Compare the Market verkürzt Lieferung neuer Reports von 6 Wochen auf unter 1 Woche

Von der Reporting-Fabrik zu geregelten Modellen

Emanuela Ciotti, Head of Enterprise Analytics bei Compare the Market, stellte ein Framework vor, das auf 7 Jahren Arbeit mit dbt in 3 verschiedenen Organisationen beruht. Zu Beginn warnte sie vor einem Irrtum bei KI: Sie prüft die Daten, die sie verarbeitet, nicht auf Richtigkeit, sondern vertraut ihnen. Eine schwache Datenbasis wird durch eine aufgesetzte KI-Schicht deshalb nicht aufgedeckt, sondern verstärkt.

Den Ausgangspunkt beschrieb sie als "Reporting-Fabrik": Ein BI-Team agierte wie ein Service Desk, SQL-Logik war über Reports und Tools hinweg dupliziert, und Kennzahlen waren von Dashboard zu Dashboard unterschiedlich definiert. Ein internes Audit der Power-BI-Landschaft des Unternehmens ergab insgesamt 433 Reports. Davon waren 41 % (179) bereits verwaist. Jeder davon war als eigene, einmalige Antwort auf eine eigene Frage gebaut worden, ohne gemeinsames Fundament.

Drei Phasen: Entdecken, Skalieren, Transformieren

Ciottis Framework unterteilt den Wandel in 3 Phasen.

• Discovering (Entdecken): der Wandel vom Analysten zum Analytics Engineer. Versionskontrolle, modulares Design und Tests werden eingeführt, bevor neue Tools hinzukommen.
• Scaling (Skalieren): befasst sich mit den Problemen eines einzelnen Monorepos mit mehr als 4.000 voneinander abhängigen Modellen. Ein Teil der Staging-Schicht hing von Google-Sheets-Seeds ab, die gelegentlich kurz vor dem Monatsabschluss Finanz-Pipelines lahmlegten.
• Transforming (Transformieren): die Phase, in der sich ihr Team derzeit befindet. Sie definiert neu, was die Analytics-Funktion liefert: statt Dashboards getestete und dokumentierte Datenmodelle. Diese Datenschicht gilt als das Fundament, das KI braucht, um vertrauenswürdig zu sein.

Um das Monorepo-Problem zu lösen, führte das Team eine Multi-Repo-Architektur ein, die sich an Domänenverantwortung orientiert. Sie greift Prinzipien von dbt Mesh auf und überträgt jedem Geschäftsbereich ("Tribe") die Verantwortung für seine eigenen Modelle.

Die Ergebnisse

Die von Ciotti genannten Zahlen lauten laut dbt Labs: Die Lieferzeit für einen neuen Report sank von 6 Wochen auf unter 1 Woche, die Testabdeckung überschritt 75 %, und die Wiederverwendung von Modellen stieg auf das 3,0-Fache.

Für Testabdeckung und Modellwiederverwendung nennt die Quelle keinen Ausgangswert, sodass das Ausmaß dieser Verbesserungen offen bleibt.

Was das für Analytics-Teams bedeutet

Der Beitrag von dbt Labs beschreibt die Geschichte als "grundlegend einen Wandel des Betriebsmodells, nicht nur des Stacks". Demnach wird aus einem Service Desk erst dann eine Plattform, wenn sich ändert, was das Team dem Unternehmen übergibt: nicht mehr ein Dashboard, sondern ein geregeltes Modell. Das erfordere, Verantwortlichkeiten von Anfang an einzuplanen, statt darauf zu hoffen, dass sie von selbst entstehen.

Für Analytics-Teams, die unter Druck stehen, KI einzuführen, zeigt der Fall: Zuerst kommt die Datenschicht. Die Quelle argumentiert, dass geregelte, getestete Modelle KI-Ergebnisse erst vertrauenswürdig machen, während einzeln gebaute Dashboards zu uneinheitlichen Kennzahlen führen. Zu beachten ist, dass der Bericht von dbt Labs stammt, einem Anbieter, und Ergebnisse wiedergibt, die das Team von Compare the Market selbst gemeldet hat.