Dieser Leitfaden bündelt, was ich aus zehn Jahren Marketing-Verantwortung bei Douglas, FALKE und Funke, aus 317 Podcast-Folgen mit Marketing-Leadern und aus zwei Auflagen meines Springer-Buchs Datengetriebenes Marketing destilliert habe. Er ist für dich, wenn du im Mittelstand eine Marketing-Organisation führst, die heute Kampagnen macht und morgen Customer Journeys entlang von Profildaten orchestrieren soll. Er ist nicht für Agenturen, die eine neue Folienvorlage brauchen, und nicht für Start-ups, die noch nicht genug Kundendaten haben, um überhaupt eine Entscheidung zu treffen.
Was datengetriebenes Marketing ist
Datengetriebenes Marketing ist die Arbeitsweise, in der jede Kampagnen-, Kanal- und Personalisierungs-Entscheidung durch Kundendaten gestützt wird — nicht durch Bauchgefühl, Agentur-Pitch oder Budgetvorgabe. Der Unterschied zu klassischem Marketing ist nicht der Output (eine E-Mail bleibt eine E-Mail), sondern das Zustandekommen: Zielgruppe, Inhalt, Zeitpunkt und Kanal sind durch Profil-Daten und Verhaltensmuster begründet, nicht durch das nächste Quartalsmeeting.
Drei Dinge sind datengetriebenes Marketing nicht: Es ist kein Synonym für Performance-Marketing — dort geht es um Werbekanäle, nicht um die gesamte Customer Journey. Es ist keine KI-Anwendung — KI hilft, ist aber nicht Voraussetzung. Und es ist keine Tool-Kategorie — weder CDP noch Marketing Automation noch Attribution-Tool sind in sich datengetrieben; erst die Arbeitsweise drumherum macht sie dazu.
Die 5 Phasen — das Kern-Framework
In meinem Buch beschreibe ich datengetriebenes Marketing als Zyklus aus fünf Phasen. Der 5-Phasen-Prozess ist das Leitgerüst jeder funktionierenden datengetriebenen Marketing-Organisation.
- Collect — Daten systematisch einsammeln aus allen First-Party-Quellen (Shop, App, CRM, Service, Offline, Newsletter-Interaktion). Dazu gehört Consent-Management und eine saubere Identity-Resolution. Ohne Collect als Fundament kippt alles andere. Details im Collect-Cluster.
- Understand — Die Daten in Insights verwandeln: Segmente bilden, Personas datenbasiert validieren, Verhaltensmuster erkennen. Das ist die Phase, die am meisten Analyse-Kompetenz braucht und am wenigsten Tool-Entscheidung. Siehe Understand-Cluster.
- Decide — Aus Insights werden Kampagnen- und Personalisierungs-Entscheidungen. Welches Segment bekommt welchen Content, zu welchem Zeitpunkt, über welchen Kanal? Entscheidungs-Regeln müssen dokumentiert sein, sonst endet das in individuellen Ad-hoc-Kampagnen. Siehe Decide-Cluster.
- Automate — Die Entscheidungen werden in ausführbare Regeln gegossen und an ein Marketing-Automation-System übergeben. Diese Phase ist stark technisch und muss IT und Daten einbinden. Details im Automate-Cluster.
- Execute — Die automatisierten Kampagnen laufen in den Kanälen (E-Mail, Push, On-Site, Paid, Direkt-Mail). Monitoring und Feedback-Loop geben die Daten wieder an Phase 1 zurück. Siehe Execute-Cluster.
Wichtig am Modell: Die Phasen sind kein Wasserfall, sondern ein Zyklus. Jede Ausführung produziert neue Daten, die in die nächste Iteration fließen. Wer am Ende von Phase 5 aufhört und bei der nächsten Kampagne wieder bei Null startet, hat die Idee nicht verstanden.
Attribution — die schwierigste Phase
Attribution verdient einen eigenen Abschnitt, weil sie die häufigste Stelle ist, an der datengetriebene Marketing-Projekte scheitern. Marketing-Attribution ist die Frage: Welcher Kanal, welcher Touchpoint, welche Kampagne war wie viel wert für die letzte Conversion?
Die Antwort ist nie eindeutig. Last-Click-Attribution ist falsch, weil sie den letzten Touchpoint überbewertet. Data-Driven-Attribution (Googles Default) ist eine Blackbox. Multi-Touch-Modelle sind komplex und politisch anfällig. Keines dieser Modelle ist „richtig" — alle sind pragmatische Vereinfachungen eines Problems, das im Kern nicht lösbar ist.
Drei Empfehlungen aus der Praxis. Erstens: Nutze mehrere Modelle parallel und schaue auf die Deltas zwischen ihnen, nicht auf einen absoluten Wert. Zweitens: Kalibriere mit Holdout-Tests (Geo-Experimente, Incrementality-Tests) mindestens zweimal pro Jahr — ohne Kalibrierung driften alle Modelle. Drittens: Dokumentiere Annahmen öffentlich, damit Stakeholder das Modell hinterfragen können.
Das Ende von Third-Party-Cookies hat Attribution zusätzlich erschwert — viele klassische Modelle brauchen Cross-Site-Identifier, die heute nicht mehr verlässlich sind. Server-side-Tracking, Consent-Mode und First-Party-Pipelines sind die Antworten der nächsten Jahre.
Omnichannel — mehr als Multi-Channel
Omnichannel-Marketing ist der häufigste missverstandene Begriff in dieser Disziplin. Multi-Channel heißt: Du hast E-Mail, Push, Paid, Onsite, Print — alle getrennt geplant. Omnichannel heißt: Diese Kanäle teilen sich ein Profil, eine Message-Strategie und einen Customer-Journey-Orchestrator. Wenn ein Kunde auf Channel A klickt, reagiert Channel B ohne weitere manuelle Arbeit.
Omnichannel ist weniger eine Technologie-Frage als eine Organisations-Frage. Wenn E-Mail und Paid-Media in getrennten Abteilungen mit getrennten KPIs sitzen, wird Omnichannel scheitern — egal welche Tools du kaufst. Der Shift ist: Vom kanalweisen zum Journey-weisen Denken.
Voraussetzungen im Mittelstand
Datengetriebenes Marketing ist kein Allzeithoch-Projekt, sondern braucht ein Fundament. Wenn eines der folgenden fehlt, investiere dort zuerst, bevor du in Marketing-Automation oder CDP gehst.
- Datenbasis: Du hast mindestens 18 Monate saubere Customer-Daten über deine wichtigsten Kanäle.
- Consent-Setup: Cookie-Banner konform, CMP integriert, Consent-Propagation dokumentiert.
- CRM-Hygiene: Dublettenquote unter 5 Prozent, Opt-in-Status je Zweck getrennt, keine Schatten-Listen in Excel.
- Organisation: Mindestens eine Person mit dedizierter Data-Marketing-Verantwortung, nicht als Nebenrolle des CRM-Managers.
- Stakeholder-Bereitschaft: Marketing, Sales, IT und Legal sitzen mindestens einmal pro Quartal an einem Tisch. Wenn nein, hast du keine Organisation für datengetriebenes Marketing, sondern ein Silo-Problem.
Buch-Framework und Einordnung
Das 5-Phasen-Modell stammt direkt aus dem ersten Kapitel meines Buchs Datengetriebenes Marketing, das 2020 in erster und 2024 in zweiter Auflage bei Springer Gabler erschienen ist. Die zweite Auflage ergänzt GenAI-Use-Cases und die aktuelle Consent-Lage — das Kernmodell bleibt gleich, weil es nicht technologieabhängig ist.
In der Podcast-Folge #221 mit Robin G. von mParticle diskutieren wir ausführlich, wie der Übergang von Phase 3 zu Phase 4 im Mittelstand funktioniert — ab welcher Datenmenge sich Automation rechnet und welche Tool-Kategorien wann helfen.
Häufig gestellte Fragen
Was ist der Unterschied zwischen datengetriebenem Marketing und Marketing Automation?
Marketing Automation ist ein Werkzeug — du triggerst E-Mails, Pushes und Anzeigen automatisch. Datengetriebenes Marketing ist eine Arbeitsweise, in der dieselben Automations aus Profil-Daten, Verhaltensmustern und Entscheidungs-Modellen gespeist werden. Ohne datengetriebenen Unterbau automatisierst du nur schlechte Entscheidungen schneller.
Brauche ich eine CDP für datengetriebenes Marketing?
Ab drei aktiven Kanälen und sobald du Identity-übergreifend personalisieren willst, ja. Unter drei Kanälen reicht ein gut konfiguriertes CRM plus Marketing-Automation-Tool. Mehr dazu im Pillar Customer Data Platform.
Wie lange dauert es, datengetriebenes Marketing im Mittelstand einzuführen?
18 bis 24 Monate bis zum Reifegrad, der den Namen verdient. Erste Quick Wins nach 90 Tagen, Phase 1 bis 3 des 5-Phasen-Prozesses nach einem Jahr. Wer schneller verspricht, verkauft Tool-Konfiguration statt Arbeitsweise.
Warum ist Attribution die schwierigste Phase?
Weil Attribution politisch ist. Jede Abteilung will ihren Anteil an der Conversion sehen, und kein Modell ist objektiv. Multi-Touch, Last-Click, Data-Driven — alle haben Biases. Der einzige Ausweg ist Transparenz im Modell und kontinuierliche Kalibrierung.
Kann ich datengetriebenes Marketing ohne KI machen?
Ja, und 80 Prozent der Ergebnisse kommen aus klassischer Analyse (Segmente, RFM, Churn-Modelle). KI ist der 20-Prozent-Boost oben drauf — oft mit überproportionalem Lizenz-Preis. Fang ohne an.
Was tun, wenn die IT keine Datenfreigabe gibt?
Data Governance mit IT, Legal und Marketing gemeinsam aufsetzen — nicht gegeneinander. Wer im Marketing heimlich Schatten-Daten-Pipelines baut, schafft Compliance-Risiken, die später teurer werden als die ursprüngliche Blockade.
Wenn du mit dem Einstieg beginnen willst, ist der 5-Phasen-Prozess der richtige nächste Artikel. Für eine Tiefeneinordnung einzelner Phasen wähle direkt Collect, Understand, Decide, Automate oder Execute. Für die beiden härtesten Querschnittsthemen siehe Attribution und Omnichannel.