Die Erwartungen an künstliche Intelligenz im Marketing sind hoch. Kunden sollen genauer angesprochen, Angebote besser ausgewählt, Inhalte schneller produziert und Budgets effizienter eingesetzt werden. Vieles davon ist inzwischen technisch möglich, manches längst Bestandteil der Systeme, die Unternehmen ohnehin einsetzen. Die Diskussion verschiebt sich deshalb allmählich von den Fähigkeiten der Technologie zu den Voraussetzungen für ihren sinnvollen Einsatz.

 

Dabei rücken die Daten in den Mittelpunkt, mit denen diese Systeme arbeiten.

 

In vielen Unternehmen liegen Kundendaten an zahlreichen Stellen. Das CRM enthält Stammdaten und Kontakthistorien, der Webshop kennt Käufe und Warenkörbe, weitere Systeme erfassen Reaktionen auf Kampagnen, Servicekontakte, Aktivitäten in Kundenprogrammen oder die Nutzung von Apps und Websites. Einwilligungen, Kommunikationswünsche und Präferenzen kommen hinzu. Über Jahre ist daraus eine umfangreiche Infrastruktur entstanden, in die beträchtlich investiert wurde.

 

Im Alltag zeigt sich allerdings, dass die technische Verfügbarkeit einer Information wenig über ihre tatsächliche Nutzbarkeit aussagt. Daten können veraltet sein, in verschiedenen Systemen voneinander abweichen oder einem Kunden nicht eindeutig zugeordnet werden. Bei anderen Informationen ist ihre Herkunft bekannt, der ursprüngliche Verwendungszusammenhang aber nicht mehr ohne Weiteres nachvollziehbar. Auch Änderungen bei Einwilligungen und Präferenzen erreichen nicht zwangsläufig jedes nachgelagerte System zur gleichen Zeit.

 

Solange Menschen Kampagnen planen und freigeben, lassen sich manche dieser Unklarheiten auffangen. Erfahrene

Mitarbeiter kennen die Eigenheiten ihrer Systeme, gleichen Informationen ab oder greifen bei Auffälligkeiten ein. Mit zunehmender Automatisierung verschwinden einige dieser Korrekturschleifen. Systeme arbeiten mit den Daten und Regeln, die ihnen zur Verfügung gestellt werden. Sie können dabei sehr schnell sein, aber nicht erkennen, welche ungeklärten Annahmen sich hinter einem Datenfeld oder einer Schnittstelle verbergen.

 

Die Vorbereitung auf KI beginnt deshalb an einer ziemlich bodenständigen Stelle.

 

Der Wert von Daten zeigt sich erst bei ihrer Nutzung

 

In den vergangenen Jahren war viel vom Aufbau eines möglichst umfassenden Kundenbildes die Rede. Kundendaten sollten zusammengeführt, Datensilos aufgebrochen und aus verstreuten Kontakten ein konsistentes Profil geschaffen werden. Dafür wurden bestehende Systeme erweitert, neue Datenplattformen aufgebaut und zusätzliche Schnittstellen geschaffen.

 

Die Grundidee ist immer noch richtig. Ein vollständigeres Profil ist jedoch noch keine bessere Entscheidungsgrundlage.

Ein Datensatz kann korrekt gespeichert und trotzdem veraltet sein. Eine Information kann dem richtigen Kunden zugeordnet sein, für einen bestimmten Zweck aber nicht zur Verfügung stehen. Präferenzen können sich geändert haben, während ein nachgelagertes System noch mit einem älteren Stand arbeitet. Bei anderen Daten ist zwar ihre Herkunft dokumentiert, der Zusammenhang ihrer Erhebung lässt sich bei einer späteren Verwendung jedoch nur schwer rekonstruieren.

 

Der wirtschaftliche Wert eines Datenbestands hängt daher weniger von seiner Größe als von seiner Nutzbarkeit ab.

 

An dieser Stelle treffen Datenqualität, Governance und Consent aufeinander. Organisatorisch werden diese Themen häufig getrennt behandelt. Im Marketingbetrieb wirken sie gemeinsam darauf, welcher Teil des vorhandenen Datenbestands für einen konkreten Zweck tatsächlich eingesetzt werden kann.

 

Die Erfahrungen aus zahlreichen Datenprojekten zeigen, dass das Zusammenführen von Informationen nur ein Teil der Aufgabe ist. Wirtschaftlicher Nutzen entsteht erst durch bessere Entscheidungen, brauchbare Zielgruppen und Anwendungen, die im laufenden Betrieb funktionieren. Mit KI gewinnt diese Unterscheidung an Gewicht, weil aus Daten immer häufiger unmittelbar Handlungen entstehen.

 

Consent beginnt lange vor dem Cookie-Banner

 

Die öffentliche Wahrnehmung von Consent ist stark vom Cookie-Banner geprägt. Es ist sichtbar, häufig lästig und seit Jahren Gegenstand von Diskussionen über Gestaltung und Zustimmungsraten. Für die Kundenbeziehung bildet es allerdings nur einen kleinen Ausschnitt ab.

 

Einwilligungen entstehen an vielen Stellen. Newsletter, Kundenkonten, Apps, Kundenprogramme, Veranstaltungen und weitere Angebote schaffen Situationen, in denen Menschen Entscheidungen über die Verwendung ihrer Daten treffen. Kommunikationswünsche und persönliche Präferenzen ergänzen dieses Bild. Solche Entscheidungen verändern sich im Laufe einer Kundenbeziehung und können später angepasst oder widerrufen werden.

 

Nicht jede Verarbeitung personenbezogener Daten beruht dabei auf einer Einwilligung. Für die Steuerung der Datennutzung bleibt trotzdem entscheidend, die jeweilige Grundlage und den vorgesehenen Verwendungszusammenhang zu kennen. Der Besitz einer Information allein begründet noch keine beliebige Nutzung.

In historisch gewachsenen Systemlandschaften wird genau das anspruchsvoll. Eine Änderung wird an einem Kontaktpunkt erfasst, während andere Anwendungen zunächst mit ihrem bisherigen Datenstand weiterarbeiten. Ein Widerruf kann im Ursprungssystem korrekt dokumentiert sein und trotzdem verspätet in anderen Marketing- oder Kundensystemen ankommen. Präferenzen werden mitunter mehrfach gespeichert, ohne dass eindeutig festgelegt wurde, welcher Stand maßgeblich ist.

 

Consent Management umfasst deshalb wesentlich mehr als die Erfassung einer Zustimmung. Die Information muss im Unternehmen erhalten, verständlich und an den relevanten Stellen verfügbar bleiben.

 

Damit wird Consent zu einem Bestandteil der Datensteuerung. Datenqualität, Identität, Zweck, Einwilligungen und Präferenzen bestimmen gemeinsam, welcher Teil des vorhandenen Datenbestands tatsächlich genutzt werden kann.

Für die wirtschaftliche Betrachtung ist das keineswegs nebensächlich. Ein Unternehmen kann über Millionen Kundenprofile verfügen und trotzdem nur einen Teil davon für bestimmte Aktivitäten verlässlich einsetzen. Die reine Zahl vorhandener Datensätze vermittelt dann ein zu positives Bild des tatsächlichen Datenvermögens.

 

Automatisierung vergrößert die Wirkung bestehender Schwächen

 

Im klassischen Kampagnenbetrieb lagen zwischen Auswahl einer Zielgruppe und Ansprache des Kunden meist mehrere Arbeitsschritte. Daten wurden geprüft, Inhalte erstellt, Kampagnen abgestimmt und schließlich freigegeben. Dieser Ablauf war nicht besonders schnell, bot aber Gelegenheiten, Unstimmigkeiten zu erkennen.

 

Mit zunehmender Automatisierung werden diese Zeiträume kürzer. Zielgruppen lassen sich fortlaufend neu berechnen. Modelle bewerten Wahrscheinlichkeiten, Empfehlungssysteme reagieren auf Verhalten und Inhalte können unmittelbar an eine Situation angepasst werden. Entscheidungen, für die früher mehrere Arbeitsschritte notwendig waren, fallen teilweise innerhalb eines einzelnen Kundenkontakts. Darin liegt ein wesentlicher Teil des wirtschaftlichen Potenzials. Dieselbe Geschwindigkeit gilt allerdings auch für Fehler.

 

Eine veraltete Präferenz kann sofort in eine Entscheidung einfließen. Eine falsche Identitätszuordnung lässt sich ohne weitere menschliche Prüfung verwenden. Gleiches gilt für einen Consent-Status, der in einem System geändert wurde und in einem anderen noch nicht angekommen ist.

 

Bei stark automatisierten Abläufen verliert die nachträgliche Prüfung deshalb an Bedeutung. Die Bedingungen für die Verwendung von Daten müssen bereits bekannt sein, wenn die Entscheidung entsteht. Ein Modell kann sehr präzise berechnen, welche Handlung statistisch den größten Erfolg verspricht. Die Grenzen, innerhalb derer diese Berechnung für das Unternehmen sinnvoll und zulässig ist, müssen vorher festgelegt worden sein. Consent wird dadurch Teil der Entscheidungsgrundlage und nicht zu einer Prüfung, die erst unmittelbar vor einer Aktivierung stattfindet.

 

Ein vollständiges Kundenbild ist nicht automatisch ein wertvolles Kundenbild

 

Das möglichst umfassende Kundenprofil gehörte lange zu den großen Versprechen des datengetriebenen Marketings. Je mehr Informationen zusammengeführt werden, desto besser werde die Ansprache. Dieser Gedanke hat viele Technologieprogramme geprägt.

 

Aus geschäftlicher Sicht ist Vollständigkeit jedoch ein fragwürdiges Ziel. Für konkrete Entscheidungen werden selten sämtliche verfügbaren Informationen benötigt. Ein Servicefall stellt andere Anforderungen als die Auswahl eines Angebots. Für die Rückgewinnung eines Kunden sind andere Signale relevant als für die Personalisierung eines digitalen Angebots.

 

Eine sinnvolle Datenstrategie beginnt deshalb bei den Entscheidungen, die im Geschäft verbessert werden sollen. Daraus ergeben sich die benötigten Informationen und die Anforderungen an Qualität, Aktualität und Zuordnung. Die Bedingungen ihrer Verwendung gehören ebenso dazu.

 

Consent steht damit nicht neben der Datenstrategie. Er ist ein Teil von ihr.

 

Diese Sicht verändert auch die Investitionslogik. Technologie folgt einem konkreten geschäftlichen Bedarf, statt selbst zum Ausgangspunkt eines Projekts zu werden. Das schützt vor einem bekannten Muster, bei dem zunächst eine Plattform beschafft und anschließend nach ausreichend vielen Anwendungsfällen gesucht wird, um ihre Anschaffung wirtschaftlich zu begründen.

 

Die aktuelle KI-Welle erhöht die Gefahr, dieses Muster zu wiederholen. Zusätzliche Funktionen und neue Plattformen lösen keine Unklarheit darüber, welche Daten für welche Entscheidung gebraucht und genutzt werden können.

 

Eigene Daten sind nicht automatisch bessere Daten

 

First-Party-Daten haben erheblich an Bedeutung gewonnen. Unternehmen möchten weniger abhängig von externen Datenquellen sein und stärker auf Informationen setzen, die aus ihren eigenen Kundenbeziehungen entstehen. Entsprechend sind die Investitionen in eigene Datenstrategien in den vergangenen Jahren gestiegen.

Die Herkunft aus dem eigenen Unternehmen ist allerdings noch kein Qualitätsmerkmal.

 

Auch eigene Daten können alt, doppelt oder widersprüchlich sein. Ein Kunde kann in verschiedenen Systemen unterschiedlich geführt werden. Informationen können technisch vorhanden sein, obwohl der Zusammenhang ihrer späteren Verwendung ein anderer geworden ist.

 

Besonders wertvoll können Angaben sein, die Kunden bewusst zur Verfügung stellen. Interessen, Bedürfnisse und Kommunikationspräferenzen besitzen in manchen Situationen eine höhere Aussagekraft als eine lange Reihe beobachteter Klicks.

 

Das Marketing hat viel darin investiert, Verhalten immer genauer zu interpretieren. Seitenaufrufe, Suchvorgänge, Warenkörbe und Reaktionen auf Kampagnen werden zu Signalen, aus denen eine vermutete Absicht entsteht. Diese Daten behalten ihren Wert. Gleichzeitig gewinnen bewusst geäußerte Präferenzen an Bedeutung, weil sie weniger Interpretation benötigen.

 

Voraussetzung ist, dass sie anschließend tatsächlich berücksichtigt werden. Wird ein bevorzugter Kommunikationskanal erfasst und der Kunde trotzdem über sämtliche verfügbaren Kanäle angesprochen, fehlen keine weiteren Daten. Die vorhandene Information erreicht lediglich den Prozess nicht.

 

Consent und Preference Management liegen an dieser Stelle eng beieinander. Beide beschreiben einen Teil des Rahmens, in dem eine Kundenbeziehung gestaltet werden kann. Für KI-gestützte Systeme sind diese Informationen besonders wertvoll, weil sie den möglichen Handlungsraum genauer beschreiben.

 

Die Schwierigkeiten liegen häufig zwischen den Systemen

 

An Marketingtechnologie mangelt es größeren Unternehmen selten. Über Jahre sind CRM, Marketing Automation, Analytics, Consent Management, E-Commerce, Datenplattformen, Kundenprogramme und zahlreiche weitere Anwendungen hinzugekommen.

 

Die einzelnen Systeme sind dabei nicht zwangsläufig das Problem. Schwieriger sind ihre Übergänge.

Eine Präferenz braucht einen verbindlichen Ursprung. Für den Consent-Status muss feststehen, welche Information maßgeblich ist. Änderungen müssen in angemessener Zeit die Anwendungen erreichen, in denen sie relevant sind. Für Identitäten, Datenqualität und bereits gebildete Zielgruppen braucht es ebenfalls Regeln. Eine technisch funktionierende Schnittstelle genügt nicht, wenn die fachliche Bedeutung der übertragenen Informationen unklar bleibt.

 

Diese Aufgaben lassen sich nicht vollständig an die Technik delegieren. Verantwortlichkeiten für Datenqualität und Permissions müssen ebenso geklärt sein wie Entscheidungsrechte bei widersprüchlichen Informationen. Auch der Umgang mit Fehlern im laufenden Betrieb gehört dazu.

 

Spätestens hier wird aus der MarTech-Architektur eine Organisationsfrage.

Marketing, IT, Data und Datenschutz brauchen eine belastbare Vereinbarung darüber, wer entscheidet, wer verantwortlich ist und wie Änderungen in den Betrieb gelangen. Je stärker das Marketing automatisiert wird, desto weniger kann diese Abstimmung im Einzelfall erfolgen.

 

Eine Plattform kann solche Regeln technisch abbilden. Definieren kann sie sie nicht. Der Business Case für KI beginnt vor der Technologieauswahl.

 

Bei Investitionen in KI stehen häufig Funktionen im Vordergrund. Automatisierbare Aufgaben, Leistungsfähigkeit der Modelle, Integrationsmöglichkeiten und Einführungsgeschwindigkeit lassen sich vergleichsweise einfach beschreiben und präsentieren.

 

Der wirtschaftliche Business Case beginnt früher.

 

Am Anfang steht eine geschäftlich relevante Entscheidung, deren Qualität oder Kosten verbessert werden sollen. Daraus lässt sich ableiten, welchen Wert eine Verbesserung besitzt und welche Daten dafür benötigt werden. Die Qualität und Verfügbarkeit dieser Daten bestimmen anschließend, wie realistisch der erwartete Effekt ist. Consent und Präferenzen konkretisieren den nutzbaren Datenbestand. Verantwortlichkeiten und Betriebsprozesse entscheiden schließlich darüber, ob das Ganze dauerhaft funktioniert.

 

Auf dieser Grundlage lässt sich wesentlich nüchterner beurteilen, welche Technologie tatsächlich erforderlich ist.

Das gilt auch für die Erfolgsmessung. Die Anzahl erzeugter Inhalte, neuer Segmente oder automatisierter Entscheidungen ist für sich genommen kaum aussagekräftig. Relevant sind Veränderungen im Geschäft, etwa bei Wiederkaufraten, Abwanderung, Conversion, Bearbeitungskosten oder Servicequalität.

 

Auf der Kostenseite gehören neben Lizenzen und Implementierung auch Integration, Datenpflege, Governance, Consent Management und laufende Kontrolle in die Rechnung. Gerade bei KI kann die einzelne automatisierte Aktion ausgesprochen günstig werden, während die Voraussetzungen für Millionen verlässlicher Entscheidungen einen erheblichen Aufwand verursachen.

 

Wer nur die Automatisierung betrachtet, unterschätzt leicht den tatsächlichen Business Case.

 

Die eigentliche Vorbereitung auf KI findet heute statt. Leistungsfähige KI dürfte auf Dauer kaum ein exklusiver Wettbewerbsvorteil bleiben. Viele Funktionen, über die heute gesprochen wird, werden Bestandteil bestehender Unternehmenssoftware. Wettbewerber werden ähnliche Modelle einsetzen und auf vergleichbare technische Möglichkeiten zugreifen können.

 

Unterschiede entstehen eher in der Fähigkeit, diese Technik im eigenen Geschäft sinnvoll einzusetzen.

Unternehmen mit klaren Entscheidungswegen, verlässlichen Daten und einem funktionierenden Umgang mit Consent und Präferenzen haben dafür eine bessere Ausgangslage. In Organisationen, in denen verschiedene Systeme unterschiedliche Datenstände führen und Verantwortlichkeiten erst im Projekt geklärt werden, fügt KI zunächst eine weitere Ebene der Komplexität hinzu.

 

Über Jahre lag der Schwerpunkt darauf, mehr über Kunden zu erfahren. Mit der zunehmenden Automatisierung wird die Beherrschung dieses Wissens mindestens ebenso wichtig. Daten müssen nicht möglichst zahlreich vorhanden sein. Sie müssen für den jeweiligen Zweck verlässlich, verständlich und nutzbar sein.

 

Consent gehört in diesem Verständnis zur Kundenbeziehung und zur Datensteuerung. Er beginnt nicht am Cookie-Banner und endet nicht mit der Speicherung einer Zustimmung. Zusammen mit Präferenzen, Datenqualität und klaren Verantwortlichkeiten bestimmt er, welcher Teil des vorhandenen Wissens tatsächlich in Entscheidungen einfließen kann.

 

KI beschleunigt diese Entscheidungen und vergrößert ihre Reichweite. Ob daraus wirtschaftlicher Nutzen entsteht, hängt wesentlich von den Voraussetzungen ab, die ein Unternehmen lange vor der eigentlichen Automatisierung schafft.