laut derselben Seite nicht im Export nach BigQuery. Google Analytics beantwortet also, woher ein Kauf kam — nicht, wie viel Umsatz es war.

Daraus folgt der wichtigste Satz: Ein ETL-Prozess macht vier Zahlen nicht gleich. Er legt für jede Kennzahl eine Regel fest und wendet sie jede Nacht gleich an. Welche Quelle bei welcher Kennzahl führt, beschreibt unser Beitrag zum KPI-Dashboard für den Online-Handel. Beim Umsatz nach Retouren ist es fast immer die Wawi, weil nur sie alle Korrekturbelege kennt.

3. Extrahieren: So kommen die Daten aus JTL-Wawi, Shopify, Amazon und GA4

Jede Quelle hat eigene Grenzen. Diese fünf Wege nutzen wir in Händlerprojekten am häufigsten:

Für JTL-Wawi ist der Eigene Export der dokumentierte Weg. Damit lassen sich laut JTL „alle in JTL-Wawi hinterlegten Daten aus der Datenbank filtern und exportieren" (Quelle: JTL-Guide, Eigene SQLs exportieren). Nachts startet der Windows-Aufgabenplaner die Ameise über die Kommandozeile. Der Aufruf enthält Datenbankbenutzer und Passwort und gehört an einen geschützten Ort. Vorlagen und Editionen erklärt unser Beitrag zur JTL-Ameise für Import und Export.

Beim ersten Lauf holen Sie die ganze Historie, danach nur noch Neues und Geändertes. IBM nennt das anfängliches und inkrementelles Laden. Bei Shopify fehlt ohne das Zusatzrecht die Historie für den Vorjahresvergleich. Beantragen Sie es, bevor die erste Strecke läuft.

4. Transformieren: sechs Stellen, an denen Zahlen kippen

Hier entscheidet sich, ob Ihre Zahl stimmt. Diese sechs Fallen begegnen uns in fast jedem Händlerprojekt — jede mit ihrer Regel.

Dubletten: dieselbe Bestellung zweimal

Der häufigste Fall: Wer Shopify über den JTL-Connector anbindet, hat nach einem Abgleich laut JTL alle Artikel, Aufträge und Kunden des Shops auch in der Wawi (Quelle: JTL-Guide, Daten von Shopify an JTL-Wawi übertragen). Wer beide Quellen addiert, zählt jede Shop-Bestellung doppelt. Die Regel: Eine Quelle führt, die andere liefert nur, was fehlt. Verbunden werden beide über die Auftragsnummer. JTL kann die Nummer aus dem Shop übernehmen, warnt aber vor sich überschneidenden Nummernkreisen.

Google Analytics fasst Käufe mit derselben Transaktions-ID zusammen, aber nur bei Web-Streams. Ist die ID leer, verschmelzen alle diese Käufe zu einem (Quelle: Analytics-Hilfe, Transaktions-IDs). Ob der BigQuery-Export dieselbe Bereinigung zeigt, sagt die Seite nicht. Zählen Sie beim ersten Laden selbst, welche Transaktions-IDs mehrfach vorkommen.

Zeitzonen: der Tag, der um 22 Uhr endet

Die mitteleuropäische Zeit liegt laut Gesetz eine Stunde vor der Weltzeit UTC, die Sommerzeit zwei Stunden (Quelle: § 4 Einheiten- und Zeitgesetz). Eine Bestellung um 0:30 Uhr am 1. Juli ist also 22:30 Uhr UTC am 30. Juni. Gruppiert Ihre Strecke nach dem UTC-Datum, landet sie im Juni.

Die Quellen arbeiten uneinheitlich. Google Analytics speichert im Export das Datum in der Zeitzone der Property, den Zeitpunkt aber in UTC (Quelle: Analytics-Hilfe, BigQuery-Exportschema). Amazon liefert Zeitpunkte entweder in UTC oder mit einem Versatz zur Ortszeit. Shopify nutzt ISO 8601 und kennt zwei Zeitpunkte je Bestellung, Anlage und Verarbeitung. Legen Sie fest, welcher zählt.

Dazu kommen zwei Sonderfälle. Am Ende der Sommerzeit gibt es laut Gesetz eine „doppelt erscheinende" Stunde (Quelle: § 5 Einheiten- und Zeitgesetz). Eine Ortszeit ohne Versatz ist dann nicht eindeutig. Und ein selbst betriebenes n8n nutzt ohne Einstellung die Zeitzone von New York (Quelle: n8n-Doku, Schedule Trigger). Die Regel: Jeden Zeitpunkt in UTC speichern und den deutschen Kalendertag erst am Ende bilden, an genau einer Stelle.

Währungen: zwei Beträge in einem Feld

Wer in mehreren Währungen verkauft, bekommt Beträge doppelt. Shopify liefert zu jedem Preis den Wert in der Währung des Kunden und den Wert in der Basiswährung des Shops (Quelle: Shopify-Doku, MoneyBag). Google Analytics führt zusätzlich eine Spalte in US-Dollar, Amazon die Währung je Zeile. Wer das falsche Feld greift, addiert Kronen, Pfund und Euro.

JTL-Wawi speichert je Währung einen Umrechnungskurs und gleicht ihn per Knopfdruck mit der EZB ab (Quelle: JTL-Guide, Währungen anlegen). Die EZB veröffentlicht ihre Referenzkurse meist gegen 16 Uhr mitteleuropäischer Zeit, nur an Arbeitstagen und nur zu Informationszwecken (Quelle: EZB, Euro-Referenzkurse). Für den Samstag gibt es also keinen Tageskurs. Die Regel: Betrag und Währung im Original speichern, einmal zu einem festgelegten Kurs umrechnen und den Kurs mit in die Zeile schreiben.

Retouren: doppelt abgezogen

Retouren fehlen selten — öfter werden sie zweimal abgezogen. Shopify liefert mit currentTotalPriceSet eine Summe, in der Retouren schon abgezogen sind, und mit totalRefundedSet die erstatteten Beträge noch einmal einzeln (Quelle: Shopify-Doku, Order). Wer von der ersten Summe noch einmal die Erstattungen abzieht, zählt jede erstattete Retoure doppelt. Dasselbe gilt, wenn Shopify-Erstattung und Wawi-Korrektur zur selben Retoure beide abgezogen werden.

In JTL-Wawi dürfen Rechnungen nachträglich nicht geändert werden. Stattdessen entstehen Stornobelege und Rechnungskorrekturen. Laut JTL sind Rechnungskorrekturen und Gutschriften technisch gleich, nur bezieht sich die Korrektur immer auf eine Rechnung (Quelle: JTL-Guide, Rechnungskorrektur erstellen). Entscheiden Sie deshalb bewusst, ob freie Gutschriften in Ihren Umsatz eingehen — technisch liegen sie neben den Korrekturen. Die Regel: Retouren kommen aus genau einer Quelle — im Beispiel aus der Wawi.

Zahlenformate: 95,00 ist nicht 95.00

Die Amazon-Abrechnung zeigt Beträge im örtlichen Format, für die EU also mit Komma, wie in „95,00" (Quelle: Amazon, Settlement Reports). Ein Werkzeug, das einen Punkt erwartet, liest den Betrag falsch oder gar nicht. Auch in JTL-Wawi hat jede Währung eigene Trennzeichen. Die Regel: Das Zahlenformat je Quelle fest einstellen, nie raten lassen.

Brutto, netto, Versand: welche Summe gemeint ist

Die Shopify-Summen enthalten Steuern und Rabatte; Steuer und Versand stehen zusätzlich in eigenen Feldern. Auch Google Analytics exportiert beides getrennt. Die Regel: Schreiben Sie einmal auf, was Nettoumsatz bei Ihnen heißt — mit oder ohne Versand, vor oder nach Rabatt. Die Strecke rechnet jede Quelle auf diese eine Definition um.

5. Laden: voll, schrittweise und wiederholbar

Das Laden wirkt leicht, macht Fehler aber dauerhaft. Microsoft empfiehlt, die Arbeit an Grenzen wie Datum oder Mandant aufzuteilen, damit Wiederholungen idempotent bleiben. Das heißt: Läuft dieselbe Strecke zweimal, steht danach trotzdem jede Bestellung nur einmal im Ziel. Vier Regeln setzen das um:

• Ersetzen statt anhängen. Löschen Sie den betroffenen Tag im Ziel und schreiben Sie ihn neu, oder gleichen Sie über einen eindeutigen Schlüssel ab. Reines Anhängen erzeugt bei jeder Wiederholung Dubletten.
• Ein Nachladefenster einplanen. Google Analytics ergänzt Tagestabellen im Export bis zu drei Kalendertage später (Quelle: Analytics-Hilfe, BigQuery Export). Laden Sie deshalb jede Nacht die letzten drei Tage neu, nicht nur gestern.
• Nicht zur vollen Stunde starten. Geplante BigQuery-Abfragen können laut Google genau zur vollen Stunde mehrmals auslösen, mit Dubletten als Folge. Google empfiehlt Zeiten wie 8:58 oder 9:03 Uhr. Den Zeitplan rechnet BigQuery in UTC um, die Sommerzeit ändert daran nichts (Quelle: BigQuery-Doku, Abfragen planen). Ein Lauf, den Sie im Winter auf 3 Uhr legen, startet im Sommer um 4 Uhr deutscher Zeit.
• Erst prüfen, dann freigeben. Schreiben Sie zuerst ins Zwischenlager und vergleichen Sie die Zahl der Rechnungen mit der Wawi. Erst dann geht der Tag ins Ziel.

Dazu gehört eine Warnung, wenn ein Lauf ausbleibt. Eine Strecke, die laut abbricht, fällt am selben Morgen auf. Eine, die still leer läuft, fällt erst auf, wenn die Buchhaltung fragt.

6. ETL oder ELT: Wo gehört die Umformung hin?

ELT dreht die letzten beiden Schritte um. Laut Microsoft unterscheidet sich ELT nur darin, wo umgeformt wird: im Zielsystem selbst, mit dessen Rechenleistung. AWS nennt ELT die Standardwahl für moderne Analysen (Quelle: AWS, ETL und ELT im Vergleich). Microsoft nennt klare Fälle für beide Wege.

Für ETL spricht laut Microsoft ein schwaches Ziel, komplexe Regeln oder eine Prüfpflicht vor dem Laden. Für ELT spricht ein Ziel, das mit der Last wächst.

Im Handel lautet die Antwort meist: beides, was auch AWS ausdrücklich vorsieht. Die Rohdaten aus Google Analytics landen ohnehin ungeformt in BigQuery. Sie dort mit SQL umzuformen, ist klassisches ELT. Der Wawi-Export enthält dagegen Namen und Adressen, die ein Umsatzbericht nicht braucht. Hier passt ETL: Die Strecke entfernt die Personendaten vor dem Laden. Was nicht geladen wird, muss im Ziel niemand schützen oder löschen.

Dazu kommt Reverse ETL, laut Microsoft der Rückweg: Aufbereitete Daten fließen zurück in die Arbeitswerkzeuge, etwa eine Kundengruppe ins CRM. Das lohnt sich, sobald der Hinweg sauber läuft.

7. ETL-Prozess in Power BI und Excel: Power Query

Wer nach „ETL-Prozess Power BI" sucht, hat das Werkzeug oft schon im Haus. Microsoft beschreibt Power Query als Modul für die Umformung und Aufbereitung von Daten, mit dem sich ETL umsetzen lässt (Quelle: Microsoft Learn, Was ist Power Query?). Es steckt in Excel und in Power BI Desktop. Laut Microsoft verbindet es sich mit Hunderten Quellen und bietet über 350 Arten von Umformungen.

Für eine einzelne Auswertung reicht das oft. Die Grenze: Die Schritte stecken in einer Datei. Brauchen drei Berichte dieselbe Logik, entstehen drei Kopien. Dafür gibt es Dataflows, die aufbereitete Daten zentral für andere Berichte speichern. Die neuere Fassung Dataflow Gen2 in Microsoft Fabric baut ebenfalls auf Power Query auf und schreibt in mehrere Ziele (Quelle: Microsoft Learn, Dataflow Gen2).

Was die Fabric-Variante kostet und welche Elemente eine eigene Kapazität brauchen, steht im Beitrag zu Microsoft Fabric und Power-BI-Lizenzen. Rezepte für Wawi-Exporte, Marktplatz-Berichte und DATEV-Daten zeigt unser Beitrag zu Power Query für Händler.

8. ETL-Tools: fünf Werkzeugklassen statt einer Rangliste

Wer nach „ETL-Tool" sucht, findet vor allem Listen der angeblich besten Programme. Für den Mittelstand zählt eine andere Frage: Welche Klasse passt zu Datenmenge, Team und Betrieb? Die Beispiele sind keine Rangfolge.

Ablaufwerkzeuge wie n8n eignen sich für kleine Strecken: Bericht abholen, Felder umbenennen, Ergebnis ablegen. Für einen Abgleich mit gestern brauchen sie aber einen eigenen Speicher, etwa eine Datenbank. Wie ein erster Ablauf entsteht, zeigt unser n8n-Tutorial.

Integrationsplattformen wie Lobster Data lohnen sich bei vielen Systemen und Partnern. Datenflüsse entstehen in einer grafischen Oberfläche; die Plattform formt um, prüft und überwacht, in der Cloud oder im eigenen Haus. Wie wir solche Projekte aufsetzen, beschreibt unsere Seite zur Datenintegration mit Lobster Data. Welche Middleware wofür taugt, zeigt der Vergleich der Middleware-Lösungen — dort mit Blick auf den Belegaustausch mit Partnern.

Preise nennen wir bewusst nicht. Sie hängen an Edition, Datenmenge und Betriebsart. Eine seriöse Zahl gibt es erst, wenn die Strecken feststehen.

9. Die Beispielstrecke als Nachtlauf in sieben Schritten

So sieht der Tagesumsatz aus Kapitel 2 als fertiger Ablauf aus:

1. Die Kennzahl schriftlich festlegen. Nettoumsatz nach Retouren, in Euro, nach deutschem Kalendertag. Führende Quelle ist die Wawi.
2. Die Wawi abholen. Ein Eigener Export liefert nachts Rechnungen, Rechnungskorrekturen und Stornobelege der letzten Tage.
3. Amazon abholen. Neue Abrechnungsberichte der Fassung V2 holen, Beträge mit Komma lesen, Währung je Zeile übernehmen.
4. Shopify nur ergänzend holen. Über die Admin-API kommen nur Angaben, die in der Wawi fehlen, keine zweiten Umsätze.
5. Google Analytics neu einlesen. Die letzten drei Tagestabellen aus BigQuery jede Nacht ersetzen. Sie zeigen die Herkunft der Käufe, nicht die Umsatzsumme.
6. Im Zwischenlager umformen. Zeit in UTC, Kalendertag am Ende, Fremdwährung zum festen Kurs, Dubletten über die Auftragsnummer entfernen, Retouren nur aus der Wawi.
7. Laden und prüfen. Tage ersetzen statt anhängen, gegen die Wawi zählen, nicht zur vollen Stunde starten. Bleibt ein Lauf aus, geht eine Warnung raus.

Aus dem Ergebnis liest jedes Berichtswerkzeug. Wie das mit Googles kostenlosem Werkzeug aussieht, zeigt der Beitrag zum Dashboard mit Looker Studio, heute Data Studio. Welches Werkzeug überhaupt zu Ihnen passt, klärt der Vergleich der BI-Tools. Die Strecke dahinter bleibt dieselbe.

10. Wann Sie keinen ETL-Prozess brauchen

In diesen vier Fällen ist ein anderer Weg einfacher:

• Nur Google-Quellen. Liegen alle Zahlen in Analytics, Ads und Search Console, reichen fertige Konnektoren.
• Ein Ereignis soll sofort wirken. Bestand, Zahlung, Versand: Hier braucht es eine Schnittstelle oder einen Webhook, keinen Nachtlauf.
• Belege mit Handelspartnern. Genormte Bestellungen und Rechnungen laufen über EDI — Nachrichtenverkehr, keine Auswertung.
• Eine Quelle, ein Bericht. Wer nur die Auswertungen der Warenwirtschaft braucht, nutzt sie direkt im System.

Ein ETL-Prozess lohnt sich, sobald zwei Quellen regelmäßig eine gemeinsame Zahl ergeben müssen — im Onlinehandel meist mit dem zweiten Verkaufskanal.

11. Fazit: Drei Buchstaben, eine Regel je Zahl

ETL ist schnell erklärt: abholen, umformen, laden. Die Arbeit steckt im mittleren Buchstaben. Keine der sechs Fallen hat mit dem Werkzeug zu tun. Alle sind Regeln, die jemand einmal festlegen muss.

Unsere Empfehlung nach vielen Händlerprojekten: Beginnen Sie mit einer einzigen Kennzahl und bauen Sie die Strecke dafür vollständig, samt Prüfung und Warnung. Eine Zahl, der alle trauen, ist mehr wert als zehn, über die jede Woche gestritten wird.

Welche Quelle bei Ihnen führen sollte und welche Werkzeugklasse passt, klären wir gern gemeinsam — mit einem Blick auf Ihre Systemlandschaft und Datenflüsse.

12. Häufige Fragen zum ETL-Prozess

Was ist ein ETL-Prozess?

Ein ETL-Prozess ist ein automatischer Ablauf, der Daten aus mehreren Quellen holt, nach festen Regeln bereinigt und in einen gemeinsamen Speicher schreibt. Im Handel sind die Quellen meist Warenwirtschaft, Shop, Marktplätze und Web-Analyse. Das Ergebnis ist eine Tabelle, aus der Berichte jeden Morgen dieselben, nachvollziehbaren Zahlen lesen.

Wofür steht die Abkürzung ETL?

ETL steht für Extract, Transform, Load, auf Deutsch Extrahieren, Transformieren und Laden. Die drei Wörter geben die Reihenfolge vor: Daten aus den Quellen abholen, in eine einheitliche Form bringen und dann ins Zielsystem schreiben. Mit der gleichnamigen Kanzleigruppe für Steuerberatung hat der Fachbegriff nichts zu tun.

Was ist eine ETL-Strecke?

So heißt ein einzelner, fest eingerichteter ETL-Ablauf von einer Quelle bis zum Ziel, etwa „Amazon-Abrechnung in die Umsatztabelle". Im Englischen spricht man von einer ETL-Pipeline. Ein Unternehmen betreibt meist mehrere Strecken, die ein Zeitplan nacheinander startet. Jede braucht eigene Prüfungen und ein eigenes Protokoll.

Was ist der Unterschied zwischen ETL und ELT?

Der Ort der Umformung. Bei ETL werden die Daten vor dem Laden bereinigt, meist in einem eigenen Werkzeug oder Zwischenlager. Bei ELT landen die Rohdaten zuerst im Zielsystem, etwa einem Data Warehouse, und werden dort mit dessen Rechenleistung umgeformt. ELT behält die Rohdaten, ETL lädt nur das geprüfte Ergebnis.

Wann ETL und wann ELT?

ETL passt, wenn das Ziel wenig Rechenleistung hat, die Regeln kompliziert sind oder Daten vor dem Laden geprüft werden müssen, etwa um Kundendaten zu entfernen. ELT passt, wenn Sie ein skalierbares Data Warehouse nutzen und Rohdaten für spätere Fragen behalten wollen. In Händlerprojekten kombinieren wir beides meist.

Was sind ETL-Tools?

Programme, die das Abholen, Umformen und Laden von Daten planen, ausführen und überwachen. Das reicht von Power Query in Excel und Power BI über Ablaufwerkzeuge wie n8n und Plattformen wie Lobster Data bis zu Cloud-Diensten wie BigQuery oder Data Factory in Microsoft Fabric. Entscheidend ist die Klasse, nicht die Rangliste.

Was ist ein ETL-Prozess in Power BI?

In Power BI übernimmt Power Query die ETL-Schritte. Sie verbinden eine Quelle, legen im Editor Schritte wie Filtern, Umbenennen oder Zusammenführen fest und laden das Ergebnis ins Datenmodell. Bei jeder Aktualisierung laufen dieselben Schritte erneut. Wer die Logik in mehreren Berichten braucht, legt sie in einen gemeinsamen Dataflow.

Wie oft sollte ein ETL-Prozess laufen?

So oft, wie die Entscheidung es verlangt, die auf der Zahl beruht. Für Tagesberichte reicht ein Lauf pro Nacht; IBM beschreibt ETL als Stapelverfahren, das meist außerhalb der Geschäftszeiten läuft. Wichtiger als der Takt ist ein Nachladefenster: Google Analytics ergänzt Tagestabellen im BigQuery-Export noch bis zu drei Tage später.

Was ist ein Beispiel für einen ETL-Prozess?

Ein Händler holt jede Nacht Rechnungen und Rechnungskorrekturen aus JTL-Wawi, die Amazon-Abrechnung und die Kaufereignisse aus Google Analytics. Die Strecke rechnet Fremdwährungen in Euro um, ordnet jeden Zeitpunkt dem deutschen Kalendertag zu und entfernt doppelte Bestellungen. Am Morgen steht der Nettoumsatz des Vortags nach Retouren bereit.

13. Quellen & Hersteller-Dokumentation

Alle wurden am 25. September 2026 abgerufen und inhaltlich gegengelesen. Externe Quellen öffnen in einem neuen Tab.

• Microsoft Learn — Extrahieren, Transformieren und Laden (ETL) — Definition von ETL und ELT, typische Umformungen, Stagingtabellen, idempotente Wiederholungen, Auswahlkriterien für beide Wege und Reverse ETL.
• IBM — Was ist ETL? — Staging-Bereich als Zwischenlager, anfängliches und inkrementelles Laden, Stapelbetrieb außerhalb der Geschäftszeiten.
• AWS — ETL und ELT im Vergleich — ELT als Standardwahl für moderne Analysen, Umgang mit Personendaten, Kombination beider Wege.
• Microsoft Learn — Was ist Power Query? — Power Query als Modul für ETL in Excel und Power BI, Anzahl der Umformungen und Quellen, Dataflows.
• Microsoft Learn — Dataflow Gen2 — Power Query in Microsoft Fabric mit mehreren Ausgabezielen und Anbindung an Pipelines.
• Google Analytics — BigQuery-Exportschema — Datum in der Zeitzone der Property, Zeitpunkt in UTC, Umsatz in Landeswährung und in US-Dollar, Steuer, Versand, Erstattung und Transaktions-ID.
• Google Analytics — BigQuery Export — Obergrenze für Standard-Properties, nachträgliche Aktualisierung der Tagestabellen bis zu drei Kalendertage.
• Google Analytics — Doppelte Schlüsselereignisse mit Transaktions-IDs minimieren — Deduplizierung nur für Web-Streams, Verhalten bei leerer Transaktions-ID.
• Google Analytics — Verhaltensmodellierung für den Einwilligungsmodus — fehlende Daten bei Nutzern ohne Einwilligung und die Aussage, dass die Schätzung nicht im Datenexport nach BigQuery wirkt.
• BigQuery — Abfragen planen — Umrechnung des Zeitplans in UTC, mehrfaches Auslösen zur vollen Stunde und die Empfehlung versetzter Startzeiten.
• Shopify — Order — Summen vor und nach Retouren, Erstattungen, Steuer, zwei Zeitpunkte je Bestellung und die 60-Tage-Grenze.
• Shopify — MoneyBag — Betrag in Kundenwährung und in Basiswährung des Shops.
• Shopify — DateTime — Zeitformat ISO 8601 mit Beispiel in UTC.
• Amazon Selling Partner API — Settlement Reports — Abrechnungsberichte werden von Amazon selbst geplant, veraltete Fassungen, Gebührenzeilen, Beträge im örtlichen Format und Währungsspalte.
• Amazon Selling Partner API — Date and Time Formatting — Zeitpunkte in UTC oder mit Versatz zur Ortszeit.
• JTL-Guide — Eigene SQLs exportieren — Eigener Export mit frei formulierter SQL-Abfrage.
• JTL-Guide — CMD-Line-Version von JTL-Ameise — Steuerung über die Kommandozeile und den Windows-Aufgabenplaner, Vorlagen, Editionshinweis.
• JTL-Guide — Lizenz für JTL-Wawi API buchen — Open-Beta-Phase, Pilotprogramm und Editionshinweis.
• JTL-Guide — Rechnungskorrektur erstellen — Unveränderlichkeit von Rechnungen, Stornobeleg, Rechnungskorrektur und Gutschrift.
• JTL-Guide — Währungen anlegen und bearbeiten — Umrechnungskurs, Abgleich mit der EZB, Trennzeichen je Währung.
• JTL-Guide — Daten von Shopify an JTL-Wawi übertragen — Übernahme von Artikeln, Aufträgen und Kunden, Auftragsnummer aus dem Shop.
• Europäische Zentralbank — Euro-Referenzkurse — Veröffentlichungszeit, Arbeitstage und Zweck der Kurse.
• § 4 Einheiten- und Zeitgesetz — mitteleuropäische Zeit und Sommerzeit im Verhältnis zur Weltzeit.
• § 5 Einheiten- und Zeitgesetz — Beginn und Ende der Sommerzeit, die doppelt erscheinende Stunde.
• n8n — Schedule Trigger — Zeitplan wie Cron und die Standardzeitzone bei Selbstbetrieb.