Platas Ein-Stunden-Warehouse und das Ende von Tableau

Jeder Platform-Lead, der Analytics für eine Retailbank verantwortet hat, kennt den täglichen Rhythmus: Das Warehouse aktualisiert sich über Nacht, Betrugsausschläge werden um 10 Uhr entdeckt, und das Operations-Team verbringt den Nachmittag damit, Schäden zu beheben, die um 3 Uhr nachts entstanden sind. Plata, Mexikos am schnellsten wachsende Fintech-Bank, entschied, dass diese Verzögerung inakzeptabel ist. Das Data Warehouse aktualisiert sich jetzt innerhalb einer Stunde und bildet die Grundlage für 80 bis 90 Prozent aller Datenprozesse im Unternehmen.

Diese eine Design-Entscheidung, getroffen vor dreieinhalb Jahren als das Team noch aus acht Personen bestand, ist der Grund dafür, dass die Abteilung jetzt über fünfzig Mitarbeiter zählt. Sie ist auch der Grund, warum Plata glaubt, Tableau vollständig hinter sich lassen zu können.

Die Zahlen

Beginnen wir mit der Wachstumskurve. Das Data-Warehouse-Team wuchs in dreieinhalb Jahren von 8 Personen auf mehr als 50, organisiert in rund 10 Spezialteams. Das ist eine 6-fache Personalexpansion in einer Disziplin, in der die meisten Fintechs noch darüber diskutieren, ob Analytics Engineering ein echtes Berufsfeld ist. Wie FinTech Magazine berichtete, baute Head of Data Warehouse Ivan Shchukin die Funktion von Grund auf auf, nachdem er vom CTO Andrey Shelekhin abgeworben wurde, der ihm unmissverständlich sagte: „Wir müssen das beste Produkt erschaffen."

Die operativen Kennzahlen sind wichtiger als die Mitarbeiterzahl. Eine Aktualisierungslatenz von einer Stunde gegenüber dem 24-Stunden-Rückstand, der die meisten Bank-Warehouses noch immer prägt, verändert grundlegend, wofür Analytics genutzt werden kann. Bei 24 Stunden betreibt man Forensik. Bei einer Stunde betreibt man Operations. Ein Anstieg fehlgeschlagener Kartenautorisierungen um 11 Uhr wird zu einem Vorfall, der bis zum Mittagessen behoben ist – und nicht zu einem Jira-Ticket, das das Analytics-Team am nächsten Tag einreicht.

Die 80 bis 90 Prozent sind die Zahl, die ich jedem CTO, der das liest, unterstreichen würde. Wenn ein einziges Warehouse diesen Anteil der Datenprozesse trägt – mit automatisierten Qualitätsprüfungen und Alerts auf jeder Pipeline – hat man seine Single Source of Truth in einer Weise zentralisiert, die die meisten Banken nur auf einem Whiteboard skizzieren können. Produktionsvorfälle, die ich bei Fintechs ähnlicher Größe erlebt habe, lassen sich fast immer auf zwei oder drei parallele Datenspeicher zurückführen, die außer Sync geraten sind. Plata hat diesen Fehlerfall von Anfang an ausgeschlossen.

Dann ist da noch die Full-Versioning-Entscheidung. Jede Änderung an jedem Datensatz wird protokolliert und gespeichert. Shchukin gibt offen zu, dass „die meisten Marktteilnehmer davor Angst haben." Er hat recht, das zu betonen. Full Versioning vervielfacht die Speicherkosten, erschwert DSGVO-konforme Löschanfragen und macht Schema-Evolutionen komplizierter. Es dennoch von Tag eins an, bei einer Bank, umzusetzen, ist entweder mutig oder leichtsinnig. Die 80-90-Prozent-Prozessabdeckung deutet darauf hin, dass es sich ausgezahlt hat.

Fünfzig Personen sind nicht günstig. In einem schlanken Fintech ist das ein erheblicher Kostenpunkt – leicht das Budget von zwei Engineering-Squads. Das Gegengewicht: Plata plant, jeden neuen lateinamerikanischen Markt mit nur zwei bis vier Analytics Engineers zu starten, die auf dem bereits vom Zentralteam aufgebauten Tooling aufsetzen. Das ist die gesamte These: Stark in die Plattform investieren, dann Regionen mit kleinen Zellen skalieren.

Was wirklich neu ist

Das Ein-Stunden-Warehouse ist im Prinzip nicht neu. Streaming CDC in Snowflake oder ClickHouse ist seit Jahren technisch möglich. Neu ist, dass eine mexikanische Retailbank es tatsächlich als Standard betreibt – nicht als Ausnahme – und 80 bis 90 Prozent ihrer Datenflüsse darauf aufbaut.

Die wirklich neue Wette ist der Plan, Tableau und Apache Superset vollständig abzulösen. Nicht ergänzen. Nicht ein LLM darüber integrieren. Ablösen. Shchukins Formulierung: „Innerhalb des nächsten Jahres wird jeder Analyst seine eigenen kleinen BI-Tools mit AI Agents schreiben." Der Ersatz sind KI-generierte Streamlit-Apps, maßgeschneiderte Python-Visualisierungen auf Abruf – keine Dashboards, die von einem zentralen Team gepflegt werden.

Das ist eine echte Abkehr. Das Dashboard-als-Artefakt-Modell ist seit fünfzehn Jahren der Industriestandard. Jedes Enterprise-Datateam hat einen Friedhof veralteter Tableau-Workbooks, an die sich niemand mehr erinnert. Sie durch wegwerfbare, generierte Streamlit-Apps zu ersetzen, kehrt das Ownership-Modell um. Der Analyst ist nicht länger ein Dashboard-Konsument, der Änderungen beim BI-Team beantragt. Er ist der Autor – mit einem LLM als Pair Programmer.

Das andere neue Element ist die interne IDE. Platas Mitarbeiter nutzen derzeit etwa 10 verschiedene Tools für Datenarbeit: Airflow für Scheduling, Snowflake-Worksheets für SQL, Tableau und Superset für Dashboards und weiteres. Shchukin möchte „nur ein Fenster für jede Aufgabe." Diese in eine einzige KI-gestützte Umgebung zu konsolidieren, steht auf der Roadmap des Jahres.

Meine Einschätzung: Die IDE-Konsolidierung ist das schwierigere Problem und das wertvollere. Einen Streamlit-Prototypen mit Claude zu erstellen kann jeder. Eine integrierte Umgebung zu bauen, in der Scheduling, Abfragen, Modellierung, Visualisierung und Lineage in einem einzigen Fenster leben – mit einem Agenten, der das spezifische Schema kennt – ist eine mehrjährige Plattforminvestition. Plata signalisiert, dass es das selbst bauen wird, anstatt auf einen Anbieter zu warten. Angesichts dessen, wie schlecht die aktuellen BI-Anbieter mit dem LLM-Übergang umgegangen sind, könnte das die richtige Entscheidung sein.

Was für Dateteams bereits eingepreist ist

Die meisten erfahrenen Data-Führungskräfte erwarten bereits, dass Analytics Engineering der Standard-Einstellungstitel für jeden wird, der zwischen rohen Pipelines und Business-Nutzern sitzt. Tools wie dbt machten diese Rolle greifbar. Plata beansprucht, „unter den Ersten" gewesen zu sein, die unter dem Titel Analytics Engineer eingestellt haben, und dieses Timing wirkt plausibel. Was eingepreist ist: die Disziplin selbst. Was nicht eingepreist ist: eine gesamte fünfzigköpfige Abteilung darauf aufzubauen und Data Engineering als unterstützende Funktion zu behandeln.

Die einstündige Aktualisierungsfrequenz wird auch zunehmend von Fintechs erwartet, die Betrug und Risiko ernst nehmen. Payments-Teams betreiben bereits Streaming-Stacks für Autorisierungsflüsse. Was hier überrascht, ist der Umfang: nicht ein einzelner Hot Path, sondern 80 bis 90 Prozent der Unternehmensdatenprozesse auf demselben Neartime-Substrat.

Was Dateteams kalt erwischen wird, ist die ehrliche Einschränkung, die Shchukin bezüglich LLMs über Warehouses einräumt. Er lehnt das Anbieterversprechen ab, man könne „ein LLM mit einer beliebigen Datenbank integrieren und sie wird zu einem einfachen Computer, den man zu allem befragen kann." Seine Gegendarstellung: „Man muss seine Daten zuerst beschreiben, und genau daran arbeiten wir gerade." Das ist das Semantic-Layer-Problem, und es ist die eigentliche Arbeit, die niemand finanzieren möchte. Jedes Team, das auf Text-to-SQL als Abkürzung setzt, wird gegen diese Wand laufen.

Die unbequeme Lesart: Die meisten Fintechs haben 2025 damit verbracht, KI-Features von ihrem BI-Anbieter zu kaufen und das eine Strategie zu nennen. Plata erledigt die unspektakuläre Arbeit, sein Schema so gut zu dokumentieren, dass ein LLM damit umgehen kann. Das ist der Burggraben.

Die Gegenmeinung

Die Gegenmeinung lautet, dass Tableau abzuschaffen ein Fehler ist – oder zumindest verfrüht. Dashboards existieren aus einem Grund. Sie erzwingen eine gemeinsame Sicht auf die Zahlen. Wenn jeder Analyst seine eigene maßgeschneiderte Streamlit-App auf Abruf generiert, entsteht das Analytics-Äquivalent von Shadow-IT: vierzig leicht unterschiedliche Definitionen von „aktiver Kunde", jede abgesegnet von einem LLM, das einen JOIN halluziniert hat.

Governance ist das Gegenargument. Ein kuratiertes Superset-Dashboard hat einen Verantwortlichen, ein Änderungsprotokoll und idealerweise ein zertifiziertes Datenmodell dahinter. Eine KI-generierte Streamlit-App hat nichts davon, es sei denn, Plata baut ernsthafte Leitplanken in seine interne IDE ein. Die Ein-Stunden-Aktualisierung hilft nicht, wenn zwei Analysten unterschiedliche Schlussfolgerungen aus denselben Daten ziehen, weil ihre generierten Abfragen in der Filterlogik voneinander abwichen.

Es gibt auch ein Einstellungsrisiko. Platas Plan, neue LATAM-Märkte mit zwei bis vier Analytics Engineers zu starten, setzt voraus, dass die Plattform so gut ist, dass sie die Last trägt. Wenn die Plattform schwächelt, werden diese kleinen Zellen zu Engpässen, und das Zentralteam kämpft Brände in fünf Ländern gleichzeitig. Das Lean-Cell-Modell funktioniert wunderbar – bis es das nicht mehr tut.

Wichtigste Erkenntnisse

• Ein-Stunden-Latenz ist jetzt das Mindestmaß für ernsthafte Fintechs. Wenn das Warehouse noch im 24-Stunden-Zyklus aktualisiert wird, betreibt man Forensik, während Wettbewerber Operations machen.
• Full Versioning ist teuer und lohnt sich. Plata baute es von Tag eins an und betreibt jetzt 80 bis 90 Prozent der Datenprozesse auf diesem Fundament. Nachträgliches Einbauen ist brutal.
• Die BI-Anbieter sind gewarnt. Wenn KI-generierte Streamlit-Apps kuratierte Tableau-Workbooks in großem Maßstab ersetzen, bricht das Lizenzerlösmodell hinter traditionellem BI innerhalb weniger Jahre zusammen.
• Analytics Engineering ist jetzt der richtige Einstellungstitel. Plata startet neue Märkte mit Zellen von zwei bis vier Personen. Wenn eine Organisation noch „Data Analysts" einstellt, die nicht modellieren oder liefern können, ist man im Rückstand.
• Der Semantic Layer ist der eigentliche KI-Burggraben. Text-to-SQL funktioniert nicht ohne rigorose Datenbeschreibung. Das ist langweilige, teure Dokumentationsarbeit – und sie ist das, was Demo von Produktion trennt.