Die Grundidee lässt sich in einem Satz zusammenfassen: Sigma bringt die Vertrautheit der Tabellenkalkulation zur Skalierbarkeit des Cloud Data Warehouse. Wer schon einmal Formeln in Zellen geschrieben, Spalten gefiltert oder Pivot-Auswertungen erstellt hat, findet sich in Sigma sofort zurecht. Der entscheidende Unterschied: Während eine klassische Tabellenkalkulation an ihre technischen Grenzen stößt, sobald die Datenmenge wächst, arbeitet Sigma auf den Datenbeständen des Warehouse – potenziell Milliarden von Zeilen –, ohne dass die Daten heruntergeladen oder kopiert werden müssten.
Drei Eigenschaften definieren Sigma Computing:
Um Sigma richtig einzuordnen, hilft ein Blick auf ein Dilemma, das in fast jedem Unternehmen existiert. Auf der einen Seite stehen die Fachbereiche, die die Tabellenkalkulation lieben – weil sie flexibel, vertraut und ohne Umwege bedienbar ist. Auf der anderen Seite stehen die Datenverantwortlichen, die diese Tabellen fürchten: Sie leben auf lokalen Rechnern, enthalten manuell kopierte und schnell veraltete Datenstände, und niemand kann nachvollziehen, wie eine Zahl zustande gekommen ist. Das Ergebnis sind widersprüchliche Auswertungen und eine Datenkultur, der man nur bedingt trauen kann.
Sigma versucht, diesen Konflikt aufzulösen, statt eine Seite zu übergehen. Die Fachanwender behalten die vertraute Tabellenlogik, aber ihre Arbeit findet auf einer zentralen, verwalteten Datenbasis im Warehouse statt. Es entstehen keine verstreuten Datenkopien, die Herkunft der Zahlen ist bekannt, und die Governance bleibt in der Hand der Datenverantwortlichen. Genau in dieser Versöhnung liegt der konzeptionelle Kern von Sigma – und der Grund, warum es sich von den meisten etablierten BI-Werkzeugen abhebt.
Im modernen Data Stack sitzt Sigma an der vordersten, dem Menschen zugewandten Stelle: der Präsentations- und Analyseschicht. Zuvor werden Daten aus den Quellsystemen in ein Cloud Data Warehouse geladen und dort – idealerweise mit einer Transformationsschicht – in saubere, verlässliche Analysetabellen verwandelt. Sigma greift dann auf diese aufbereiteten Daten zu und macht sie für Fachanwender bedien- und analysierbar. Es ersetzt weder das Warehouse noch die Ladeschicht noch die Transformationslogik; es ist die Oberfläche, über die Menschen mit den Daten arbeiten. Diese klare Rolle ist wichtig, um die Grenzen von Sigma nicht zu über- und seinen Nutzen nicht zu unterschätzen.
Viele etablierte BI-Anbieter haben über Jahre breite Produktsuiten aufgebaut, mit eigenen Werkzeugen für Datenaufbereitung, Modellierung, Visualisierung und Verteilung. Sigma geht bewusst einen anderen Weg: Es konzentriert sich auf die Analyse- und Bedienschicht und überlässt das Datenmanagement dem Warehouse und den spezialisierten Nachbarwerkzeugen. Diese Fokussierung ist eine strategische Wette darauf, dass die eigentliche Datenverarbeitung ohnehin ins Cloud Data Warehouse gewandert ist – und dass es dort keinen Sinn ergibt, die Daten in ein separates BI-System zu duplizieren.
Für Unternehmen, die diesen Weg mitgehen, ist das ein Vorteil: Sigma tut eine Sache sehr gut, statt vieles halb. Für Unternehmen, die noch kein Cloud-Warehouse betreiben und keines einführen wollen, ist Sigma dagegen die falsche Wahl – ihm fehlt schlicht das Fundament, auf dem es aufsetzt. Diese Klarheit ist wichtiger als jede Funktionsliste.
Sigma positioniert sich vor allem für datenaffine Fachbereiche, die eigenständig arbeiten wollen, ohne bei jeder Frage das Datenteam bemühen zu müssen. Controlling, Vertrieb, Marketing oder Operations, die in Tabellen zu Hause sind und tiefer in die Daten eintauchen möchten, sind die typische Zielgruppe. Gleichzeitig richtet es sich an Datenteams, die den Fachbereichen kontrollierte Selbstbedienung ermöglichen wollen – also einen Rahmen setzen, in dem die Fachanwender frei arbeiten können, ohne die Datenhoheit zu gefährden.
Weniger geeignet ist Sigma für Szenarien, in denen keine Cloud-Warehouse-Strategie existiert, in denen hochspezialisierte statistische Analysen im Vordergrund stehen oder in denen ein Werkzeug für den vollständigen, souveränen Eigenbetrieb ohne US-Cloud-Bezug gesucht wird. Aus Beratungssicht ist Sigma damit kein Universalwerkzeug, sondern eine sehr gezielte Antwort auf eine sehr konkrete Ausgangslage – die aber im Mittelstand zunehmend häufiger anzutreffen ist.
Das Herzstück von Sigma ist die Tabellenkalkulations-Oberfläche. Wer eine klassische Tabelle bedienen kann, kann grundsätzlich auch mit Sigma arbeiten: Es gibt Zellen und Spalten, man filtert und sortiert, man schreibt Formeln, man baut Pivot-artige Auswertungen. Der psychologische Effekt ist nicht zu unterschätzen – die Hemmschwelle, die viele Fachanwender vor spezialisierten BI-Werkzeugen zurückschrecken lässt, entfällt weitgehend. Sigma trifft die Menschen dort ab, wo sie ohnehin stehen.
Der entscheidende Unterschied zur gewohnten Tabelle liegt unter der Haube. Wo eine lokale Tabellenkalkulation bei großen Datenmengen langsam wird oder ihre technischen Grenzen erreicht, delegiert Sigma die Rechenarbeit an das Warehouse. Die Tabelle, die der Anwender sieht, ist gewissermaßen ein Fenster auf einen potenziell riesigen Datenbestand – und nicht die Datei, die auf dem Rechner liegt. So verbindet Sigma die Vertrautheit des Formats mit einer Skalierbarkeit, die klassische Tabellen niemals erreichen.
Die Live-Abfrage ist das technische Rückgrat von Sigma. Jede Interaktion – ein Filter, eine neue Berechnung, ein Aufklappen einer Detailebene – wird in eine Datenbankabfrage übersetzt und im Warehouse ausgeführt. Das hat zwei tiefgreifende Konsequenzen. Erstens: Es gibt keine separate Datenkopie, die aktualisiert und synchron gehalten werden müsste. Die Zahlen entsprechen stets dem aktuellen Stand im Warehouse. Zweitens: Die Rechenkraft, die zur Verfügung steht, ist die des Warehouse – nicht die eines einzelnen Rechners. Auswertungen über sehr große Datenmengen werden damit praktikabel.
Die Workbooks sind die Umgebung, in der all das zusammenläuft. Ein Workbook ist mehr als ein Diagramm: Es kann Tabellen, Visualisierungen und erläuternde Elemente vereinen und wird von mehreren Personen gemeinsam genutzt. Damit verschwimmt die klassische Grenze zwischen der explorativen Analyse und dem fertigen Bericht – beides findet im selben, lebendigen Dokument statt. Für Teams bedeutet das: Statt Dateiversionen per E-Mail zu verschicken, arbeiten alle auf derselben, zentralen Datengrundlage.
Eine Besonderheit, die Sigma von vielen reinen Auswertungswerkzeugen abhebt, sind die Input Tables. Sie erlauben es Anwendern, eigene Werte direkt in der Oberfläche zu erfassen und mit den vorhandenen Warehouse-Daten zu verbinden. Klassische Anwendungsfälle sind Planzahlen, Prognosen, manuelle Annahmen oder ergänzende Kommentare – Informationen, die typischerweise nicht im Warehouse liegen, aber für die Analyse gebraucht werden. Damit deckt Sigma Szenarien ab, für die Fachbereiche sonst wieder zur separaten Tabellenkalkulation greifen würden.
Der praktische Nutzen ist beträchtlich. Ein Controller kann beispielsweise Ist-Zahlen aus dem Warehouse mit selbst eingegebenen Planwerten in einer einzigen Umgebung gegenüberstellen, ohne den Umweg über eine externe Datei. Analyse und Planung, die sonst in getrennten Werkzeugen leben, rücken zusammen. Aus Beratungssicht ist das ein durchdachter Baustein, weil er einen der häufigsten Gründe adressiert, aus denen Fachbereiche das offizielle BI-Werkzeug verlassen und wieder zu unkontrollierten Tabellen zurückkehren.
Die Grundidee der KI-Funktionen in Sigma folgt einem verbreiteten Muster: Anwender sollen ihre Fragen an die Daten möglichst natürlich stellen können – idealerweise in Alltagssprache – und trotzdem verlässliche, auf der zentralen Datenbasis beruhende Antworten erhalten. Das passt gut zur Grundphilosophie von Sigma, das die Datenanalyse ohnehin für einen breiten Nutzerkreis öffnen will. KI ist damit weniger ein Fremdkörper als eine konsequente Fortführung des Selbstbedienungs-Gedankens.
Sigma bietet KI-gestützte Abfrage-Funktionen, die es Anwendern erleichtern sollen, Fragen an die Daten zu stellen, ohne die genaue technische Struktur zu kennen. Der Anspruch ähnelt dem, was man von KI-Assistenten in anderen Werkzeugen kennt: Eine in Alltagssprache formulierte Frage wird in eine passende Auswertung übersetzt, und der Anwender bekommt ein Ergebnis, ohne selbst Formeln oder Abfragen bauen zu müssen. Für Fachanwender, die zwar wissen, was sie wissen wollen, aber nicht, wie sie es technisch abfragen, kann das eine spürbare Erleichterung sein.
Aus Beratungssicht ordnen wir das nüchtern ein: KI-gestützte Abfragen sind ein vielversprechender Zugangs-Erleichterer, aber kein Autopilot für belastbare Analysen. Ein KI-generiertes Ergebnis muss vom fachkundigen Menschen auf Plausibilität geprüft werden – gerade weil die Formulierung einer Frage in Alltagssprache mehrdeutig sein kann und die KI eine bestimmte Auslegung wählt, die nicht zwingend gemeint war. Wir empfehlen, solche Funktionen als Einstiegshilfe und Beschleuniger zu betrachten, nicht als Ersatz für das Verständnis der eigenen Daten. Zudem entwickelt sich diese Funktionsfamilie schnell weiter – ihren konkreten Umfang und Reifegrad sollten Sie für den eigenen Anwendungsfall beim Anbieter prüfen.
Weniger spektakulär, aber im Alltag oft wirkungsvoller ist die Automatisierung rund um Berichte und Benachrichtigungen. Sigma erlaubt es typischerweise, Auswertungen nach Zeitplan automatisch zu verteilen oder Benachrichtigungen auszulösen, wenn bestimmte Bedingungen eintreten – etwa wenn eine Kennzahl einen Schwellenwert über- oder unterschreitet. Dadurch müssen Anwender nicht ständig aktiv nachsehen; die relevanten Informationen kommen von selbst zu ihnen. Das erhöht die Wahrscheinlichkeit, dass datenbasierte Erkenntnisse tatsächlich zu Handlungen führen.
Diese Automatisierung ist ein unterschätzter Reifegewinn. Sie verwandelt eine passive Auswertung, die jemand aktiv öffnen muss, in einen aktiven Prozess, der auf Veränderungen aufmerksam macht. Für den Mittelstand, wo oft wenige Personen viele Aufgaben tragen, entlastet das spürbar – vorausgesetzt, die Benachrichtigungen sind sinnvoll konfiguriert und nicht so zahlreich, dass sie im Rauschen untergehen.
Es lohnt sich, die Erwartungen an KI im BI-Umfeld generell zu erden. KI-Funktionen können den Zugang zu Daten erleichtern und Routinen beschleunigen, aber sie ersetzen nicht die Notwendigkeit einer sauberen, gut modellierten Datenbasis. Eine KI-Abfrage auf schlecht strukturierte oder falsch definierte Daten liefert schnell scheinbar plausible, aber irreführende Antworten. Der Wert der KI steht und fällt mit der Qualität der darunterliegenden Daten – bei Sigma also mit der Qualität dessen, was im Warehouse liegt und wie es dort modelliert wurde. Wir empfehlen daher, zuerst in eine verlässliche Datengrundlage zu investieren und die KI-Funktionen als Veredelung darauf zu verstehen.
Der typische Aufbau in unseren Projekten folgt einer klaren Arbeitsteilung: Ein Ladewerkzeug bringt die Rohdaten aus den Quellsystemen ins Warehouse, eine Transformationsschicht verwandelt sie dort in saubere, getestete Analysetabellen, und Sigma greift auf diese aufbereiteten Daten zu, um sie für Fachanwender bedien- und analysierbar zu machen. Weil Sigma die Rechenarbeit an das Warehouse delegiert, bleibt es selbst schlank – es erzeugt Abfragen und lässt die eigentliche Verarbeitung dort laufen, wo die Daten liegen.
Sigma braucht ein Cloud Data Warehouse, auf dem es arbeiten kann – das ist seine Grundvoraussetzung. Es unterstützt die führenden modernen Plattformen, darunter Snowflake, Google BigQuery, Databricks und Amazon Redshift, sowie weitere. Diese Warehouse-Nähe ist kein Zufall, sondern die zentrale Designentscheidung von Sigma: Statt Daten in ein eigenes System zu kopieren, setzt es unmittelbar auf der Rechenkraft der Plattform auf. Der praktische Effekt ist, dass die Datenhaltung und die Governance vollständig im Warehouse verbleiben und Sigma lediglich das Fenster darauf ist.
Für den Mittelstand ist diese Offenheit ein starkes Argument. Wer heute etwa mit BigQuery startet, weil das Unternehmen ohnehin in der Google-Welt zu Hause ist, oder auf Snowflake setzt, findet in Sigma eine passende Analyseschicht. Wichtig ist die richtige Reihenfolge im Kopf: Zuerst steht die Warehouse-Strategie, dann folgt Sigma als Bedienschicht darauf – nicht umgekehrt.
Sigma arbeitet am besten auf gut aufbereiteten, verlässlichen Daten – und genau die entstehen typischerweise in einer Transformationsschicht wie dbt. In einer sauber aufgebauten Datenlandschaft übernimmt dbt die Modellierung und Qualitätssicherung der Analysetabellen im Warehouse, und Sigma setzt auf diesen veredelten Daten auf. Diese Arbeitsteilung ist ideal: Die Geschäftslogik und die Datenqualität liegen zentral in der Transformationsschicht, und Sigma konzentriert sich darauf, diese Daten für Menschen bedienbar zu machen.
Der Vorteil dieser Trennung ist, dass die Logik nicht in den einzelnen Sigma-Auswertungen gefangen ist, sondern zentral und wiederverwendbar im Warehouse liegt. Ändert sich eine Kennzahlen-Definition in der Transformationsschicht, wirkt sie konsistent in allen Sigma-Analysen, die darauf aufbauen. Das ist ein wesentlicher Hebel gegen das verbreitete Problem widersprüchlicher Zahlen. Wer Sigma einführt, sollte daher parallel überlegen, wie die Transformationsschicht darunter aussieht.
Sigma lädt selbst keine Daten aus Quellsystemen. Damit überhaupt Daten im Warehouse landen, braucht es eine Ladeschicht – spezialisierte Werkzeuge, die Daten aus ERP-, CRM- und weiteren Systemen zuverlässig ins Warehouse spielen. Diese Aufgabe übernehmen andere Werkzeuge; Sigma setzt darauf auf. Ebenso arbeitet Sigma mit den üblichen Verzeichnis- und Anmeldediensten zusammen, sodass sich die Benutzerverwaltung in bestehende Unternehmens-Infrastrukturen einfügt.
Diese Arbeitsteilung ist gute Architektur: Jedes Werkzeug tut genau eine Sache gut. Das Ladewerkzeug kümmert sich um die oft fehleranfällige Anbindung vieler Quellen, die Transformationsschicht um die Logik, das Warehouse um Speicherung und Rechnen, und Sigma um die menschliche Bedienung. Für den Mittelstand bedeutet das austauschbare, spezialisierte Bausteine statt eines monolithischen Werkzeugs, das alles halbgut macht – und damit mehr Flexibilität und weniger Abhängigkeit.
Der wichtigste konzeptionelle Unterschied betrifft den Umgang mit den Daten. Klassische BI-Werkzeuge arbeiten häufig mit einem eigenen, im Werkzeug gehaltenen Datenmodell oder mit Extrakten, die aus der Quelle geladen und regelmäßig aktualisiert werden. Sigma setzt konsequent auf die Live-Abfrage direkt im Warehouse, ohne eigene Datenkopie. Dieser Ansatz hat Vor- und Nachteile: Er sorgt für stets frische Daten und vermeidet parallele Datenwelten, macht Sigma aber auch abhängig von einem leistungsfähigen Warehouse und dessen Verfügbarkeit.
Tableau gilt seit Jahren als Maßstab für die visuelle Datenexploration: Es glänzt darin, aus Daten anspruchsvolle, interaktive Visualisierungen zu formen, und richtet sich stark an Menschen, die visuell denken und Muster in Diagrammen entdecken wollen. Sigma setzt einen anderen Schwerpunkt. Statt der visuellen Exploration steht die tabellarische Bedienung im Vordergrund – näher an der Denkweise vieler Controller und Analysten, die in Zeilen, Spalten und Formeln zu Hause sind. Wer eine hochgradig visuelle Analysekultur pflegt, findet in Tableau womöglich mehr Ausdruckskraft; wer die Analyse in die tabellenaffinen Fachbereiche tragen will, ist mit Sigma oft näher an deren Arbeitsweise.
Microsoft Power BI ist im deutschen Mittelstand das mit Abstand am weitesten verbreitete BI-Werkzeug – vor allem, weil es tief in die Microsoft-Welt eingebettet und für viele Unternehmen ohnehin lizenziert ist. Diese Verbreitung und Integration sind ein gewichtiges Argument. Power BI arbeitet allerdings häufig mit importierten Daten in einem eigenen Modell, während Sigma konsequent live auf dem Warehouse rechnet. Für Unternehmen mit einer klaren Cloud-Warehouse-Strategie und dem Wunsch nach echter Selbstbedienung ohne Datenkopien kann Sigma näher am Ziel sein; wer stark im Microsoft-Ökosystem verwurzelt ist und dessen Integration nutzen will, wird Power BI oft schwer schlagen können. Aus Beratungssicht ist das selten eine Frage von besser oder schlechter, sondern eine Frage der bestehenden Landschaft und Ziele.
Looker teilt mit Sigma die Grundüberzeugung, dass BI direkt auf dem Warehouse stattfinden sollte, ohne separate Datenkopien. Der Weg dorthin unterscheidet sich jedoch deutlich. Looker setzt auf eine zentrale, code-nahe Modellierungsschicht, in der die Geschäftslogik definiert wird – ein mächtiger, aber eher technischer Ansatz, der Datenkompetenz voraussetzt. Sigma legt den Schwerpunkt stärker auf die unmittelbare Bedienbarkeit durch Fachanwender über die Tabellen-Oberfläche. Vereinfacht gesagt: Looker richtet sich stärker an das Datenteam, das eine saubere Modellschicht bauen will, Sigma stärker an die Fachbereiche, die darauf selbstständig arbeiten wollen. In einer durchdachten Architektur können solche Ansätze sogar komplementär gedacht werden.
Sigma ist ein reiner Software-as-a-Service-Dienst. Es gibt keine lokale Installation und keine Server, die Sie selbst betreiben müssten; der Zugriff erfolgt über den Browser. Das hat einen unmittelbaren Vorteil: Der Betriebsaufwand für die Plattform selbst ist gering, Aktualisierungen erfolgen automatisch, und Sie müssen keine eigene Infrastruktur für das BI-Werkzeug vorhalten. Die Kehrseite ist, dass der Betrieb bei einem externen, US-amerikanischen Anbieter liegt – ein Aspekt, den wir in Kapitel 09 unter Datenschutz und Datenhoheit ausführlich behandeln.
Wichtig ist, den Betrieb von Sigma vom Betrieb des Warehouse zu trennen. Sigma selbst verursacht wenig Betriebsaufwand, aber es setzt ein funktionierendes, gut gepflegtes Warehouse voraus. Die eigentliche Betriebsarbeit einer Datenlandschaft mit Sigma liegt daher meist nicht in Sigma, sondern im Warehouse, der Ladeschicht und der Transformationsschicht. Wer nur Sigma im Blick hat und das Fundament vernachlässigt, wird die Plattform nicht sinnvoll nutzen können.
Die wichtigste Voraussetzung ist ein funktionierendes Cloud Data Warehouse, in dem verlässliche, aufbereitete Daten liegen. Sigma ohne Warehouse ist wie ein Fenster ohne Raum dahinter – es fehlt der Inhalt, den es zeigen soll. Häufig wird Sigma daher gemeinsam mit einer Warehouse- und Transformationsstrategie geplant. Steht die Datenbasis, folgt die zentrale Governance-Frage: Wer darf auf welche Daten zugreifen, wer darf Auswertungen verändern, und wie stellt man sicher, dass Selbstbedienung nicht in Wildwuchs umschlägt?
Gerade weil Sigma die Analyse für viele Menschen öffnet, ist ein durchdachtes Rechte- und Governance-Konzept entscheidend. Die Datenteams definieren den Rahmen – verwaltete Datensätze, klar berechnete Kennzahlen, Zugriffsrechte –, in dem sich die Fachanwender frei bewegen können. Dieser Balanceakt zwischen Freiheit und Kontrolle ist aus unserer Erfahrung der eigentliche Erfolgsfaktor jeder Sigma-Einführung; die Technik ist dabei nur das Vehikel.
Wie bei jeder Datenplattform empfehlen wir einen fokussierten Start. Statt sofort alle Fachbereiche und Datenbereiche abdecken zu wollen, beginnt man mit einem konkreten, klar umrissenen Anwendungsfall und baut die ersten Workbooks darum herum auf. Das liefert schnell sichtbaren Wert, schafft Akzeptanz in den Fachbereichen und hält den Aufwand überschaubar. Aus diesem ersten Erfolg wächst die Nutzung dann organisch weiter.
Ein oft unterschätzter Erfolgsfaktor ist die Befähigung der Fachanwender. Sigma senkt zwar die technische Hürde erheblich, aber die Menschen müssen dennoch verstehen, wie sie die vorhandenen Datensätze sinnvoll nutzen und wie sie ihre Ergebnisse einordnen. Kurze, praxisnahe Schulungen und der Aufbau einiger interner Multiplikatoren zahlen sich aus. Genau an dieser Schnittstelle zwischen Technik, Daten und Organisation setzt unsere Beratungsarbeit an – denn ein Werkzeug allein macht noch keine Datenkultur.
Besonders naheliegend ist Sigma für Unternehmen, die bereits Daten in einem Cloud-Warehouse zusammenführen, aber daran scheitern, diese Daten den Fachbereichen zugänglich zu machen. Ein klassisches Beispiel ist ein Vertriebs- und Umsatz-Reporting, mit dem der Vertrieb selbstständig arbeiten möchte: Statt für jede Auswertung das Datenteam zu bemühen, filtern und analysieren die Vertriebsmitarbeiter die Daten in der vertrauten Tabellen-Oberfläche selbst – auf einer zentralen, verwalteten Datenbasis, sodass die Zahlen konsistent bleiben.
Weitere typische Felder sind das Controlling mit Plan-Ist-Vergleichen, bei denen die Input Tables ihre Stärke ausspielen, weil sich Planzahlen direkt neben den Ist-Werten aus dem Warehouse erfassen lassen; die Analyse von Marketing- und Web-Daten durch die Fachabteilung selbst; oder ein operatives Reporting, das Produktions- oder Logistikkennzahlen für die verantwortlichen Bereiche aufbereitet. In all diesen Fällen ist der gemeinsame Nenner: Fachbereiche wollen eigenständig mit Daten arbeiten, ohne zu Datenexperten zu werden – und ohne in unkontrollierte lokale Tabellen abzudriften.
Ein erster, klar umrissener Sigma-Anwendungsfall – von der Anbindung des Warehouse über die verwalteten Datensätze bis zu den ersten nutzbaren Workbooks – ist in vielen Mittelstands-Projekten in wenigen Wochen umsetzbar, sofern ein Warehouse mit aufbereiteten Daten bereits vorhanden ist. Der Aufbau einer breiten, unternehmensweiten Selbstbedienungs-Kultur über viele Fachbereiche hinweg ist dagegen ein fortlaufendes Programm über mehrere Monate, das ebenso von Organisation und Befähigung wie von Technik abhängt. Wer mit einem fokussierten Pilotprojekt startet und daraus lernt, baut die Nutzung tragfähig aus. Wichtig ist die ehrliche Einordnung: Sigma ist die Bedienschicht, kein Rundum-sorglos-Paket, und entfaltet seinen Wert erst mit einem soliden Warehouse und einer sauberen Datenbasis darunter.
Sigma wird als Cloud-Abonnement gebucht; der Anbieter stellt gestufte Modelle mit unterschiedlichem Funktions- und Nutzungsumfang bereit. Konkrete Eurobeträge nennen wir bewusst nicht – die Preise unterscheiden sich je nach Modell, Anzahl der Nutzer, Nutzungsumfang und ausgehandeltem Vertrag und ändern sich über die Zeit. Die verbindlichen Konditionen prüfen Sie bitte direkt beim Anbieter. Wichtig für die Planung ist das Verständnis der Struktur: Sie zahlen für den Zugang zur Sigma-Plattform, nicht für die eigentliche Datenverarbeitung.
Ein oft übersehener Punkt: Weil Sigma per Live-Abfrage arbeitet, entstehen die eigentlichen Rechenkosten im Data Warehouse. Jede Interaktion – jeder Filter, jede neue Berechnung – löst eine Abfrage aus, die das Warehouse ausführt und die dort verbrauchsabhängig zu Buche schlagen kann. Intensive, wenig durchdachte Nutzung durch viele Anwender kann die Warehouse-Rechnung spürbar treiben. Umgekehrt hilft eine gute Datenmodellierung und ein bewusster Umgang mit der Live-Query, diese Kosten im Rahmen zu halten. Wer die Gesamtkosten seiner Datenplattform betrachtet, muss die Sigma-Lizenz, die Warehouse-Rechenkosten und die übrigen Bausteine zusammendenken – das Zusammenspiel entscheidet, nicht der einzelne Posten.
Sigma Computing ist ein US-amerikanisches Unternehmen, und Sigma ist ein reiner Cloud-Dienst. Für deutsche und europäische Unternehmen wirft das – wie bei allen US-Cloud-Anbietern – berechtigte Fragen zu Datenschutz und Datenhoheit auf. Anders als bei einem selbst betreibbaren Werkzeug gibt es bei Sigma keine Option des vollständigen souveränen Eigenbetriebs; die Plattform läuft beim Anbieter in dessen Cloud. Umso wichtiger ist es, die relevanten Aspekte bewusst zu prüfen, bevor personenbezogene oder sensible Daten über Sigma zugänglich gemacht werden.
Für die Bewertung ist eine Besonderheit von Sigma relevant: In der Live-Query-Architektur liegen die eigentlichen Geschäftsdaten weiterhin im Data Warehouse, und Sigma greift lesend darauf zu. Damit verlagert sich ein wesentlicher Teil der Datenschutzfrage auf das Warehouse und dessen Serverstandort. Wer sein Warehouse in einer EU-Region betreibt, hält die eigentliche Datenlage in Europa – auch wenn die Bedienschicht Sigma bei einem US-Anbieter läuft. Gleichwohl verarbeitet Sigma als Anbieter Metadaten, Abfragen und Nutzungsinformationen, und je nach Nutzung werden Datenausschnitte in der Plattform verarbeitet und angezeigt. Daher sollten Sie den angebotenen Serverstandort von Sigma prüfen – etwa, ob und in welcher Form EU-Hosting-Optionen bestehen –, dies erfragen Sie bitte direkt beim Anbieter.
Bestehen bleibt – wie bei allen US-Anbietern – ein grundsätzliches Drittland-Thema, das seit den Schrems-Urteilen und der Diskussion um den US Cloud Act kontrovers bewertet wird. Für einen datenschutzkonformen Einsatz gehören ein sauberer Auftragsverarbeitungsvertrag, die Prüfung der etablierten Sicherheitszertifizierungen, der bewusste Umgang mit personenbezogenen Daten und – wo sinnvoll – Pseudonymisierung zum Standardvorgehen. Für viele Mittelständler ist Sigma mit einem in der EU betriebenen Warehouse, geprüftem Serverstandort und sauberen vertraglichen Grundlagen vertretbar; wer maximale Souveränität ohne jeglichen US-Cloud-Bezug braucht, muss die reine SaaS-Natur von Sigma als grundsätzliche Einschränkung berücksichtigen. Die endgültige Bewertung bleibt eine Frage des Einzelfalls.
