Die letzte Meile: Warum erstklassige First-Party-Daten noch lange kein großartiges Marketing ausmachen

Letzten Monat saßen ein Datenteam und ein Marketingteam im selben Raum und redeten 45 Minuten lang aneinander vorbei.

Die Engineers sprachen von Delta-Tabellen und Medallion-Architektur. Die Marketer sprachen von Journeys, Segmenten und Sendezeitoptimierung. Derselbe Kunde. Dieselben Daten. Zwei völlig verschiedene Sprachen. Niemand lag falsch. Sie konnten sich einfach nicht gegenseitig verstehen.

In dieser Lücke – zwischen dem Ort, an dem Daten liegen, und dem Ort, an dem sie aktiviert werden – gehen jede Woche Millionen von Dollar an Kundenwert verloren, und das bei Unternehmen mit erstklassiger Dateninfrastruktur und erstklassigen Marketingambitionen. Sie haben die Rakete. Sie haben nur die Startrampe vergessen.

Der Forschungsbericht von Scott Brinker, The New Martech "Stack" for the AI Age, der in Partnerschaft mit Databricks veröffentlicht wurde, benennt genau das, was die Architektur ersetzen muss, die dieses Problem verursacht hat. Er nennt es den Composable Canvas. Die Diagnose ist absolut richtig, und die Richtung, in die sie weist, ist genau das Ziel dieser Partnerschaft.

Was der Composable Canvas tatsächlich für Marketer bedeutet

Wenn Sie jemals eine CSV-Datei aus Ihrem Data Warehouse exportiert, sie per E-Mail an das Kampagnenteam geschickt und drei Tage lang darauf gewartet haben, dass sie in Ihre Marketingplattform hochgeladen wird – dann ist das das alte Stack-Modell, das Sie im Stich lässt.

Zwei Jahrzehnte lang wurde MarTech in starren vertikalen Schichten aufgebaut: Daten ganz unten, Interaktionssysteme (Systems of Engagement) in der Mitte, Kampagnen ganz oben. Jede Schicht war eine eigene Box. Damit diese Boxen miteinander kommunizieren konnten, waren Pipelines, Konnektoren, Synchronisierungsaufträge und ganze Teams erforderlich, deren einzige Aufgabe darin bestand, Daten von einem System in ein anderes zu verschieben. Wie Brinkers Bericht zeigt, blieb die Integration für die Mehrheit der befragten Marketingorganisationen eine der drei größten Herausforderungen – nicht im Jahr 2015, sondern Ende 2025. Nach dreißig Jahren, in denen Anbieter versprochen haben, dieses Problem zu lösen.

Der Composable Canvas ist die architektonische Alternative: ein einheitliches Datenfundament, bei dem jedes Tool, von Ihren Plattformen zur Kundeninteraktion über Ihre AI-Agents bis hin zu Ihren Analysen, auf derselben gemeinsamen Basis arbeitet, ohne dass Daten jemals verschoben werden müssen. Keine Middleware. Keine Verzögerung. Kein Tabellenkalkulations-Ritual am Sonntagabend.

Bryce Peake, ehemaliger VP of Marketing Decision Sciences bei Domino's, bringt es auf den Punkt:

Wir versuchen seit den Anfängen des Internets, denselben MarTech-Stack anzupassen. Leute, wir müssen einen neuen bauen.

Moderne Datenplattformen wie Databricks bieten eine offene, gemeinsame Basis, auf der Marketer, Agents und Apps zusammenarbeiten können. Und der Business Case ist konkret: „Geschwindigkeit: Von Monaten zu Minuten. Heutzutage bedeutet das Hinzufügen einer neuen Marketingfunktion Integrationsprojekte, Daten-Pipelines und IT-Tickets. Im Composable Canvas lassen sich neue Tools und AI-Agents sofort in ein gemeinsames Datenfundament integrieren.“

Die Architektur: fünf Ringe, ein Gravitationszentrum

Das Framework von Brinker gliedert den Composable Canvas in fünf konzentrische Ringe, von denen jeder eine eigene Rolle hat.

• Data Core: das einheitliche Fundament aus Kunden-, Unternehmens-, Inhalts-, Code- und Kontrolldaten; das Gravitationszentrum von allem
• Semantic Layer: gemeinsame Definitionen, die Daten über jedes System hinweg, das mit ihnen in Berührung kommt, konsistent und aussagekräftig machen
• CaaS (Context-as-a-Service): Plattformen wie CDPs, die relevante Daten und Kontext für die Apps und Agents bereitstellen, die sie benötigen
• Decisioning: wo AI-Engines die nächsten besten Aktionen (Next-Best Actions) optimieren und Konflikte lösen, wenn mehrere Agents gleichzeitig denselben Kunden erreichen wollen
• Apps & Agents: der äußerste Ring, in dem Kundenerlebnisse tatsächlich bereitgestellt werden

Der Vorteil dieser Struktur ist eine drastische Reduzierung der Integrationskomplexität. Im alten Point-to-Point-Modell konnten zehn Systeme bis zu 45 Integrationen erfordern. Im Composable-Modell fügt sich jede neue Funktion in ein kohärentes, gemeinsames Ökosystem ein, anstatt in ein Geflecht aus anfälligen Pipelines. Rick Schultz, CMO von Databricks, drückt es so aus:

Alle CMOs versuchen, dieselben drei Dinge zu lösen: Effektivität, Effizienz und Self-Service.

Mit dem Composable Canvas lassen sich alle drei Ziele gleichzeitig erreichen.

Elizabeth Dobbs, AVP of Marketing Technology bei Databricks, beschreibt die Auswirkungen aus eigener Erfahrung:

Sobald all unsere Marketingdaten im Lakehouse zentralisiert waren, haben wir Modelle überarbeitet, die diese Fülle nie voll ausgeschöpft hatten ... Das neu aufgebaute Modell konvertierte viermal so gut wie zuvor. Von da an haben wir denselben Ansatz schnell repliziert, um in nur vier Wochen ein hochgradig prädiktives Account-Scoring-Modell einzuführen.

Die letzte Meile: Die Lücke zwischen Ihrer First-Party-Datenplattform und einer Live-Kampagne

Brinker stellt klar, dass dieser Bericht ein Leitstern (North Star) und keine Schritt-für-Schritt-Anleitung zur Implementierung ist, und genau das macht ihn so wertvoll. Er wirft bewusst die Frage für die Praxis auf: Wie wird aus einem einheitlichen Datenfundament tatsächlich eine getriggerte Kampagne? Wie wird eine Decisioning-Schicht für ein Marketingteam aufgebaut, das kein Data Engineering spricht? Wie bewegen sich die fünf Ringe von einem Architekturdiagramm hin zu einem Kundenerlebnis, das im richtigen Moment ausgelöst wird?

In diesen Fragen liegt die eigentliche Arbeit der Implementierung – das, was Stitch als die letzte Meile bezeichnet.

So sieht die Lücke zwischen dem Startpunkt und der Ziellinie der letzten Meile in der Praxis aus:

• Die autonomen Agents, die nirgendwo hin können. Eine Marketingleiterin einer bekannten Marke beschrieb kürzlich eine frustrierende Situation: Ihr Engineering-Team hatte gerade ein autonomes Agent-System auf Databricks bereitgestellt, das in Echtzeit logische Schlüsse über den gesamten Kundendatenbestand ziehen konnte. Aber es hatte keine Ahnung, wie man eine Kampagne auslöst. Währenddessen wurden die Lifecycle-Journeys ihres Marketingteams immer noch über eine Batch-Datei gefüttert, die einmal am Tag aktualisiert wurde. Zwei talentierte Teams, die an der Zukunft bauen, aber keinen Einblick in die Arbeit des jeweils anderen haben.
• Der Propensity-Score, auf den niemand reagiert hat. Das Data-Science-Team einer Gaming-Marke hat ein hochentwickeltes Churn-Modell entwickelt. Der Propensity-Score wurde korrekt ermittelt und markierte gefährdete Kunden. Er landete in einem Dashboard, das niemand überprüfte. Der Kunde spürte in dem Moment, in dem er eine Reaktion der Marke gebraucht hätte, nichts ... und ging. Weil die letzte Meile nie gebaut wurde.
• Die Tabelle am Sonntagabend. Eine nationale Lebensmittelkette verfügte über eine Databricks-Umgebung voller Daten zur Angebotsberechtigung und eine Plattform zur Kundeninteraktion, die genau für diese Art der Personalisierung entwickelt wurde. Die Lücke dazwischen? Vier Stunden, jeden Sonntagabend, und eine CSV-Datei. Vorbereitungszeit für die Kampagne: Stunden. Die Daten waren da. Die Aktivierungsfunktion war da. Niemand hatte die Brücke gebaut. Nach der Verknüpfung fließen die Daten zur Angebotsberechtigung nun automatisch in Kundenprofile und Kampagnen ein und werden in Echtzeit ausgelöst. Aus diesen vier Stunden wurden jede Woche dauerhaft nur noch wenige Minuten.

Wie Brinker anmerkt,

Der MarTech-Stack sitzt nicht auf den Daten. Er ist die Daten.

Architektonisch gesehen stimmt das. Operativ gesehen leben Daten und Kampagnen bei den meisten Marken heute immer noch in völlig unterschiedlichen Welten.

Was das Schließen der letzten Meile erfordert

Die Marken, die den Composable Canvas in die Realität umsetzen, tun dies nicht durch den Kauf besserer Tools. Sie tun es, indem sie die Brücke bauen – und das erfordert ein tiefes Verständnis sowohl der Datenplattform als auch der Marketing-Ausführungsebene.

Für die Aktivierung konzipierte Marketing-Datenarchitektur. Es gibt einen wesentlichen Unterschied zwischen einem Datenfundament, das für Analysten entwickelt wurde, und einem, das für Marketer konzipiert ist. Ersteres ist für Abfragen, Insights und Governance optimiert. Letzteres ist darauf optimiert, eine Kampagne im richtigen Moment auszulösen, ein Kundenprofil in Echtzeit anzureichern und einem AI-Agent den Kontext bereitzustellen, den er für eine Entscheidung benötigt. Um dorthin zu gelangen, muss man sowohl verstehen, was Databricks leisten kann, als auch, was die Interaktionsebene tatsächlich davon benötigt.

Self-Service-Analytics für Marketingteams. Brinker beschreibt Schnittstellen für natürliche Sprache als Kernfunktion des Composable-Modells – und das aus gutem Grund. Dies ist machbar, aber die meisten Marketingteams erstellen immer noch Tickets, um grundlegende Daten zur Kampagnenleistung zu erhalten.

Die Chance: Erstellen Sie Analytics-Umgebungen, die auf echte Marketing-Anwendungsfälle zugeschnitten sind, sodass nicht-technische Teams ihre Fragen selbst beantworten können – ohne SQL, ohne Warteschlange und ohne auf das Data Engineering zu warten. Es ist eine der wirkungsvollsten Implementierungen, die derzeit verfügbar sind.

AI-Agenten, die nativ auf der Datenebene ausgeführt werden. Die leistungsstärksten agentenbasierten Marketing-Workflows sind keine Agenten, die nachträglich auf den bestehenden Stack aufgesetzt wurden. Sie sind Agenten, die direkt in der Datengrundlage verankert sind und über die Engagement-Ebene ausgeführt werden – sie rufen Segmente ab, validieren die Datenqualität, stoßen Kampagnen an und messen Ergebnisse ohne CSV, ohne manuelle Übergabe und ohne Verzögerung. Kumar Ram, VP und Global Head of Marketing Data Sciences bei HP, formuliert das strategische Prinzip treffend:

Wir wollen die Kontrolle über das Kernkonstrukt der Daten und der Infrastruktur behalten. Wenn wir die Agentur wechseln, müssen wir nur die Aktivierungsebene an der Spitze austauschen. Das Fundament bleibt bei uns.

Migrationen, die auf Modularität abzielen und nicht davon wegführen. Für Marken, die immer noch auf starren Legacy-Marketingplattformen arbeiten, ist der Wechsel zu einer Composable-Architektur nicht einfach nur ein Plattformwechsel, sondern eine architektonische Entscheidung. Richtig umgesetzt, positioniert dies Databricks als Datenebene unter einem Engagement-Stack, der sich flexibel anpassen und weiterentwickeln kann, wenn sich die AI-Funktionen verändern. Elizabeth Dobbs bringt das Ziel auf den Punkt:

Wir haben unseren Stack wie modulare Lego-Bausteine aufgebaut, damit das Unternehmen schneller agieren kann. Wenn neue Technologien und AI-Agenten aufkommen, haben wir die Flexibilität, die besten Tools mit minimalem Aufwand zu implementieren.

Drei Wege, wie Sie noch heute mit dem Aufbau des Composable Canvas beginnen können

Brinker stellt klar, dass dies eine 3- bis 5-jährige architektonische Reise ist und kein „Rip-and-Replace“-Projekt. Die gute Nachricht: Jeder Schritt bringt für sich genommen bereits einen Mehrwert. Hier sind drei Ansatzpunkte, die durchweg die direkteste Wirkung zeigen.

1. Bringen Sie Ihre Marketingdaten zu Databricks – und zwar wirklich dorthin.

Die häufigste Variante von „Wir nutzen Databricks“ sieht so aus: Das Data-Engineering-Team nutzt Databricks, und das Marketing hat ein Dashboard, das diese Daten gelegentlich widerspiegelt. Das ist keine einheitliche Datengrundlage. Das ist lediglich eine Reporting-Ebene.

Der erste Schritt ist die Konsolidierung: Sorgen Sie dafür, dass Daten zur Kampagnenleistung, Verhaltenssignale von Kunden, Loyalty-Daten und die Interaktionshistorie in dasselbe Lakehouse fließen, in dem sich bereits Ihre Transaktions- und Betriebsdaten befinden. Das ist zwar reine Infrastrukturarbeit – Konnektoren, Pipelines, Datenqualitätsprüfungen –, aber es ist das Fundament, auf dem alles andere aufbaut.

Der unmittelbare Nutzen ist ein einheitliches Reporting: eine einzige Version der Wahrheit, auf die Marketing, Vertrieb und Finanzen gemeinsam zugreifen. Wie es im Bericht von Brinker heißt:

Wenn alle auf dieselben Zahlen schauen, die auf dieselbe Weise berechnet wurden, verlagern sich Meetings von der Diskussion über Daten hin zu Entscheidungen darüber, was zu tun ist.

Das allein ist die Investition schon wert. Aber es beendet auch die „Datensteuer“, die jede Kampagne ausbremst – die Tickets, die Exporte, das Warten.

Erste Schritte: Erfassen Sie, wo Ihre Marketingdaten derzeit liegen und wo sie sein sollten. Identifizieren Sie die zwei oder drei Datenquellen, die die Möglichkeiten des Marketings am stärksten verändern würden, wenn sie zusammengeführt würden – typischerweise die Transaktionshistorie, Verhaltensereignisse sowie Angebots- oder Loyalty-Daten – und konzentrieren Sie sich zuerst auf diese.

2. Erstellen Sie einen einzigen Self-Service-Analytics-Anwendungsfall für Ihr Marketingteam

Die meisten Marketingteams sind nur eine Frage von einer Erkenntnis entfernt, die die Durchführung ihrer Kampagnen grundlegend verändern würde. Das Problem sind nicht die Daten. Es sind die Hürden zwischen dem Marketer und der Antwort.

Das Composable Canvas von Brinker stellt Self-Service-Analytics – insbesondere Schnittstellen für natürliche Sprache, mit denen nicht-technische Anwender Daten direkt abfragen können – in den Mittelpunkt des Modells. Tools wie Databricks AI/BI Genie machen dies heute schon möglich: Ein Marketer gibt eine Frage in einfacher Sprache ein und erhält in Sekundenschnelle eine Antwort – ohne SQL, ohne Ticket, ohne drei Tage Wartezeit.

Der Schlüssel liegt darin, für einen bestimmten Anwendungsfall zu entwickeln, anstatt zu versuchen, dem Marketing sofort Zugriff auf alles zu geben. Beginnen Sie mit der Frage, die Ihr Team am häufigsten stellt und deren Beantwortung am längsten dauert: Kampagnen-Conversion nach Segment, Angebotseinlösung nach Filiale, Churn-Signale nach Kundenkohorte. Erstellen Sie den Genie-Space um diese Entscheidung herum. Lassen Sie das Team damit arbeiten. Beobachten Sie, was passiert, wenn die Hürden wegfallen.

Die Kampagnenmanagerin einer Marke benötigte früher vier Tage für die Beantwortung einer einfachen Performance-Frage – heute erhält sie die Antwort in Sekundenschnelle. Direkt im Anschluss stellte sie in den folgenden 20 Minuten 12 weitere Fragen und stieß dabei auf eine Erkenntnis zum Timing von Push-Benachrichtigungen, die ein ganzes Quartal lang in den Daten verborgen geblieben war. Die Hürden waren weg – und damit auch die Grenzen dessen, was sie herausfinden konnte.

Erste Schritte: Identifizieren Sie die eine, am häufigsten gestellte Datenfrage, die Ihr Marketingteam an das Datenteam weiterleitet. Erstellen Sie zuerst eine governed, auf diesen Anwendungsfall ausgerichtete Analytics-Umgebung um diese Frage herum. Bauen Sie darauf auf.

3. Wählen Sie einen einzigen AI-Agenten-Anwendungsfall aus und bringen Sie ihn an den Start

Der größte Fehler, den Marketingteams im Umgang mit AI machen, besteht darin, sie als Strategie und nicht als Praxis zu behandeln. Das Composable Canvas macht AI-Agenten tatsächlich einsatzbereit – aber nur, wenn Sie beginnen, sie auf echten Daten, in echten Workflows und ausgerichtet auf echte Ergebnisse aufzubauen.

Die effektivsten ersten Anwendungsfälle für Agenten sind eng umgrenzt, hochfrequent und direkt mit einem Kampagnenergebnis verknüpft. Ein QA-Agent, der jede E-Mail vor dem Versenden validiert. Ein Personalisierungs-Agent, der Echtzeit-Bestandsdaten oder Loyalty-Signale abruft und Texte on the fly generiert. Ein Churn-Agent, der Verhaltenssignale in Databricks überwacht und in dem Moment eine Kampagne auslöst, in dem ein Kunde eine Risikoschwelle überschreitet – und nicht erst drei Tage später, wenn ein Batch-Job läuft.

Was diese Anwendungsfälle erfolgreich macht, ist die Architektur: Agenten, die in der Datenebene angesiedelt sind und über die Engagement-Ebene ausgeführt werden – keine CSV-Exporte, keine manuellen Übergaben, keine Verzögerungen. Die Kampagne ist nur so intelligent wie die Daten, mit denen sie gefüttert wird – und genau deshalb steht die Datengrundlage an erster Stelle.

Wie Brinker im Bericht anmerkt:

Die wertvollsten agentenbasierten Workflows überschreiten wie selbstverständlich Systemgrenzen. Agenten sind hungrig nach Kontext – relevanten Daten, Anweisungen und Tools für das spezifische Ziel, das sie verfolgen.

Das Composable Canvas liefert ihnen diesen Kontext. Der Agent ist lediglich das Werkzeug, das darauf reagiert.

Erste Schritte: Identifizieren Sie einen hochfrequenten, kostenintensiven manuellen Prozess in Ihren Kampagnenabläufen – QA, Segmentierung, Content-Erstellung, Performance-Reporting – und definieren Sie den Rahmen für einen einzelnen Agenten, um diesen zu automatisieren. Messen Sie die Zeitersparnis und die Veränderung des Ergebnisses. Nutzen Sie diesen Beleg, um Argumente für das nächste Projekt zu sammeln.

Warum jetzt der richtige Zeitpunkt dafür ist

Der Zeitrahmen für Brinkers Drei- bis Fünfjahresvision verkürzt sich schneller, als die meisten Marketingverantwortlichen erwartet haben.

Databricks hat gerade CustomerLake auf den Markt gebracht, eine agentenbasierte CDP, die nativ in das Lakehouse integriert ist. Zentrale CDP-Funktionen wie Customer 360, Identity Resolution, Zielgruppenerstellung, Kampagnenautomatisierung, Aktivierung und Personalisierung können dort stattfinden, wo Kundendaten, AI-Modelle und Governance bereits angesiedelt sind – ganz ohne Middleware.

Customer-Engagement-Plattformen wie Braze lassen sich über natives Cloud Data Ingestion und OpenSharing direkt mit Databricks verbinden. Neue Plattformfunktionen wie Lakebase bedeuten, dass Full-Stack-Marketinganwendungen – Frontend, Transaktionslogik und Kampagnenausführung – auf einer einzigen Plattform mit einem einzigen Governance-Modell laufen können. Das Zusammenflicken von vier verschiedenen Systemen gehört damit der Vergangenheit an.

Das von Brinker beschriebene Muster zeichnet sich bereits ab: Die Plattformen an beiden Enden werden intelligenter und direkter miteinander verbunden. Die Integrationsschicht in der Mitte wird von Quartal zu Quartal dünner.

Die Marken, die diese Arbeit heute schon leisten, sehen, wohin sich der Markt entwickelt. Sie bauen jetzt die Datenarchitektur auf, damit sie nicht mühsam hinterherhinken müssen, wenn alle anderen das Konzept verstanden haben.

Das Composable Canvas beschreibt das Ziel. Die letzte Meile ist der Weg dorthin.

Laden Sie den Forschungsbericht von Scott Brinker herunter: The New Martech “Stack” for the AI Age

Databricks und Stitch arbeiten partnerschaftlich zusammen, um Marketingorganisationen dabei zu helfen, die Lücke zwischen moderner Dateninfrastruktur und echten Kundenergebnissen zu schließen. Wenn Ihr Unternehmen eine Investition in Databricks getätigt hat, die noch nicht vollständig für das Marketing genutzt wird, sprechen Sie mit Stitch →

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