Der Begriff „Customer Data Platform“ wurde maßgeblich vom CDP Institute geprägt, einem herstellerunabhängigen Fachverband, der die Kategorie seit rund 2013 dokumentiert und abgrenzt. Bis dahin gab es zwar zahlreiche Werkzeuge, die einzelne Aspekte abdeckten – ein CRM für Vertriebskontakte, eine Marketing-Automatisierung für Kampagnen, ein Web-Analytics-Tool für Klicks –, aber kein System, das die Rolle einer zentralen, von den Fachabteilungen selbst verwalteten Kundendaten-Drehscheibe übernahm. Genau diese Lücke füllt die CDP.
Für den Mittelstand ist das aus einem sehr konkreten Grund relevant: In den meisten Unternehmen liegen Kundendaten heute verstreut in Silos. Der Webshop kennt das Kaufverhalten, das Newsletter-Tool die E-Mail-Interaktionen, der Support die Tickets, das CRM die Vertriebshistorie. Keines dieser Systeme sieht den ganzen Kunden. Die CDP wurde erfunden, um diese Silos aufzulösen und ein einziges, verlässliches Bild jedes Kunden herzustellen.
Das CDP Institute definiert eine echte Customer Data Platform über drei Kernmerkmale, die zusammen erfüllt sein müssen – und die zugleich als Prüfschema taugen, wenn ein Anbieter „CDP“ auf sein Produkt schreibt. Erstens: Es handelt sich um eine paketierte Software, die von den Fachabteilungen (Marketing, CRM, Data) selbst betrieben werden kann, ohne dass für jede Änderung die IT-Abteilung programmieren muss. Zweitens: Das System erzeugt eine persistente, einheitliche Kundendatenbank – die Profile bleiben dauerhaft erhalten und werden über die Zeit angereichert. Drittens: Diese Daten sind für andere Systeme zugänglich und können dort aktiviert werden.
Dieses dritte Merkmal ist entscheidend und wird oft unterschätzt. Eine CDP ist kein Datengrab, in dem Informationen nur abgelegt werden. Ihr Zweck ist es, die vereinheitlichten Profile wieder herauszugeben – an Kampagnen-Tools, Werbeplattformen, den Vertrieb oder den Kundenservice. Ein System, das Daten nur sammelt und auswertet, aber nicht zurück in die operativen Kanäle spielt, erfüllt die CDP-Definition streng genommen nicht vollständig.
Das Herzstück jeder CDP ist das persistente, einheitliche Kundenprofil – oft als Single Customer View oder „Golden Record“ bezeichnet. Persistent bedeutet: Das Profil verschwindet nicht am Ende einer Kampagne oder einer Sitzung, sondern wächst über Monate und Jahre. Jede neue Interaktion – ein Kauf, ein Website-Besuch, eine Support-Anfrage, das Öffnen eines Newsletters – wird demselben Profil zugeordnet und reichert es an.
Einheitlich bedeutet: Aus den vielen Fragmenten, die ein Kunde über verschiedene Kanäle hinterlässt, entsteht genau ein Datensatz. Dieselbe Person, die im Webshop mit einer E-Mail-Adresse einkauft, per App mit einer Kundennummer angemeldet ist und im Ladengeschäft eine Kundenkarte nutzt, wird als eine einzige Person erkannt. Diese Zusammenführung – die Identity Resolution – ist die technisch anspruchsvollste und zugleich wertvollste Leistung einer CDP.
Der praktische Nutzen lässt sich an einem einfachen Bild festmachen. Ohne CDP beantwortet jedes Fachsystem eine Teilfrage: Der Webshop weiß, was gekauft wurde, aber nicht, welche Support-Probleme es gab. Der Service kennt die Beschwerden, aber nicht den Kundenwert. Das Marketing sieht Klicks, aber nicht den Umsatz. Diese Fragmentierung führt zu widersprüchlicher Ansprache – etwa wenn ein unzufriedener Kunde, der gerade ein Ticket eskaliert hat, gleichzeitig eine begeisterte Cross-Selling-Kampagne erhält.
Mit einer CDP arbeiten alle Abteilungen auf demselben Profil. Marketing, Vertrieb und Service sehen dieselbe Wahrheit über den Kunden, und Kampagnen können auf das tatsächliche Gesamtverhalten reagieren. Aus INAGRO-Sicht ist das der eigentliche Grund, warum die Kategorie überhaupt existiert: Nicht eine einzelne Funktion rechtfertigt eine CDP, sondern das verlässliche, gemeinsame Kundenbild, auf dem viele Anwendungsfälle gleichzeitig aufsetzen.
Ein CRM (Customer Relationship Management) verwaltet den direkten Kundenkontakt: Vertriebschancen, Ansprechpartner, Angebote, Aktivitäten. Es ist auf die aktive Beziehungspflege ausgelegt und wird typischerweise von Menschen bedient, die mit Kunden interagieren. Das CRM kennt in der Regel nur bekannte Kontakte und einen bestimmten Ausschnitt der Interaktion – meist den vertrieblichen.
Eine CDP ist breiter und tiefer angelegt. Sie zieht Daten aus vielen Quellen zusammen – auch aus Systemen, die das CRM gar nicht kennt, etwa Website-Verhalten, App-Nutzung oder Produktdaten – und erzeugt daraus ein Verhaltensprofil, das weit über die Vertriebssicht hinausgeht. Vereinfacht gesagt: Das CRM ist eine Quelle und ein Zielsystem der CDP, nicht ihr Ersatz. Viele moderne CRM-Suiten integrieren inzwischen CDP-ähnliche Funktionen, doch ein klassisches CRM allein leistet keine kanalübergreifende Identity Resolution über anonyme und bekannte Daten hinweg.
Die Data Management Platform (DMP) stammt aus der Welt der programmatischen Online-Werbung. Ihr Zweck ist es, große Mengen überwiegend anonymer Nutzerdaten – historisch auf Basis von Third-Party-Cookies – zu Zielgruppen zusammenzufassen, um Werbung auszusteuern. DMP-Profile sind typischerweise kurzlebig und arbeiten auf der Ebene von Geräten oder Cookies, nicht auf der Ebene identifizierter Personen.
Die CDP dreht diese Logik um: Sie arbeitet primär mit bekannten, dauerhaften First-Party-Daten – Personen, die dem Unternehmen tatsächlich bekannt sind und mit denen eine Beziehung besteht. Gerade weil Third-Party-Cookies zunehmend an Bedeutung verlieren und Datenschutzanforderungen steigen, hat die CDP der DMP in vielen Szenarien den Rang abgelaufen. Die DMP ist damit nicht wertlos, aber ihr Anwendungsfeld ist enger geworden und stärker auf reine Werbeaussteuerung beschränkt.
Ein Data Warehouse ist ein zentrales Datenlager für Analyse und Reporting. Es speichert Unternehmensdaten aller Art strukturiert ab und ist die Grundlage für Business Intelligence. Moderne Cloud Data Warehouses (CDW) wie die großen Cloud-Datenplattformen haben diese Rolle enorm leistungsfähig gemacht. Der entscheidende Unterschied zur CDP: Ein Data Warehouse ist ein technisches System für Data-Engineers und Analysten, keine paketierte Anwendung für Fachabteilungen. Es liefert keine eingebaute Identity Resolution über Kundenprofile und keine direkte Aktivierung in Marketing-Kanäle.
Genau an dieser Nahtstelle ist in den letzten Jahren ein neues Architektur-Muster entstanden: die Composable CDP, die das Cloud Data Warehouse als Datenbasis nutzt und CDP-Funktionen wie Identity Resolution, Segmentierung und Aktivierung darüberlegt, statt eine eigene Datenkopie zu halten. Dieses Muster betrachten wir in Kapitel 04 genauer. Für die Abgrenzung genügt hier: Ein CDW ist die mögliche Grundlage einer CDP, aber selbst noch keine CDP.
Am Anfang steht die Datenerfassung. Eine CDP nimmt Daten aus einer Vielzahl von Quellen auf – typischerweise über zwei Wege: als kontinuierlichen Strom von Events (etwa ein Klick, ein Seitenaufruf, ein Kauf, ausgelöst in Echtzeit) und als periodischen Batch-Import größerer Datenmengen (etwa der tägliche Abgleich mit dem CRM oder dem Warenwirtschaftssystem). Wichtig ist, dass sowohl Online- als auch Offline-Daten einfließen können, damit das Profil den Kunden ganzheitlich abbildet.
Auf die Erfassung folgt die Identity Resolution – die anspruchsvollste Leistung überhaupt. Ein und dieselbe Person hinterlässt über verschiedene Kanäle unterschiedliche Kennungen: eine E-Mail-Adresse im Newsletter, eine Kundennummer im Shop, eine Geräte-ID in der App, eine anonyme Cookie-ID beim Website-Besuch. Die CDP muss erkennen, dass diese Fragmente zur selben Person gehören, und sie zu einer Identität verschmelzen. In der Praxis überwiegt die deterministische Zusammenführung über eindeutige Merkmale wie eine bestätigte E-Mail-Adresse; probabilistische, also wahrscheinlichkeitsbasierte Verfahren kommen ergänzend vor, sind aber datenschutzrechtlich sensibler und weniger eindeutig.
Sind die Kennungen zusammengeführt, verdichtet die Profil-Unification alle zugeordneten Daten zu einem vollständigen, dauerhaften Profil – dem bereits erwähnten Single Customer View. Dieses Profil enthält Stammdaten, das gesamte beobachtete Verhalten, die Kaufhistorie und häufig auch abgeleitete Merkmale, die die CDP selbst berechnet: etwa den bisherigen Umsatz, die Anzahl der Bestellungen oder Verhaltens-Scores. Aus verstreuten Bruchstücken wird so ein zusammenhängendes, nutzbares Bild.
Auf dieser Grundlage erlaubt die Segmentierung, Zielgruppen nach beliebigen Kriterien zu bilden – und zwar direkt durch die Fachabteilung, ohne Programmierung. Segmente können statisch sein (eine einmal gebildete Liste) oder dynamisch, sodass sie sich in Echtzeit aktualisieren: Wer ein bestimmtes Kriterium erfüllt, rutscht automatisch ins Segment, wer es nicht mehr erfüllt, fällt heraus. Diese Selbstbedienbarkeit ist ein zentrales Versprechen der CDP – sie macht Marketing und CRM unabhängiger von der IT.
Der letzte Schritt ist zugleich der wichtigste, weil hier der messbare Geschäftswert entsteht: die Aktivierung. Die vereinheitlichten Profile und Segmente werden an die Zielsysteme ausgespielt, in denen tatsächlich mit dem Kunden interagiert wird – E-Mail-Marketing, Werbeplattformen für zielgruppengenaue Anzeigen, Website- und App-Personalisierung, Vertriebs-Tools und Kundenservice. Eine CDP, die ihre Daten nicht zurück in diese Kanäle spielt, bleibt Theorie.
Genau deshalb betonen wir in Projekten immer wieder: Der Wert einer CDP misst sich nicht an der Schönheit der Profile, sondern an den Anwendungsfällen, die sie in den Kanälen ermöglicht. Eine konsistente, kanalübergreifende Kundenansprache, das Aussteuern von Kampagnen an genau die richtigen Personen, das Unterdrücken unpassender Werbung bei unzufriedenen Kunden – das sind die Ergebnisse, an denen sich die Investition messen lassen muss. Alles davor ist notwendige Vorarbeit, aber kein Selbstzweck.
Die klassische Einteilung des CDP Institute unterscheidet nach dem funktionalen Umfang und beschreibt damit gewissermaßen aufeinander aufbauende Ausbaustufen. Die Data-CDP bildet das Fundament: Sie sammelt Daten, führt sie zusammen und stellt saubere Profile bereit – die eigentlichen Kampagnen und Analysen finden in anderen Systemen statt. Wer bereits gute Kampagnen-Werkzeuge hat, aber unter Datensilos leidet, ist mit einer Data-CDP oft am besten bedient.
Die Analytics-CDP ergänzt die Datenbasis um Auswertungs- und Modellierungsfunktionen. Sie hilft zu verstehen, wie sich der Kundenbestand verhält, welche Segmente wertvoll sind und welche Kunden abwanderungsgefährdet sein könnten. Die Campaign-CDP schließlich bringt zusätzlich eigene Werkzeuge zur Kampagnen-Orchestrierung mit – sie kann die gebildeten Segmente nicht nur ausspielen, sondern ganze kanalübergreifende Customer Journeys steuern. In der Praxis verschwimmen diese Grenzen, und viele Produkte kombinieren Elemente mehrerer Typen. Die Einteilung bleibt dennoch nützlich, um den eigenen Bedarf zu schärfen: Brauche ich vor allem saubere Daten, tiefe Analyse oder aktive Kampagnensteuerung?
Quer zu dieser funktionalen Einteilung verläuft eine zweite, architektonische Unterscheidung, die in den letzten Jahren stark an Bedeutung gewonnen hat. Die Packaged CDP ist die klassische Variante: eine fertige, in sich geschlossene Anwendung, die eine eigene Datenbank mitbringt und Daten aus den Quellsystemen in diese eigene Kopie zieht. Sie ist schnell startklar, von Fachabteilungen bedienbar und liefert alle Funktionen aus einer Hand – dafür entsteht eine weitere Datenkopie neben den bestehenden Systemen.
Die Composable CDP verfolgt einen anderen Ansatz: Sie hält keine eigene zentrale Datenkopie, sondern nutzt das bereits vorhandene Cloud Data Warehouse als Datenbasis. Identity Resolution, Segmentierung und vor allem die Aktivierung werden als Schicht darübergelegt – häufig über sogenanntes Reverse ETL, das Daten aus dem Warehouse zurück in die operativen Kanäle spielt. Der Reiz liegt darin, dass keine parallele Datenhaltung entsteht und die Datenhoheit im eigenen Warehouse bleibt. Der Preis ist ein höherer technischer Anspruch: Ohne ein gepflegtes Cloud Data Warehouse und Data-Engineering-Kompetenz funktioniert der composable Ansatz nicht. Diesem Modell ist ein eigener Fachartikel gewidmet.
Die Wahl des Typs sollte sich am Reifegrad des Unternehmens orientieren, nicht am Marketing der Anbieter. Ein Mittelständler ohne eigenes Data-Warehouse und ohne Data-Engineering-Team fährt mit einer Packaged CDP in der Regel besser – sie ist schneller nutzbar und weniger abhängig von interner Technik. Ein Unternehmen, das bereits stark in ein Cloud Data Warehouse investiert hat und dort seine Datenhoheit bündeln will, findet in einer Composable CDP oft den eleganteren Weg, ohne eine weitere Datenkopie aufzubauen.
Ähnlich beim funktionalen Umfang: Wer schon leistungsfähige Kampagnen-Tools betreibt, braucht keine teure Campaign-CDP, sondern eine solide Data-CDP als fehlendes Fundament. Wer dagegen kanalübergreifende Journeys aus einer Hand steuern will und dafür bislang kein Werkzeug hat, für den kann die integrierte Campaign-CDP sinnvoll sein. Aus INAGRO-Sicht ist die häufigste Fehlentscheidung, den umfassendsten Typ zu kaufen, weil er „am meisten kann“ – und dann für Funktionen zu zahlen, die neben bestehenden Systemen brachliegen.
Die verbreitetsten KI-Funktionen in CDPs sind Predictive Scores – auf Machine Learning basierende Vorhersagen, die jedem Kundenprofil eine Kennzahl zuweisen. Drei Beispiele prägen die Praxis. Der Churn-Score (Abwanderungswahrscheinlichkeit) schätzt, wie hoch das Risiko ist, dass ein Kunde abspringt, sodass rechtzeitig gegengesteuert werden kann. Der Customer Lifetime Value (CLV) prognostiziert den zu erwartenden Gesamtwert eines Kunden über die Beziehungsdauer und hilft, Marketingbudget auf die wertvollsten Kunden zu konzentrieren.
Die Next Best Action beziehungsweise das nächstbeste Angebot leitet aus dem Verhalten ab, welche Ansprache oder welches Produkt für einen bestimmten Kunden als Nächstes am sinnvollsten wäre. Solche Scores landen direkt im Profil und lassen sich wie jedes andere Merkmal für Segmentierung und Aktivierung nutzen – etwa um abwanderungsgefährdete, aber wertvolle Kunden gezielt mit einer Rückgewinnungs-Kampagne anzusprechen. Der Charme liegt darin, dass die Fachabteilung diese Scores nutzen kann, ohne selbst Modelle zu bauen.
Neben Scores unterstützt KI zunehmend die Segmentbildung selbst. Statt Zielgruppen manuell über Regeln zu definieren, können Verfahren des maschinellen Lernens Muster im Kundenbestand erkennen und ähnliche Gruppen automatisch vorschlagen. Ein häufiger Anwendungsfall sind Look-alike-Segmente: Ausgehend von einer Gruppe besonders wertvoller Bestandskunden identifiziert das System weitere Kunden mit ähnlichem Profil, die als vielversprechende Zielgruppe für Wachstum dienen.
Auch bei der Aktivierung hält KI Einzug – etwa in Form von Vorschlägen für den optimalen Versandzeitpunkt, für die passende Kanalwahl oder für individuell zugeschnittene Inhalte. Diese Funktionen können die Effizienz spürbar erhöhen, indem sie Routinearbeit reduzieren und Entscheidungen datenbasiert unterstützen. Entscheidend bleibt jedoch, dass die Vorschläge nachvollziehbar bleiben und von Menschen verantwortet werden – eine CDP soll die Fachabteilung befähigen, nicht entmündigen.
So attraktiv Predictive-Funktionen klingen, sie haben klare Voraussetzungen. Die wichtigste lautet: Datenqualität und Datenmenge müssen stimmen. KI-Modelle sind nur so gut wie die Daten, aus denen sie lernen. Ein Kundenbestand, der zu klein, zu lückenhaft oder widersprüchlich ist, liefert unzuverlässige Vorhersagen – im schlechtesten Fall werden falsche Prioritäten gesetzt. Gerade kleinere Mittelständler unterschätzen oft, dass belastbare Predictive Scores eine gewisse kritische Masse an historischen Daten erfordern.
Hinzu kommen Nachvollziehbarkeit und Datenschutz. Automatisierte Vorhersagen und Entscheidungen berühren die Frage, wie transparent und kontrollierbar solche Modelle sind – ein Aspekt, der mit Blick auf die DSGVO und aufkommende KI-Regulierung an Bedeutung gewinnt. Unser Rat aus der Praxis: KI-Funktionen als nützliche Unterstützung betrachten, nicht als Kaufargument überhöhen. Der eigentliche Wert einer CDP entsteht aus der vereinheitlichten Datenbasis und der Aktivierung; die KI ist die Kür, die auf einem sauberen Fundament aufsetzt – nicht der Ersatz dafür.
Die wichtigste Datengrundlage einer modernen CDP sind First-Party-Daten – also Daten, die das Unternehmen in der eigenen Kundenbeziehung selbst erhebt: Käufe, Website- und App-Verhalten, Support-Interaktionen, Newsletter-Reaktionen. Diese Daten sind das wertvollste Gut, weil sie exklusiv, verlässlich und rechtlich sauberer nutzbar sind als eingekaufte Fremddaten. In einer Welt, in der Third-Party-Cookies an Bedeutung verlieren, ist die konsequente Nutzung eigener First-Party-Daten zum strategischen Vorteil geworden – und die CDP ist das Werkzeug, das diesen Schatz nutzbar macht.
Eine besondere Rolle spielen Zero-Party-Daten: Informationen, die ein Kunde bewusst und freiwillig selbst preisgibt – etwa Präferenzen, Interessen oder Wünsche, die er in einem Profil, einer Umfrage oder einem Präferenzcenter angibt. Zero-Party-Daten sind besonders wertvoll, weil sie freiwillig gegeben und damit sowohl treffsicher als auch einwilligungsseitig unkompliziert sind. Eine gut konzipierte CDP-Strategie schafft deshalb aktiv Anlässe, bei denen Kunden solche Angaben machen – und honoriert sie mit relevanterer Ansprache.
Auf der Eingangsseite bindet eine CDP typische Quellsysteme an: Webshop und E-Commerce-Plattform, Website- und App-Tracking, CRM, E-Mail-Marketing- und Newsletter-Tool, Kassen- und Warenwirtschaftssysteme sowie Support- und Ticketsysteme. Technisch geschieht das über mehrere Muster. Event-Streaming liefert Verhaltensdaten in Echtzeit, sobald sie entstehen. Batch-Importe übertragen größere Datenmengen in regelmäßigen Abständen. Fertige Konnektoren für gängige Systeme senken den Integrationsaufwand erheblich, während für spezielle Fachsysteme die API der CDP genutzt wird.
Bei der Composable-Variante spielt zusätzlich Reverse ETL eine zentrale Rolle: Hier liegt die Datenbasis im Cloud Data Warehouse, und Reverse ETL transportiert die dort aufbereiteten Profile und Segmente zurück in die operativen Zielsysteme. Für die Praxis ist wichtig zu verstehen, dass die Qualität der Integration über den Erfolg entscheidet. Eine CDP, die nur an zwei von acht relevanten Quellen angebunden ist, erzeugt ein unvollständiges Profil – und untergräbt damit ihr eigenes Versprechen, den Kunden ganzheitlich abzubilden.
Auf der Ausgangsseite steht der Aktivierungs-Layer – die Sammlung der Zielsysteme, an die die CDP ihre Profile und Segmente ausspielt. Dazu gehören E-Mail- und Marketing-Automatisierungs-Tools, Werbeplattformen für zielgruppengenaue Anzeigen und Look-alike-Kampagnen, Systeme zur Website- und App-Personalisierung, Vertriebs-Werkzeuge sowie der Kundenservice. Je mehr relevante Zielsysteme sauber angebunden sind, desto konsistenter wird die Ansprache über alle Kontaktpunkte hinweg.
Für die Planung folgt daraus eine klare Reihenfolge: Zuerst wird definiert, welche Anwendungsfälle in welchen Kanälen bedient werden sollen – daraus ergeben sich die notwendigen Zielsysteme, und erst daraus die anzubindenden Quellen. Wer umgekehrt einfach „alle Daten“ einsammelt, ohne den Aktivierungszweck zu kennen, baut ein teures Datenlager ohne Nutzen. Die Integration ist damit kein technisches Detail am Rande, sondern der Dreh- und Angelpunkt jeder CDP-Einführung.
Der wichtigste Grundsatz einer CDP-Auswahl lautet: Use Cases vor Technik. Eine CDP ist ein Mittel zum Zweck, und der Zweck sind konkrete Anwendungsfälle, die Umsatz sichern oder Kosten senken. Typische Beispiele sind die konsistente Ansprache über E-Mail, Website und Werbung hinweg, die Personalisierung des Shops auf Basis des tatsächlichen Verhaltens, gezielte Rückgewinnung abwanderungsgefährdeter Kunden oder schlicht ein gemeinsames Kundenbild für Marketing, Vertrieb und Service. Wer diese Fälle nicht benennen kann, sollte die Anschaffung verschieben.
Aus den priorisierten Use Cases lassen sich alle weiteren Anforderungen ableiten: welche Daten in welcher Aktualität nötig sind, welche Kanäle aktiviert werden müssen, ob Echtzeit erforderlich ist und welchen CDP-Typ das nahelegt. Diese Ableitung schützt vor dem verbreitetsten Fehler, ein System nach Funktionsfülle statt nach Passung zu kaufen.
Aus unseren Projekten kennen wir wiederkehrende Fallstricke. Der erste ist die CDP als Selbstzweck – gekauft, weil „man so etwas heute braucht“, ohne klaren Anwendungsfall; das Ergebnis ist ein teures Datenlager ohne Wirkung. Der zweite ist die unterschätzte Datenqualität: Schlechte, widersprüchliche Ausgangsdaten führen zu falscher Identity Resolution und untergraben jedes darauf aufbauende Segment. Der dritte ist die lückenhafte Integration, bei der wichtige Quellen oder Zielsysteme fehlen und das Profil unvollständig bleibt.
Der vierte Fallstrick ist der vernachlässigte Datenschutz – Consent und Zweckbindung werden zu spät bedacht, was die Aktivierung rechtlich angreifbar macht. Der fünfte ist die Überdimensionierung: eine mächtige Campaign-CDP, deren Kampagnenfunktionen neben einem bereits vorhandenen Marketing-Tool brachliegen. Und der sechste ist die fehlende Verantwortlichkeit: Ohne eine klar benannte Rolle, die die CDP fachlich betreut und die Datenqualität pflegt, verwaist das System nach der Einführung. Diese Fallstricke sind samt und sonders vermeidbar – wenn man sie kennt.
Für die konkrete Bewertung haben sich einige Kriterien bewährt, die über reine Funktionslisten hinausgehen. Wichtig sind die Qualität und Breite der Konnektoren zu den eigenen Quell- und Zielsystemen, die Leistungsfähigkeit der Identity Resolution im eigenen Datenkontext, die Selbstbedienbarkeit für die Fachabteilung ohne ständige IT-Unterstützung sowie die Datenschutz- und Consent-Funktionen inklusive der Frage nach EU-Datenresidenz.
Hinzu kommen die Gesamtkosten über mehrere Jahre – Lizenz, Implementierung, Integration und Betrieb, nicht nur der Einstiegspreis – sowie die Passung zur bestehenden Architektur, insbesondere die Frage Packaged versus Composable. Ein realistischer Proof of Concept mit echten Daten schlägt jede Anbieter-Demo: Er zeigt, ob die Kette aus Erfassung, Auflösung, Segmentierung und Aktivierung im eigenen Umfeld tatsächlich trägt. Diese Einordnung ist herstellerneutral und stammt aus unserer Beratungspraxis.
Aus unserer Erfahrung lohnt sich eine CDP im Mittelstand vor allem dann, wenn mehrere Bedingungen zusammenkommen. Das Unternehmen bespielt mehrere Kanäle – etwa Webshop, E-Mail-Marketing und Werbung – und leidet unter echten Datensilos, weil diese Kanäle bislang nicht zusammenspielen. Es verfügt über einen ausreichend großen Kundenbestand, dessen manuelle Pflege an Grenzen stößt, und es will Kundendaten aktiv für Ansprache und Steuerung nutzen, nicht nur verwalten. Häufig sind das datengetriebene Händler, Abo- und Service-Geschäfte oder wachsende D2C-Marken.
In solchen Konstellationen zahlt sich die CDP über konkrete Effekte aus: relevantere Kampagnen mit weniger Streuverlust, höhere Conversion durch Personalisierung, geringere Abwanderung durch frühzeitige Rückgewinnung und schnellere Umsetzung durch die Selbstbedienbarkeit der Fachabteilungen. Wichtig ist, diese Effekte vorab als messbare Ziele zu formulieren – nur so lässt sich die Investition später ehrlich bewerten.
Ebenso ehrlich gehört die andere Seite dazu. Eine CDP ist nicht sinnvoll, wenn ein Unternehmen im Wesentlichen nur einen Kanal nutzt und gar keine echten Silos hat – dann fehlt der Zusammenführungs-Nutzen. Sie ist verfrüht, wenn die Datenqualität grundlegend schlecht ist; hier muss zuerst an den Quellen aufgeräumt werden, sonst vererbt die CDP nur das Chaos. Sie ist überdimensioniert, wenn ein gutes CRM und ein solides Newsletter-Tool die tatsächlichen Anforderungen bereits abdecken.
Auch fehlende interne Verantwortlichkeit ist ein Warnsignal: Ohne eine Rolle, die die Plattform fachlich betreut, verkommt sie zum ungenutzten Kostenfaktor. Und bei sehr kleinen Kundenbeständen stehen Aufwand und Nutzen oft in keinem Verhältnis. In all diesen Fällen raten wir offen von einer CDP ab – oder empfehlen, sie zu verschieben, bis die Voraussetzungen stimmen. Diese Zurückhaltung ist Teil einer seriösen Beratung.
Nicht jedes Problem, das nach CDP klingt, braucht auch eine CDP. Wer nur ein besseres gemeinsames Kontaktmanagement sucht, ist mit einem modernen CRM oft besser bedient. Wer bereits ein Cloud Data Warehouse betreibt und primär Aktivierung vermisst, kann mit einem schlanken Reverse-ETL- oder Composable-Ansatz starten, statt eine vollständige Packaged-CDP einzuführen. Und wer zunächst nur die Datenqualität in den Griff bekommen muss, sollte dort anfangen – eine CDP macht schlechte Daten nicht besser, sie verteilt sie nur weiter.
Aus INAGRO-Sicht ist die pragmatischste Haltung, die CDP als eine Option unter mehreren zu behandeln und die Entscheidung strikt an den Anwendungsfällen und am Reifegrad festzumachen. Häufig ist der richtige Weg ein schrittweiser: erst die dringendsten Datensilos verbinden und einen klar messbaren Anwendungsfall umsetzen, dann bei Erfolg ausbauen. So bleibt die Investition beherrschbar und der Nutzen jederzeit überprüfbar.
Gerade weil eine CDP technisch sehr viel zusammenführen kann, ist die Datenminimierung ein zentrales Prinzip. Der Grundsatz der DSGVO lautet, nur die Daten zu verarbeiten, die für einen konkreten, zulässigen Zweck erforderlich sind. Die Versuchung, „alles zu sammeln, weil es geht“, steht diesem Grundsatz diametral entgegen. Eine gute CDP-Strategie beginnt deshalb bei den Anwendungsfällen und leitet daraus ab, welche Daten tatsächlich gebraucht werden – nicht umgekehrt.
Eng damit verbunden ist die Zweckbindung: Daten, die für einen bestimmten Zweck erhoben wurden, dürfen nicht ohne Weiteres für andere Zwecke genutzt werden. In einer Plattform, deren ganzer Sinn die Zusammenführung und Weiterverwendung von Daten ist, verlangt das besondere Sorgfalt. Die Zwecke müssen sauber definiert, die Einwilligungen entsprechend granular gestaltet und die tatsächliche Nutzung nachvollziehbar dokumentiert sein. Aus Projektsicht ist dies weniger eine technische als eine konzeptionelle Aufgabe – und sie gehört an den Anfang, nicht ans Ende.
Der wohl praktisch wichtigste Punkt ist das Consent-Management. Tracking, Profilbildung und die Aktivierung in Werbekanäle setzen in aller Regel gültige Einwilligungen voraus. Eine CDP muss diese Einwilligungen kennen, verwalten und respektieren – das heißt: Ein Kunde, der einer bestimmten Nutzung nicht zugestimmt oder widersprochen hat, darf in dieser Hinsicht nicht aktiviert werden. Das klingt selbstverständlich, ist in der Praxis aber anspruchsvoll, weil die Einwilligungen über viele Kanäle hinweg konsistent gehalten werden müssen.
Hier liegt zugleich eine große Chance: Weil die CDP ohnehin die zentrale Kundendaten-Drehscheibe ist, kann sie zum zentralen Ort der Einwilligungsverwaltung werden. Statt dass jeder Kanal seine eigenen, womöglich widersprüchlichen Consent-Zustände pflegt, hält die CDP einen konsistenten Überblick. Richtig aufgesetzt wird der Datenschutz so nicht zur Bremse, sondern zu einem strukturierenden Element, das die Ansprache über alle Kanäle rechtssicher macht. Voraussetzung ist, dass Consent von Beginn an mitgedacht und nicht nachträglich aufgesetzt wird.
Für viele Unternehmen im DACH-Raum ist die Frage der Datenhoheit zentral: Wo werden die Kundendaten verarbeitet und gespeichert, und wessen Recht unterliegt der Anbieter? Etliche CDP-Anbieter ermöglichen inzwischen eine EU-Datenresidenz, also die Verarbeitung innerhalb der EU. Ist der Anbieter ein außereuropäischer Konzern, bleiben trotzdem Fragen des Drittlandbezugs relevant, für die die geltenden Transfer-Mechanismen und das verbleibende Restrisiko zu bewerten sind. Der Composable-Ansatz kann hier einen zusätzlichen Vorteil bieten, weil die Daten im eigenen Cloud Data Warehouse verbleiben und keine weitere Kopie beim CDP-Anbieter entsteht.
Für die meisten Mittelständler ist eine CDP mit EU-Datenhaltung, abgeschlossenem Auftragsverarbeitungsvertrag und sauberem Consent-Management praktikabel datenschutzkonform betreibbar. Für besonders sensible Datenkategorien oder stark regulierte Umfelder empfiehlt sich eine gesonderte, dokumentierte Abwägung. Entscheidend bleibt: Die Verantwortung als Verantwortlicher im Sinne der DSGVO liegt beim einsetzenden Unternehmen, nicht beim Anbieter.
