Der entscheidende Unterschied zu einer eigenständigen, herstellerneutralen CDP ist die tiefe Verankerung im Salesforce-Kosmos. Data Cloud ist kein isoliertes Werkzeug, das man neben Salesforce betreibt, sondern eine Datenschicht, die unter Sales Cloud, Service Cloud, Marketing Cloud und weiteren Produkten liegt und diese mit einem gemeinsamen, aktuellen Kundenbild versorgt. Wer bereits im Salesforce-Universum arbeitet, erhält damit eine CDP, die sich nativ in die vorhandenen Objekte, Prozesse und Automatisierungen einfügt – ohne einen weiteren Datentopf danebenzustellen.
Drei Eigenschaften prägen Salesforce Data Cloud im Kern:
Die Namensgeschichte ist mehr als eine Randnotiz, weil sie die Positionierung erklärt. Salesforce hatte zunächst eine „Customer Data Platform“ als Marketing-nahes Produkt im Angebot. Mit der internen Initiative „Genie“ wurde daraus eine Echtzeit-Datenplattform, die als Fundament für das gesamte Portfolio gedacht ist. Der heutige Name „Data Cloud“ signalisiert diesen Anspruch: Es geht nicht mehr nur um eine Marketing-CDP, sondern um eine zentrale Datenschicht, auf der KI, Analytics und Automatisierung aufsetzen sollen. Wer ältere Dokumentationen oder Angebote liest, trifft daher noch auf alle drei Bezeichnungen – gemeint ist im Kern dasselbe Produkt in seiner Weiterentwicklung.
Für die Bewertung im Mittelstand ist diese Entwicklung relevant, weil sie zeigt, wohin die Reise geht: Data Cloud wird von Salesforce zunehmend als Voraussetzung für die eigenen KI-Funktionen dargestellt. Das macht die Plattform attraktiv für alle, die die Salesforce-KI ernsthaft nutzen wollen – erhöht aber zugleich die strategische Bindung an einen einzigen Anbieter.
Der wirtschaftliche Kern einer CDP ist selten eine einzelne Funktion, sondern die Auflösung von Datensilos. In vielen Unternehmen liegen Kundendaten mehrfach und widersprüchlich vor: im CRM anders als im Webshop, im Newsletter-Tool anders als im Service-System. Niemand hat ein verlässliches Gesamtbild einer Person über alle Kanäle hinweg. Genau hier setzt Data Cloud an, indem sie diese Quellen zusammenführt und ein konsolidiertes Profil erzeugt, das alle angeschlossenen Anwendungen nutzen können.
Aus INAGRO-Sicht ist das der Punkt, an dem sich der Aufwand rechtfertigt oder eben nicht. Data Cloud lohnt sich, wenn ein Unternehmen tatsächlich viele fragmentierte Datenquellen hat und den Salesforce-Kanal aktiv für Marketing, Service oder Vertrieb bespielt. Wer dagegen nur wenige Quellen und eine einfache Datenlandschaft hat, überdimensioniert schnell – die Plattform ist dann Antwort auf ein Problem, das in dieser Schärfe gar nicht besteht.
„Customer 360“ ist Salesforces Sammelbegriff für das Zusammenspiel aller Produkte rund um einen gemeinsamen Kundenblick. In diesem Bild ist Data Cloud nicht ein weiteres Produkt neben den Clouds, sondern die tragende Datenschicht darunter. Die einzelnen Clouds bleiben für ihre jeweiligen Prozesse zuständig – Vertrieb, Service, Marketing –, aber sie greifen auf dasselbe vereinheitlichte Profil zu. Damit sieht der Service-Mitarbeiter denselben Kunden, den das Marketing über Kampagnen anspricht und den der Vertrieb in der Pipeline führt.
Diese Rolle als Fundament erklärt, warum Salesforce Data Cloud so offensiv in den Mittelpunkt stellt. Je mehr Clouds ein Unternehmen nutzt, desto größer ist der Nutzen einer gemeinsamen Datenschicht – und desto natürlicher fügt sich Data Cloud ein. Für Salesforce-Bestandskunden ist der Weg zur Data Cloud daher oft kurz. Genau daraus folgt aber auch die Kehrseite: Der Wert entsteht innerhalb des Ökosystems, und mit jeder weiteren Anbindung wächst die Abhängigkeit von einem einzigen Anbieter.
Salesforce bietet Data Cloud in unterschiedlichen Ausbaustufen und Paketierungen an, die sich im Zeitverlauf verändert haben und je nach Vertragskonstellation variieren. Grundsätzlich gilt: Es gibt Einstiegsvarianten, die in bestimmten Salesforce-Editionen teilweise enthalten sein können, sowie umfangreichere, eigenständig zu lizenzierende Ausbaustufen für höhere Datenvolumina, mehr Funktionen und intensivere Nutzung. Konkrete Editionsnamen, Enthaltensein und Grenzen ändern sich häufig und sind beim Anbieter zu prüfen – wir verzichten hier bewusst auf exakte Zahlen, weil sie schnell veralten.
Die wichtigere Erkenntnis ist qualitativer Natur: Data Cloud folgt einem verbrauchsnahen Denken. Kosten und Grenzen hängen wesentlich davon ab, wie viele Daten verarbeitet, wie viele Profile vereinheitlicht und wie intensiv Segmentierung, Aktivierung und KI genutzt werden. Das unterscheidet sich deutlich von einem simplen Preis pro Nutzer. Wer den Aufwand realistisch einschätzen will, muss daher weniger die Lizenzstufe als vielmehr das erwartete Daten- und Nutzungsvolumen betrachten – ein Punkt, den wir im Kostenkapitel vertiefen.
Am Anfang jeder CDP steht das Problem, dass Daten aus verschiedenen Quellen in völlig unterschiedlichen Strukturen vorliegen. Ein Feld heißt im einen System „Nachname“, im anderen „Last Name“, im dritten steckt der Name in einem kombinierten Feld. Data Cloud begegnet dem mit einem gemeinsamen Datenmodell, auf das die eingehenden Quellen abgebildet werden. Rohdaten werden über ein sogenanntes Mapping auf standardisierte Objekte und Felder übersetzt, sodass am Ende alle Quellen dieselbe Sprache sprechen.
Dieser Schritt ist gleichzeitig der wichtigste und der arbeitsintensivste. Die Qualität des gesamten Systems hängt daran, wie sauber die Quellen angebunden und auf das Datenmodell abgebildet werden. In der Praxis ist die Datenharmonisierung deshalb kein technisches Beiwerk, sondern das eigentliche Projekt – schlecht gemapptes Datenmodell erzeugt schlechte Profile, egal wie leistungsfähig die Plattform darunter ist. Aus unserer Sicht steht und fällt der Erfolg einer Data-Cloud-Einführung mit der Disziplin in dieser Phase.
Sind die Daten harmonisiert, folgt die Identitätsauflösung: Data Cloud erkennt, welche Datensätze aus verschiedenen Quellen zur selben Person oder zum selben Konto gehören, und führt sie zu einem vereinheitlichten Profil zusammen. Über konfigurierbare Abgleichregeln – etwa auf Basis von E-Mail-Adresse, Telefonnummer oder weiteren Merkmalen – entscheidet die Plattform, welche Datensätze verschmolzen werden. Das Ergebnis ist ein Unified Profile: eine konsolidierte Sicht, die Fragmente aus CRM, Web, App und weiteren Kanälen zu einem Bild zusammenzieht.
Die Kunst liegt in der richtigen Balance der Abgleichregeln. Sind sie zu streng, bleiben Datensätze getrennt, obwohl sie zusammengehören – der Kunde erscheint mehrfach. Sind sie zu locker, werden verschiedene Personen fälschlich verschmolzen – mit spürbaren Folgen für Ansprache und Datenschutz. Diese Feinjustierung ist ein iterativer Prozess, der Fachwissen und laufende Kontrolle verlangt. Wer Unified Profiles als reinen Knopfdruck missversteht, unterschätzt den Pflegeaufwand erheblich.
Auf den vereinheitlichten Profilen setzen die beiden Funktionen auf, die den unmittelbaren Geschäftsnutzen liefern. Segmente sind gefilterte Zielgruppen: alle Kunden mit bestimmten Merkmalen, bestimmtem Verhalten oder bestimmter Kaufhistorie. Diese Segmente lassen sich in nahezu Echtzeit aktualisieren und anschließend in die angebundenen Kanäle aktivieren – etwa für eine Kampagne, eine Service-Priorisierung oder eine personalisierte Ansprache. Der Wert liegt darin, dass Segmente auf dem konsolidierten Profil beruhen und damit über alle Kanäle hinweg konsistent sind.
Calculated Insights gehen einen Schritt weiter: Sie berechnen aggregierte Kennzahlen und Metriken über die Profile hinweg – etwa einen Kundenwert, eine Kaufhäufigkeit oder ein Engagement-Maß. Diese berechneten Werte können wiederum in Segmente einfließen oder anderen Anwendungen als Entscheidungsgrundlage dienen. Zusammen bilden Segmente und Calculated Insights das Aktivierungspaar der Data Cloud: Das eine definiert, wer angesprochen wird, das andere liefert die Kennzahlen, auf denen diese Entscheidung fußt.
„Einstein“ ist Salesforces Markenname für seine KI-Funktionen quer durch das Portfolio. Dazu gehören klassische prädiktive Modelle – etwa Prognosen zu Kaufwahrscheinlichkeit, Abwanderungsrisiko oder nächstbestem Angebot – ebenso wie generative Funktionen zur Erstellung von Inhalten und Zusammenfassungen. Der Zusammenhang zur Data Cloud ist einfach erklärt: Prognosen sind nur so gut wie die Daten, auf denen sie beruhen. Ein vereinheitlichtes, konsistentes Profil ist eine deutlich bessere Grundlage für belastbare Vorhersagen als über Systeme verstreute Fragmente.
Damit wird Data Cloud in der Salesforce-Erzählung zur Voraussetzung, um das volle KI-Potenzial zu heben. Für Unternehmen, die Einstein-Funktionen ernsthaft einsetzen wollen, ist das ein nachvollziehbares Argument. Zugleich gilt Zurückhaltung bei den Erwartungen: Prädiktive Modelle liefern Wahrscheinlichkeiten, keine Gewissheiten, und ihr Nutzen hängt stark von Datenqualität, Anwendungsfall und der Bereitschaft ab, die Ergebnisse in Prozesse zu übersetzen. KI ist ein Verstärker guter Daten, kein Ersatz für fehlende Grundlagenarbeit.
Mit Agentforce hat Salesforce eine Initiative rund um KI-Agenten vorgestellt, die Aufgaben teilautonom übernehmen sollen – etwa im Service, im Vertrieb oder in der Kundeninteraktion. Der gedankliche Kern ist, dass solche Agenten auf verlässliche, vereinheitlichte Daten zugreifen müssen, um sinnvoll handeln zu können; auch hier ist Data Cloud als Datenbasis vorgesehen. Für den Mittelstand ist das ein spannendes, aber noch junges Feld. Umfang, Reife, Lizenzierung und tatsächliche Praxistauglichkeit entwickeln sich rasch und sollten konkret beim Anbieter geprüft und an einem realen Anwendungsfall getestet werden, bevor man sie zur Kaufbegründung macht.
Aus INAGRO-Sicht empfiehlt sich hier ein nüchterner Blick. KI-Agenten sind ein starkes Marketing-Thema, und die Richtung ist plausibel. Für eine Investitionsentscheidung zählt aber, was heute im eigenen Kontext verlässlich funktioniert, nicht was in Aussicht gestellt wird. Wir raten dazu, KI- und Agentenfunktionen als potenziellen Zusatznutzen zu behandeln – willkommen, wenn sie liefern, aber nicht als alleiniger Grund für die Plattformwahl.
Jenseits der KI profitiert Data Cloud von den Automatisierungswerkzeugen des Salesforce-Ökosystems. Vereinheitlichte Profile und Segmente können Auslöser für Prozesse und Workflows in den angebundenen Clouds sein – etwa wenn ein Kunde in ein bestimmtes Segment wechselt und daraufhin eine Journey, eine Aufgabe oder eine Priorisierung ausgelöst wird. Diese Verzahnung von Daten und Prozessautomatisierung ist ein realer Vorteil des nativen Ansatzes, weil sie ohne zusätzliche Middleware auskommt.
Der Preis dieser Eleganz ist erneut die Bindung: Die Automatisierung entfaltet ihren Wert innerhalb des Salesforce-Kosmos. Wer Daten in dritte Systeme hinausautomatisieren will, kann das grundsätzlich tun, verlässt damit aber die nahtlose Komfortzone. Bei der Bewertung sollte man daher ehrlich prüfen, wie viel der geplanten Automatisierung tatsächlich innerhalb von Salesforce stattfindet – dort ist der Vorteil groß, außerhalb relativiert er sich.
Der größte und offensichtlichste Vorteil von Data Cloud ist die native Verbindung zu den übrigen Salesforce-Produkten. Sales Cloud, Service Cloud und Marketing Cloud greifen ohne Umwege auf die vereinheitlichten Profile und Segmente zu, weil die Datenschicht Teil derselben Plattform ist. Es braucht keine externe Schnittstelle, keinen nächtlichen Datenabgleich und keine Brückensysteme, um ein Segment aus der Data Cloud in einer Marketing-Journey oder einer Service-Priorisierung zu nutzen.
Für Salesforce-Kunden ist das der entscheidende Effizienzgewinn. Was in einer herstellerneutralen CDP ein Integrationsprojekt wäre, ist hier weitgehend eingebaut. Genau dieser Komfort ist aber auch der Kern der Anbieterbindung: Der Wert der nahtlosen Anbindung realisiert sich innerhalb des Ökosystems. Je stärker ein Unternehmen diesen Komfort nutzt, desto höher werden die Wechselkosten, sollte man später die Plattform verlassen wollen.
Für die Anbindung von Systemen außerhalb des Salesforce-Kosmos steht mit MuleSoft die zum Salesforce-Konzern gehörende Integrationsplattform bereit. MuleSoft ermöglicht die Verbindung zu ERP-Systemen, Fachanwendungen, Datenbanken und anderen Unternehmenssystemen über eine API-getriebene Integrationsarchitektur. Damit lässt sich Data Cloud grundsätzlich auch mit einer heterogenen IT-Landschaft verbinden, in der nicht alles aus dem Hause Salesforce stammt.
In der Praxis ist zu beachten, dass MuleSoft eine eigenständige, leistungsfähige, aber auch anspruchsvolle Plattform mit eigener Lizenzierung ist. Für komplexe Integrationsvorhaben ist sie ein starkes Werkzeug; für einfache Anbindungen kann sie überdimensioniert sein. Ob MuleSoft, eine schlankere Integrationslösung oder eine direkte API-Anbindung der richtige Weg ist, hängt vom konkreten Integrationsbedarf ab und gehört in die Architekturplanung – die Kosten und der Betriebsaufwand von MuleSoft sind dabei realistisch einzubeziehen.
Ein strategisch wichtiger Baustein ist der Zero-Copy-Ansatz. Die Idee dahinter: Statt Daten aus einem Cloud-Data-Warehouse wie Snowflake oder Google BigQuery physisch in die Data Cloud zu kopieren, werden sie dort genutzt, wo sie liegen. Data Cloud kann so auf Daten im Warehouse zugreifen und sie in Profile und Segmente einbeziehen, ohne einen zweiten Datenbestand mit allen Konsistenz- und Governance-Problemen aufzubauen. Das reduziert Datenbewegung, Redundanz und den Aufwand, zwei Kopien synchron zu halten.
Für Unternehmen mit einer bestehenden Data-Warehouse-Strategie ist das ein bedeutender Vorteil, weil es die Data Cloud in eine vorhandene Datenarchitektur einfügt, statt sie zu duplizieren. Wie weit Zero-Copy im konkreten Fall trägt, hängt jedoch von den unterstützten Systemen, den genutzten Funktionen und der jeweiligen Lizenz ab und sollte für die eigenen Quellen konkret beim Anbieter geprüft werden. Als Konzept adressiert Zero-Copy einen echten Schmerzpunkt vieler Datenprojekte – die Frage ist, wie vollständig es die eigenen Anwendungsfälle abdeckt.
Adobe Real-Time CDP ist das Pendant im Adobe-Ökosystem und der wohl direkteste Wettbewerber auf Augenhöhe. Beide sind mächtige, tief in ihr jeweiliges Ökosystem eingebettete Plattformen. Der Unterschied liegt im Schwerpunkt: Adobe kommt aus der Welt der Erlebnis- und Content-Plattformen und ist besonders stark, wenn Personalisierung, Content-Auslieferung und digitale Erlebnisse im Zentrum stehen. Salesforce kommt aus der CRM-Welt und ist am stärksten, wenn Vertrieb, Service und der operative Kundenkontakt den Kern bilden.
Microsofts Angebot in dieser Disziplin ist Teil von Dynamics 365 und der breiten Microsoft-Datenwelt rund um Azure, Fabric und Power Platform. Für Unternehmen, die stark im Microsoft-Universum verankert sind – Dynamics als CRM, Azure als Cloud, Microsoft 365 als Arbeitsumgebung –, ist Customer Insights die natürlichere Wahl, weil sie sich in denselben Kosmos einfügt, wie es Data Cloud für Salesforce tut. Das Muster ist dasselbe: Die CDP gewinnt dort, wo das umgebende Ökosystem bereits gesetzt ist.
Segment steht für einen anderen Grundgedanken: die composable, herstellerneutrale CDP, die sich als offene Datenschicht zwischen beliebige Quellen und Ziele legt. Wo Data Cloud ihren Wert aus der Nähe zu Salesforce zieht, zieht Segment ihn aus Flexibilität und Unabhängigkeit vom einzelnen Anbieter. Für Unternehmen mit einer bewusst offenen, entwicklernahen Datenarchitektur, die sich nicht an ein Suiten-Ökosystem binden wollen, ist ein composabler Ansatz oft die passendere Philosophie.
Data Cloud wird ausschließlich als Software-as-a-Service betrieben; einen Betrieb im eigenen Rechenzentrum gibt es nicht. Das hat Vorteile – kein Infrastrukturaufwand, automatische Updates, elastische Skalierung – und ist für den Mittelstand meist willkommen. Zugleich bedeutet reiner Cloud-Betrieb, dass Datenhaltung, Verfügbarkeit und Sicherheit vollständig beim Anbieter liegen und über Vertrag, Konfiguration und Region gesteuert werden müssen. Wer aus regulatorischen Gründen eine lokale Datenhaltung braucht, findet sie hier nicht.
Für die Betriebsplanung heißt das: Der Fokus verschiebt sich von der Infrastruktur zur Governance. Nicht die Frage „Wie betreiben wir die Server?“ steht im Vordergrund, sondern „Wie steuern wir Datenresidenz, Zugriffe, Datenqualität und Verbrauch?“. Diese Verlagerung ist typisch für moderne Cloud-Plattformen und sollte in der Rollen- und Verantwortungsplanung von Anfang an berücksichtigt werden.
Der Zeitbedarf einer Data-Cloud-Einführung wird regelmäßig unterschätzt, weil die Lizenzierung schnell geht, die eigentliche Arbeit aber in den Daten steckt. Der zeitintensivste Teil ist fast nie die Plattform selbst, sondern die Anbindung und Harmonisierung der Quellen sowie die iterative Justierung der Identitätsauflösung. Der Aufwand hängt stark von der Zahl der Quellen, ihrer Datenqualität und der Komplexität der Anwendungsfälle ab und lässt sich nicht seriös pauschalisieren – wir nennen daher bewusst keine festen Zahlen, sondern planen ihn projektindividuell.
Aus unserer Erfahrung zahlt sich ein fokussierter Start aus: erst einen klar umrissenen Anwendungsfall mit wenigen, gut verstandenen Quellen sauber umsetzen, den Wert nachweisen und dann schrittweise erweitern. Wer stattdessen versucht, von Beginn an alle Quellen und Anwendungsfälle gleichzeitig anzubinden, verliert sich in der Komplexität und riskiert, dass das Projekt an mangelnder Datenqualität scheitert, bevor es Nutzen zeigt.
Aus unserer Erfahrung passt Salesforce Data Cloud besonders gut zu mittelständischen Unternehmen, die bereits mehrere Salesforce-Clouds nutzen, die viele fragmentierte Datenquellen zu einem gemeinsamen Kundenbild zusammenführen müssen und die den Salesforce-Kanal aktiv für Marketing, Service oder Vertrieb bespielen. Diese Profile holen den Ökosystem-Vorteil ab und rechtfertigen damit auch den Einführungs- und Betriebsaufwand.
Weniger gut passt Data Cloud zu Unternehmen ohne Salesforce-Fundament, für die die native Integration keinen Vorteil bringt; zu Häusern mit schlanker, überschaubarer Datenlandschaft, für die eine vollwertige CDP überdimensioniert ist; und zu Organisationen, die aus strategischen Gründen bewusst herstellerneutral bleiben wollen und die Anbieterbindung scheuen. Für diese Fälle sind schlankere, composable oder neutrale Ansätze oft die wirtschaftlichere Antwort. Diese ehrliche Eingrenzung gehört zu jeder seriösen Beratung.
Der größte strategische Punkt für den Mittelstand ist die Anbieterbindung. Data Cloud entfaltet ihren Wert innerhalb des Salesforce-Ökosystems, und je tiefer ein Unternehmen sie einbindet, desto höher werden die Wechselkosten. Das ist kein Argument gegen die Plattform – für ein überzeugtes Salesforce-Haus ist die Tiefe gerade der Vorteil –, aber es ist eine bewusste Entscheidung, die man mit offenen Augen treffen sollte. Wer die Bindung als Preis für den Komfort akzeptiert, ist gut aufgehoben; wer sich strategische Offenheit bewahren will, sollte die Konsequenzen kennen.
Wir empfehlen, diese Frage nicht dem Zufall zu überlassen, sondern sie explizit zu adressieren: Wie stark wollen wir uns an ein Ökosystem binden, welchen Nutzen ziehen wir daraus, und welche Ausstiegsoptionen behalten wir uns vor? Eine ehrliche Antwort darauf ist wichtiger als jede Funktionsliste, weil sie die langfristige Handlungsfreiheit eines Unternehmens betrifft.
Anders als bei einem klassischen Preis pro Anwender orientiert sich der Aufwand für Data Cloud stark an Daten- und Nutzungsvolumen: Wie viele Datensätze werden verarbeitet, wie viele Profile vereinheitlicht, wie intensiv werden Segmentierung, Aktivierung und KI genutzt? Diese verbrauchsnahe Logik hat eine wichtige Konsequenz für die Planung – die Kosten wachsen mit der Nutzung und können bei breitem Ausbau spürbar steigen, ohne dass eine einzelne Preiserhöhung schuld wäre. Konkrete Preismodelle, Einheiten und Grenzen ändern sich häufig und sind beim Anbieter zu prüfen.
In der Gesamtbetrachtung – der Total Cost of Ownership – kommen zur reinen Plattformlizenz weitere Posten hinzu: der erhebliche Einführungsaufwand für Datenanbindung und Harmonisierung, gegebenenfalls die Lizenzierung von MuleSoft für externe Integrationen, zusätzliche KI-Funktionen sowie der laufende Betriebs- und Governance-Aufwand. Wer nur die Grundlizenz betrachtet, unterschätzt die tatsächlichen Kosten typischerweise deutlich. Unsere Empfehlung: Rechnen Sie Data Cloud über mehrere Jahre und über realistisches Daten- und Nutzungswachstum durch, mit regelmäßigen Verbrauchs-Reviews als festem Bestandteil.
Salesforce betreibt seine Infrastruktur zunehmend auf der eigenen Plattform-Architektur Hyperforce, die den Betrieb in verschiedenen Regionen weltweit ermöglicht, darunter auch EU-Regionen. Für die Datenhoheit ist die Wahl der Region entscheidend: Werden die Daten in einer EU-Region verarbeitet, bleibt die Verarbeitung geografisch in der EU. Ob und in welchem Umfang eine EU-Datenresidenz speziell für Data Cloud verfügbar ist, welche Komponenten sie umfasst und wie sie konfiguriert wird, ist konkret beim Anbieter zu prüfen und vertraglich festzuhalten – hier verzichten wir bewusst auf pauschale Aussagen, weil die Details sich entwickeln.
Unabhängig von der Region bleibt Salesforce ein US-amerikanisches Unternehmen, das grundsätzlich US-Recht unterliegt. Damit besteht ein struktureller Drittlandbezug, der auch bei EU-Datenhaltung nicht vollständig verschwindet – etwa durch mögliche Zugriffe des Mutterkonzerns oder durch Support- und Betriebsprozesse. Für Transfers oder Zugriffe mit Drittlandbezug sind die geltenden Transfer-Mechanismen (etwa Standardvertragsklauseln und etwaige zusätzliche Garantien) sowie das daraus folgende Restrisiko zu bewerten. Diese Bewertung gehört in jede Einführung mit personenbezogenen Daten und sollte dokumentiert werden.
Data Cloud stellt die technischen Bausteine für einen datenschutzkonformen Betrieb bereit – die Verantwortung als Verantwortlicher im Sinne der DSGVO bleibt jedoch beim einsetzenden Unternehmen. Konkret heißt das: ein Auftragsverarbeitungsvertrag beziehungsweise Data Processing Agreement ist zu prüfen und abzuschließen, die Rechtsgrundlagen für Datenverarbeitung, Profilbildung und Aktivierung sind sicherzustellen, Betroffenenrechte müssen abbildbar sein und Zugriffe nach dem Prinzip der Datenminimierung vergeben werden. Gerade weil eine CDP Daten aus vielen Quellen zusammenführt und Profile bildet, ist die datenschutzrechtliche Sorgfalt hier besonders hoch.
Für die meisten Mittelständler ist Data Cloud mit EU-Datenresidenz (soweit verfügbar), geprüftem AVV, sauberen Rechtsgrundlagen und dokumentierter Drittlandbewertung praktikabel betreibbar. Für besonders sensible Datenkategorien, Berufsgeheimnisträger oder regulierte Umfelder empfiehlt sich eine gesonderte, dokumentierte Abwägung – im Zweifel mit fachkundiger rechtlicher Begleitung. Der US-Ursprung ist dabei kein Ausschlusskriterium, aber ein Faktor, der bewusst und schriftlich behandelt gehört.
