Neue US-Datenschutz- und KI-Regelungen beeinflussen zunehmend operative Marketingentscheidungen: von der Auswahl der Datenanbieter über die Erstellung von Zielgruppen bis zum Einsatz von KI-Modellen. Unternehmen, die in mehreren US-Bundesstaaten tätig sind, müssen unterschiedliche Anforderungen in eine konsistente Strategie übersetzen, die Kundengewinnung und Kundenbindung unterstützt, während sich die Bedingungen für die Datennutzung verändern.
Der Bericht U.S. State Privacy and AI Legislative Insights — Summer 2026, verfasst von Caroline Hudson, Partnerin bei Loeb & Loeb, beschreibt die wichtigsten Entwicklungen. Die zunehmende Aufmerksamkeit für Datenbroker, sensible personenbezogene Daten und automatisierte Entscheidungsfindung erweitert die Verantwortung von Unternehmen entlang des gesamten Prozesses von der Datenerhebung über die Analyse bis zur Aktivierung.
Wer diese Veränderungen versteht, kann die Fähigkeiten bestimmen, die das Marketing benötigt: verfügbare Daten besser verstehen, daraus Mehrwert gewinnen und die Bedingungen ihrer Nutzung im operativen Alltag berücksichtigen. Technologie kann diese Anforderungen unterstützen, indem sie Customer Intelligence mit Marketingaktivierung verbindet.
Die US-Datenschutzlandschaft: Sich überschneidende Anforderungen der Bundesstaaten
Der Schutz von Verbraucherdaten in den USA wird weiterhin durch unterschiedliche Datenschutzgesetze der Bundesstaaten sowie bundesweite und sektorspezifische Vorschriften geprägt. Marketingteams müssen Anforderungen berücksichtigen, die zwar einige Grundprinzipien teilen, sich aber hinsichtlich Anwendungsschwellen, Definitionen, Ausnahmen und Einschränkungen unterscheiden.
Zu den wichtigsten Entwicklungen gehören umfassendere Regeln für Datenbroker, ein erweiterter Geltungsbereich von Datenschutzgesetzen, strengere Einschränkungen für sensible Daten, der Schutz von Kindern und Jugendlichen sowie neue Anforderungen an bestimmte KI-Anwendungen.
Diese Fragmentierung hat praktische Folgen. Derselbe Prozess zur Datenaktivierung kann je nach Bundesstaat, verwendeten Daten, beteiligten Parteien und Verarbeitungszweck unterschiedliche Bewertungen erfordern. Unternehmen benötigen daher Prozesse, die diese Unterschiede berücksichtigen und sich an künftige Änderungen anpassen lassen.
Datenbroker: Mehr Aufmerksamkeit für Datenherkunft und Datenflüsse
Die Regulierung von Datenbrokern erweitert den Kreis der Unternehmen, die besonderen Verpflichtungen unterliegen. Neue Definitionen und Verfahren sollen es Verbrauchern ermöglichen, ihre Datenschutzrechte auszuüben.
New Jersey hat die Kategorie der „Data Collectors“ eingeführt: Unternehmen, die Informationen direkt von Verbrauchern erheben und anschließend an einen Datenbroker verkaufen oder lizenzieren. Die direkte Datenerhebung schließt entsprechende Verpflichtungen somit nicht aus, wenn die Daten anschließend kommerziell weitergegeben werden. Der Beginn der Registrierung ist für das Frühjahr 2027 vorgesehen.
In Kalifornien ermöglicht die Delete Request and Opt-out Platform, kurz DROP, Einwohnern, eine zentrale Löschanfrage an registrierte Datenbroker zu richten. Seit dem 1. August 2026 müssen diese mindestens alle 45 Tage auf die Plattform zugreifen, um mit der Bearbeitung von Löschanfragen zu beginnen.
Connecticut folgt einem eigenen Zeitplan: Bestimmungen für Datenbroker gelten ab dem 1. Oktober 2026, eine Registrierungspflicht beginnt am 1. Januar 2027 und Einwohner können ab dem 1. Juli 2028 Anfragen über das zentrale Verfahren stellen.
Für Marketingteams, die gekaufte Daten oder Dienste zur Datenanreicherung nutzen, wird es dadurch wichtiger, die Datenherkunft, die Bedingungen des Anbieters und Änderungen zu kennen, die sich auf die Nutzbarkeit der Informationen auswirken können. Die Verpflichtungen von Datenbrokern beeinflussen auch das Ökosystem, aus dem das Marketing Daten für Targeting, Analysen und die Anreicherung von Kundenprofilen bezieht.
Sensible personenbezogene Daten: Auch abgeleitete Attribute zählen
Eine weitere Veränderung betrifft die Ausweitung der Kategorien sensibler personenbezogener Daten und der damit verbundenen Schutzmaßnahmen.
Die Definitionen können Gesundheitsinformationen, biometrische und neuronale Daten, bestimmte Finanz- und behördliche Identifikatoren sowie weitere geschützte Kategorien umfassen. In einigen Bundesstaaten gelten Bestimmungen zu sensiblen Daten auch für Unternehmen, die die üblichen Anwendungsschwellen umfassender Datenschutzgesetze nicht erreichen.
Für das Marketing ist der Umgang mit abgeleiteten Informationen und Schlussfolgerungen besonders relevant. In Maryland umfasst die Definition auch aus Daten abgeleitete sensible Attribute, etwa Informationen über Gesundheit, Religion oder Sexualleben.
Die Bewertung muss daher auch die Ergebnisse von Analysen und Modellen berücksichtigen. Ein Datensatz kann scheinbar gewöhnliche Käufe, Interaktionen oder Texte enthalten, während ein daraus gebildetes Segment eine sensible Eigenschaft offenlegt.
Entscheidend ist auch, welche Informationen ein Unternehmen über einen Verbraucher ableitet, über die ursprünglich erhobenen Daten hinaus. Ein Modell zur Vorhersage der Wiederkaufswahrscheinlichkeit und ein Modell zur Ableitung eines Gesundheitszustands erzeugen Attribute mit unterschiedlichen Auswirkungen. Diese Unterscheidung wird zentral, wenn prädiktive KI und Kundensegmentierung Teil der Marketingprozesse werden.
Einschränkungen beim Datenverkauf: Einwilligung erlaubt nicht jede Nutzung
Mehrere Bundesstaaten führen Verbote für den Verkauf sensibler personenbezogener Daten, präziser Standortdaten und Informationen über Minderjährige ein oder verschärfen bestehende Einschränkungen. Einige dieser Verbote gelten uneingeschränkt: Eine Einwilligung schafft keine Ausnahme, die die verbotene Tätigkeit erlaubt.
Unternehmen müssen deshalb zwischen Aktivitäten unterscheiden, die unter bestimmten Bedingungen zulässig sind, und solchen, die nach dem geltenden Recht verboten sind.
Auch die Begriffe „Sale“ und „Sharing“ erfordern besondere Aufmerksamkeit. Ihre gesetzliche Bedeutung kann über die Übertragung von Daten gegen Geld hinausgehen und Datenflüsse innerhalb des Werbeökosystems umfassen.
In Kalifornien bezeichnet Sharing die Weitergabe personenbezogener Informationen für kontextübergreifende verhaltensbasierte Werbung, also Cross-Context Behavioral Advertising. Verbraucher haben das Recht, dem Verkauf und der Weitergabe zu widersprechen. Die Bedingungen, unter denen Daten an einen Werbepartner übermittelt werden, gehören damit zur Kampagnenplanung.
Die technische Veränderung eines Identifikators hebt diese Verpflichtungen nicht zwangsläufig auf. Durch Hashing veränderte Daten, die für den Abgleich verwendet werden, können weiterhin einer Person zugeordnet werden und als personenbezogene Daten gelten.
Minderjährige: Zielgruppensegmentierung muss altersbezogene Einschränkungen berücksichtigen
Der Schutz von Kindern und Jugendlichen entwickelt sich durch Regelungen weiter, die sich je nach Alter, Aktivität und Art des Dienstes unterscheiden.
Die Vorschriften umfassen Einschränkungen beim Datenverkauf, bei zielgerichteter Werbung und bei bestimmten Onlinefunktionen. Einige Gesetze enthalten außerdem Anforderungen an Age Assurance, also Verfahren zur Altersfeststellung, an die elterliche Einwilligung und an besondere Datenschutzeinstellungen.
Für das Marketing bedeutet dies, dass die Zugehörigkeit zu einem kommerziellen Segment allein nicht bestimmt, ob ein Kunde für eine Aktivierung infrage kommt. Ein Kunde kann die Zielgruppenkriterien einer Kampagne erfüllen und gleichzeitig einem altersbedingten Ausschluss unterliegen.
Unternehmen müssen daher ihre kommerziellen Kriterien mit den Informationen und Regeln verbinden, anhand derer sie bestimmen, welche Zielgruppen über den jeweiligen Kanal angesprochen werden dürfen.
KI und automatisierte Entscheidungsfindung: Der Anwendungszweck bestimmt die Verpflichtungen
US-KI-Gesetze befassen sich mit unterschiedlichen Bereichen: Transparenz, Chatbots, synthetischen Inhalten, besonders leistungsfähigen KI-Modellen, algorithmischer Preisgestaltung und automatisierter Entscheidungsfindung.
Unternehmen, die prädiktive KI einsetzen, müssen verstehen, welche Vorschriften ihren konkreten Anwendungsfall betreffen. Regeln für Deepfakes oder KI-Begleit-Chatbots behandeln andere Fragen als Vorschriften für automatisierte Entscheidungen über Verbraucher.
Colorado liefert ein konkretes Beispiel. Das Gesetz SB26-189 ersetzt den bisherigen Rahmen durch Anforderungen an Technologien zur automatisierten Entscheidungsfindung, die Entscheidungen mit erheblichen Auswirkungen, sogenannte Consequential Decisions, wesentlich beeinflussen. Dazu zählen Bereiche wie Beschäftigung, Bildung, Wohnen, Finanzdienstleistungen, Versicherungen und Gesundheitsversorgung. Die Verpflichtungen beginnen am 1. Januar 2027 und umfassen Dokumentation, Verbraucherinformationen und Rechte im Zusammenhang mit den betroffenen Entscheidungen.
Eine Vorhersage für eine Marketingkampagne im Einzelhandel fällt nicht automatisch unter diese Anforderungen. Die Rolle des Modells, die Branche und die Auswirkungen der Entscheidung bestimmen den anwendbaren Rahmen mit.
Eine klare Definition jedes KI-Anwendungsfalls verbindet die Technologie mit ihrer tatsächlichen Funktion. Die Schätzung des Customer Lifetime Value, die Auswahl von Kampagnenempfängern und die Mitwirkung an einer Entscheidung über den Zugang zu einer Dienstleistung sind unterschiedliche Aktivitäten.
Von gesetzlichen Anforderungen zu neuen Bedürfnissen im Marketing
Diese Veränderungen machen Data Governance zu einer operativen Fähigkeit. Unternehmen müssen die Bedingungen der Datennutzung mit den Prozessen verbinden, die Vorhersagen, Zielgruppen und Werbesignale erzeugen.
Der erste Bedarf ist eine nachvollziehbare, gemeinsame Datengrundlage. Datenherkunft, verfügbare Attribute und Nutzungsbedingungen lassen sich schwerer verwalten, wenn das Marketing mit Exporten und Datensätzen arbeitet, die über verschiedene Systeme verteilt sind.
Der zweite ist mehr Wert aus direkten Kundenbeziehungen zu gewinnen. Die stärkere Aufmerksamkeit für Datenbroker macht es strategisch wichtig, das Potenzial von Käufen, Interaktionen und Kundenhistorien zu verstehen, bevor zusätzliche externe Daten eingebunden werden.
Der dritte ist Datenschutzpräferenzen und Ausschlüsse in Zielgruppen zu integrieren. Informationen zur zulässigen Nutzung müssen gemeinsam mit kommerziellen Kriterien verwendbar sein, damit die vom Unternehmen festgelegten Regeln bis zur Kampagnenausführung reichen.
Der vierte ist Aktivierungsprozesse an konkreten Zielen auszurichten. Für jede Zielplattform muss das Marketing auswählen können, welche Ereignisse, Werte und Attribute genutzt werden, und Übertragungen mit einem klaren Zweck verbinden.
Diese Anforderungen verlangen eine engere Zusammenarbeit zwischen Marketing- und Datenteams. Eine gemeinsame Datengrundlage und integrierte Aktivierungstools können die Zusammenarbeit vereinfachen und den manuellen Aufwand zwischen Analyse und Kampagnenausführung reduzieren.
Wie die Bytek Prediction Platform diese Anforderungen unterstützt
Die Bytek Prediction Platform verbindet Daten im Data Warehouse mit Predictive Intelligence und Marketingaktivierung. Sie arbeitet innerhalb der Richtlinien und Governance-Prozesse des Unternehmens und unterstützt deren Umsetzung in operative Marketinganwendungen.
Warehouse-native KI: Auf einer gemeinsamen Datengrundlage arbeiten
Die BPP nutzt eine Warehouse-native Zero-Copy-Architektur: Die prädiktive Verarbeitung findet im Data Warehouse statt und verwendet Daten innerhalb der Unternehmensinfrastruktur.
Dieser Ansatz ermöglicht Marketing- und Datenteams, auf einer gemeinsamen Grundlage zu arbeiten. Dadurch sinkt die Notwendigkeit, einen zusätzlichen operativen Speicher für Quelldaten einzurichten, um die Modelle auszuführen.
Der Vorteil ist eine engere Verbindung zwischen Datenaufbereitung, Attributerstellung und Marketingeinsatz. Vom Datenteam ausgewählte Datensätze können Vorhersagen und Segmente unterstützen, gemeinsam mit den Informationen, die die zulässige Nutzung für die vorgesehenen Aktivitäten bestimmen.
In einer fragmentierten Regulierungslandschaft erleichtert diese Struktur die Anpassung von Prozessen. Wenn sich Eingabedaten oder unternehmensseitig festgelegte Kriterien ändern, können Teams ihre Arbeit um dieselbe Datengrundlage organisieren und die Entstehung separater Versionen begrenzen.
Predictive Intelligence: Mehr aus First-Party-Daten gewinnen
BPP-Modelle wie Action Prediction, Predictive Lifetime Value, AI RFM und Churn verwandeln die Kundenhistorie in Erkenntnisse, die bei der Priorisierung von Kundengewinnung und Kundenbindung helfen.
Für Marken bedeutet dies, über Segmentierungen hinauszugehen, die ausschließlich auf dem letzten Kauf oder den bisherigen Ausgaben beruhen. Der prognostizierte Customer Lifetime Value berücksichtigt den erwarteten zukünftigen Wert. Action Prediction schätzt die Wahrscheinlichkeit einer bestimmten Handlung, während Churn-Modelle Kunden mit erhöhtem Abwanderungsrisiko identifizieren helfen.
Diese Erkenntnisse können die Priorisierung von Investitionen, unterschiedliche Customer-Engagement-Strategien und die Identifikation von Reaktivierungsmöglichkeiten unterstützen.
Der Vorteil liegt in der besseren Nutzung der bereits verfügbaren Daten. Viele Marketingentscheidungen lassen sich durch eine tiefere Interpretation von First-Party-Daten unterstützen, wodurch weniger zusätzliche personenbezogene Attribute für einzelne Initiativen eingekauft werden müssen.
Datenanreicherung: Die Attribute erstellen und integrieren, die das Marketing benötigt
Die BPP bietet drei ergänzende Wege zur Anreicherung von Customer Intelligence: Field Builder, AI Data Enrichment und Data Enrichment API. Teams können je nach verfügbaren Daten und Anwendungsfall entscheiden, wie sie Informationen gewinnen. Dabei nutzen sie zunächst den vorhandenen Datenbestand und ergänzen bei Bedarf externe Quellen.
Field Builder erstellt Attribute durch Aggregationen, Formeln, Bedingungen, Textoperationen und Lookups. Teams können die Anzahl der Bestellungen in den letzten 90 Tagen, die kumulierte Marge, die Tage seit dem letzten Kauf oder Engagement-Stufen berechnen. Informationen, die über mehrere Datensätze verteilt sind, werden zu Feldern für Segmentierung und Aktivierung.
Der Vorteil ist, neue nutzbare Informationen aus vorhandenen First-Party-Daten zu gewinnen und die Abhängigkeit von externen Quellen zu reduzieren, wenn sich die Antwort aus der Kundenhistorie ableiten lässt. Bei zunehmender Aufmerksamkeit für Datenherkunft und Datenflüsse können Unternehmen ihre Segmentierung mit Informationen anreichern, deren Erhebungskontext sie bereits kennen.
Ein Ziel wie „Kunden mit hohem Wert reaktivieren, die seit zwei Monaten nicht gekauft haben“ lässt sich in präzise Kriterien übersetzen. Dazu wird eine Wertprognose mit einem Feld für die Tage seit dem letzten Kauf kombiniert. Die erstellten Attribute können in späteren Initiativen wiederverwendet werden.
AI Data Enrichment leitet Attribute aus vorhandenen Inhalten mithilfe eines Large Language Model, kurz LLM, ab. Zu den Aufgaben gehören Kategorisierung, Textextraktion, Zusammenfassung und Sentimentanalyse. Eine Marke kann beispielsweise schriftliches Kundenfeedback in Kategorien zu Lieferung, Verpackung oder Kundenservice überführen. Zuvor schwer nutzbare Inhalte werden zu strukturierten Informationen, die wiederkehrende Probleme sichtbar machen und relevantere Maßnahmen unterstützen.
Wenn ein Anwendungsfall zusätzliche Informationen benötigt, verbindet Data Enrichment API das Data Warehouse mit externen Anbietern und integriert die gewonnenen Attribute in die vom Marketing genutzte Datengrundlage. So lassen sich Daten für einen konkreten Bedarf ergänzen, mit einer gezielten Auswahl der Quellen und benötigten Informationen.
Zusammen ermöglichen diese drei Wege, Attribute aus vorhandenen Daten zu berechnen, aus bestehenden Inhalten abzuleiten oder über einen Anbieter zu ergänzen. Der Vorteil ist eine umfassendere Customer Intelligence, während die Beschaffung neuer Daten auf den tatsächlichen Bedarf des Marketingziels begrenzt bleibt.
Audience Manager: Geschäftliche Prioritäten und zulässige Aktivierung verbinden
Audience Manager erstellt Zielgruppen durch die Kombination verfügbarer Attribute und prädiktiver Ergebnisse.
Wenn die Datengrundlage unternehmensseitig definierte Attribute zur Aktivierungsberechtigung enthält, können diese gemeinsam mit Kundenwert, aktuellem Verhalten und Handlungswahrscheinlichkeit in die Segmentierung einfließen.
Eine Win-back-Kampagne kann somit Kunden mit hohem prognostiziertem Customer Lifetime Value auswählen, die in den letzten 60 Tagen nicht gekauft haben und für den gewählten Kanal infrage kommen. Dieselbe Datengrundlage kann eine Ausschlusszielgruppe für Kunden unterstützen, die kürzlich gekauft haben.
Der Vorteil ist, Regeln direkt in die Segmentdefinition einzubeziehen. Dadurch müssen Listen nach ihrer Erstellung seltener manuell korrigiert werden. Marketing- und Datenteams können die vorhandenen Informationen mit einer konsistenteren Aktivierungslogik verbinden.
Zielgruppen können auf unterstützten Zielplattformen aktiviert werden. So wird Customer Intelligence mit den Plattformen verbunden, auf denen Kampagnen ausgeführt werden.
Signals Manager: Kampagnenoptimierung am Wert ausrichten
Signals Manager unterstützt Integrationen wie Enhanced Conversions, Conversion Adjustments und Meta Conversions API. Dadurch werden Unternehmensdaten mit den Signalen verbunden, die Werbeplattformen verwenden.
Für das Marketing besteht der Vorteil darin, die Kampagnenoptimierung an Ereignissen und Werten auszurichten, die die Geschäftsziele besser abbilden. Käufe mit unterschiedlichen Werten können unterschiedlich behandelt werden. Prädiktive Erkenntnisse können außerdem zu einer am Customer Lifetime Value orientierten Strategie beitragen, entsprechend den Möglichkeiten der jeweiligen Zielplattform.
So können Teams an der Signalqualität arbeiten: relevante Informationen für die Optimierung auswählen und den Datenfluss um die Nutzer, Ereignisse und Attribute organisieren, die für den Anwendungsfall festgelegt wurden.
Wenn Datenflüsse stärker geprüft werden, hilft eine präzise Signalkonfiguration dabei, jede Übertragung mit einem konkreten Marketingziel zu verbinden.
Data Governance mit Marketingaktivierung verbinden
Neue US-Datenschutz- und KI-Gesetze verlangen von Unternehmen, ihre Daten besser zu verstehen und die Nutzungsbedingungen bis in die Marketingausführung umzusetzen. Dadurch gewinnt eine First-Party-Datenstrategie an Bedeutung, bei der Analyse, Segmentierung und Aktivierung auf derselben Datengrundlage arbeiten.
Die BPP unterstützt diesen Ansatz, indem sie Daten im Warehouse nutzt, daraus Vorhersagen und Attribute erzeugt und diese mit Marketingplattformen verbindet. Unternehmensseitig definierte Informationen zur Aktivierungsberechtigung können gemeinsam mit kommerziellen Kriterien verwendet werden. Zielgruppen und Signale werden dabei an den Zielen der jeweiligen Initiative ausgerichtet.
Der Vorteil ist ein direkterer Weg von Daten zu Maßnahmen: Erkenntnisse aus dem vorhandenen Datenbestand gewinnen, unnötige externe Quellen vermeiden und Unternehmensregeln in Aktivierungsprozesse integrieren. Diese operative Grundlage hilft dem Marketing, sich an gesetzliche Veränderungen anzupassen und gleichzeitig Kundengewinnung, Kundenwert und Kundenbindung weiterzuentwickeln.
