Die 24 am häufigsten missverstandenen Begriffe für Marketingdaten

Stellen Sie sich vor, Sie planen als Marketer eine Win-Back-Kampagne und bitten Ihr Datenteam um eine Liste „inaktiver Kunden“. Sie erwarten Personen, die seit 90 Tagen nichts gekauft haben. Die Liste basiert jedoch auf Nutzern, die Ihre App seit 30 Tagen nicht geöffnet haben, weil „inaktiv“ in den Daten so definiert ist. 

Oder Sie bitten um Zielgruppen-Updates in „Echtzeit“, um zu verhindern, dass eine „Wir vermissen dich“-Nachricht an jemanden gesendet wird, der gerade eine Bestellung aufgegeben hat. Sie stellen sich eine Liste vor, die sich alle 15 Minuten aktualisiert. Das Datenteam versteht „Updates im Sekundentakt“ und stellt Fragen zu neuer Infrastruktur, laufenden Kosten und einem längeren Zeitrahmen.

Diese Unterschiede beeinflussen, was entwickelt wird, wie viel es kostet und wann das Marketing es nutzen kann. Eine frühzeitige Einigung darüber, was ein „Kunde“ ist, wann eine Zielgruppe bereit ist und wie aktuell ein Signal sein muss, kann verhindern, dass Missverständnisse zu einer Überarbeitung der Kampagne führen.

Dieser Leitfaden behandelt 24 Begriffe, die Marketing und Data Engineering oft unterschiedlich interpretieren, gegliedert nach fünf praktischen Fragen zur Kampagnendurchführung. Nutzen Sie die gegenübergestellten Definitionen als Gesprächseinstieg: Decken Sie Annahmen auf, klären Sie die Bedürfnisse beider Seiten und einigen Sie sich auf Bedeutungen, die zu Ihrem Unternehmen passen, bevor die Arbeit beginnt.

Holen Sie sich alle 24 Begriffe hier als druckbares PDF.

1. Woher stammen die Kampagnendaten?

Informationen in einem Marketing-Tool können von mehreren Systemen und Verarbeitungsschritten abhängen. Wenn Sie diesen Pfad verstehen, können Sie besser erklären, was Sie benötigen, und herausfinden, wo eine Änderung vorgenommen werden muss. Nehmen wir zum Beispiel ein Feld namens „Datum des letzten Kaufs“. Bevor Sie es zur Identifizierung inaktiver Kunden verwenden, sollten Sie klären, ob es stornierte Bestellungen einschließt und welches System das Datum liefert.

Einigung über: Woher der Wert stammt, was er beinhaltet und wer ihn pflegt.

2. Wen repräsentiert ein Kundendatensatz?

Die Kundenidentität bestimmt, wer einbezogen, ausgeschlossen oder – noch schlimmer – doppelt gezählt wird. Legen Sie zunächst fest, was ein einzelner Datensatz darstellt und wie das Team entscheidet, dass zwei Datensätze zusammengehören.

Das Wissen des Marketings über die Kundenbeziehung hilft dem Engineering, bessere Entscheidungen zur Identität zu treffen. Im Win-Back-Beispiel sind sowohl eine Person als auch ein Haushalt sinnvolle Möglichkeiten, Kundendaten zu strukturieren. Die Kampagne erfordert eine klare Entscheidung zwischen beiden. Eine Haushaltsansicht eignet sich beispielsweise für ein Angebot, das auf ein Exemplar pro Haushalt begrenzt ist. Eine Personenansicht eignet sich eher für einen individuellen Treuevorteil.

Eine gemeinsame Datengrundlage ermöglicht es Teams, klar benannte Ansichten für diese Zwecke zu pflegen und die jeweils passende wiederzuverwenden. Jede Ansicht benötigt eine dokumentierte Bedeutung, die zur Verknüpfung der Datensätze verwendeten Identifikatoren und einen Owner für die Matching-Regeln.

Einigung über: Ob die Kampagne auf eine Person, einen Account, einen Haushalt oder ein Gerät abzielt und wie die relevanten Datensätze abgeglichen werden.

3. Wann ist eine Zielgruppe bereit für die Aktivierung?

Eine Zielgruppe durchläuft mehrere Phasen: die Regeln, die sie definieren, die qualifizierten Datensätze und die Datensätze, die ein Zielsystem verwenden kann. Jede Phase beantwortet eine andere Frage zur Kampagnenbereitschaft.

Angenommen, 50.000 Personen entsprechen einem Segment, aber die E-Mail-Plattform akzeptiert nur 47.000 dieser Datensätze. In diesem Beispiel könnte der Unterschied auf fehlende Ziel-Identifikatoren, abgelehnte Datensätze oder beim Versand angewendete Ausschlüsse zurückzuführen sein. Das Team muss diese Differenz klären, bevor es entscheidet, dass die Zielgruppe bereit ist.

Wenn Definition, ermittelte Empfänger und Übertragungsergebnis klar unterscheidbar bleiben, vereinfacht dies den Prozess. Das Marketing kann prüfen, ob die Regeln die gewünschte Zielgruppe abbilden. Das Engineering kann prüfen, ob die korrekten Datensätze das Zielsystem erreicht haben. Beide Seiten können so erwartete Ausschlüsse von einem echten Problem unterscheiden.

Dieselbe Präzision hilft bei Vorhersagen. Wenn die Kampagne einen Propensity-Score benötigt, benennen Sie die Vorhersage und das, was sie schätzen soll. Das gibt dem Team eine konkretere Grundlage für die Entwicklung und Validierung als nur „das Modell“.

Einigung über: Die Regeln zur Zielgruppenauswahl, die erforderliche Vorhersage oder das benötigte Merkmal sowie die Art und Weise, wie die Bereitstellung validiert wird.

4. Wann sind die Daten aktuell genug?

Die Aktualität hängt von der Kundenentscheidung ab, die Sie treffen möchten. Eine einzelne Kampagne kann mehrere zeitliche Anforderungen haben, selbst wenn ihre Daten von einer einzigen Plattform stammen.

Nehmen wir an, ein Churn-Score wird jede Nacht berechnet und alle 15 Minuten an ein Engagement-Tool gesendet. Eine häufigere Übertragung macht die Vorhersage nicht 15 Minuten alt. Sie basiert immer noch auf der nächtlichen Berechnung.

Nehmen wir nun einen Kunden, der heute Morgen etwas kauft. Die Kampagne muss diese Person möglicherweise vor dem nächsten Versand aus einer Win-Back-Zielgruppe entfernen, während der Churn-Score auf seine nächste geplante Berechnung warten kann. Das sind unterschiedliche Anforderungen mit verschiedenen Auswirkungen für den Kunden.

Um Aktualität messbar zu machen, sollten Sie den Anfang und das Ende der Verzögerung definieren: vom Kauf über die Verfügbarkeit in der Datenplattform, von dieser Verfügbarkeit bis zu einer Änderung der Zielgruppenzugehörigkeit oder von der Änderung der Zugehörigkeit bis zu dem Moment, in dem das Zielsystem darauf reagieren kann.

Diese Unterscheidungen helfen dem Team, gezielt dort in Geschwindigkeit zu investieren, wo sie das Kundenerlebnis tatsächlich verbessert. Sie bieten dem Marketing zudem eine bessere Möglichkeit, ein Problem zu beschreiben, als pauschal zu fordern, dass die gesamte Kampagne in „Echtzeit“ laufen muss.

Einigen Sie sich auf: Welches Kundenereignis die Zeitmessung startet, wo die aktualisierten Daten nutzbar sein müssen und welche Verzögerung akzeptabel ist.

5. Wer ist verantwortlich, wenn die Daten verwendet werden?

Der Zugriff auf Kundendaten wirft Fragen zu deren Bedeutung, zulässigen Verwendung und fortlaufenden Inhaberschaft auf. Diese Verantwortung bleibt bestehen, auch wenn eine Zielgruppe die Datenplattform verlässt.

In Praxis umfasst Governance auch Datenqualität, Inhaberschaft und angemessene Nutzung. Ein nützlicher Ausgangspunkt ist die Bestimmung der festgelegten Quelle für jede Entscheidung. Das System, das die Kundenidentität feststellt, kann sich von dem unterscheiden, das eine Kanaleinstellung erfasst oder den Umsatz berechnet.

Verfolgen Sie dann den Weg der Daten bis zu ihrem Ziel. Eine Zielgruppe, die beim Export berechtigt war, benötigt vor einem späteren Versand möglicherweise einen aktualisierten Ausschluss. Eine gespeicherte Kopie kann die Kampagne überdauern, für die sie erstellt wurde. Teams müssen wissen, wie Änderungen das Ziel erreichen und wer für die Umsetzung verantwortlich ist, wenn dies nicht der Fall ist.

Databricks CustomerLake, die Agentic CDP, bringt Customer-Data-Platform-Funktionen nativ in Databricks und dessen Governance-Fundament ein. Die Arbeit auf dieser gemeinsamen Basis bietet Marketing- und Datenteams einen Ort, an dem sie vertrauenswürdigen Kundenkontext austauschen können. 

Einigen Sie sich auf: Die maßgebliche Quelle für jede Entscheidung, die zulässige Verwendung und den Verantwortlichen für Aktualisierungen am Zielort.

To-do: Machen Sie eine Vereinbarung über eine einzelne Kampagne hinaus nutzbar

Für Teams, die auf Databricks aufbauen, besteht der nächste Schritt darin, diese wichtigen Vereinbarungen wiederverwendbar zu machen. Teams können Geschäftsdefinitionen in Unity Catalog dokumentieren und sie dann für Analysen in Genie, für den Aufbau von Zielgruppen in CustomerLake oder für die ML-Modellentwicklung auffindbar machen. Jede neue Kampagne kann auf Definitionen aufbauen, auf die sich Marketing und Data Engineering bereits geeinigt und die sie in die Praxis umgesetzt haben.

Wählen Sie einen Begriff, der in einer der letzten Kampagnen für Verwirrung gesorgt hat. Gehen Sie gemeinsam mit Ihrem Datenteam ein Kundenbeispiel durch und halten Sie die Entscheidung dort fest, wo die nächste Person, die die Daten nutzt, sie finden kann.

Für „Kunde“ bedeutet dies, zu benennen, was ein Datensatz darstellt und welche Identifikatoren dahinterstehen. Für „letztes Kaufdatum“ bedeutet es, zu dokumentieren, welche Transaktionen zählen. Für „Zielgruppe bereit“ bedeutet es, sich darauf zu einigen, was vor dem Start überprüft werden muss.

Verknüpfen Sie die vereinbarte Bedeutung mit dem Datensatz oder Workflow, der sie implementiert, und legen Sie fest, wer bei Änderungen einbezogen werden soll. Dokumentation und Implementierung müssen sich gemeinsam weiterentwickeln.

Dies ist besonders nützlich, wenn Marketer Tools für natürliche Sprache und AI-Agenten bitten, mit Kundendaten zu arbeiten. „Finde unsere wertvollsten inaktiven Kunden“ lässt immer noch Spielraum in Bezug auf Wert, Inaktivität, Identität und Berechtigung. Ohne explizite Anweisungen trifft die AI ihre eigenen Entscheidungen – und zwar jedes Mal eine andere. Wenn Sie AI-Tools explizite Geschäftsdefinitionen und Kontext an die Hand geben, erzielen Sie bessere und konsistentere Ergebnisse.

Ein nützlicher Test ist, ob jemand, der neu zur nächsten Kampagne hinzustößt, die Entscheidung verstehen kann, ohne die Personen ausfindig machen zu müssen, die am ursprünglichen Meeting teilgenommen haben. Wenn das der Fall ist, hat das Team etwas geschaffen, das wiederverwendet werden kann.

Über diese Serie

Wie Marketer erfolgreich mit Data Engineering kommunizieren ist eine sechsteilige Serie, die in Partnerschaft mit Matthew Niederberger von MartechTherapy entwickelt wurde. Die 24 Definitionen in diesem Artikel stammen aus seinem unabhängig erstellten Leitfaden, der von Databricks gesponsert wurde. 

Lesen Sie Matthews Originalartikel, Same word, different meaning, für seine Perspektive und die druckbare Referenz für Ihr nächstes Meeting.

Als Nächstes in dieser Serie: Wie Sie eine Datenanfrage schreiben, mit der man tatsächlich arbeiten kann.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag