Der 5-Phasen-Prozess ist das Kern-Framework aus meinem Springer-Buch Datengetriebenes Marketing. Die fünf Phasen sind: Collect, Understand, Decide, Automate, Execute. Jede steht für einen konkreten Arbeitsschritt, der in jeder datengetriebenen Marketing-Aktion durchlaufen wird — von der Tages-Kampagne bis zur Jahresstrategie. Dieser Artikel ist der konzeptionelle Überbau; jede Phase hat einen eigenen Cluster-Artikel mit operativem Detail.
Warum überhaupt ein Modell?
Ohne Modell werden Marketing-Projekte zu Ad-hoc-Interventionen: „Wir bauen schnell eine Kampagne", „Wir probieren mal dieses Tool aus", „Wir schauen, was die Zahlen sagen". Das funktioniert, bis die Organisation groß wird — dann verlieren die Beteiligten den Überblick, wer welche Daten erfasst, wer wann entscheidet, und was automatisiert passieren soll.
Das 5-Phasen-Modell zwingt zur expliziten Trennung. Wer im Prozess gerade ist, weiß, welche Artefakte er produzieren muss und welche er erwartet bekommt. Das ist keine Kafka-Bürokratie — es ist der Unterschied zwischen skalierbarer und unskalierbarer Marketing-Arbeit.
Phase 1 — Collect
Was passiert: Kundendaten werden systematisch aus First-Party-Quellen eingesammelt — Shop, App, CRM, Service, Newsletter, Offline. Consent wird pro Zweck erfasst und propagiert. Identifier (E-Mail, Kundennummer, Device-ID) werden zu Profilen verknüpft.
Wer macht das: Data Engineering, IT, Legal für Consent-Fragen.
Wovon hängt Erfolg ab: Datenqualität (niedrige Dublettenquote), Consent-Abdeckung, Breite der Quellen. Eine technische CDP oder vergleichbare Infrastruktur macht diese Phase skalierbar.
Häufige Fehler: Collect als „nebenbei" behandeln, Consent zu spät reinholen, Offline-Daten komplett ignorieren. Details im Collect-Cluster.
Phase 2 — Understand
Was passiert: Aus Rohdaten werden Insights. Segmente, Personas, Verhaltensmuster werden analysiert und dokumentiert. Churn-, CLV-, Next-Best-Action-Modelle werden gebaut.
Wer macht das: Data Analysts, Data Scientists, Marketing-Strategen.
Wovon hängt Erfolg ab: Analyse-Kompetenz, Werkzeug-Zugang (Visualisierung, Notebooks), Fragestellung-Disziplin. Wer ohne klare Frage in die Daten geht, findet Rauschen und hält es für Signal.
Häufige Fehler: Zu viele Tools, zu wenige Fragen. Dashboards, die niemand liest. Segmente ohne Handlungsimplikation. Details im Understand-Cluster.
Phase 3 — Decide
Was passiert: Aus Insights werden konkrete Kampagnen- und Personalisierungs-Entscheidungen. Welches Segment bekommt welchen Content, wann, auf welchem Kanal, mit welchem Frequenz-Cap. Entscheidungen werden dokumentiert als Regel-Set.
Wer macht das: Marketing-Strategen und Kampagnen-Verantwortliche, gemeinsam mit Data-Analysten.
Wovon hängt Erfolg ab: Klare Ziele pro Kampagne, dokumentierte Regeln, Zugriff auf die Insight-Ebene. Ohne Decide-Phase entstehen „bauchgefühl-plus-Daten"-Kampagnen, die nicht replizierbar sind.
Häufige Fehler: Entscheidungen im Kopf des Campaign-Managers statt in einem Regel-System. Keine Dokumentation der Annahmen. Mehr zum Decide-Cluster.
Phase 4 — Automate
Was passiert: Die Entscheidungen werden in ausführbare Regeln gegossen — in einem Marketing-Automation-Tool, in der CDP-Audience-Logik, in E-Mail-Versender-Triggern. Die Regeln laufen ab sofort ohne manuelle Intervention, mit Feedback-Loop in Phase 2.
Wer macht das: Marketing-Ops-Team, Data Engineering, manchmal auch externe Agenturen.
Wovon hängt Erfolg ab: Saubere Integration zwischen CDP, Automation-Tool und Kanal-Systemen. Testing-Disziplin (kein „wird schon funktionieren"-Launch). Klare Regel-Versionierung.
Häufige Fehler: Komplexe Automation ohne Monitoring. Kampagnen, die weiter laufen, auch wenn sie nicht mehr sinnvoll sind. Mehr im Automate-Cluster.
Phase 5 — Execute
Was passiert: Die automatisierten Kampagnen laufen in den Kanälen — E-Mail wird versendet, Push getriggert, Paid-Segmente aktualisiert. Monitoring misst Zustellung, Öffnungs- und Conversion-Raten.
Wer macht das: Kanal-Spezialisten (E-Mail, Push, Paid), mit Feedback an Marketing-Ops.
Wovon hängt Erfolg ab: Kanal-Qualität, Deliverability, Frequenz-Cap-Disziplin. Häufig das einzig sichtbare Ergebnis für externe Stakeholder — deshalb auch häufig überbetont gegenüber Phase 1–3.
Häufige Fehler: Execute als alleiniger Wertbeitrag des Marketing-Teams. Wer Phase 1–4 ignoriert, bleibt bei Execute hängen und skaliert nicht. Mehr im Execute-Cluster.
Der Feedback-Loop
Jede Execute-Aktivität produziert Daten, die zurück in Phase 1 fließen. Öffnungsraten sind Kundensignale, Click-Paths sind Verhaltensdaten, Retention-Kurven sind Insight-Material für die nächste Iteration. Wer diesen Loop nicht schließt, hat keinen Zyklus, sondern eine lineare Kette — und verschenkt den Lern-Effekt, der Datenmarketing überhaupt wertvoll macht.
In der Podcast-Folge #221 mit Robin G. von mParticle diskutieren wir ausführlich, an welcher Phase typische Mittelstands-Teams am häufigsten scheitern. Spoiler: Phase 1 oder 2, fast nie Phase 5.
Wie du das Framework einführst
Schritt 1: Mache ein Ist-Audit pro Phase — welche Arbeit findet tatsächlich statt, wer ist verantwortlich, welche Artefakte existieren? Das ist eine Woche Arbeit im Team.
Schritt 2: Identifiziere die schwächste Phase und investiere dort zuerst. Meistens Collect oder Understand.
Schritt 3: Baue einen Mini-Zyklus komplett durch — eine Kampagne, die sauber durch alle fünf Phasen läuft, mit Dokumentation pro Phase. Dieses Referenz-Projekt ist dein Muster für alles Weitere.
Schritt 4: Skaliere auf weitere Kampagnen. Jede neue muss die Phasen durchlaufen, kein Abkürzungen.
Für die Vertiefung der einzelnen Phasen: Collect, Understand, Decide, Automate, Execute. Für die Querschnittsthemen siehe Attribution und Omnichannel.