Sigma

Sigma löst ein Problem, das viele Unternehmen kennen: Die Daten liegen sauber im Data Warehouse, aber die Menschen, die damit arbeiten müssten, können kein SQL. Also landen Auszüge in Tabellenkalkulationen, dort wird gerechnet, und nach drei Wochen weiß niemand mehr, welche Zahl aus welchem Stand stammt.

Der Ansatz ist so einfach wie wirkungsvoll: Sigma gibt den Fachabteilungen eine Tabellen-Oberfläche — Zeilen, Spalten, Formeln, Filter, Pivot —, deren Eingaben im Hintergrund aber in SQL übersetzt und live auf dem eigenen Data Warehouse ausgeführt werden. Snowflake, Databricks, BigQuery, Redshift und ClickHouse werden unterstützt. Die Oberfläche fühlt sich vertraut an, die Daten bleiben jedoch dort, wo sie hingehören.

Dieser Warehouse-first-Ansatz ist der eigentliche Unterschied zu klassischen BI-Werkzeugen, die Daten in einen eigenen Zwischenspeicher laden. Es entsteht keine zweite Kopie, die veralten, abweichen oder unbemerkt aus dem Berechtigungskonzept fallen kann. Zugriffsrechte und Datenhaltung bleiben beim Warehouse — und damit an einer einzigen Stelle. Für Organisationen mit ernsthaften Anforderungen an Datenhoheit ist das ein substanzieller Vorteil, der leicht übersehen wird, weil er unscheinbar klingt.

Eine zweite Besonderheit ist das Rückschreiben. Nutzerinnen können Werte eingeben, die in die Datenbank zurückfließen. Damit wird aus einem reinen Auswertungswerkzeug eines für Planung: Szenarien rechnen, Budgets fortschreiben, Prognosen anpassen. Genau an dieser Stelle greifen Fachabteilungen sonst zur Tabellenkalkulation — und genau dort entsteht der Wildwuchs.

Die KI-Funktionen sind pragmatisch in diese Logik eingepasst. KI-Spalten wenden ein Sprachmodell zeilenweise auf vorhandene Daten an — Rückmeldungen klassifizieren, Freitext zusammenfassen, Felder vereinheitlichen —, und das Ergebnis ist wieder eine Spalte, mit der sich weiterrechnen lässt. Ein Chat-Element erlaubt Fragen in normaler Sprache. Dazu kommen Agenten, die auf Grundlage der hinterlegten Datenmodelle Aktionen ausführen. Dass alles auf gemeinsamen Metrikdefinitionen aufsetzt, ist dabei wichtiger als es klingt: Sprachmodelle, die frei auf Rohtabellen losgelassen werden, erfinden gern eine eigene Definition von „Umsatz".

Beim Datenschutz ergibt sich ein zweigeteiltes Bild, das man auseinanderhalten sollte. Die eigentlichen Daten bleiben im Warehouse — liegt dieses in der EU, verlässt der Datenbestand die EU nicht. Die Plattform selbst und ihre KI-Funktionen laufen jedoch in der US-Cloud des Anbieters, und für die KI-Spalten gehen Inhalte an das dahinterliegende Modell. Daraus folgt DSGVO „bedingt", konsistent mit Hex und ThoughtSpot im Verzeichnis. Wer Sigma einsetzt, sollte Auftragsverarbeitungsvertrag und Unterauftragsverarbeiter prüfen und sich insbesondere ansehen, welche Inhalte die KI-Spalten tatsächlich übertragen.

Die Nachteile sind klar benennbar. Es gibt keine öffentlichen Preise; lizenziert wird nach Rollen, verhandelt im Vertriebsgespräch — ein Vergleich im Verzeichnis ist damit nicht möglich. Sigma setzt ein modernes Cloud-Data-Warehouse voraus: Ohne Snowflake, Databricks oder BigQuery ergibt der gesamte Ansatz wenig Sinn, und der Aufbau eines solchen Warehouses ist ein eigenes Projekt. Und drittens, der Punkt, der in Produktvergleichen gern fehlt: Live-Abfragen kosten Rechenzeit im Warehouse. Wenn zweihundert Fachanwenderinnen munter filtern und pivotieren, läuft das alles gegen das Warehouse und erscheint auf dessen Rechnung. Die Gesamtkosten sind Lizenz plus Verbrauch; wer nur die Lizenz kalkuliert, rechnet falsch.

Einordnung im Verzeichnis: Sigma steht zwischen Power BI Copilot und ThoughtSpot auf der einen und Databricks Genie auf der anderen Seite. Von den klassischen BI-Werkzeugen unterscheidet es die Tabellen-Bedienung samt Rückschreiben; von Genie, das eng an eine Plattform gebunden ist, die Offenheit gegenüber mehreren Warehouses. Die passendste Wahl ist Sigma dort, wo ein gutes Warehouse bereits steht und das Problem nicht die Technik ist, sondern dass die Fachabteilung nicht herankommt.