Von Daten zu Wert: Erstanbieterdaten in Wettbewerbsvorteile umwandeln

Im Kontext des digitalen Marketings nimmt das Konzept der Erstanbieterdaten eine zentrale Rolle ein. Es definiert sich als die Menge der Daten, die direkt vom Unternehmen durch direkte Interaktionen, sowohl online als auch offline, gesammelt werden. So sind persönliche Informationen eines Nutzers, seine Transaktionshistorie, seine Navigation auf meiner Website, das von ihm hinterlassene Feedback und die von ihm bevorzugten Produkte allesamt Erstanbieterdaten, die der Nutzer direkt und wissentlich durch seine Zustimmung freigegeben hat.

Die Fähigkeit, diese Daten zu sammeln, an einem Ort zu gruppieren und KI-Algorithmen darauf anzuwenden, um sie zu segmentieren und anzureichern, ermöglicht Unternehmen ein tiefes Verständnis ihrer Kunden. Dies bietet konsistente Wettbewerbsvorteile durch alle Trigger und Signale, die in Marketingstrategien genutzt werden können.

Jeder Fachmann strebt danach, die Verhaltensdynamik seiner Kunden zu entschlüsseln und zu antizipieren, um das Wesen ihrer Neigungen und Bedürfnisse zu durchdringen. Durch eine sorgfältige Analyse der Signale, die Konsumenten während ihrer Interaktionen hinterlassen, können wertvolle Daten destilliert werden, die individuelle Wünsche, Präferenzen und Leidenschaften offenbaren. Diese Informationen bilden die Grundlage, auf der personalisierte Erlebnisse aufgebaut werden, um zu entscheiden, welche Inhalte gezeigt, welche Produkte oder Angebote gemacht werden sollen.

Die Analyse des Predictive Customer Lifetime Value (PCLV) ist ein wesentlicher Bestandteil, um den wirtschaftlichen Wert zu verstehen, den ein Kunde im Laufe seiner Interaktion mit dem Unternehmen generieren kann. Durch die Analyse des Kaufverhaltens, persönlicher Interessen und den Vergleich mit ähnlichen Profilen mit unterschiedlichen Lifetime-Value-Werten kann das Ausgabepotenzial einer Person geschätzt werden. Dies ermöglicht Unternehmen, proaktive und personalisierte Strategien zu verfolgen und den Kunden basierend auf seinem erwarteten Wert so zu behandeln, als hätte er bereits signifikante Käufe getätigt.

Parallel dazu tritt das Konzept der Time to Push als entscheidender Faktor für die effektive Wirkung von Marketingstrategien hervor. Dieser Zeitindikator, der durch prädiktive Analysen generiert wird, signalisiert den geeignetsten Zeitpunkt, um direkte Marketingmaßnahmen einzuleiten. Die Identifizierung einer ausgeprägteren Kaufabsicht, die durch das Transaktionsverhalten des Kunden wahrgenommen wird, ermöglicht Engagement-Mechanismen und maximiert deren Effektivität.

Die Fähigkeit, solche Momente durch künstliche Intelligenz zu antizipieren, hat Aktionen mit hohen Konversionsraten ermöglicht, noch bevor die Absicht manifestiert wurde. Dies bietet einen enormen Wettbewerbsvorteil für jene Akteure, die als Erste und Beste in der Lage waren, zeitnahe Algorithmen in der Vorhersage zu etablieren.

Im Einzelhandel hat die prädiktive Analyse eine lange Geschichte, obwohl sie sich traditionell stärker auf das Konsumentenverhalten in physischen Geschäften konzentrierte und den digitalen Bereich teilweise vernachlässigte. Mit dem Aufkommen großer E-Commerce- und Unterhaltungsplattformen wie Amazon oder Netflix haben die Möglichkeiten zur Personalisierung und die Qualität der Algorithmen unvorstellbare Höhen erreicht.

Diese Analysepraktiken, die darauf abzielen, Trends und Kaufverhalten vorherzusagen, waren nur einer kleinen Anzahl von Unternehmen zugänglich. Diese Einschränkung war hauptsächlich auf die hohen infrastrukturellen und technologischen Kosten sowie die Komplexität der Algorithmen der künstlichen Intelligenz zurückzuführen, die spezialisierte Fähigkeiten erforderten, die nur in wenigen Kompetenzzentren zu finden waren. Infolgedessen blieben die meisten Unternehmen von den Vorteilen dieser hochentwickelten Insight-Techniken ausgeschlossen.

Im aktuellen digitalen Szenario beobachten wir eine positive Transformation, die durch die Entwicklung von einer breiten Datenverfügbarkeit, reduzierten Rechenkosten durch die Cloud und der weiten Verfügbarkeit von Algorithmen der künstlichen Intelligenz gekennzeichnet ist. Dies trägt zu einer signifikanten Verbesserung des Managements und der Automatisierung von Erstanbieterdaten bei. Diese Entwicklung hat die Martech-Landschaft extrem dynamisch gemacht, sie mit Möglichkeiten bereichert, aber gleichzeitig die Komplexität der Technologie-Stacks erhöht. In diesem Kontext wählen Marketingexperten die Tools, die sie für ihre Aktivitäten am besten geeignet halten, wodurch die zuvor bestehende Lücke zwischen Datenverarbeitung und praktischen Marketinganwendungen verringert wird.

Angesichts dieser Entwicklung stehen Organisationen vor der Herausforderung, optimierte Datenflüsse an etablierte Branchen-Tools wie Mailchimp, Google Ads, Salesforce oder HubSpot zu liefern. Dieser Datenaktivierungsprozess findet in einem Kontext statt, der zunehmend auf die Achtung der Nutzerprivatsphäre durch die Annahme eines Privacy-by-Design-Ansatzes ausgerichtet ist.

Die zunehmende Betonung von Anonymisierung und Datensicherheit wirft komplexe Fragen im Zusammenhang mit der Erfassung, Speicherung und Aggregation von Informationen auf, die in voller Übereinstimmung mit der ausdrücklichen Zustimmung des Nutzers verwaltet werden müssen.

Die Implementierung effektiver Datenintegrationsprozesse, die für die Ermöglichung von Erstanbieterdaten-gesteuerten Strategien unerlässlich sind, weist erhebliche Komplexitäten auf, insbesondere wenn diese Prozesse von Grund auf neu eingerichtet werden. In diesem Kontext erweist sich die Einführung eines Kompositionsmodells, das auf Unternehmens-Data-Warehouses angewendet wird, als bevorzugte Lösung. Dieser Ansatz beinhaltet die optimierte Nutzung bestehender Data-Warehousing-Infrastrukturen, indem sie mit modularen Komponenten integriert werden, die spezifische operative und strategische Bedürfnisse adressieren, ohne dass neue Tools oder Plattformen implementiert werden müssen, die redundant sein oder bestehende Datenressourcen duplizieren könnten.

Darüber hinaus erleichtert die Betonung der Suche nach „Out-of-the-Box“-Integrationslösungen die Verbindung zwischen verschiedenen Elementen des Technologie-Stacks und gewährleistet einen kohärenten und integrierten Datenfluss. Dieses Paradigma stimmt mit dem von Snowflake vorgeschlagenen Konzept des Modern Data Stack überein, das ein flexibles, skalierbares und leicht zu verwaltendes Datenökosystem fördert. Durch die Anpassung dieser Vision an die Besonderheiten des Marketings hat sich der Begriff des Modern Customer Data Stack entwickelt, der die Prinzipien des Modern Data Stack auf die Optimierung von Kundendatenmanagementstrategien anwendet. Diese Entwicklung spiegelt die Absicht wider, die Effektivität von Erstanbieterinformationen zu maximieren, indem fortschrittliche Technologien für eine tiefgehende Datenanalyse und die Entwicklung gezielter und personalisierter Marketingmaßnahmen genutzt werden.

Zahlreiche Organisationen haben ein wiederkehrendes Problem hervorgehoben: die Anwendung fortschrittlicher Analysemodelle – wie RFM, Scoring und Interessensanalyse –, die trotz ihrer langen Geschichte und erwiesenen Wirksamkeit oft nur zu einer einfachen Auswertung statistischer Daten führten. Stattdessen müssen Unternehmen diese Analysen in konkrete Maßnahmen umsetzen, indem sie treue Kunden in gezielte Segmente für Facebook Ads-Kampagnen, personalisierte Dimensionen in Google Analytics oder Tags in CRM-Systemen für den Versand gezielter Kommunikation umwandeln. Dies impliziert die Notwendigkeit, Zielgruppen mit Werbekanälen zu synchronisieren, Kundenprofile anzureichern und wertbasierte Gebotsstrategien zu übernehmen.

Angesichts dieser Notwendigkeit ergeben sich drei Hauptprobleme:

• Identitätsauflösung
• Datenanreicherung und -segmentierung
• Datenaktivierung

Nachdem wir die Identitätsauflösung bereits besprochen haben, konzentrieren wir uns nun auf die Datenanreicherung, -segmentierung und -aktivierung. Diese Aspekte sind entscheidend für die effektive Implementierung digitaler Marketingstrategien, da sie es ermöglichen, Daten so zu strukturieren, dass sie leicht interpretiert und für Marketinginitiativen genutzt werden können, und gleichzeitig sicherstellen, dass Informationen über die am besten geeigneten Kanäle aktiviert werden, um Engagement und Return on Investment zu maximieren.

Datenanreicherung & Segmentierung

Im Kontext der Kundenanreicherung und -segmentierung haben wir uns auf vier Hauptbereiche der Analyse konzentriert: Interessensanalyse, RFM-Analyse (Recency, Frequency, Monetary Value), Lead Scoring und die Berechnung des Predictive Lifetime Value. Diese Ansätze stellen grundlegende Werkzeuge für ein tiefgehendes Verständnis und die Segmentierung von Kunden dar, basierend auf verschiedenen Aspekten ihres Verhaltens und ihrer Interaktion mit der Marke.

Interessensanalyse

Die Interessensanalyse zielt darauf ab, die Interessensgebiete von Kunden durch die Beobachtung ihrer Aktivitäten auf digitalen Unternehmensplattformen, wie Websites oder Anwendungen, abzugrenzen. Der Ausgangspunkt dieser Analyse sind die von Nutzern besuchten Seiten. Mithilfe fortschrittlicher Modelle, basierend auf Large Language Models und Embedding-Techniken, können jeder besuchten URL spezifische Labels zugeordnet werden, die ein auf dieser URL behandeltes „Thema“ kennzeichnen.

In diesem Bereich hat Bytek drei verschiedene Arten der Interessensklassifikation implementiert:

• IAB-Klassifikation: ein mehrstufiges Klassifikationssystem, das vom Interactive Advertising Bureau (IAB) entwickelt wurde, um die Inhaltskategorisierung zu standardisieren, um den Zielgruppenvergleich und die Integration zu erleichtern und eine gemeinsame Sprache zwischen verschiedenen Marktteilnehmern zu ermöglichen.
• Personalisierte Klassifikation: bietet Kunden die Möglichkeit, spezifische Interessen, die für ihr Geschäft relevant sind, zu definieren und anzupassen.
• Produktklassifikation: ordnet jeder besuchten URL ein oder mehrere Labels zu, die das auf der Seite präsentierte Produkt identifizieren.

Jeder URL werden nach diesen Kriterien ein oder mehrere Labels zugewiesen, und durch die Anwendung ausgeklügelter Algorithmen wird jedem Nutzer ein Interessenprofil zugewiesen, das nicht nur auf seinen eigenen Aktionen, sondern auch auf dem gesamten Nutzerverhalten der analysierten Website basiert. Das Interesse an einem Produkt wird nicht ausschließlich aus dem Besuch einer bestimmten Seite abgeleitet, sondern im Kontext der gesamten Nutzeraktivitäten betrachtet, unter Berücksichtigung von Parametern wie der Anzahl der besuchten Seiten, der Verweildauer und der durchgeführten Aktionen. Dieser Ansatz ermöglicht eine genauere und repräsentativere Zuordnung des Interesses zum tatsächlichen Nutzerengagement.

RFX-Analyse

Das zweite Modell ist die RFX-Analyse, ein Clustering-Prozess, der darauf abzielt, die Nutzerbasis in homogene Gruppen basierend auf ihren Kaufverhaltensmerkmalen zu segmentieren. Die Analyse verwendet drei Schlüsselvariablen: Recency (R), Frequency (F) und eine dritte Variable (X), die einen spezifischen Wert darstellt, typischerweise monetär. Der Zweck dieser Analyse ist es, Nutzer danach zu kategorisieren, wann ihr letzter Kauf getätigt wurde, wie häufig Transaktionen stattfinden und nach einer Wertmetrik, die je nach Geschäftsanforderungen variieren kann. Traditionell als RFM-Analyse (Recency, Frequency, Monetary) bekannt, wurde der Name RFX gewählt, um die Flexibilität bei der Anpassung der dritten Variable an andere Metriken als den monetären Wert von Transaktionen – wie z. B. die Gewinnmarge – widerzuspiegeln und somit eine größere Anpassung bei der Interpretation der Daten zu ermöglichen.

Diese Methodik basiert auf der Verwendung von Clustering-Algorithmen, um Kunden in Kategorien wie „beste Kunden“, „treue Kunden“ oder „verlustgefährdete Kunden“ zu identifizieren und zu klassifizieren, abhängig von ihrer Interaktion mit dem Unternehmen und dem durch ihre Transaktionen generierten Wert.

Prädiktiver Customer Lifetime Value

Sobald diese Kategorien identifiziert wurden, ist es nützlich, den Wert des einzelnen Kunden durch prädiktive Analysen zu ermitteln, um den Customer Lifetime Value (CLTV) zu erhalten. Dies ermöglicht es, den potenziellen wirtschaftlichen Wert zu bestimmen, den ein Kunde im Laufe seiner Beziehung zum Unternehmen einbringen kann, und Investitionen in Marketing- und Bindungsinitiativen strategisch auszurichten.

Die Berechnung des Predictive Customer Lifetime Value beginnt mit der Analyse der Metriken Recency, Frequency und Monetary (RFM). Dieser Prozess umfasst eine detaillierte Untersuchung der Verteilung dieser Metriken über die gesamte Kundenbasis und die anschließende Trainingsphase des prädiktiven Modells. In der Trainingsphase wird das Modell anhand eines historischen Datensatzes kalibriert, bei dem die tatsächlichen Ergebnisse bereits bekannt sind. Dies ermöglicht die Bewertung der Genauigkeit der Modellvorhersagen durch den Vergleich mit tatsächlich eingetretenen Ereignissen.

Sobald das Modell zuverlässige Vorhersagen liefert, die mit historischen Daten übereinstimmen, wird die eigentliche Vorhersagephase durchgeführt. In dieser Phase wird versucht, das Kundenverhalten für die folgenden Monate vorherzusagen. Die Erfahrung zeigt, dass eine Verlängerung der Prognosen über sechs Monate hinaus deren Genauigkeit und Nützlichkeit erheblich reduziert. Dies ergibt sich aus der Natur der Prognose, die kurzfristig genauer ist, während die Projektion langfristiger Szenarien einen größeren Grad an Unsicherheit und Variabilität mit sich bringt.

Zusammenfassend lässt sich sagen, dass der Prozess zur Berechnung des Predictive CLV auf einer Untersuchung der wichtigsten Kundeninteraktionsmetriken und der Anwendung von auf historischen Daten trainierten prädiktiven Modellen basiert. Dieser Ansatz ermöglicht die Generierung zuverlässiger Schätzungen bezüglich des zukünftigen Kundenwerts und bietet Unternehmen eine solide Grundlage, auf der sie gezielte Marketing- und Geschäftsstrategien aufbauen können.

Lead Scoring

In unseren Kundeninteraktionen wird häufig der Wunsch geäußert, Lead-Scoring-Systeme zu implementieren. Diese Marketingpraxis weist jedem Nutzer einen Wert zu, der die Wahrscheinlichkeit widerspiegelt, dass er zu einem Kunden konvertiert. Dieser Ansatz bietet erhebliche Vorteile, indem er den Umfang der Marketing- und Vertriebsstrategien erweitert, insbesondere beim Management großer Lead-Volumina. Dadurch können Ressourcen optimiert werden, indem die vielversprechendsten Potenziale priorisiert werden.

Die Bedeutung des Lead Scorings erstreckt sich auch auf die Werbebranche, wo es die Budgetallokation und Kampagnenpersonalisierung effektiv beeinflussen kann.

Die Berechnung des Lead Scorings weist einen recht hohen Komplexitätsgrad auf, da heterogene Daten integriert und analysiert werden müssen, einschließlich Verhaltensinformationen, zuvor identifizierter Interessen und anderer Daten, die typischerweise im CRM zu finden sind, wie das Unternehmen, in dem der Nutzer arbeitet, die Größe und Branche des betreffenden Unternehmens, die Berufsrolle der Person usw.

Die Anfangsphase des Prozesses umfasst eine sorgfältige Bewertung der Qualität der gesammelten Daten, gefolgt von Bereinigungs- und, falls erforderlich, Reduktionsvorgängen, wenn die Menge im Verhältnis zu den verfügbaren Beobachtungen zu hoch ist, was die Anwendung fortgeschrittener statistischer Techniken zur Vorbereitung der Daten für die Analyse erfordert.

Die Wahl des am besten geeigneten Modells zur Berechnung des Lead Scorings variiert je nach den Besonderheiten des Datensatzes. Es gibt kein universell anwendbares Modell, aber verschiedene Techniken wie neuronale Netze, Shrinkage-Methoden und Ensemble-Modelle (die Techniken wie Bagging, Boosting und Stacking umfassen) müssen bewertet werden, um den effektivsten Ansatz zu identifizieren. Die Auswahl des endgültigen Modells basiert auf seiner Vorhersagefähigkeit, wobei dasjenige gewählt wird, das die höchste Genauigkeit bietet.

Es ist entscheidend, bei der Wahl des Lead-Scoring-Modells einen kritischen und personalisierten Ansatz zu verfolgen und standardisierte Lösungen zu vermeiden, die die Besonderheiten und die Komplexität der betrachteten Daten nicht berücksichtigen. Nur durch detaillierte Analyse und sorgfältige Modellauswahl können Lead-Scoring- und prädiktive Strategien optimiert werden, um effektive, auf die spezifischen Bedürfnisse des Unternehmens zugeschnittene Ergebnisse zu gewährleisten.

Datenaktivierung

Die Tiefe und Komplexität der Algorithmusverarbeitung ist entscheidend für die Etablierung einer robusten Datenzuverlässigkeit. Diese Genauigkeit ist für die Datenaktivierung von entscheidender Bedeutung, da sie die Wirksamkeit von Prognosen gewährleistet und die Fehlallokation von Marketingressourcen vermeidet. Ziel ist es, bestehende Methoden zu optimieren, ohne sie notwendigerweise neu zu erfinden, und sie gleichzeitig so anzupassen, dass die Unternehmensidentität unverwechselbar erkennbar ist. Ein Schlüsselelement in diesem Prozess ist die Beschaffung aktueller und zeitnaher Daten. Die Fähigkeit, Kundenübergänge zwischen verschiedenen Segmenten schnell zu erkennen, ist unerlässlich. Folglich ist eine agile und reaktionsschnelle Dateninfrastruktur, die eine schnelle algorithmische Verarbeitung und Generierung von Erkenntnissen ermöglicht, von entscheidender Bedeutung.

Marketing-Trigger

Das Konzept des Triggerings, das seinen Ursprung in der IT-Branche hat, findet im Marketing breite Anwendung. Diese Methodik basiert auf der Implementierung automatischer Aktionen als Reaktion auf das Eintreten spezifischer Ereignisse. Ein praktisches Beispiel wäre der Eintritt eines Kunden in ein bestimmtes Cluster oder ein Kauf, der den Versand einer personalisierten E-Mail-Kommunikation auslöst. Dieser Ansatz ermöglicht eine gezielte und zeitnahe Interaktion mit dem Kunden und erhöht die Effektivität von Engagement- und Bindungsstrategien.

Lookalike Audience

Im Rahmen der Definition von Targeting-Strategien ist die Nutzung von Erstanbieterdaten zur Identifizierung der leistungsstärksten Kunden ein entscheidender Schritt. Anstatt auf Plattformen wie Facebook einfach nach Nutzern mit einem generischen Interesse an bestimmten Produktkategorien zu suchen, sollte man sich dafür entscheiden, einen Informations-Feed zu den relevantesten Kunden zu senden. Dieser Ansatz basiert auf der Annahme, dass die angebotenen Produkte einzigartige Eigenschaften besitzen, wodurch die Suche nach Nutzern mit Ähnlichkeiten zu sogenannten Top-Kunden effektiver wird. Diese Methodik erleichtert die Zielgruppenerweiterung, indem sie ähnliche Personen anspricht und die Effektivität des Werbe-Targetings optimiert.

Angereichertes Bidding

Im Kontext einer digitalen Werbekampagne spielt der Prozess der Conversion-Verfolgung eine entscheidende Rolle. Angenommen, ein auf einer Website installiertes Tracking-System erkennt eine Conversion, die einem bestimmten Nutzer zugeordnet werden kann, und meldet dieses Ereignis der zugehörigen Kampagne. Die Kampagne identifiziert, dass der betreffende Nutzer nach einem Klick auf ein Banner eine Conversion abgeschlossen hat, was ein positives Feedback zur Effektivität der Kampagne und zum Return on Investment liefert.

Dieser Mechanismus, obwohl effektiv zur sofortigen Leistungsbewertung, berücksichtigt möglicherweise keine signifikanten qualitativen Elemente im Zusammenhang mit dem Profil des Nutzers, wie dessen Predictive Lifetime Value.

Die Integration angereicherter Signale stellt einen qualitativen Fortschritt im Kampagnenmanagement dar. Durch die Annahme dieser Strategie kann jeder Conversion ein differenzierter Wert zugewiesen werden, wodurch die Zuweisung des Werbebudgets entsprechend dem potenziellen langfristigen Wert der Nutzer optimiert wird. Dieser Ansatz ermöglicht es, über eine rein transaktionale Sichtweise von Conversions hinauszugehen und ein anspruchsvolleres Kampagnenmanagement zu fördern, das auf die Wertschätzung von Nutzerbeziehungen basierend auf deren prädiktivem Wert abzielt.

Die Einführung vollautomatischer Kampagnen, wie Advantage Plus, kann die Ergebnisse weiter verstärken. Die Nutzung von Kampagnen, die stark auf künstlicher Intelligenz basieren, ist jedoch ohne Erstanbieterdaten nicht empfehlenswert. Denn Algorithmen werden versuchen, sofort die Kunden zu finden, die am einfachsten konvertieren, was zunächst zu sehr schlechten Ergebnissen führt und sich im Laufe der Zeit verschlechtert.

Tatsächlich zeigt die Performance-Analyse von Marketingmaßnahmen durch Tools wie das Marketing Mix Model und Lift Experiment, dass Kampagnen ohne eine solide Basis von Erstanbieterdaten tendenziell eine geringe Inkrementalität aufweisen und sich auf bereits kaufbereite Nutzer konzentrieren. Im Gegensatz dazu zwingt die Integration sorgfältig ausgewählter Daten über Top-Kunden in Targeting-Modelle die Kampagnen dazu, sich auf neue Nutzer auszudehnen, die Top-Kunden ähneln, wodurch die Effektivität von Werbestrategien und die Umsatzinkrementalität maximiert werden.

CRM-Anreicherung und personalisiertes CX

Ein besonders relevanter Aspekt ist die Fähigkeit, Daten in Echtzeit zu verwalten und zu nutzen. Die Integration der von den Algorithmen generierten Labels in die Unternehmensdatenbank bietet die Möglichkeit, die Kommunikation mit dem Kunden weiter zu personalisieren, basierend auf Variablen wie dem Lead-Scoring-Wert oder der Zugehörigkeit zu einem High-Value-Kundencluster.

Labels können auch in Analysesysteme importiert werden, um den Einfluss eines bestimmten Labels auf die Konversionsrate eines Onboarding-Pfades zu bewerten.

Darüber hinaus können Sie das Benutzererlebnis anpassen, indem Sie Daten in Echtzeit direkt im Frontend der Website synchronisieren. Unser Predictive Marketing Data Hub erleichtert die Übertragung Ihres Benutzerprofils in den lokalen Speicher Ihres Browsers für eine maßgeschneiderte Navigation. Dies ermöglicht es Ihnen, Inhalte anzupassen, Chatbots und andere erweiterte Funktionen effektiver zu nutzen.

Die Entwicklung von Cloud-Technologien und die Reduzierung der Rechenkosten haben die Echtzeit-Personalisierung für Unternehmen jeder Größe zugänglich gemacht und eine Möglichkeit demokratisiert, die zuvor nur wenigen Marktteilnehmern, wie Netflix, vorbehalten war. Dieser technologische Fortschritt, kombiniert mit geeigneten Methoden, ermöglicht es, hochgradig personalisierte Erlebnisse anzubieten, die zuvor ausschließlich Unternehmen mit erheblichen Ressourcen vorbehalten waren.

‍