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 h\u00e4ufig erhebliche Herausforderungen, wie zum Beispiel: <\/p>\n
Diese Herausforderungen veranlassen viele Unternehmen dazu, eine Customer Data Platform (CDP) einzuf\u00fchren.<\/p>\n
Eine CDP kann First- und Third-Party-Daten in einem einzigen Data Warehouse sammeln, vereinheitlichen und verwalten<\/strong> und bietet so eine 360-Grad-Sicht auf ihre Kunden. Dies erm\u00f6glicht es Unternehmen, die Business Intelligence zu gewinnen, die sie ben\u00f6tigen, um den Umsatz zu steigern, Kunden zu binden und datengesteuerte strategische Entscheidungen zu treffen. <\/p>\n 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 \u00fcber Customer Data Platforms berichtet:<\/p>\n 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 L\u00f6sung, die die Leistung des Cloud Data Warehouse anstelle einer traditionellen Customer Data Platform nutzt, f\u00fcr am bedeutendsten halten, n\u00e4mlich: <\/p>\n Diese Phase umfasst alle Aktivit\u00e4ten zur Erfassung von Nutzerdaten. Innerhalb der CDI (Customer Data Infrastructure) umfasst sie alle Tools und Erfassungsstrategien, angefangen beim Tracking von Analytics- und Werbepixeln \u00fcber die Konvergenz von Daten in CRM-Systemen bis hin zu fortgeschritteneren Erfassungsl\u00f6sungen wie Kundenkarten am Point of Sale, geolokalisierten Daten oder synthetischen Daten.<\/strong><\/p>\n Diese Phase wird oft untersch\u00e4tzt und im Vergleich zum idealen Workflow umgekehrt angegangen. Der \u00fcbliche Ansatz lautet oft \u201ezuerst die Daten sammeln, dann verstehen, wie man sie nutzt\u201c, was h\u00e4ufig zu Schwierigkeiten bei der anschlie\u00dfenden Zusammenf\u00fchrung oder zum Fehlen grundlegender Daten f\u00fchrt. Ein klassisches Beispiel ist das Fehlen typischer Daten aus der physischen Welt im Online-Tracking, wie z. B. Benutzerkennungen, was es dann unm\u00f6glich macht, die beiden Verhaltensweisen zu korrelieren. <\/p>\n Eine solide Customer Data Infrastructure geht von gesch\u00e4ftlichen Anforderungen und Zielen aus, deckt die gesamte Customer Journey ab und zielt auf eine ethische und robuste Datenerfassung ab.<\/p>\n In dieser Phase ist es oft unerl\u00e4sslich, einen Lean-Ansatz zu verfolgen und zwar umfassend, aber nur das Notwendige zu tracken.<\/strong> 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 flie\u00dfen.<\/p>\n 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 f\u00fchren.<\/strong><\/p>\n In dieser Phase sto\u00dfen Unternehmen h\u00e4ufig auf Probleme bei der Datentransformation, Datenverlust w\u00e4hrend der Ingestion und die Notwendigkeit, die Datenkonsistenz zu wahren. Diese Probleme resultieren h\u00e4ufig aus suboptimalen Ans\u00e4tzen im ersten Schritt, bei denen gro\u00dfe Mengen inkonsistenter und schlecht strukturierter Daten gesammelt werden, wodurch die Verantwortung f\u00fcr die Ingestion der ETL-Phase \u00fcberlassen wird, was die L\u00f6sung von Quellproblemen erschwert. <\/p>\n Auch in dieser Phase erm\u00f6glicht der Start mit schlanken Gesch\u00e4ftszielen etablierte Datenmodelle und -strukturen sowie einen klaren Zweck. Dies vereinfacht das Verst\u00e4ndnis daf\u00fcr, 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. <\/p>\n In dieser Phase wird die Identit\u00e4t eines Nutzers \u00fcber verschiedene Plattformen hinweg mithilfe eindeutiger Identifikatoren zur\u00fcckverfolgt.<\/strong> Dieser Prozess ist grundlegend f\u00fcr das Konzept der Customer Data Platform an sich. In erster Linie verlagert er den Fokus von den Kan\u00e4len auf den Nutzer und macht gezielte Aktionen und Kundenbindung fl\u00e4chendeckend verf\u00fcgbar. Dar\u00fcber hinaus erm\u00f6glicht er den Abbau von Unternehmenssilos und das Erreichen einer echten, einheitlichen Sicht auf das Nutzerverhalten und die Interaktion. <\/p>\n Was die Identit\u00e4tsaufl\u00f6sung komplex macht, ist, dass einer Entit\u00e4t mehrere Identifikatoren zugeordnet sein k\u00f6nnen. Diese Identifikatoren k\u00f6nnen 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 zuverl\u00e4ssiger sind oder Vorrang vor anderen haben. <\/p>\n Der entscheidende Teil der Identit\u00e4tsaufl\u00f6sung ist die Verkn\u00fcpfung dieser Identifikatoren. Dies kann durch verschiedene Techniken erfolgen, wie z. B. die Analyse von \u00c4hnlichkeiten zwischen Identifikatoren, die \u00dcberpr\u00fcfung der Gleichheit zwischen ihnen oder die Verwendung fortschrittlicher Korrelationsalgorithmen. Ziel ist es, verschiedene Identifikatoren mit einem prim\u00e4ren oder eindeutigen Identifikator f\u00fcr die betreffende Entit\u00e4t zu verbinden oder abzubilden. <\/p>\n Bytek Prediction Platform<\/strong> l\u00f6st dieses Problem, indem sie bei der Konfiguration eines eindeutigen Identifikators bereits ab der Datenerfassungsphase unterst\u00fctzt und so sicherstellt, dass der gesamte Prozess koh\u00e4rent und rational bleibt. Dieser Ansatz hilft, komplexe Modellierungs- und Abstimmungsaktivit\u00e4ten zu vermeiden, die kostspielig sein k\u00f6nnen und zu einer geringen Datenqualit\u00e4t f\u00fchren. <\/p>\n Sobald die Phase der Identit\u00e4tsaufl\u00f6sung abgeschlossen ist, k\u00f6nnen Sie sicher sein, eine 360-Grad-Sicht auf den Nutzer zu haben. Folglich k\u00f6nnen 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. <\/strong><\/p>\n Nutzer werden basierend auf Kriterien wie Interessen, Verhalten oder Demografie in homogene Gruppen eingeteilt. Dieser Prozess erm\u00f6glicht die Anpassung von Marketingstrategien an die Bed\u00fcrfnisse und Vorlieben jeder Gruppe.<\/strong><\/p>\n Beginnen wir mit der Unterscheidung zweier Prozesse, die manchmal verwechselt werden, aber sehr unterschiedlich sind: Segmentierung und Clustering.<\/p>\n Unter Segmentierung verstehen wir die Aufteilung unseres Kundenstamms in Segmente. In der Regel basiert diese Aktivit\u00e4t auf qualitativen Kriterien und Gesch\u00e4ftsentscheidungen. Die erstellten Zielgruppen ber\u00fccksichtigen nicht die \u201e\u00c4hnlichkeit\u201c zwischen den Nutzern, die mithilfe statistischer Clustering-Techniken ber\u00fccksichtigt werden kann. Die Bedeutung ist zweifellos gro\u00df, aber der statistische Wert ist gering, was zu einer schlechten Datenzuverl\u00e4ssigkeit und Schwierigkeiten bei der Verwendung des Segments f\u00fcr Retargeting oder Insights-Analysen f\u00fchrt. <\/p>\n Clustering hingegen ist eine statistische Analyse, die es erm\u00f6glicht, eine Zielgruppe basierend auf den von uns verwendeten Parametern in Gruppen \u201e\u00e4hnlicher\u201c Nutzer aufzuteilen. Beispielsweise k\u00f6nnen wir eine RFM-Analyse erstellen, die darauf abzielt, Kunden mit hohem Potenzial, h\u00e4ufige, aber wenig ausgebende Kunden und Top-Kunden zu identifizieren. Mithilfe von Clustering-Techniken wie K-Means gruppieren wir Nutzer in effektive und aussagekr\u00e4ftige Segmente, weisen das richtige Label zu und \u00fcberwachen statistisch, wann unser Clustering weiterhin eine gute Konsistenz aufweist. <\/p>\n H\u00e4ufig leidet die Nutzersegmentierung unter Problemen, die ihre Wirksamkeit vollst\u00e4ndig beeintr\u00e4chtigen. Lassen Sie uns die h\u00e4ufigsten genauer betrachten: <\/p>\n Dies tritt typischerweise auf, wenn wir keine statistischen Segmentierungsmethoden verwenden oder wenn die eingehenden Daten ungenau sind.<\/strong> Im ersten Fall waren wir bei der Erstellung des Zielgruppensegments zu willk\u00fcrlich und haben Nutzer einbezogen, die wahrscheinlich nicht direkt zu dieser Gruppe geh\u00f6ren. Das klassische Beispiel ist die Aufnahme von Nutzern in die Kategorie \u201eTop-Kunden\u201c, die aktuell nicht die besten Kunden des Unternehmens sind, aber dennoch Nachrichten und Werbeaktionen erhalten, als w\u00e4ren sie es. <\/p>\n Im zweiten Fall liegt das Problem nicht im Segmentierungssystem, sondern in der Datenerfassung: Wir haben m\u00f6glicherweise einige wichtige Transaktionen aufgrund von Tracking-Problemen verloren oder Daten aus einer bestimmten Quelle falsch gehandhabt. Infolgedessen k\u00f6nnte ein sehr wichtiger Kunde in einem Cluster mit geringerem Wert landen und nicht in vollem Umfang von allen f\u00fcr ihn vorgesehenen Strategien profitieren. <\/p>\n Ein weiterer h\u00e4ufiger Fehler bei der Segmentierung ist die Tendenz, Gruppen zu erstellen, die zu klein sind, um statistisch signifikant und auf Werbeplattformen nutzbar zu sein.<\/p>\n Wenn wir sicherstellen wollen, dass unsere Marketingstrategien das Segmentierungspotenzial optimal nutzen, m\u00fcssen unsere Gruppen eine Gr\u00f6\u00dfe haben, die es erm\u00f6glicht, sie sowohl in Kampagnen auf Werbeplattformen als auch in unseren Direktmarketing-Systemen anzusprechen.<\/strong><\/p>\n In Bezug auf Werbeplattformen m\u00fcssen wir Datenschutzbeschr\u00e4nkungen und tats\u00e4chliche Auslieferungsbeschr\u00e4nkungen ber\u00fccksichtigen. Die erste Einschr\u00e4nkung ist eine Plattformschutzmethode, die darauf abzielt, zu verhindern, dass einzelne Nutzer, die auf ihre Plattformen hochgeladen wurden, leicht identifiziert werden k\u00f6nnen und somit ohne deren Zustimmung Zugriff auf Informationen erhalten. Schutz ist absolut notwendig, stellt aber eine Herausforderung f\u00fcr das Targeting dar. Wir m\u00fcssen immer in der Lage sein, Zielgruppen von mindestens 800\/1000 Nutzern zu erstellen, wenn wir die Aktivierung \u00fcber Meta oder Google sicherstellen wollen. <\/p>\n Wir m\u00fcssen 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 k\u00f6nnen erst im Nachhinein \u00fcberpr\u00fcfen, ob unsere Segmentierungsstrategien tats\u00e4chlich nutzbare Zielgruppen erstellen. <\/p>\n Auch bei Direktmarketing-Kampagnen ist die richtige Zielgruppengr\u00f6\u00dfe wichtig. Segmente mit 1-2 Nutzern sind in Bezug auf Aggregation und Automatisierung nicht vorteilhaft und k\u00f6nnen uns daran hindern, effektive Nachrichten zu versenden. <\/p>\n Oft werden Segmentierungsaktivit\u00e4ten durchgef\u00fchrt, ohne die Marketingstrategie und die Gesch\u00e4ftsziele zu ber\u00fccksichtigen. Typischerweise sind Unternehmen in Silos unterteilt, und die Segmentierung wird entweder vom IT\/Data Science-Team oder vom Marketing-Team durchgef\u00fchrt. <\/p>\n Diese Aufgabenteilung f\u00fchrt oft zu Segmenten, die nicht perfekt auf die Strategie abgestimmt und daher schwer zu nutzen sind. Beispielsweise ist ein Segment mit h\u00e4ufigen Kunden nicht immer strategisch sinnvoll, wenn unser ultimatives Ziel nicht darin besteht, die Anzahl der Top-Kunden zu erh\u00f6hen, sondern den Kundenstamm zu vergr\u00f6\u00dfern. <\/p>\n Bei demografischen oder interessenbasierten Segmenten wird das Thema noch sensibler. Die Bereitstellung von Daten zu Geschlecht oder Alter ist eine Standardaktivit\u00e4t, die oft mit Komplexit\u00e4t und DSGVO-bezogenen Herausforderungen verbunden ist, auch wenn es m\u00f6glicherweise keine Kampagne gibt, die diese Segmentierung ber\u00fccksichtigt. <\/p>\n Nur die aktive Einbindung von Business-Experten in das Customer Data Enrichment-Projekt stellt sicher, dass die Zielgruppe mit den strategischen Anforderungen \u00fcbereinstimmt und sofort anwendbar ist.<\/strong><\/p>\n Wie wir eingangs gesehen haben, birgt eine manuelle Segmentierung, die keinen statistischen Ansatz ber\u00fccksichtigt, das Risiko, Nutzer in bestimmte Cluster aufzunehmen, die anderen eigentlich nicht \u00e4hnlich sind. W\u00e4hrend diese Flexibilit\u00e4t aus strategischer Sicht sehr gesch\u00e4tzt werden mag, ist es nicht ungew\u00f6hnlich zu sehen, dass die Verwendung von so konstruierten Zielgruppen aufgrund einer fehlerhaften Audience Segmentation zu einer schlechten Kampagnenleistung f\u00fchrt. <\/p>\n Der Reverse-ETL-Prozess ist ein entscheidender Teil der F\u00e4higkeit einer CDP, sich in ein Marketing-\u00d6kosystem zu integrieren und die Segmentierung sowie Anreicherung von Kundendaten effektiv zu aktivieren.<\/p>\n Der umgekehrte Prozess geht von der Single-Source-of-Truth aus, dem w\u00e4hrend der ETL-Phase erstellten Data Warehouse, und extrahiert Daten zur Integration in Aktivierungsplattformen wie CRM, Marketing-Automation-Plattformen und PPC-Plattformen (Google, Meta, TikTok).<\/strong><\/p>\n Der Reverse-ETL-Prozess ist allein f\u00fcr die Erstellung effizienter Abfragen und stabiler Integrationen verantwortlich, um sicherzustellen, dass die Daten korrekt flie\u00dfen und es dem Marketing-Team erm\u00f6glichen, maximale Ergebnisse zu erzielen.<\/p>\n Oft reicht es jedoch nicht aus, gut strukturierte Abfragen zu haben. Wir m\u00fcssen uns auf die spezifischen Bed\u00fcrfnisse einer Kampagne oder einer Automatisierungs-Journey konzentrieren, um sicherzustellen, dass der Datenfluss mit einer klaren und wirkungsvollen Strategie aktiviert werden kann. <\/p>\n Die Bytek Prediction Platform basiert auf dieser Annahme und transformiert das Datenparadigma nicht nur auf technischer, sondern vor allem auf strategischer Ebene.<\/p>\n Wir haben bereits Strategien zur Aktivierung und Leistungssteigerung wie Enriched Bidding entwickelt. Dank unserer Strategien k\u00f6nnen wir den Datenfluss umkehren und alle notwendigen Daten bereitstellen, damit Plattformen wie Google Ads First-Party-Daten nutzen und die Kampagnenleistung erheblich verbessern k\u00f6nnen.<\/p>\n Dieser Prozess wird erm\u00f6glicht durch umfangreiche Erfahrung in der Erfassung und Integration von Marketingdaten sowie ein tiefes Verst\u00e4ndnis der Dynamik des digitalen Marketings.<\/p>\n Auf diese Weise kann der Reverse-ETL-Prozess wahrhaftig als End-to-End bezeichnet werden.<\/p>\n","protected":false},"excerpt":{"rendered":" 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 h\u00e4ufig erhebliche Herausforderungen, wie zum Beispiel: Die Unf\u00e4higkeit, Daten zentral zu verwalten, da sie in Silos organisiert […]<\/p>\n","protected":false},"author":1,"featured_media":1968,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[30],"tags":[],"class_list":["post-1967","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-unkategorisiert"],"yoast_head":"\n\n
\n
Customer Data Infrastructure (CDI)<\/h2>\n
ETL (Extract, Transform, Load) und Data Ingestion<\/h2>\n
Identity Resolution<\/h2>\n
Audience Segmentation<\/h2>\n
Falsche Gruppenzugeh\u00f6rigkeit<\/h3>\n
Das Problem einer zu geringen Gruppengr\u00f6\u00dfe<\/h3>\n
Die begrenzte Relevanz der Segmentierung f\u00fcr Marketingstrategien<\/h3>\n
Die geringe \u00c4hnlichkeit zwischen den Individuen innerhalb der Gruppe<\/h3>\n
Reverse ETL<\/h2>\n