Von Legacy-BI zu Looker: Warum sich die Migration zu einer modernen Datenplattform lohnt 

Seit wann beschäftigst du dich mit dem Thema Looker? 

Als Looker 2019 von Google übernommen wurde, hat Ubilabs das Potenzial sofort erkannt. Wir waren überzeugt, dass die Plattform – insbesondere durch ihren skalierbaren semantischen Layer – einen enormen Mehrwert bietet.

Deshalb sind wir als einer der Ersten in DACH offizieller Looker-Partner geworden und haben uns als LookML Developer zertifizieren lassen. Als Customer Engineer habe ich mehrere Jahre Kunden entweder im Neuaufbau ihrer Looker-Instanz begleitet oder die Migration komplexer BI-Landschaften mit ihnen geplant und durchgeführt.

Für wen bietet sich Looker als BI-Lösung an? 

Looker eignet sich einerseits für Unternehmen, bei denen die Aktivierung von Daten schon heute im Mittelpunkt steht. Diese Unternehmen erkennen auch meist sehr schnell den Mehrwert, den Looker liefert. Andererseits gibt es Unternehmen, die gerade erst auf diesen Weg einschwenken, und wo Looker Teil einer größer angelegten, auch unternehmenskulturellen Wandlung hin zu stärker datengestützten Entscheidungen sein soll. Looker kann natürlich als technische Lösung diese Wandlung nicht allein bewirken, aber ich habe es miterlebt, dass es als Tool diese Wandlung massiv unterstützt hat. 

Looker ist zudem überall dort besonders stark, wo mit einem relativ kleinen Datateam große Belegschaften mit teils sehr unterschiedlichen Bedarfen mit Daten versorgt werden sollen. In solchen Kontexten profitiert Looker davon, dass es von Anfang an genau darauf ausgelegt war: hervorragend zu skalieren. Darüber hinaus ist Looker eine gute Wahl, wenn Governance einen hohen Stellenwert hat und dennoch schnelle Time-To-Value angestrebt wird. 

Viele Unternehmen nutzen bereits etablierte BI-Tools wie Tableau oder Power BI. Warum lohnt sich eine Migration zu Looker?

Das ist genau der Punkt. Diese “alten” BI-Tools stoßen bei anspruchsvollen Business Kunden und ihren  Anforderungen an ihre Grenzen. Wir sehen bei unseren Kunden meist vier Kernprobleme:

• Keine Single Source of Truth: Oft arbeiten diese Tools mit Datenextrakten. Es wurde zwar in ein Data Warehouse investiert, aber von dort werden jetzt wieder Reports nach Excel o.ä. gezogen und dort freihand weiterbearbeitet. Das führt zu Daten-Chaos, weil Abteilungen unterschiedliche Zahlen für dieselbe KPI reporten. Es fehlt die Governance.
• Mangelnde Skalierbarkeit: Die Performance bei sehr großen Datenmengen lässt nach, da die meisten Tools nicht Cloud-nativ auf dem Data Warehouse arbeiten. Das Heavy Lifting muss ab einer gewissen Datenmenge einfach in der Datenbank stattfinden.
• Der Analysten-Flaschenhals: Echte Self Service-Analyse ist durch Business User ohne SQL-Kenntnisse oft kaum möglich. Fachanwender:innen müssen für jede Anpassung eines Reports ein Ticket bei den Data Analysts einreichen.
• Mangelnde Integration: Daten sind in internen Dashboards "gefangen". Das heißt: Ich sehe sie zwar, aber um daraus Handlungen abzuleiten, muss ich das Tool wechseln, Tabellen copy/pasten, oder Ähnliches. Ein weiterer Punkt: Dashboards in bereits von Endanwender:innen genutzte Applikationen zu integrieren – die Daten also dorthin zu bringen, wo die User schon sind – diese Embed-Funktionalität ist in keinem Tool so ausgereift wie in Looker.

Looker löst dies durch seine Architektur. Die Migration ist daher nicht nur ein Tool-Wechsel, sondern eine Modernisierung der Datenstrategie. Looker schafft über die LookML-Schicht eine zentrale Single Source of Truth und arbeitet live auf der Datenbank. Darauf aufbauend ermöglicht es Governed Self-Service, was Data-Teams entlastet.

Außerdem können die Daten aus der kompletten Plattform auch ausschließlich über die API abgeholt und an andere Anwendungen geliefert werden. Damit ist gesichert, dass diese Anwendungen Live-Daten nutzen, die die aktuell gültige Business Logic befolgen.

Und der wichtigste Punkt für die Zukunft: Nur dieser Semantic Layer macht Unternehmensdaten AI-ready. Er “erdet” KI-Modelle wie Gemini und stellt sicher, dass Conversational Analytics auf vertrauenswürdigen Daten basiert. Das ist ein strategischer Vorsprung, den Legacy-Tools nicht bieten. Mit vielen Kunden machen wir einen Proof of Concept, weil sie genau daran Interesse haben: Wie kann ich die Vorzüge der KI auf meinen Daten nutzen, ohne, dass entweder Mist dabei herauskommt oder aber Dateninhalte an Leute ausgespielt werden, die keine Zugriffsberechtigung dafür hatten. Lookers Architektur ist wie gemacht für genau diese Anforderungen.

Kann Looker in bestehende Systeme integriert werden, auch außerhalb der Google-Cloud?

Looker ist cloud-agnostisch, kann also nahtlos mit Datenbanken aller großen Cloudanbieter verknüpft werden. Im besten Fall “spricht” die Datenbank einen SQL-Dialekt, es werden aber auch noSQL-Datenbanken unterstützt. Es ist auch möglich, Daten aus verschiedenen Datenbanken, von verschiedenen Cloudanbietern oder On-Prem-Datenbanken erst in Looker zusammenzuführen und zu verschneiden. 

Diese Offenheit ist ein nicht zu unterschätzender Vorteil gegenüber Konkurrenzprodukten, die den Kunden in einen strategisch gewollten Vendor-Lock-In zwingen. Daran hat sich seit der Akquise Lookers durch Google auch nichts geändert. Die hat sich Google übrigens mehr als 2 Mrd. Dollar kosten lassen. Und natürlich freuen sie sich, wenn man Google Datenbanken wie BigQuery unter der Haube nutzt.

Müssen Endnutzer:innen bestimmte technische Vorkenntnisse haben, um Looker nutzen zu können?

Nein, und das ist ein Kernvorteil, der die Abhängigkeit vom Analysten-Flaschenhals löst. Looker-Endnutzer:innen benötigen keine SQL-Kenntnisse. Der Standarduser arbeitet primär mit vorgefertigten Dashboards, wobei Conversational Analytics (Gemini in Looker) den Zugang massiv vereinfacht: Der User kann seine Fragen in natürlicher Sprache stellen und erhält direkt Antworten. 

Für neugierigere Anwender:innen gibt es Lookers Explore-Umgebung, um selbst Daten zu explorieren und Dashboards zu bauen. Auch hier unterstützt KI: Der Formula Assistant hilft, komplexere Berechnungen zu erstellen, ohne dass der User selbst Code schreiben muss. Zusätzlich können Explore-Nutzer:innen der KI auch intensiver auf den Zahn fühlen: Jedes Ergebnis, das im Chat ausgeliefert wird, kann mit einem Klick hinterfragt werden. Looker wechselt dann aus dem Chat auf die gewohnte Explore-Oberfläche und macht dem User quasi vor, wie es zu seiner Antwort kam: welches Modell genutzt wurde, welche Dimensionen, Filter und Measures. So kann sichergestellt werden, dass bei kritischen Informationen die Quelle und Herleitung überprüfbar bleibt.  Alle Nutzungsstufen profitieren also von der KI, um Hürden im Self Service abzubauen.

Welche Arten von Visualisierungen können in Looker erstellt werden?

Looker bietet ein breites Repertoire an Standard-Visualisierungen wie Tabellen, Bar Charts oder Wasserfall-Diagramme, die meisten kennt man in der einen oder anderen Form aus sämtlichen BI-Tools. Der entscheidende Punkt ist aber auch hier die Vereinfachung durch KI: Mit dem Visualization Assistant (Teil von Gemini in Looker) können Anwender:innen per natürlicher Sprache Visualisierungen erstellen oder anpassen, was den Self Service-Gedanken enorm beschleunigt.

Für komplett individuelle Anforderungen gehen die Möglichkeiten aber noch viel weiter: Looker nutzt Highcharts für das Rendern der Visualisierungen, und wer das kennt, der weiß: Da ist so gut wie alles parametrisiert, wenn man sehr konkrete Vorstellungen davon hat, wie sich ein Tooltip verhalten soll, oder ähnliches. Aber es geht auch komplett frei: Für Fehrer Automotive haben wir zum Beispiel eine komplette Visualisierung ihrer Produktionshalle als Dashboardkachel gebaut, auf der die User:innen den Standort und Status der Roboter live einsehen können. Dieses Grundrepertoire ist also über Javascript völlig frei erweiterbar, wenn das benötigt wird.

Wie sicher sind meine Daten, wenn ich Looker für mein Unternehmen nutze?

Grundsätzlich: Die Daten bleiben dort, wo sie auch vorher schon waren, zum Beispiel im Data Warehouse in Frankfurt. Sie werden nirgends dauerhaft zwischengespeichert, wie es oft bei anderen Systemen ist, die mit voraggregierten Daten arbeiten. Natürlich gibt es aus Performance- und Kostengründen ein Caching, aber das ist fein konfigurierbar. In der Cloud-hosted Variante können Unternehmen zudem festlegen, bei welchem Cloudanbieter und in welchem Datacenter ihre Looker-Instanz gehostet werden soll. 

Für hochregulierte Daten, die das Gelände nicht verlassen dürfen, wie zum Beispiel bei Banken oder in Krankenhäusern, ist es auch möglich, Looker eigenständig zu hosten. Bei dieser Variante läuft Looker dann auf lokaler Hardware, mit allen Vor-und Nachteilen. Den meisten Kunden können wir aber guten Gewissens die Cloud-hosted Variante empfehlen.

Warum sollten Kunden Ubilabs für die Implementierung nutzen?

Kunden, die mit uns Looker-Projekte – insbesondere komplexe Migrationen – umsetzen, profitieren ganz einfach von unserer Erfahrung. Sie bezahlen uns dafür, nicht jeden Fehler selbst machen zu müssen, den man nun einmal macht, wenn man zum ersten Mal so ein Projekt durchführt.

• Expertise: Als einer der wenigen deutschsprachigen Premium-Partner in DACH sind unsere Mitarbeiter:innen Experten in LookML. Sie verstehen aber nicht nur Looker, sondern auch komplexe Datenmodelle in den darunter liegenden Data Warehouses, und das müssen sie auch: Ohne die Datenstruktur ausreichend gut zu verstehen wird man in Probleme laufen.
• Übersetzung: Neben unserer Daten-Expertise verstehen wir auch die Business-Anwender:innen. Ihre Anforderungen sauber zu erfassen ist eine Kunst an sich. Oft können diese ihre Wünsche selbst nämlich gar nicht so scharf formulieren. An dieser “Übersetzungsschwelle” braucht es viel Erfahrung, um nicht an den Business Usern vorbeizubauen. 
• Strategie: Wir beraten zudem auch strategisch: Als langjähriger Partner erhalten wir frühzeitig Einblick nicht nur in kommende Looker-Updates, sondern auch in großräumigere Marktentwicklungen, und können die Datenstrategie unserer Kunden zukunftssicher darauf ausrichten. 
• Ganzheitlicher Ansatz: Wir bringen Expertise im gesamten Google Cloud Data Stack, insbesondere auch Google BigQuery, mit. Unsere Erfahrung reicht von der “reinen” Lift & Shift-Migration hunderter Reports bis zur Konzeption von Data-as-a-Product-Lösungen, um Daten zu monetarisieren.

Ein oft übersehener Punkt ist, dass dieser Service keinen finanziellen Mehraufwand bedeutet. Unsere Kunden zahlen denselben Preis wie bei Google direkt, unsere Arbeit wird von Google bezahlt – eine echte Win-Win-Situation.