Der Gedanke hinter Lytics unterscheidet sich in der Betonung von vielen anderen Customer Data Platforms. Wo klassische CDPs vor allem als neutrale Datendrehscheibe auftreten, versteht sich Lytics ausdrücklich als ML-first CDP: Das maschinelle Lernen ist nicht ein nachträglicher Aufsatz, sondern von Beginn an in die Profilbildung eingewoben. Aus rohen Verhaltensdaten werden fortlaufend Scores berechnet, die eine Person entlang ihrer Interessen und ihres Engagements einordnen. Diese Scores sind das Betriebsmittel, mit dem Lytics Zielgruppen bildet und Personalisierung aussteuert.
Drei Eigenschaften prägen Lytics:
Um den Wert von Lytics zu verstehen, hilft ein Blick auf ein verbreitetes Problem. Viele Unternehmen sammeln bereits große Mengen an Verhaltensdaten – Seitenaufrufe, Klicks, Downloads, Käufe. Was ihnen fehlt, ist die Deutung: Was bedeuten diese Spuren? Welche Themen interessieren eine Person wirklich, und wie warm oder kalt ist ihr Verhältnis zur Marke? Genau an dieser Stelle setzt Lytics an. Die Plattform übersetzt die rohen Ereignisse in nachvollziehbare Größen – etwa eine thematische Affinität oder eine Engagement-Stufe –, mit denen Marketing und Vertrieb tatsächlich arbeiten können.
Für den Mittelstand bedeutet das einen anderen Startpunkt als bei einer reinen Integrations-CDP. Es geht nicht in erster Linie darum, möglichst viele Werkzeuge anzuschließen, sondern darum, vorhandene Verhaltensdaten in verwertbare Erkenntnisse zu verwandeln. Der Preis dafür ist eine bewusste Investition in eine saubere Datengrundlage: Maschinelles Lernen ist nur so gut wie die Daten, die es füttern. Wer diese Vorarbeit überspringt, erhält Scores, die zwar existieren, aber wenig aussagen.
Lytics richtet sich an Organisationen, die bereits nennenswerte Mengen an Verhaltensdaten erzeugen und diese für Personalisierung, für differenzierte Zielgruppen oder für vorausschauende Ansprache nutzen wollen. Besonders wohl fühlt sich Lytics dort, wo inhaltsgetriebene Kundenbeziehungen im Vordergrund stehen – etwa bei Medien, Verlagen, im E-Commerce mit breitem Sortiment oder überall dort, wo Content ein zentraler Berührungspunkt ist. Auch Unternehmen, die ohnehin auf Google Cloud setzen, finden in Lytics eine natürlich passende Ergänzung.
Weniger passend ist Lytics für sehr kleine Unternehmen ohne relevante Datenmengen und ohne technische Ressourcen, die lediglich einen Newsletter versenden – hier bleibt das maschinelle Lernen mangels Daten wirkungslos, und der Aufwand ist nicht gerechtfertigt. Ebenso sollten Unternehmen mit sehr strengen Datenlokalisierungs-Anforderungen früh prüfen, welche Google-Cloud-Regionen und welches Betriebsmodell der Anbieter tatsächlich bereitstellt. Lytics ist ein mächtiges Werkzeug für die Deutung von Verhalten, aber es entfaltet seinen Wert nur auf einer belastbaren Datenbasis.
Die Plattform folgt konsequent der CDP-Grundlogik, setzt aber einen eigenen Akzent. Am Anfang stehen die Unified Customer Profiles: Verhaltens- und Stammdaten werden zu einer zusammenhängenden Sicht verdichtet. Darauf setzt die Behavioral Scoring Engine auf, die das eigentliche Alleinstellungsmerkmal darstellt: Sie deutet das Verhalten mit maschinellem Lernen und macht aus rohen Ereignissen bewertbare Größen. Auf Basis dieser Scores bildet Lytics schließlich Audiences und steuert Personalisierung aus – bis hin zu prädiktiven Zielgruppen, die nach Wahrscheinlichkeiten statt nach starren Regeln gebildet werden.
Wichtig für die Kaufentscheidung ist, dass dieser Aufbau eine bewusste Betonung des maschinellen Lernens darstellt. Andere CDPs beginnen bei der breiten Integration; Lytics beginnt beim Verständnis des Verhaltens. Das ist eine Stärke für inhaltsgetriebene, personalisierungsintensive Szenarien – es ist aber auch eine Festlegung: Wer schlicht eine breite Datendrehscheibe mit maximalem Integrations-Katalog sucht, sollte prüfen, ob dieser Fokus zum eigenen Bedarf passt.
In der Landschaft der Customer Data Platforms positioniert sich Lytics als ML-getriebene, Google-Cloud-native Plattform mit klarem Fokus auf Verhaltens-Scoring und Personalisierung. Anders als CDPs, die sich vor allem über die Zahl ihrer Integrationen definieren, stellt Lytics die Deutung des Verhaltens in den Mittelpunkt. Und anders als klassische Managed-Plattformen, bei denen alle Daten im System des Anbieters liegen, rückt Lytics durch das Google-Cloud-Deployment die Datenhoheit näher an das Unternehmen heran.
Diese Positionierung hat eine Konsequenz, die man kennen sollte: Lytics ist stark dort, wo Verhalten reichhaltig vorliegt und Personalisierung ein echtes Ziel ist. Es ist keine geschlossene All-in-One-Marketing-Suite, und es ersetzt nicht automatisch jedes nachgelagerte Werkzeug. Lytics liefert die intelligente Datenschicht mit eingebautem maschinellem Lernen; die eigentliche Kampagnen-Ausführung findet oft in angeschlossenen Spezialwerkzeugen statt. Diese Klarheit über die Rolle ist entscheidend, um Lytics richtig einzuordnen.
Im Fundament steht die Bildung von Kundenprofilen. In der Realität hinterlässt eine Person Spuren über viele Kanäle und Geräte hinweg – anonym auf der Website, angemeldet in der App, per E-Mail-Adresse im Newsletter, als Datensatz im CRM. Lytics führt diese Fragmente über eine Identitätsauflösung zusammen, sodass ein konsolidiertes Profil entsteht, das die verschiedenen Berührungspunkte einer Person bündelt und fortlaufend aktualisiert.
Der Unterschied zu einer reinen Sammel-CDP liegt darin, dass das Profil bei Lytics von Anfang an auf Deutung angelegt ist. Es speichert nicht nur, was passiert ist, sondern reichert das Profil mit abgeleiteten Merkmalen an, die aus dem Verhalten berechnet werden. Diese angereicherten Profile sind die Grundlage für alles Weitere – für Zielgruppen, für Personalisierung, für Vorhersagen. Gerade weil die Profile so vollständig und deutbar sind, ist der Datenschutz hier besonders sorgfältig zu bedenken; darauf kommen wir in Kapitel 09 zurück.
Die zentrale und namensgebende Kernfähigkeit ist das Behavioral Scoring. Lytics analysiert das gesammelte Verhalten und berechnet daraus mit maschinellem Lernen Kennzahlen, die eine Person einordnen. Zwei Familien von Scores sind besonders charakteristisch: die Content Affinity, die beschreibt, für welche Themen und Inhalte sich eine Person interessiert, und Engagement-Größen, die beschreiben, wie aktiv und wie warm das Verhältnis zur Marke ist. Diese Scores werden fortlaufend fortgeschrieben, sodass sich das Bild einer Person mit jedem neuen Verhalten schärft.
Der praktische Nutzen liegt darin, dass diese Scores das Verhalten deutbar machen. Statt eine Kampagne pauschal auszuspielen, lässt sich gezielt jene Gruppe ansprechen, deren Interessenprofil zum Angebot passt, oder jene, deren Engagement nachlässt und die reaktiviert werden sollte. Die Content Affinity ist dabei der Grund, warum Lytics für inhaltsgetriebene Geschäftsmodelle so attraktiv ist: Sie beantwortet die Frage, welche Themen eine Person tatsächlich bewegen – eine Frage, die viele einfachere Werkzeuge gar nicht stellen können.
Die dritte Kernfähigkeit ist die Bildung von Audiences. Auf Basis der Profile und Scores lassen sich Zielgruppen definieren – klassisch nach Regeln (etwa alle Personen mit einer bestimmten Affinität) oder prädiktiv nach Wahrscheinlichkeiten, die das maschinelle Lernen berechnet. Diese Zielgruppen aktualisieren sich dynamisch: Sobald eine Person die Bedingungen erfüllt oder ihr Score sich verändert, wandert sie in die passende Zielgruppe hinein oder aus ihr heraus.
Diese Zielgruppen sind das eigentliche Aktivierungs-Werkzeug. Sie lassen sich in Echtzeit an angeschlossene Marketing- und Werbekanäle aussteuern, sodass die Ansprache dort ankommt, wo sie relevant ist. Der Vorteil gegenüber statischen Segmenten ist die Lebendigkeit: Weil die Scores fortlaufend berechnet werden, spiegeln die Zielgruppen den aktuellen Zustand einer Person wider und nicht einen veralteten Momentaufnahme-Zustand. Genau hier zahlt sich die ML-Grundlage von Lytics im Alltag aus.
Die zentrale KI-Fähigkeit von Lytics ist das prädiktive Scoring. Aus dem gesammelten Verhalten einer Person leitet das maschinelle Lernen Wahrscheinlichkeiten für zukünftige Handlungen ab. Typische Beispiele sind die Vorhersage, wie wahrscheinlich ein Nutzer in einem bestimmten Zeitraum kaufen wird, wie hoch das Risiko einer Abwanderung ist oder in welcher Phase der Kundenbeziehung sich eine Person gerade befindet. Diese Vorhersagen entstehen nicht aus starren Regeln, sondern aus Mustern, die das Modell in den Daten erkennt.
Der praktische Nutzen liegt darin, dass sich diese Vorhersagen unmittelbar in Zielgruppen übersetzen lassen. Statt eine Kampagne pauschal auszuspielen, spricht man gezielt jene Gruppe an, die eine hohe Kaufwahrscheinlichkeit oder ein erhöhtes Abwanderungsrisiko aufweist. Wichtig ist die realistische Erwartung: Vorhersagen sind Wahrscheinlichkeiten, keine Gewissheiten, und ihre Qualität hängt direkt von der Menge und Sauberkeit der zugrunde liegenden Daten ab. Ohne eine belastbare Datenbasis bleiben auch die klügsten Modelle Ratespiele.
Eine Besonderheit von Lytics ist die Content-Affinity-Engine, die dem maschinellen Lernen ein Verständnis für Inhalte gibt. Statt nur zu zählen, welche Seiten eine Person besucht hat, versucht Lytics zu erfassen, worum es inhaltlich ging – und daraus abzuleiten, für welche Themen sich die Person interessiert. Auf diese Weise entsteht ein Interessenprofil, das über bloße Klickzahlen hinausgeht und Inhalte thematisch einordnet.
Dieses Themenverständnis ist der Grund, warum Lytics für Medien, Verlage und contentgetriebene Geschäftsmodelle so gut passt. Es erlaubt eine Personalisierung, die auf tatsächlichen Interessen beruht, statt auf groben demografischen Annahmen. Aus INAGRO-Sicht ist das eine der überzeugendsten Fähigkeiten der Plattform – zugleich eine, die eine ausreichende Menge an Inhalten und Interaktionen voraussetzt, um sinnvoll zu funktionieren. In inhaltsarmen Umgebungen läuft diese Stärke ins Leere.
Neben den ML-Funktionen bietet Lytics Automatisierung entlang des Datenflusses. Dazu gehört, dass Scores automatisch fortgeschrieben werden, dass Zielgruppen sich dynamisch aktualisieren, sobald sich das Verhalten oder der Score einer Person ändert, und dass definierte Zielgruppen automatisiert an die passenden Kanäle geleitet werden. Diese Form der Automatisierung ist weniger spektakulär als das prädiktive Scoring, in der Praxis aber oft ebenso wertvoll: Sie sorgt dafür, dass die richtigen Personen ohne manuelles Zutun in der richtigen Zielgruppe landen.
Aus unserer Sicht ist bei allen KI-Funktionen eine nüchterne Haltung angebracht. Sie können die Arbeit mit Kundendaten spürbar erleichtern und die Ansprache intelligenter machen. Sie werfen aber auch zusätzliche Fragen auf: Welche Daten fließen in die Modelle ein? Wo werden sie verarbeitet? Wie verträgt sich das mit den Datenschutz-Anforderungen? Gerade beim Einsatz der ML-Funktionen eines US-Anbieters lohnt es sich, die Datenverarbeitung genau zu betrachten – auch wenn das Google-Cloud-Deployment hier eine günstigere Ausgangslage schaffen kann, weil die Daten im eigenen Projekt verbleiben können.
Der wichtigste Kontext für Lytics ist Google Cloud. Lytics ist eng mit der Plattform verzahnt und nutzt insbesondere die Nähe zu BigQuery, dem Data-Warehouse-Dienst von Google. Diese Verwurzelung schlägt sich in einem Betriebsmodell nieder, bei dem Lytics innerhalb der Google-Cloud-Umgebung des Unternehmens arbeitet und die Kundendaten im eigenen Google-Cloud-Projekt verbleiben können. Für Unternehmen, die ohnehin auf Google Cloud setzen, ist das eine natürliche Passung – die CDP setzt dort auf, wo die Daten ohnehin liegen.
Dieser Ansatz unterscheidet Lytics von klassischen Managed-CDPs, bei denen sämtliche Daten in das System des Anbieters kopiert werden. Wenn die Rohdaten im eigenen BigQuery-Bestand bleiben und Lytics darauf zugreift, verringert das die Datenverdopplung und rückt die Datenhoheit näher an das Unternehmen. In der Diskussion um Kontrolle über die eigenen Daten ist das ein gewichtiger Vorteil – vorausgesetzt, das Unternehmen nutzt Google Cloud bereits oder ist bereit, sich darauf einzulassen.
Über die Google-Cloud-Nähe hinaus verbindet Lytics die gebildeten Zielgruppen mit den gängigen Kanälen der digitalen Landschaft. Dazu gehören Anbindungen an Werbeplattformen – naheliegenderweise auch an das Google-Werbeökosystem –, an E-Mail- und Marketing-Automation-Werkzeuge sowie an Analyse- und CRM-Systeme. Der Zweck ist stets derselbe: Die intelligent gebildeten, prädiktiven Zielgruppen sollen dort ankommen, wo die eigentliche Ansprache stattfindet.
Für den Mittelstand ist wichtig zu verstehen, dass Lytics seinen Schwerpunkt nicht auf die schiere Zahl der Integrationen legt, sondern auf die intelligente Zielgruppenbildung davor. Der Integrations-Katalog ist solide und deckt die üblichen Kanäle ab, aber er ist nicht das primäre Verkaufsargument – anders als bei einer klassischen Integrations-CDP. Vor der Einführung lohnt es sich deshalb, für die wirklich wichtigen Kanäle genau zu prüfen, ob und in welcher Tiefe sie unterstützt werden.
So stark die Google-Cloud-Nähe ist, sie hat eine Kehrseite: Sie ist am wertvollsten für Unternehmen, die bereits in Google Cloud zu Hause sind. Wer seine Datenlandschaft auf einer anderen Cloud oder überwiegend on-premises betreibt, kann Lytics zwar ebenfalls einsetzen, verzichtet dann aber auf einen wesentlichen Teil des strategischen Vorteils. Die Frage, welche Cloud-Strategie das Unternehmen verfolgt, ist deshalb bei Lytics enger mit der Werkzeug-Entscheidung verknüpft als bei vielen anderen CDPs.
Hinzu kommt: Auch mit der besten Google-Cloud-Integration bleibt die konzeptionelle Arbeit bestehen. Eine Verbindung schnell herzustellen heißt nicht, dass die Daten fachlich richtig zugeordnet sind oder dass die Scores sinnvoll interpretiert werden. Das Ökosystem spart Infrastruktur-Arbeit, ersetzt aber nicht das Nachdenken darüber, welche Verhaltensdaten überhaupt erfasst werden und wofür die daraus abgeleiteten Zielgruppen genutzt werden sollen. Wer das übersieht, verwechselt technische Nähe mit fachlicher Datenqualität.
Twilio Segment positioniert sich als reife, integrationsstarke Datendrehscheibe mit einem der größten Kataloge am Markt und einer niedrigen Einstiegshürde. Für Unternehmen, deren erstes Ziel es ist, viele Werkzeuge sauber mit denselben Daten zu versorgen und ihr Tracking zu ordnen, ist Segment ein naheliegender Kandidat – die Breite und Reife des Ökosystems sind schwer zu übertreffen.
Lytics gewinnt gegen Segment dort, wo nicht die Breite der Integration, sondern die Deutung des Verhaltens im Vordergrund steht. Wer prädiktive Zielgruppen, Content Affinity und personalisierte Ansprache auf ML-Basis braucht, findet in Lytics einen deutlich stärkeren Fokus. Segment gewinnt, wenn Reife, Integrations-Breite und ein schneller Start zählen. Die Wahl hängt weniger an einzelnen Funktionen als daran, ob das Unternehmen primär Daten verteilen oder Verhalten verstehen will. Eine ausführliche Einordnung zu Segment findet sich in unserem eigenen Fachartikel.
Treasure Data ist eine weitere etablierte Enterprise-CDP, die ebenfalls über starke Datenverarbeitungs- und Analyse-Fähigkeiten verfügt und traditionell große, komplexe Datenlandschaften großer Organisationen adressiert. Unternehmen mit sehr umfangreichen, heterogenen Datenbeständen und hohen Enterprise-Anforderungen finden in Treasure Data einen leistungsfähigen Wettbewerber.
Lytics gewinnt dort, wo der ausgeprägte Fokus auf verhaltensbasiertes Scoring, Content Affinity und die Google-Cloud-native Architektur den Ausschlag geben – besonders in inhaltsgetriebenen Szenarien und bei bestehender Google-Cloud-Strategie. Treasure Data kann punkten, wenn die schiere Breite und Tiefe der Enterprise-Datenverarbeitung sowie eine herstellerübergreifende Cloud-Neutralität wichtiger sind. Beide sind reife Plattformen; der Unterschied liegt im Schwerpunkt und in der jeweiligen Cloud- und Datenstrategie.
Der sogenannte Composable-CDP-Ansatz verfolgt eine grundlegend andere Philosophie: Statt einer Plattform setzt er auf das eigene Data Warehouse als zentrale Wahrheit und ergänzt es um spezialisierte Werkzeuge – etwa für die Aktivierung per Reverse-ETL. Interessant ist, dass Lytics durch sein Google-Cloud-Deployment diesem Gedanken deutlich näher kommt als klassische Managed-CDPs: Die Daten können im eigenen BigQuery-Bestand bleiben.
Lytics gewinnt gegen den reinen Composable-Ansatz dort, wo das eingebaute maschinelle Lernen gefragt ist – die Scoring- und Content-Affinity-Fähigkeiten müssten im Composable-Baukasten mühsam selbst gebaut werden. Der Composable-Ansatz gewinnt, wenn maximale Kontrolle, völlige Werkzeug-Freiheit und ein starkes internes Data-Team im Vordergrund stehen. Lytics ist gewissermaßen ein Mittelweg: eine intelligente Plattform mit ML-Kern, die aber die Datenhoheits-Vorteile des Warehouse-zentrierten Denkens aufgreift.
Lytics ist eine cloudbasierte Plattform, deren Besonderheit im Google-Cloud-Deployment liegt. Je nach Betriebsmodell verbleiben die Kundendaten im eigenen Google-Cloud-Projekt, während Lytics die Verarbeitungs- und ML-Logik bereitstellt. Der Vorteil ist eine bessere Ausgangslage für die Datenhoheit als bei einer reinen Managed-Plattform. Zugleich bleibt Lytics ein externer Dienst, dessen Software und Verarbeitung man nicht vollständig selbst kontrolliert – das Betriebsmodell verschiebt die Datenhoheit, hebt die Abhängigkeit vom Anbieter aber nicht vollständig auf.
Für den Mittelstand ist wichtig zu verstehen, wo die eigene Verantwortung liegt: nicht primär im Betrieb der Plattform, sondern in der Konzeption der Verhaltenserfassung, in der Pflege der Datenbasis, in der plausiblen Nutzung der Scores und – ganz wesentlich – in der datenschutzkonformen Nutzung. Lytics liefert das Werkzeug und die Modelle; die fachliche und rechtliche Verantwortung für den Umgang mit den Kundendaten bleibt beim Unternehmen als Verantwortlichem im Sinne der Datenschutz-Grundverordnung.
Die Dauer einer Lytics-Einführung hängt vor allem von zwei Faktoren ab: von der Komplexität der Datenerfassung und vom Zustand der bestehenden Cloud- und Datenlandschaft. Ist bereits Google Cloud mit einem gepflegten BigQuery-Bestand vorhanden und liegen reichhaltige Verhaltensdaten vor, ist die Ausgangslage günstig. Muss die Datenbasis erst geschaffen und die Erfassung neu aufgebaut werden, erfordert das deutlich mehr Konzeptions- und Umsetzungsarbeit. Der zeitintensivste Teil ist selten die technische Anbindung, sondern das Durchdenken, welche Verhaltensdaten für aussagekräftige Scores nötig sind.
Entscheidend ist die Erkenntnis, dass Lytics technische und datenseitige Ressourcen voraussetzt. Ohne eine ausreichende, sauber erfasste Datenbasis bleibt das maschinelle Lernen wirkungslos, und ohne jemanden, der die Erfassung umsetzt und die Scores interpretiert, entfaltet die Plattform ihren Wert nicht. Wer diese Ressourcen nicht im Haus hat, sollte sie einplanen – intern oder mit Unterstützung –, denn an dieser Stelle entscheidet sich, ob Lytics zum wertvollen Motor oder zu einer teuren, halb genutzten Investition wird.
Aus unserer Erfahrung passt Lytics besonders gut zu digital getriebenen Mittelständlern mit reichhaltigen Verhaltensdaten, zu contentgetriebenen Geschäftsmodellen wie Medien, Verlagen oder breit sortiertem E-Commerce und zu Unternehmen, die ohnehin auf Google Cloud setzen und ihre Kundendaten aktiv für Personalisierung und vorausschauende Ansprache nutzen wollen. Diese Profile holen den vollen Nutzen der ML-Grundlage und der Google-Cloud-Nähe ab und rechtfertigen damit auch den Aufwand und die Kosten.
Weniger gut passt Lytics zu sehr kleinen Unternehmen ohne relevante Datenmengen und ohne technische Ressourcen – hier bleibt das maschinelle Lernen mangels Daten wirkungslos, und einfachere Werkzeuge reichen aus. Ebenfalls abwägen sollten Unternehmen, deren Datenlandschaft nicht auf Google Cloud liegt und die keine Migration planen, da sie dann auf einen wesentlichen Teil des strategischen Vorteils verzichten. Und wer primär eine möglichst breite Integrations-Drehscheibe sucht, sollte prüfen, ob nicht eine integrationsstärkere CDP wie Segment besser passt.
In der Praxis sehen wir einen wiederkehrenden Entwicklungspfad. Unternehmen starten meist damit, ihre Verhaltensdaten zusammenzuführen und erste Behavioral- und Content-Affinity-Scores zu bilden, um überhaupt ein deutbares Bild ihrer Kunden zu gewinnen. In dieser Phase geht es vor allem darum, eine ausreichend reichhaltige Datenbasis zu schaffen und die Scores plausibel zu machen.
Erst mit zunehmender Reife kommen die weiteren Stufen hinzu: prädiktive Zielgruppen, sobald genügend Daten für belastbare Vorhersagen vorliegen, und eine ausgebaute Personalisierung, sobald die Aussteuerung relevanter Inhalte konkret angegangen wird. Dieser schrittweise Ausbau ist sinnvoll, weil das maschinelle Lernen Zeit und Daten braucht, um wertvoll zu werden. Er verlangt aber Disziplin: Jede neue Stufe sollte einem konkreten, geklärten Anwendungsfall folgen und auf einer Datenbasis stehen, die sie tatsächlich trägt.
Lytics ist als CDP für mittlere und größere Organisationen positioniert und wird in der Regel über individuell verhandelte Verträge angeboten, statt über eine öffentlich einsehbare Preisliste. Die Kosten hängen typischerweise vom Umfang der Nutzung ab – etwa von der Zahl der verwalteten Profile, dem Datenvolumen und den genutzten Funktionsbausteinen wie Scoring, prädiktiven Zielgruppen oder Personalisierung. Der genaue Preismechanismus und die aktuellen Konditionen sollten direkt beim Anbieter erfragt werden; entscheidend für die Planung ist das Verständnis der Logik.
Für die Budgetierung folgt daraus ein wichtiger Grundsatz: Die Kosten skalieren tendenziell mit dem Umfang der Kundendaten und dem genutzten Funktionsumfang. Wächst die Profilbasis oder werden mehr ML- und Personalisierungs-Funktionen genutzt, steigt tendenziell auch die Rechnung. Beim Google-Cloud-Deployment kommen zudem die Kosten der eigenen Google-Cloud-Ressourcen hinzu, etwa für Speicherung und Verarbeitung in BigQuery – ein Punkt, der in der Gesamtrechnung nicht übersehen werden sollte. Konkrete Zahlen nennen wir bewusst nicht, da sie sich ändern und stark vom Einzelfall abhängen; die Konditionen sind immer aktuell beim Anbieter zu prüfen.
Der zentrale Datenschutz-Aspekt bei Lytics ergibt sich daraus, dass es sich um ein Produkt eines US-amerikanischen Unternehmens handelt. Für den Einsatz im DACH-Mittelstand ist zunächst der Serverstandort zu klären: In welcher Google-Cloud-Region werden die erfassten Kundendaten verarbeitet und gespeichert? Da Lytics eng mit Google Cloud verzahnt ist, spielt hier auch die Wahl der GCP-Region eine Rolle. Ob und in welchem Umfang eine EU-Region für den konkreten Anwendungsfall verfügbar ist und was das Deployment-Modell genau abdeckt, sollte direkt beim Anbieter geprüft und vertraglich festgehalten werden.
Das Google-Cloud-Deployment, bei dem die Daten im eigenen GCP-Projekt verbleiben können, kann die Ausgangslage gegenüber einer reinen Managed-Plattform verbessern, weil die Rohdaten stärker in der Kontrolle des Unternehmens bleiben. Dennoch bleibt Lytics ein US-Unternehmen, das grundsätzlich US-Recht unterliegt. Für jeden Datentransfer in die USA oder für Zugriffe mit Drittlandbezug sind die geltenden Transfer-Mechanismen – etwa geeignete vertragliche Garantien und etwaige zusätzliche Schutzmaßnahmen – sowie das daraus folgende Restrisiko zu bewerten. Diese Bewertung ist kein Automatismus, sondern eine bewusste Abwägung, die dokumentiert werden sollte.
Neben dem Transfer sind die üblichen Bausteine eines datenschutzkonformen Betriebs zu beachten. Dazu gehört der Abschluss eines Auftragsverarbeitungsvertrags (im internationalen Kontext oft als Data Processing Agreement bezeichnet), der die Rollen und Pflichten regelt. Da Lytics tief in die Verhaltensdaten eingreift und Tracking voraussetzt, kommt dem Consent-Management besondere Bedeutung zu: Die Verhaltenserfassung darf erst nach einer wirksamen Einwilligung laden, soweit eine solche erforderlich ist, und die Einwilligungen müssen nachvollziehbar dokumentiert sein.
Eine Besonderheit von Lytics als ML-first CDP betrifft die Betroffenenrechte. Weil Lytics umfangreiche Profile bildet und Verhalten mit maschinellem Lernen bewertet, sind Auskunft, Löschung und Export sorgfältig abzubilden – und darüber hinaus stellt sich die Frage der Transparenz über die gebildeten Scores. Vor dem Produktivbetrieb sollte praktisch getestet werden, dass sich diese Rechte über die Plattform tatsächlich umsetzen lassen. Die Verantwortung für den rechtmäßigen Umgang mit den Kundendaten und für den Einsatz automatisierter Bewertungen bleibt durchgehend beim einsetzenden Unternehmen als Verantwortlichem im Sinne der Datenschutz-Grundverordnung; Lytics ist das Werkzeug, nicht der Verantwortliche.
Zum Abschluss eine ehrliche, verdichtete Einschätzung. Lytics ist im richtigen Anwendungsfall ein hervorragender Motor zur Deutung von Verhalten – aber nicht in jeder Dimension die beste Wahl, und mit klaren Grenzen, die man vor der Entscheidung kennen muss.
