Customer-Data-Plattformen beruhen auf einem einfachen Versprechen: Kundeninformationen zusammenführen, auswerten und nutzen, um relevantere Erlebnisse zu schaffen. Dieses Versprechen hängt jedoch von einer fragilen Annahme ab – nämlich davon, dass die von Kunden bereitgestellten Informationen korrekt sind.
Diese Annahme lässt sich immer schwerer treffen.
Von eMarketer zitierte Forschungsergebnisse zeigen, dass 53 % der Erwachsenen in den USA der Datenerhebung, dem Targeting oder dem Tracking auf KI-Plattformen widersprochen hatten. Weitere 31 % gaben an, einen falschen Namen oder Geburtstag angegeben zu haben. Dieselbe Studie verweist auf ein allgemein größeres Unbehagen gegenüber datengestützter Personalisierung: 59 % der Erwachsenen in den USA waren besorgt darüber, dass KI ihre E-Mail-Adressen zur Personalisierung von Anzeigen nutzt, während 52 % sich unwohl dabei fühlten, ihren Browserverlauf zu teilen.
Diese Zahlen beschreiben Einstellungen und Verhaltensweisen auf KI-Plattformen, nicht speziell die von CDP-Nutzern. Sie weisen jedoch auf eine Herausforderung hin, die für jedes System relevant ist, das auf Kundendaten aus Registrierungen beruht: Menschen widersprechen möglicherweise der Datennutzung oder machen Angaben, die echt wirken, es aber nicht sind.
Wenn eine falsche Angabe zu einem fehlerhaften Segment führt
Ein falscher Name mag harmlos erscheinen. Ein falscher Geburtstag wirkt vielleicht wie eine kleine Maßnahme zum Selbstschutz. Doch wenn ein Unternehmen Angaben aus dem Registrierungsformular als verlässliche Fakten behandelt, können sich ungenaue Informationen weit über das Anmeldeformular hinaus auswirken.
Ein falsch angegebenes Alter kann dazu führen, dass jemand in die falsche Lifecycle-Kampagne aufgenommen wird. Eine unzutreffende Geschlechtsangabe kann ein Zielgruppensegment verzerren. Solche Annahmen können dann Produktempfehlungen, E-Mail-Inhalte und Kundenanalysen in Marketing-Automation-Kampagnen beeinflussen.
Das Problem besteht nicht nur darin, dass ein einzelner Datenpunkt falsch ist. Automatisierte Systeme können diese Daten wiederholt für Entscheidungen heranziehen und so den Eindruck erwecken, eine fehlerhafte Eingabe sei ein verlässliches Signal.
Verhaltens- und Transaktionsdaten liefern eine andere Art von Belegen. Ein Kauf, ein Produktaufruf oder eine wiederholte Interaktion dokumentiert, was jemand getan hat. Ein Registrierungsfeld dokumentiert, was jemand angegeben hat. Beides kann nützlich sein, sollte aber nicht automatisch mit derselben Sicherheit bewertet werden.
Ein schrumpfender Pool mit zunehmender Unsicherheit
Widersprüche gegen die Datennutzung verringern die Zahl der Personen, die für trackingbasiertes Marketing zur Verfügung stehen. Wenn einige der verbleibenden registrierten Nutzer zudem unzutreffende Angaben gemacht haben, könnte die tatsächlich nutzbare Zielgruppe kleiner sein, als die Gesamtzahl der Datenbankeinträge vermuten lässt.
Dadurch kann ein Abwärtskreislauf entstehen:
- Weniger verlässliche Daten führen zu schlechterem Targeting.
- Schlechteres Targeting kann die Kampagnenleistung beeinträchtigen.
- Schlechte Ergebnisse können Marken dazu verleiten, die falschen Kampagnenelemente zu optimieren – etwa Werbemittel, Kanäle oder Timing -, während das zugrunde liegende Datenproblem unbemerkt bleibt.
Erhalten Kunden daraufhin irrelevante Nachrichten, sind sie möglicherweise noch weniger bereit, Informationen zu teilen oder der Datennutzung weiterhin zuzustimmen. Das Ergebnis ist nicht einfach nur eine kleinere Zielgruppe, sondern eine weniger verlässliche Grundlage für Marketingentscheidungen.
Scheingenauigkeit kann teuer werden
Ein detailliertes Kundenprofil kann wertvoll wirken, selbst wenn seine Ausgangsdaten unzuverlässig sind. Das ist die Gefahr der Scheingenauigkeit: Teams vertrauen einem Segment möglicherweise, weil es spezifisch ist – nicht, weil es zutreffend ist.
Verfehlen Kampagnen ihre Wirkung, ändern Marketingverantwortliche möglicherweise ihre Botschaften oder Targeting-Regeln, ohne die Qualität des Profils selbst infrage zu stellen. Mit der Zeit können sich dadurch falsche Annahmen verfestigen und Modelle mit irreführenden Signalen trainiert werden.
Die Lösung besteht nicht darin, Customer-Data-Plattformen aufzugeben. Vielmehr sollte nicht jedes Datenfeld als gleich verlässlich behandelt werden.
Engere Grenzen, aber kein Ende der Personalisierung
Das bedeutet nicht zwangsläufig, dass der Personalisierung insgesamt Grenzen gesetzt sind. Es ist vielmehr eine Warnung vor Marketing-Automation, die sich zu stark auf Daten registrierter Kunden stützt – insbesondere dann, wenn demografische Angaben ohne Überprüfung als korrekt angenommen werden.
Personalisierung auf Grundlage beobachteter Handlungen ist weiterhin sehr nützlich – insbesondere in anonymen Sitzungen und in Echtzeit. Empfehlungs-Engines schließen diese Lücke. CDPs oder Marketing-Automation-Tools, die angegebene Merkmale ungeprüft als Fakten übernehmen, riskieren jedoch, ausgefeilte Kampagnen auf unsicherer Grundlage aufzubauen.
Die strategische Neuausrichtung ist einfach: dem, was Kunden in Echtzeit tun (und natürlich auch anonymen Kunden), mehr zu vertrauen als den Angaben in einem Formular und Unsicherheiten im System sichtbar zu machen. Eine kleinere, besser verstandene Auswahl an Signalen kann wertvoller sein als eine größere Datenbank, die nur präzise wirkt.
