Die Phasen des Datenmanagements in einer Headless CDP

Heutzutage investieren Unternehmen zunehmend in neue Technologien, die in der Lage sind, verschiedene Arten von Daten zu sammeln und zu aggregieren, um die Arbeit agiler und effizienter zu gestalten. Bei der Verwendung eines komplexen Technologie-Stacks ergeben sich jedoch häufig erhebliche Herausforderungen, wie zum Beispiel:

• Die Unfähigkeit, Daten zentral zu verwalten, da sie in Silos organisiert sind, die nicht miteinander kommunizieren, was zu duplizierten Informationen und einem erhöhten Wartungsaufwand für die Bereinigung und Aktualisierung führt.
• Die Erstellung unvollständiger und unzuverlässiger Zielgruppensegmente aufgrund der Streuung von Informationen.
• Die Schwierigkeit, wenn nicht gar Unmöglichkeit, verschiedene Plattformen zu integrieren, was zu Problemen bei der Aktivierung von Daten für die Erstellung personalisierter und effektiver Marketingkampagnen führt.

Diese Herausforderungen veranlassen viele Unternehmen dazu, eine Customer Data Platform (CDP) einzuführen.

Eine CDP kann First- und Third-Party-Daten in einem einzigen Data Warehouse sammeln, vereinheitlichen und verwalten und bietet so eine 360-Grad-Sicht auf ihre Kunden. Dies ermöglicht es Unternehmen, die Business Intelligence zu gewinnen, die sie benötigen, um den Umsatz zu steigern, Kunden zu binden und datengesteuerte strategische Entscheidungen zu treffen.

In einem faszinierenden Humans of Martech-Podcast erinnert Michael Katz an die 8 wesentlichen Schritte, die eine Customer Data Platform ausmachen, wie Arpit Choudhury in seiner Artikelserie über Customer Data Platforms berichtet:

• Customer Data Infrastructure
• ETL (Extract, Transform, Load)
• Storage
• Identity Resolution
• Audience Segmentation
• Reverse ETL
• Data Quality
• Data Governance und Privacy Compliance

Jede dieser Phasen stellt sowohl aus technologischer als auch aus strategisch-ethischer Sicht eine Herausforderung dar. Lassen Sie uns gemeinsam diejenigen untersuchen, die wir im Kontext einer Lösung, die die Leistung des Cloud Data Warehouse anstelle einer traditionellen Customer Data Platform nutzt, für am bedeutendsten halten, nämlich:

• CDI (Customer Data Infrastructure)
• ETL (Extract, Transform, Load) und Data Ingestion
• Identity Resolution
• Audience Segmentation
• Reverse ETL

Customer Data Infrastructure (CDI)

Diese Phase umfasst alle Aktivitäten zur Erfassung von Nutzerdaten. Innerhalb der CDI (Customer Data Infrastructure) umfasst sie alle Tools und Erfassungsstrategien, angefangen beim Tracking von Analytics- und Werbepixeln über die Konvergenz von Daten in CRM-Systemen bis hin zu fortgeschritteneren Erfassungslösungen wie Kundenkarten am Point of Sale, geolokalisierten Daten oder synthetischen Daten.

Diese Phase wird oft unterschätzt und im Vergleich zum idealen Workflow umgekehrt angegangen. Der übliche Ansatz lautet oft „zuerst die Daten sammeln, dann verstehen, wie man sie nutzt“, was häufig zu Schwierigkeiten bei der anschließenden Zusammenführung oder zum Fehlen grundlegender Daten führt. Ein klassisches Beispiel ist das Fehlen typischer Daten aus der physischen Welt im Online-Tracking, wie z. B. Benutzerkennungen, was es dann unmöglich macht, die beiden Verhaltensweisen zu korrelieren.

Eine solide Customer Data Infrastructure geht von geschäftlichen Anforderungen und Zielen aus, deckt die gesamte Customer Journey ab und zielt auf eine ethische und robuste Datenerfassung ab.

In dieser Phase ist es oft unerlässlich, einen Lean-Ansatz zu verfolgen und zwar umfassend, aber nur das Notwendige zu tracken. Dieser Ansatz hilft dabei, die Illusion des Trackings aller Daten zu zerstreuen und stellt sicher, dass nur Daten mit einem klaren Zweck in die Systeme des Unternehmens fließen.

ETL (Extract, Transform, Load) und Data Ingestion

ETL ist der zweite Schritt auf dem Weg der Nutzerdaten und umfasst alle Prozesse, die zur Datenextraktion, zur Transformation in ein gemeinsames Format und zum Laden in das Data Warehouse führen.

In dieser Phase stoßen Unternehmen häufig auf Probleme bei der Datentransformation, Datenverlust während der Ingestion und die Notwendigkeit, die Datenkonsistenz zu wahren. Diese Probleme resultieren häufig aus suboptimalen Ansätzen im ersten Schritt, bei denen große Mengen inkonsistenter und schlecht strukturierter Daten gesammelt werden, wodurch die Verantwortung für die Ingestion der ETL-Phase überlassen wird, was die Lösung von Quellproblemen erschwert.

Auch in dieser Phase ermöglicht der Start mit schlanken Geschäftszielen etablierte Datenmodelle und -strukturen sowie einen klaren Zweck. Dies vereinfacht das Verständnis dafür, wie Tabellen in Beziehung gesetzt werden sollten und welches das optimale Datenformat ist, wodurch die ETL-Arbeit unkompliziert und robust wird und die Existenz eines optimierten, effizienten und wartbaren Data Warehouse sichergestellt wird.

Identity Resolution

In dieser Phase wird die Identität eines Nutzers über verschiedene Plattformen hinweg mithilfe eindeutiger Identifikatoren zurückverfolgt. Dieser Prozess ist grundlegend für das Konzept der Customer Data Platform an sich. In erster Linie verlagert er den Fokus von den Kanälen auf den Nutzer und macht gezielte Aktionen und Kundenbindung flächendeckend verfügbar. Darüber hinaus ermöglicht er den Abbau von Unternehmenssilos und das Erreichen einer echten, einheitlichen Sicht auf das Nutzerverhalten und die Interaktion.

Was die Identitätsauflösung komplex macht, ist, dass einer Entität mehrere Identifikatoren zugeordnet sein können. Diese Identifikatoren können je nach Quelle oder System, aus dem sie stammen, variieren. Beispielsweise kann eine Person in einem System einen Identifikator basierend auf ihrer Telefonnummer haben, in einem anderen System einen anderen Identifikator basierend auf ihrer E-Mail-Adresse und so weiter. Die Hierarchie der IDs impliziert die Organisation dieser Identifikatoren in einer Struktur oder logischen Sequenz, die bestimmt, welche zuverlässiger sind oder Vorrang vor anderen haben.

Der entscheidende Teil der Identitätsauflösung ist die Verknüpfung dieser Identifikatoren. Dies kann durch verschiedene Techniken erfolgen, wie z. B. die Analyse von Ähnlichkeiten zwischen Identifikatoren, die Überprüfung der Gleichheit zwischen ihnen oder die Verwendung fortschrittlicher Korrelationsalgorithmen. Ziel ist es, verschiedene Identifikatoren mit einem primären oder eindeutigen Identifikator für die betreffende Entität zu verbinden oder abzubilden.

Bytek Prediction Platform löst dieses Problem, indem sie bei der Konfiguration eines eindeutigen Identifikators bereits ab der Datenerfassungsphase unterstützt und so sicherstellt, dass der gesamte Prozess kohärent und rational bleibt. Dieser Ansatz hilft, komplexe Modellierungs- und Abstimmungsaktivitäten zu vermeiden, die kostspielig sein können und zu einer geringen Datenqualität führen.

Sobald die Phase der Identitätsauflösung abgeschlossen ist, können Sie sicher sein, eine 360-Grad-Sicht auf den Nutzer zu haben. Folglich können alle Modelle und Segmente, die Sie anwenden, dem einzelnen Nutzer zugeordnet werden, wodurch das volle Potenzial der Automatisierung und Personalisierung in der User Experience freigesetzt wird.

Audience Segmentation

Nutzer werden basierend auf Kriterien wie Interessen, Verhalten oder Demografie in homogene Gruppen eingeteilt. Dieser Prozess ermöglicht die Anpassung von Marketingstrategien an die Bedürfnisse und Vorlieben jeder Gruppe.

Beginnen wir mit der Unterscheidung zweier Prozesse, die manchmal verwechselt werden, aber sehr unterschiedlich sind: Segmentierung und Clustering.

Unter Segmentierung verstehen wir die Aufteilung unseres Kundenstamms in Segmente. In der Regel basiert diese Aktivität auf qualitativen Kriterien und Geschäftsentscheidungen. Die erstellten Zielgruppen berücksichtigen nicht die „Ähnlichkeit“ zwischen den Nutzern, die mithilfe statistischer Clustering-Techniken berücksichtigt werden kann. Die Bedeutung ist zweifellos groß, aber der statistische Wert ist gering, was zu einer schlechten Datenzuverlässigkeit und Schwierigkeiten bei der Verwendung des Segments für Retargeting oder Insights-Analysen führt.

Clustering hingegen ist eine statistische Analyse, die es ermöglicht, eine Zielgruppe basierend auf den von uns verwendeten Parametern in Gruppen „ähnlicher“ Nutzer aufzuteilen. Beispielsweise können wir eine RFM-Analyse erstellen, die darauf abzielt, Kunden mit hohem Potenzial, häufige, aber wenig ausgebende Kunden und Top-Kunden zu identifizieren. Mithilfe von Clustering-Techniken wie K-Means gruppieren wir Nutzer in effektive und aussagekräftige Segmente, weisen das richtige Label zu und überwachen statistisch, wann unser Clustering weiterhin eine gute Konsistenz aufweist.

Häufig leidet die Nutzersegmentierung unter Problemen, die ihre Wirksamkeit vollständig beeinträchtigen. Lassen Sie uns die häufigsten genauer betrachten:

Falsche Gruppenzugehörigkeit

Dies tritt typischerweise auf, wenn wir keine statistischen Segmentierungsmethoden verwenden oder wenn die eingehenden Daten ungenau sind. Im ersten Fall waren wir bei der Erstellung des Zielgruppensegments zu willkürlich und haben Nutzer einbezogen, die wahrscheinlich nicht direkt zu dieser Gruppe gehören. Das klassische Beispiel ist die Aufnahme von Nutzern in die Kategorie „Top-Kunden“, die aktuell nicht die besten Kunden des Unternehmens sind, aber dennoch Nachrichten und Werbeaktionen erhalten, als wären sie es.

Im zweiten Fall liegt das Problem nicht im Segmentierungssystem, sondern in der Datenerfassung: Wir haben möglicherweise einige wichtige Transaktionen aufgrund von Tracking-Problemen verloren oder Daten aus einer bestimmten Quelle falsch gehandhabt. Infolgedessen könnte ein sehr wichtiger Kunde in einem Cluster mit geringerem Wert landen und nicht in vollem Umfang von allen für ihn vorgesehenen Strategien profitieren.

Das Problem einer zu geringen Gruppengröße

Ein weiterer häufiger Fehler bei der Segmentierung ist die Tendenz, Gruppen zu erstellen, die zu klein sind, um statistisch signifikant und auf Werbeplattformen nutzbar zu sein.

Wenn wir sicherstellen wollen, dass unsere Marketingstrategien das Segmentierungspotenzial optimal nutzen, müssen unsere Gruppen eine Größe haben, die es ermöglicht, sie sowohl in Kampagnen auf Werbeplattformen als auch in unseren Direktmarketing-Systemen anzusprechen.

In Bezug auf Werbeplattformen müssen wir Datenschutzbeschränkungen und tatsächliche Auslieferungsbeschränkungen berücksichtigen. Die erste Einschränkung ist eine Plattformschutzmethode, die darauf abzielt, zu verhindern, dass einzelne Nutzer, die auf ihre Plattformen hochgeladen wurden, leicht identifiziert werden können und somit ohne deren Zustimmung Zugriff auf Informationen erhalten. Schutz ist absolut notwendig, stellt aber eine Herausforderung für das Targeting dar. Wir müssen immer in der Lage sein, Zielgruppen von mindestens 800/1000 Nutzern zu erstellen, wenn wir die Aktivierung über Meta oder Google sicherstellen wollen.

Wir müssen auch bedenken, dass nicht alle Nutzer erkannt werden, wenn wir diese Segmente an die Plattformen senden. Die Match-Raten variieren von Branche zu Branche erheblich, und wir können erst im Nachhinein überprüfen, ob unsere Segmentierungsstrategien tatsächlich nutzbare Zielgruppen erstellen.

Auch bei Direktmarketing-Kampagnen ist die richtige Zielgruppengröße wichtig. Segmente mit 1-2 Nutzern sind in Bezug auf Aggregation und Automatisierung nicht vorteilhaft und können uns daran hindern, effektive Nachrichten zu versenden.

Die begrenzte Relevanz der Segmentierung für Marketingstrategien

Oft werden Segmentierungsaktivitäten durchgeführt, ohne die Marketingstrategie und die Geschäftsziele zu berücksichtigen. Typischerweise sind Unternehmen in Silos unterteilt, und die Segmentierung wird entweder vom IT/Data Science-Team oder vom Marketing-Team durchgeführt.

Diese Aufgabenteilung führt oft zu Segmenten, die nicht perfekt auf die Strategie abgestimmt und daher schwer zu nutzen sind. Beispielsweise ist ein Segment mit häufigen Kunden nicht immer strategisch sinnvoll, wenn unser ultimatives Ziel nicht darin besteht, die Anzahl der Top-Kunden zu erhöhen, sondern den Kundenstamm zu vergrößern.

Bei demografischen oder interessenbasierten Segmenten wird das Thema noch sensibler. Die Bereitstellung von Daten zu Geschlecht oder Alter ist eine Standardaktivität, die oft mit Komplexität und DSGVO-bezogenen Herausforderungen verbunden ist, auch wenn es möglicherweise keine Kampagne gibt, die diese Segmentierung berücksichtigt.

Nur die aktive Einbindung von Business-Experten in das Customer Data Enrichment-Projekt stellt sicher, dass die Zielgruppe mit den strategischen Anforderungen übereinstimmt und sofort anwendbar ist.

Die geringe Ähnlichkeit zwischen den Individuen innerhalb der Gruppe

Wie wir eingangs gesehen haben, birgt eine manuelle Segmentierung, die keinen statistischen Ansatz berücksichtigt, das Risiko, Nutzer in bestimmte Cluster aufzunehmen, die anderen eigentlich nicht ähnlich sind. Während diese Flexibilität aus strategischer Sicht sehr geschätzt werden mag, ist es nicht ungewöhnlich zu sehen, dass die Verwendung von so konstruierten Zielgruppen aufgrund einer fehlerhaften Audience Segmentation zu einer schlechten Kampagnenleistung führt.

Reverse ETL

Der Reverse-ETL-Prozess ist ein entscheidender Teil der Fähigkeit einer CDP, sich in ein Marketing-Ökosystem zu integrieren und die Segmentierung sowie Anreicherung von Kundendaten effektiv zu aktivieren.

Der umgekehrte Prozess geht von der Single-Source-of-Truth aus, dem während der ETL-Phase erstellten Data Warehouse, und extrahiert Daten zur Integration in Aktivierungsplattformen wie CRM, Marketing-Automation-Plattformen und PPC-Plattformen (Google, Meta, TikTok).

Der Reverse-ETL-Prozess ist allein für die Erstellung effizienter Abfragen und stabiler Integrationen verantwortlich, um sicherzustellen, dass die Daten korrekt fließen und es dem Marketing-Team ermöglichen, maximale Ergebnisse zu erzielen.

Oft reicht es jedoch nicht aus, gut strukturierte Abfragen zu haben. Wir müssen uns auf die spezifischen Bedürfnisse einer Kampagne oder einer Automatisierungs-Journey konzentrieren, um sicherzustellen, dass der Datenfluss mit einer klaren und wirkungsvollen Strategie aktiviert werden kann.

Die Bytek Prediction Platform basiert auf dieser Annahme und transformiert das Datenparadigma nicht nur auf technischer, sondern vor allem auf strategischer Ebene.

Wir haben bereits Strategien zur Aktivierung und Leistungssteigerung wie Enriched Bidding entwickelt. Dank unserer Strategien können wir den Datenfluss umkehren und alle notwendigen Daten bereitstellen, damit Plattformen wie Google Ads First-Party-Daten nutzen und die Kampagnenleistung erheblich verbessern können.

Dieser Prozess wird ermöglicht durch umfangreiche Erfahrung in der Erfassung und Integration von Marketingdaten sowie ein tiefes Verständnis der Dynamik des digitalen Marketings.

Auf diese Weise kann der Reverse-ETL-Prozess wahrhaftig als End-to-End bezeichnet werden.