Wie Fintech-Unternehmen durch die Nutzung von Daten eine hohe Kapitalrendite erzielen

Eine solide Grundlage aus integrierten Daten ist unerlässlich, um die Rentabilität von Fintech-Marketingmaßnahmen zu steigern. Bildquelle: Getty Images

Stephen Williams, CEO von Marketing Evolution, erläutert, warum einheitliche Daten ein entscheidendes fehlendes Element für Fintech-Unternehmen darstellen, die ihre Initiativen im Bereich der künstlichen Intelligenz ausbauen und gleichzeitig messbare Leistungsverbesserungen erzielen wollen.

Williams agiert an der Schnittstelle zweier wichtiger Kräfte, die den Finanzdienstleistungssektor verändern: dem rasanten Fortschritt der KI-Technologien und der wachsenden Komplexität datengesteuerter Marketingstrategien in regulierten Umgebungen.

Er hat sich vom Ingenieur zum CEO von Marketing Evolution hochgearbeitet. Seine Berufserfahrung in der Entwicklung moderner Marketinginfrastrukturen prägt seinen Ansatz, Fintech-Unternehmen dabei zu unterstützen, Leistungskennzahlen in einer zunehmend fragmentierten Branchenlandschaft besser zu verstehen.

Im Kern konzentriert sich Marketing Evolution darauf, Unternehmen dabei zu unterstützen, rohe Marketingdaten in verwertbare Erkenntnisse umzuwandeln. Das „Marketing Performance Substrate“ des Unternehmens konsolidiert unterschiedliche Datenquellen in einem einheitlichen Rahmen für Marketing-Erkenntnisse. Es schließt Datenlücken, integriert Funktionen zur Kausalanalyse und aktualisiert Leistungsdaten kontinuierlich, um ein zuverlässiges Erfassungssystem zu schaffen, das sowohl von menschlichen Teams als auch von KI-Systemen genutzt werden kann.

Da KI-Modelle zunehmend standardisiert werden, argumentiert Williams, dass der eigentliche Unterschied für Fintech-Unternehmen nicht in der Ausgereiftheit dieser Modelle selbst liegt, sondern in der Stärke ihrer zugrunde liegenden Dateninfrastruktur. Diese Unterscheidung ist besonders wichtig im Fintech-Bereich, wo strenge Datenschutz-, Governance- und Compliance-Anforderungen erhebliche Einschränkungen hinsichtlich der Datennutzung mit sich bringen. Zudem verlaufen Kundenreisen – von der Kontoeröffnung bis zur Kreditvergabe – in der Regel nicht linear und umfassen über längere Zeiträume hinweg mehrere Kanäle, Beteiligte und Kontaktpunkte.

Stephen Williams, CEO bei Marketing Evolution

Durch die Anonymisierung von Daten und die Rekonstruktion von Kundenwegen mithilfe probabilistischer Methoden ermöglicht Marketing Evolution Finanzinstituten einen klareren, compliance-konformen Überblick darüber, wie Marketingmaßnahmen Geschäftsergebnisse beeinflussen, und schafft so dringend benötigte Transparenz bei einer der komplexesten Messherausforderungen der Branche.

Hier erläutert Williams, warum Daten – und nicht KI-Modelle – zunehmend zum entscheidenden Faktor für den Erfolg von Initiativen im Bereich der künstlichen Intelligenz werden, und zeigt auf, wie Fintech-Unternehmen die Lücke zwischen strategischen Zielen und der tatsächlichen Umsetzung schließen können.

Wenn der Fortschritt im Marketing die Entwicklung der Infrastruktur überholt, welche Auswirkungen haben diese Diskrepanzen auf CMOs in regulierten Finanzdienstleistungen?

Betrachten wir zunächst die allgemeinen Herausforderungen, denen sich Unternehmen heute gegenübersehen: In allen Branchen und Funktionen wächst der Druck, künstliche Intelligenz zu nutzen, um effizienter zu arbeiten, Kosten zu senken und neue Wertquellen zu erschließen. Für CMOs ist dieser Druck jedoch besonders groß, da sich ihre Aufgaben im Laufe der Zeit erheblich weiterentwickelt haben.

Heute sind CMOs nicht nur für das Markenmanagement verantwortlich, sondern auch für die Steigerung des Umsatzes und der allgemeinen Geschäftsleistung. Gleichzeitig wird von ihnen erwartet, dass sie Lösungen auf Basis künstlicher Intelligenz zügig einführen, einen klaren Return on Investment nachweisen und Entscheidungen über zunehmend fragmentierte Systeme und Datenquellen hinweg treffen.

Im regulierten Finanzdienstleistungssektor wird diese Herausforderung aufgrund langer Kundenwege, zahlreicher beteiligter Interessengruppen, strenger Compliance-Anforderungen und erheblicher Datenbeschränkungen noch größer.

Die Schaffung einer einheitlichen Umgebung, die die Geschäftsabläufe genau widerspiegelt, ermöglicht letztendlich eine sinnvolle Anwendung künstlicher Intelligenz. Sobald eine solche Grundlage vorhanden ist, können Unternehmen Modelle von Firmen wie OpenAI, Anthropic, Google und anderen auf diese konsolidierten Daten aufsetzen, um aus bestehenden Informationsquellen einen Mehrwert zu generieren.

Ich beschreibe es so: Jedes Unternehmen – insbesondere im Finanzdienstleistungssektor – verfügt über riesige Mengen wertvoller Daten. Doch bevor diese Daten einen Mehrwert generieren können, müssen sie organisiert, aufbereitet, strukturiert und in einen Kontext eingebettet werden.

Ein weiteres Problem ist die weit verbreitete Überzeugung vieler Unternehmen, dass das größere Risiko darin besteht, bei der Einführung von KI ins Hintertreffen zu geraten, als Fehler bei der Umsetzung zu machen. Diese Denkweise erzeugt einen immensen Druck, schnell zu handeln, selbst wenn die zugrunde liegende Dateninfrastruktur noch nicht vollständig etabliert ist.

Zwar mag künstliche Intelligenz zunächst gewisse Vorteile bieten, doch werden Unternehmen sinkende Erträge verzeichnen, wenn ihnen die geeignete Infrastruktur zur Unterstützung ihrer Nutzung fehlt.

Eine einheitliche Datenumgebung bildet die unverzichtbare Grundlage für sinnvolle Anwendungen künstlicher Intelligenz. Bildquelle: Getty Images

Was kostet die „Vermittlungslücke“ den Marketingfachleuten im Bank- und Versicherungswesen bei ihren Attributionsbemühungen?

Die damit verbundenen Kosten sind erheblich, lassen sich jedoch mindern. Schließlich optimieren Marketingfachleute nur das, was sie messen können. Infolgedessen investieren sie oft zu viel in Bereiche, die sich nicht richtig zuordnen lassen – insbesondere Markenaktivitäten in der Frühphase und Marketingmaßnahmen im oberen Teil des Trichters, die lange vor einer Conversion stattfinden.

Diese Herausforderung ist im Finanzdienstleistungssektor besonders ausgeprägt, wo Konversionen häufig von Vermittlern wie Maklern, Filialen, Beratern, Plattformen oder anderen nachgelagerten Akteuren abgewickelt werden. Während das Marketing zwar die Nachfrage ankurbeln mag, wird die eigentliche Transaktion oft an anderer Stelle im System erfasst.

Folglich neigen Attributionsverfahren dazu, denjenigen die Leistung anzurechnen, die der Transaktion am nächsten stehen, anstatt denen, die die Nachfrage ausgelöst haben. Dies ist ein seit langem bestehendes Messproblem, das in Branchen, in denen die Customer Journeys länger, fragmentierter und auf mehrere Akteure verteilt sind, noch gravierender wird.

„Heutzutage sind CMOs nicht nur für die Marke verantwortlich, sondern auch für Umsatz und Leistung“, so Stephen Williams, CEO von Marketing Evolution

Um dieses Problem anzugehen, ist es notwendig, alle relevanten Informationen in einen einheitlichen Datensatz zu integrieren, der die Geschäftsabläufe genau widerspiegelt. Sobald diese Kundenreisen rekonstruiert werden können, können Marketingfachleute beginnen zu verstehen, wie Markeninvestitionen, Medienpräsenz und Beziehungen zu Vermittlern die nachgelagerten Konversionsergebnisse beeinflussen.

So haben wir beispielsweise mit einem der größten Sachversicherungsunternehmen in den Vereinigten Staaten zusammengearbeitet. Dieses Unternehmen hat erhebliche Investitionen auf nationaler Markenebene getätigt und mit diesen Bemühungen gute Ergebnisse erzielt. In der Vergangenheit hatte es jedoch Schwierigkeiten, diese Markeninitiativen mit der tatsächlichen Leistung in der Phase des Policeabschlusses zu verknüpfen, in der auch lokale Vertreter Marketingressourcen einsetzen und letztendlich Verträge abschließen.

Die Beziehung zwischen Agenturen und Versicherern ist von entscheidender Bedeutung, da sie eine Schlüsselrolle im Konversionsprozess spielt. Wir haben diesem Unternehmen dabei geholfen, die Auswirkungen seiner nationalen Markenausgaben auf diese nachgelagerten Konversionen aufzudecken.

Wenn das Unternehmen nun in Initiativen wie große Sport-Sponsorings oder landesweite Werbekampagnen investiert, kann es nachverfolgen, wie sich diese Investition durch das System auswirkt und zu messbaren Konversionen auf der Ebene der lokalen Vertreter beiträgt – sei es in Memphis, Tennessee, oder an jedem anderen Standort im ganzen Land.

Warum verstärkt künstliche Intelligenz in Marketing-Systemen eher schlechte Daten, anstatt sie zu verbessern?

Dieses Problem beschränkt sich nicht auf Marketing-Stacks; künstliche Intelligenz verschärft schlechte Datenqualität in allen Bereichen.

Ganz gleich, wie fortschrittlich Systeme der künstlichen Intelligenz auch erscheinen mögen – letztendlich sind sie auf die Qualität und Struktur der zugrunde liegenden Daten angewiesen, um genaue Erkenntnisse zu gewinnen. Und gerade Marketingdaten sind oft von sehr geringer Qualität.

Ein Hauptgrund dafür ist, dass Marketingdaten aus vielen verschiedenen Quellen stammen. Es gibt keine einzige Quelle für Marketingdaten – sie stammen von Plattformen wie Google Analytics, Meta, Nielsen, Lamar Out-of-Home-Werbung und Dutzenden anderer Anbieter. Alle diese Quellen liefern Daten mit unterschiedlichen Formaten und Merkmalen.

Zudem variieren die Detailtiefe und Vollständigkeit dieser Daten erheblich. Sie müssen zudem mit First-Party-Daten integriert werden, die wiederum für jeden Werbetreibenden unterschiedlich sind – darunter E-Mail-Listen, Direktmailing-Datensätze, Conversion-Daten, Informationen zum Web-Traffic und vieles mehr.

Wenn wir die Marketingdaten als Ganzes betrachten, sehen wir daher keinen einheitlichen, gebrauchsfertigen Datensatz. Stattdessen gibt es zahlreiche fragmentierte Datensätze, die oft unvollständig sind und in bestimmten Bereichen Lücken aufweisen. Einige dieser Datensätze decken die nationale Ebene ab, andere Postleitzahlregionen und wieder andere DMA-Gebiete.

In der Vergangenheit waren Dateningenieure daher gezwungen, viel Zeit damit zu verbringen, maßgeschneiderte Systeme zu entwickeln, Abfragen zu schreiben oder Python-Skripte zu erstellen, um Daten für spezifische Analysen ad hoc zu verarbeiten.

Wenn diese Daten jedoch einheitlich strukturiert, Unstimmigkeiten in der Granularität beseitigt und über isolierte Systeme hinweg integriert werden können, ändert sich die Situation grundlegend.

Wir können diese strukturellen Barrieren überwinden, unterschiedliche Datenquellen unter einem einheitlichen Rahmen vereinen und Informationen aus Kanälen wie Amazon Ads neben denen von Google, Meta, CTV, linearem Fernsehen und Außenwerbung präsentieren – und das alles unter Verwendung einheitlicher Formate und Strukturen. Dies ermöglicht aussagekräftige Vergleiche, anstatt Äpfel mit Birnen oder Äpfel mit Wassermelonen zu vergleichen.

Zwar verfügen Unternehmen bereits über Systems of Record für Kunden in Customer Data Platforms, für Inhalte in Digital-Asset-Management-Systemen und für die Kampagnenumsetzung in Marketing-Activity-Plattformen, doch gibt es kein vergleichbares System für die Nachverfolgung der Marketingleistung. Genau das hat sich Marketing Evolution zum Ziel gesetzt.

Die Daten sind vorhanden, die Tools stehen zur Verfügung, Analysefähigkeiten sind vorhanden, und künstliche Intelligenz kann präzise Einblicke in Marktdynamiken und Geschäftsabläufe liefern – anstatt irreführende Signale zu verstärken.

Letztendlich müssen wir bei der Entwicklung von Modellen, der Durchführung von Analysen und dem Einsatz künstlicher Intelligenz einen datenzentrierten Ansatz beibehalten. Modelle werden sich weiterhin rasant weiterentwickeln und im Laufe der Zeit häufig ändern.

Dies ist im Grunde ein Problem der Dateninfrastruktur und nicht des Modelldesigns. Es kommt darauf an, die richtige Dateninfrastruktur aufzubauen, diese mit den entsprechenden Daten zu versorgen und sie im Einklang mit den Geschäftsabläufen in den richtigen Kontext zu setzen.

Wenn die Datenschicht nicht ordnungsgemäß implementiert wird, werden CMOs jahrelang mit ungenauen Erkenntnissen zu kämpfen haben, während CFOs mit nicht nachvollziehbaren Ausgabemustern konfrontiert sind. Es ist entscheidend, diese Datenschicht so schnell wie möglich richtig aufzubauen.

Stephen Williams, CEO von Marketing Evolution

Angesichts der Tatsache, dass 71 % der Führungskräfte glauben, sie seien KI-bereit, während dies tatsächlich nur auf 37 % zutrifft – worin genau besteht diese Bereitschaftslücke?

Ich glaube, dass sich viele Führungskräfte – mich selbst einst eingeschlossen – auf ein einfaches Kriterium verlassen: Wenn KI-Tools im Einsatz sind, muss das Unternehmen als KI-bereit gelten. Doch dies ist selten der Fall.

Wenn wir die tatsächlichen Voraussetzungen für den erfolgreichen Einsatz von KI oder agentenbasierten Arbeitskräften untersuchen – wie beispielsweise Datenstruktur, Datenqualität, Integration, Zugänglichkeit und Governance –, bröckelt diese Annahme schnell.

Um diese Lücke besser zu verstehen, haben wir eine Umfrage unter leitenden Marketing-Führungskräften – darunter CMOs, VPs, Direktoren und leitende Manager – durchgeführt und festgestellt, dass 71 % von ihnen glaubten, KI-bereit zu sein.

Als wir jedoch prüften, ob die grundlegenden Datenanforderungen für eine echte KI-Bereitschaft tatsächlich erfüllt waren, erfüllten nur 37 % diese Standards.

Dies stellt eine erhebliche Lücke dar. Noch auffälliger ist die Tatsache, dass nur 3 % der befragten Führungskräfte von kontinuierlichen Verbesserungen bei der KI-Leistung berichteten.

In der Realität stoßen viele Unternehmen bei ihren KI-Bemühungen sehr schnell an ihre Grenzen, weil ihnen eine solide Datenbasis fehlt. Wenn KI-Systeme gezwungen sind, fragmentierte Systeme, unverbundene Datenquellen und inkonsistente Strukturen in Einklang zu bringen, steigt die Komplexität des Problems dramatisch an, was zu schwächeren Ergebnissen, falschen Schlussfolgerungen und häufigeren Fehlern führt.

Unternehmen, die die grundlegenden Datenanforderungen für KI-Reife erfüllen, erzielen im Vergleich zu denen ohne eine solche Grundlage etwa doppelt so starke Leistungsergebnisse. Es ist unerlässlich, die Datenschicht richtig zu gestalten, um echten Mehrwert aus künstlicher Intelligenz zu ziehen – insbesondere da diese Technologien immer teurer werden und es sich Unternehmen nicht mehr leisten können, auf unbestimmte Zeit kostengünstig zu experimentieren.

Kennzahlen aus „Marketing Evolution“

• 71 % der leitenden Marketingverantwortlichen glauben, dass sie KI-bereit sind
• Nur 37 % der Marketingleiter erfüllen die grundlegenden Datenvoraussetzungen für KI-Reife
• Nur 3 % der Marketingleiter geben an, konsistente Leistungssteigerungen durch KI zu verzeichnen

Wie erfüllt ein Marketing-Performance-Substrat die Anforderungen an die Datenvereinheitlichung für künstliche Intelligenz?

Ein Marketing-Performance-Substrat – also ein speziell für die Nachverfolgung von Marketing-Performance entwickeltes System of Record – löst dieses Problem, da es von Natur aus intelligent ist. Es kann fehlende Daten wiederherstellen, Beobachtungslücken synthetisch schließen und Customer Journeys auf Verbraucherebene rekonstruieren, was nicht möglich wäre, wenn die Daten weiterhin in statischen Data Warehouses oder Data Lakes gespeichert wären. Auf diese Weise gewinnt es aussagekräftige Erkenntnisse aus den Daten, bevor diese in komplexere nachgelagerte Modelle einfließen.

Bereits vor dieser Phase wurden die Daten an eine Geschäftsontologie angepasst, die die Struktur des Unternehmens widerspiegelt. Sie werden entsprechenden Schemata, Taxonomien und Geschäftskontexten zugeordnet, wodurch sichergestellt wird, dass die Namenskonventionen mit der internen Bezeichnung der kreativen Assets, Medienkanäle, Kampagnen und Kunden des Unternehmens übereinstimmen. Diese Konsistenz wird über alle zugrunde liegenden Datensätze hinweg gewahrt.

Durch die Vereinheitlichung sowohl der Datenstruktur als auch der Kundenreisen eröffnen wir zahlreiche neue Möglichkeiten für Anwendungen künstlicher Intelligenz in Bereichen wie Erkennung, Analyse und Entscheidungsfindung.

Das ist keine Übertreibung – sobald künstliche Intelligenz auf der Grundlage eines wirklich einheitlichen und kontextbezogenen Verständnisses der Geschäftsabläufe arbeitet, sind die Möglichkeiten nahezu grenzenlos.

Unternehmen mit KI-fähigen Datengrundlagen erzielen bis zu doppelt so gute Ergebnisse bei der künstlichen Intelligenz. Bildnachweis: Getty Images

Wie würden Sie Unternehmen beraten, die von einer rückwärtsgerichteten Messung zu einer vorausschauenden, proaktiven Intelligenz übergehen?

Es handelt sich in der Tat um einen anspruchsvollen Übergang, der eine erhebliche Veränderung der Perspektive erfordert. Bis vor kurzem erfolgte die Marketingmessung rückblickend – Kampagnen wurden durchgeführt, auf Ergebnisse gewartet und diese anschließend analysiert. Doch nun verfügen wir über die Daten und Werkzeuge, die erforderlich sind, um potenzielle Ergebnisse zu simulieren, bevor Maßnahmen ergriffen werden.

Dies verändert die Rolle der Marketing-Intelligenz grundlegend. Anstatt Ergebnisse erst nach ihrem Eintreten zu messen, können Unternehmen bereits im Voraus wahrscheinliche Ergebnisse modellieren, indem sie Daten aus den vergangenen Monaten, Quartalen oder Jahren nutzen, um Prognosen darüber zu erstellen, was als Nächstes passieren dürfte. Dies ermöglicht es Marketingfachleuten, Risiken zu minimieren, schnellere und fundiertere Entscheidungen zu treffen und diese Entscheidungen mit datengestützten Belegen zu untermauern.

„Ganz gleich, wie intelligent KI auch erscheinen mag – sie hängt nach wie vor grundlegend von der Qualität und Struktur der zugrunde liegenden Daten ab“, so Stephen Williams, CEO von Marketing Evolution.

Zudem bietet sie eine wesentlich umfassendere Transparenz über den gesamten Trichter hinweg. Um dieses Konzept zu veranschaulichen, betrachten wir einmal, wie das menschliche Sehen funktioniert. Die meisten Menschen gehen davon aus, dass das, was wir sehen, lediglich das Ergebnis der Verarbeitung des in unsere Augen einfallenden Lichts durch den visuellen Kortex ist. In Wirklichkeit lässt das Gehirn ständig ein Vorhersagemodell auf der Grundlage vergangener Sinneserfahrungen laufen, um zu antizipieren, was es sehen wird.

Dieses Vorhersagemodell, das durch ein Leben lang gesammelte, strukturierte Sinnesdaten geprägt ist, prognostiziert kontinuierlich die Welt um uns herum. Eintreffende visuelle Informationen aktualisieren dieses Modell, doch ein Großteil dessen, was wir wahrnehmen, ist tatsächlich die Vorhersage des Gehirns darüber, was gleich geschehen wird.

Auf diese Weise bewältigen wir Aufgaben wie das Fangen eines Baseballs oder das schnelle Reagieren auf ein Auto, das plötzlich vor uns bremst – wir reagieren nicht einfach in Echtzeit auf rohe Sinneseindrücke, sondern handeln auf der Grundlage von Vorhersagen, die auf früheren Daten und Erfahrungen beruhen.

Ich glaube, dass sich das Marketing in eine sehr ähnliche Richtung entwickelt.

Unternehmen mit einer soliden Datenbasis werden nicht nur in der Lage sein, vergangene Leistungen zu erklären, sondern auch zukünftige Ergebnisse vorherzusagen und zu simulieren.

Stephen Williams, CEO von Marketing Evolution, hat seine Karriere auf der Entwicklung der Systeme aufgebaut, die das moderne Marketing antreiben

Was würden Sie einer Marke raten, die sagt: „Ich arbeite mit einem MMM-Partner zusammen. Wie geht es nun weiter?“

Wenn Sie bereits mit einem MMM-Partner zusammenarbeiten, ist das ein hervorragender Ausgangspunkt, da Sie bereits über historische Einblicke in die Medienleistung verfügen. Auf diesem Wissen kann aufgebaut werden, um eine Ebene mit stärker vorausschauender Intelligenz zu schaffen. Ihre bestehende MMM-Partnerschaft kann das System weiterhin unterstützen, während Sie zu adaptiveren Entscheidungsansätzen übergehen.

Der nächste Schritt erfordert jedoch Investitionen in die Modernisierung Ihrer zugrunde liegenden Dateninfrastruktur, um detailliertere und integrierte Datenquellen zu berücksichtigen.

Dies bedeutet auch, dass Sie im Vergleich zu traditionellen MMM-Lösungen zu Messmethoden und Modellen übergehen müssen, die schneller auf sich ändernde Marktbedingungen, sich wandelnde Medienausgabemuster und das sich entwickelnde Verbraucherverhalten reagieren können.

Bedenken Sie die Auswirkungen von Ereignissen wie COVID-19, bei denen sich das Verbraucherverhalten von Monat zu Monat dramatisch veränderte. MMM-Systeme holten diese Verschiebungen zwar schließlich auf, jedoch oft erst, nachdem sie bereits eingetreten waren.

Eine dynamischere Analyseebene – die wöchentlich oder sogar täglich arbeitet – kann mit den geschäftlichen Entwicklungen in Echtzeit Schritt halten, sich verändernde Trends sofort erkennen und Unternehmen dabei helfen, schneller und mit größerer Sicherheit zu reagieren.

Dies steht stellvertretend für den umfassenderen Wandel, der sich in der Branche vollzieht. In der Vergangenheit bestand der Martech-Stack aus separaten Systemen wie Customer Data Platforms, CRM-Systemen, Digital-Asset-Management-Plattformen, Marketing-Activity-Plattformen und Messwerkzeugen – von denen jedes unterschiedliche operative Funktionen erfüllte. Zunehmend benötigen Unternehmen jedoch eine integrierte Intelligence-Ebene, die diese Systeme miteinander verbindet und die Daten für KI-Anwendungen, Simulationen, Optimierungen und Entscheidungsprozesse zugänglich macht. Dies ist die Richtung, in die sich die Branche bewegt.

Wie sollten Marken heute beim Aufbau ihres Martech-Stacks vorgehen?

Meiner Ansicht nach sollte ein moderner Martech-Stack mit einer Bestandsaufnahme der vorhandenen Datenquellen und Systeme beginnen – seien es Kundendatenplattformen, CRM-Systeme, DSPs oder andere relevante Tools –, um sicherzustellen, dass diese Systeme zusammenarbeiten können, anstatt isoliert zu funktionieren.

Traditionell wurde der Martech-Stack als geschichtete Struktur betrachtet. Zunehmend ähnelt er jedoch einem Speichen-und-Rad-Modell, bei dem eine zentrale Daten- und Intelligenzschicht Entscheidungsunterstützung für das gesamte Unternehmen bietet.

Dieser zentrale Knotenpunkt interagiert bidirektional mit Systemen wie Customer Data Platforms – er bezieht Daten aus diesen und speist gleichzeitig Informationen zurück, um das Verständnis des Kundenverhaltens und der Dynamik des gesamten Ökosystems zu verbessern.

Was die Messung betrifft, so befinden wir uns nun in einer Ära, in der Messprozesse mit der Geschwindigkeit Schritt halten können, mit der Daten generiert werden. Wir müssen uns nicht mehr ausschließlich auf MMM-Lösungen verlassen. Zwar haben MMMs nach wie vor ihre Berechtigung, insbesondere bei der Analyse längerfristiger Trends, doch benötigen Marketingfachleute schnelle Entscheidungsmöglichkeiten – manchmal sogar auf täglicher Basis –, was agilere Messsysteme erfordert.

Daher sollte der moderne Martech-Stack auf einer einheitlichen Datenschicht basieren, die schnelle Messung, Optimierung, Simulation und Entscheidungsfindung unterstützt und gleichzeitig eine nahtlose Integration mit anderen Systemen im gesamten Unternehmen gewährleistet.