Der Kerngedanke einer CDP wie Treasure Data ist die Auflösung von Datensilos. In vielen Unternehmen weiß das Marketing nicht, was der Service über einen Kunden weiß, der Onlineshop kennt die Filialkäufe nicht, und die Werbeplattform arbeitet mit einem völlig anderen Datenstand als das CRM. Eine CDP setzt genau hier an: Sie sammelt diese Signale, ordnet sie über eine Identitätsauflösung derselben Person zu und erzeugt daraus ein möglichst vollständiges, aktuelles Bild – das sogenannte Unified Profile oder Golden Record. Dieses Profil ist die gemeinsame Wahrheit, auf der alle nachgelagerten Abteilungen aufsetzen.
Drei Eigenschaften prägen Treasure Data im Markt:
Um Treasure Data richtig einzuordnen, hilft ein Blick auf das Grundproblem, das eine CDP löst. Kundendaten entstehen heute an unzähligen Kontaktpunkten: Ein Interessent besucht die Website, lädt sich ein Whitepaper herunter, kauft später im Onlineshop, ruft den Support an und öffnet drei Newsletter. Jeder dieser Schritte hinterlässt Daten – aber in einem anderen System, in einem anderen Format, oft unter einer anderen Kennung. Ohne CDP bleiben diese Fragmente unverbunden, und niemand sieht den ganzen Menschen dahinter.
Treasure Data führt diese Fragmente zusammen. Über Konnektoren fließen die Rohdaten ein, über Regeln und Modelle zur Identitätsauflösung werden sie derselben Person zugeordnet, und über ein einheitliches Datenmodell entsteht ein zentrales Profil. Dieses Profil ist kein Selbstzweck: Es ist die Grundlage dafür, dass Marketing zielgenauer aussteuert, der Vertrieb den Kontext einer Anfrage kennt und der Service nicht bei null anfängt. Wer die CDP-Grundlagen vertiefen möchte, findet in unserem Grundlagenartikel die wichtigsten Begriffe und Bausteine im Zusammenhang.
Treasure Data ist keine junge Marketing-Anwendung, sondern hat seine Wurzeln in der Welt der großen Datenverarbeitung. Die Plattform wurde für die zuverlässige Aufnahme, Speicherung und Auswertung sehr großer Datenmengen gebaut, lange bevor der Begriff „CDP“ verbreitet war. Aus dieser technischen Herkunft erklärt sich vieles: die Betonung von Skalierung, die Nähe zu SQL und Datenmodellierung, die Offenheit für unterschiedlichste Datenquellen. Treasure Data ist gewissermaßen von der Datenseite her zur CDP gewachsen – nicht von der Kampagnenseite.
Für die Bewertung im Mittelstand ist diese Herkunft relevant. Sie erklärt, warum Treasure Data bei sehr datenlastigen, technisch anspruchsvollen Vorhaben glänzt – und warum es für kleine Teams, die primär einen schnellen, einfachen Marketing-Baukasten suchen, tendenziell überdimensioniert ist. Es ist ein Werkzeug für Organisationen, die Daten als strategisches Fundament begreifen und bereit sind, entsprechend zu investieren.
Das Positionierungs-Versprechen von Treasure Data lautet: ein Datenbestand, viele Nutznießer. Marketing, Vertrieb und Service greifen nicht auf eigene, voneinander abweichende Kundenlisten zu, sondern auf denselben zentral gepflegten Profilbestand. Diese Trennung von Datenfundament und abteilungsspezifischer Nutzung ist der eigentliche architektonische Kern. Sie verhindert, dass jede Abteilung ihre eigene Wahrheit aufbaut, und sorgt dafür, dass eine Änderung am Profil – etwa ein Widerspruch gegen Werbung – überall gleichzeitig wirkt.
Wichtig ist die Einordnung im Verhältnis zu bestehenden Systemen: Eine CDP ersetzt weder das CRM noch die Marketing-Automatisierung noch die Werbeplattformen. Sie legt sich als verbindende Schicht darunter, sammelt aus allen und speist wieder in alle zurück. Treasure Data ist damit kein Ersatz für vorhandene Werkzeuge, sondern das Bindeglied, das sie mit einem gemeinsamen, sauberen Datenstand versorgt. Wer das missversteht und die CDP als „besseres CRM“ kauft, positioniert sie falsch.
Im breiten Feld der Customer Data Platforms besetzt Treasure Data das obere, enterprise-orientierte Segment. Anbieter wie Segment oder mParticle betonen stark die Entwickler- und Event-Perspektive, Adobe Real-Time CDP und Salesforce Data Cloud sind eng an ihre jeweiligen Marketing-Ökosysteme gebunden. Treasure Data positioniert sich als vergleichsweise offene, datenzentrierte Plattform, die sich nicht an eine einzelne Suite kettet und besonders große, gemischte Datenbestände zuverlässig verarbeitet.
Diese Positionierung hat eine klare Kehrseite, die für den Mittelstand zählt: Offenheit und Datentiefe gehen mit einem höheren Anspruch an die eigene Datenkompetenz einher. Wer eine schlüsselfertige, eng geführte Lösung mit engem Funktionskorsett sucht, ist bei einer stärker suite-gebundenen CDP unter Umständen schneller am Ziel. Wer dagegen Wert auf Unabhängigkeit, Flexibilität und Skalierung legt, findet in Treasure Data ein starkes, aber anspruchsvolles Werkzeug.
Der erste und oft unterschätzte Funktionsblock ist die Datenintegration. Eine CDP ist nur so gut wie die Daten, die in sie hineinfließen. Treasure Data bringt hierfür eine breite Palette vorgefertigter Konnektoren mit, über die sich gängige Quellen – Web- und App-Tracking, Onlineshops, CRM-Systeme, Werbeplattformen, E-Mail-Tools, Data Warehouses – anbinden lassen. Ergänzend stehen Wege für Streaming-Daten, Datei-Importe und den Zugriff über Schnittstellen offen, sodass auch eigene und branchenspezifische Systeme angeschlossen werden können. Die genaue Zahl und Abdeckung der Konnektoren sollte man im aktuellen Angebot des Anbieters prüfen, da sich der Katalog laufend weiterentwickelt.
Bemerkenswert an Treasure Data ist die Fähigkeit, sehr unterschiedliche Datenarten zu verarbeiten – strukturierte Transaktionsdaten ebenso wie rohe Verhaltens-Events. Diese Offenheit ist ein echter Vorteil bei gewachsenen, heterogenen Systemlandschaften, wie sie im Mittelstand häufig vorkommen. Gleichzeitig verlagert sie Verantwortung ins Projekt: Die eingehenden Daten müssen verstanden, zugeordnet und modelliert werden. Der berühmte Grundsatz gilt uneingeschränkt – schlechte Eingangsdaten erzeugen schlechte Profile, und keine noch so gute Plattform repariert das automatisch.
Der zentrale Wert einer CDP entsteht bei der Identitätsauflösung und dem Aufbau der Unified Profiles. Hier entscheidet sich, ob aus fünf Datenfragmenten fünf halbe Profile oder ein vollständiges werden. Treasure Data ordnet eingehende Signale über verschiedene Kennungen – etwa Login-Kennung, E-Mail-Adresse, Geräte- und Cookie-Kennungen – derselben Person zu und pflegt daraus ein fortlaufend aktualisiertes Profil. Je nach Datenlage geschieht das über deterministische Regeln, also eindeutige Übereinstimmungen, und, wo sinnvoll und zulässig, über wahrscheinlichkeitsbasierte Verfahren.
Die Qualität dieser Verknüpfung ist der eigentliche Erfolgsfaktor eines CDP-Projekts. Ein sauber aufgesetztes Identitätsmodell liefert verlässliche Profile, auf die sich Marketing, Vertrieb und Service verlassen können. Ein nachlässig konfiguriertes erzeugt Doppelprofile, falsche Zuordnungen und Misstrauen im Team. Deshalb ist die Definition der Identitätslogik – welche Kennungen als vertrauenswürdig gelten, wie mit Widersprüchen umgegangen wird, welche Regeln greifen – einer der wichtigsten Schritte der Einführung und keine reine Technikfrage. Sie berührt auch den Datenschutz unmittelbar, weil sie bestimmt, wie umfassend Personen zusammengeführt werden.
Auf dem Profilfundament setzen die beiden nach außen sichtbarsten Funktionen auf: Segmentierung und Journey Orchestration. Die Segmentierung erlaubt es, Zielgruppen nach Verhalten, Merkmalen und Ereignissen zu bilden – etwa „Kunden, die in den letzten 90 Tagen gekauft, aber seither keinen Newsletter geöffnet haben“. Weil die Segmente auf den zentralen Profilen basieren, sind sie über alle angebundenen Kanäle hinweg konsistent und aktualisieren sich mit dem Datenstand. Das ist der Unterschied zu manuell gepflegten Listen, die schnell veralten und zwischen den Systemen auseinanderlaufen.
Die Journey Orchestration hebt das eine Stufe höher: Statt einzelner Aussendungen wird die Abfolge über Zeit und Kanäle koordiniert. Welche Zielgruppe erhält wann welche Ansprache, was passiert bei Reaktion oder Ausbleiben, wie greifen mehrere Kanäle ineinander. Wichtig für die Einordnung: Treasure Data steuert und segmentiert auf Basis der Profile, führt die eigentliche Auslieferung aber häufig über angebundene Ausführungskanäle aus – etwa E-Mail-, Werbe- oder Messaging-Systeme. Die CDP ist der Dirigent, nicht zwingend jedes einzelne Instrument. Wie weit die eingebauten Orchestrierungs- und Kanalfunktionen im konkreten Fall reichen, gehört zu den Punkten, die man vorab genau abklären sollte.
Der grundlegende Gedanke: Ein Unified Profile enthält reiche Signale über das bisherige Verhalten einer Person. Genau darauf setzen prädiktive Modelle an. Sie lernen aus historischen Mustern und schätzen, wie wahrscheinlich ein zukünftiges Ereignis ist – etwa ein Kauf, eine Abwanderung oder die Reaktion auf ein bestimmtes Angebot. Das Ergebnis ist ein Score, der jedem Profil eine Zahl zuordnet und damit Priorisierung und Aussteuerung ermöglicht.
Predictive Scoring ist der greifbarste KI-Anwendungsfall einer CDP. Statt Kunden nur nach starren Regeln zu segmentieren, ordnet ein Modell ihnen eine Wahrscheinlichkeit zu. Typische Beispiele sind ein Abwanderungs-Score, der gefährdete Kundenbeziehungen früh sichtbar macht, ein Kaufwahrscheinlichkeits-Score, der dem Vertrieb aussichtsreiche Kontakte priorisiert, oder ein Wert-Score, der besonders wertvolle Kundengruppen hervorhebt. Der praktische Nutzen liegt auf der Hand: Marketing und Vertrieb konzentrieren ihre Ressourcen auf die Kontakte, bei denen sie am meisten bewirken.
Bei aller Attraktivität gilt es, nüchtern zu bleiben. Prädiktive Modelle sind so gut wie die Daten und die Zielsetzung, mit der sie trainiert werden. Sie brauchen ausreichend historische Beispiele, eine saubere Datenbasis und eine klare, betriebswirtschaftlich sinnvolle Fragestellung. Ein Score ist zudem kein Orakel, sondern eine Wahrscheinlichkeit – er muss interpretiert und in Prozesse eingebettet werden, sonst bleibt er ein hübsches Zahlenspiel. Wir empfehlen, KI-gestützte Scores mit klar definierten Anwendungsfällen zu starten und ihren Beitrag messbar zu machen, statt sie als Selbstzweck einzuführen.
Unter dem Sammelbegriff „Treasure Data AI“ beziehungsweise „TD AI“ bündelt der Anbieter seine KI-Fähigkeiten – von prädiktiven Modellen bis zu assistierenden Werkzeugen, die etwa beim Aufbau von Segmenten, bei der Analyse oder bei der Interpretation von Daten unterstützen. Wie bei vielen Plattformen entwickelt sich dieser Funktionsbereich schnell weiter, und generative KI hält zunehmend Einzug. Welche konkreten KI-Funktionen in welchem Umfang, in welchem Paket und zu welchen Bedingungen verfügbar sind, ändert sich häufig und sollte im aktuellen Angebot beim Anbieter geprüft werden.
Für die Bewertung im Mittelstand ist wichtig, die KI-Schicht richtig zu gewichten. Sie ist ein wertvoller Zusatz, der aus einem guten Datenfundament zusätzlichen Wert zieht – aber sie ist selten der allein entscheidende Kaufgrund. Ohne saubere, vollständige Profile hat auch das beste Modell keine Grundlage. Die Reihenfolge lautet daher immer: erst das Datenfundament, dann die KI. Wer die KI-Funktionen als Argument in den Vordergrund stellt, das Fundament aber vernachlässigt, kehrt die Prioritäten um.
Neben der Vorhersage steht die Automatisierung wiederkehrender Datenprozesse. Eine CDP entfaltet ihren Wert erst, wenn Datenaufnahme, Profilaktualisierung, Segmentberechnung und Aktivierung weitgehend automatisch und verlässlich ablaufen. Treasure Data ist darauf ausgelegt, solche Datenflüsse als geplante, wiederholbare Prozesse zu betreiben, sodass Zielgruppen und Aktivierungen stets auf einem aktuellen Stand basieren, ohne dass jemand manuell nachfassen muss.
Diese Prozess-Automatisierung ist der unspektakuläre, aber entscheidende Teil. Sie sorgt dafür, dass die CDP im Alltag zuverlässig arbeitet, statt bei jedem Kampagnenstart neu von Hand befüllt zu werden. Gleichzeitig verlangt sie eine durchdachte Einrichtung und Überwachung: Automatisierte Datenflüsse, die niemand kontrolliert, können Fehler ebenso automatisiert vervielfältigen. Ein gutes Betriebskonzept mit Monitoring gehört daher zwingend dazu.
Integrationen einer CDP haben grundsätzlich zwei Richtungen. Auf der Eingangsseite (Sources) fließen Rohdaten herein: aus Web- und App-Tracking, aus dem Onlineshop, aus dem CRM, aus Kassensystemen, aus Werbe- und E-Mail-Plattformen, aus Data Warehouses. Auf der Ausgangsseite (Destinations) werden die veredelten Profile und Segmente wieder hinausgespielt – an Werbeplattformen zur Zielgruppen-Aussteuerung, an E-Mail- und Messaging-Tools zur Ansprache, an Analyse- und BI-Systeme zur Auswertung, an das CRM zur Anreicherung. Treasure Data deckt beide Richtungen mit einer breiten Auswahl vorgefertigter Konnektoren ab.
Diese Zweiseitigkeit ist der Grund, warum eine CDP kein isoliertes System ist, sondern nur im Verbund Sinn ergibt. Ihr Wert entsteht genau dort, wo sie vorhandene Werkzeuge mit einem gemeinsamen, aktuellen Datenstand verbindet. Für die Projektplanung heißt das: Die Liste der anzubindenden Quellen und Ziele ist die eigentliche Anforderungsanalyse. Sie bestimmt Aufwand, Nutzen und die Frage, ob die vorhandenen Konnektoren ausreichen oder ob individuelle Anbindungen über Schnittstellen nötig werden.
Ein prägendes Merkmal von Treasure Data ist seine Offenheit und die Nähe zur klassischen Datenwelt. Die Plattform ist stark datenbank- und SQL-orientiert, was technisch versierten Teams großen Gestaltungsspielraum gibt: Datenmodelle, Abfragen und Transformationen lassen sich flexibel gestalten. Diese Nähe zur Datenverarbeitung unterscheidet Treasure Data von stärker auf Marketing-Bedienoberflächen zugeschnittenen CDPs und ist ein Grund für seine Beliebtheit bei datenreifen Organisationen.
Gleichzeitig ist in den vergangenen Jahren die Diskussion um „Composable CDPs“ aufgekommen – Architekturen, die stärker auf einem zentralen Data Warehouse aufsetzen. Für die Bewertung von Treasure Data ist relevant, wie gut es sich in eine bestehende Data-Warehouse-Strategie einfügt und welche Rolle es darin spielt. Wer bereits stark in ein Warehouse investiert hat, sollte das Zusammenspiel gezielt prüfen. Diese architektonische Frage betrachten wir im Zusammenhang der CDP-Kategorie ausführlicher; hier genügt der Hinweis, dass Treasure Data durch seine Datennähe für solche Szenarien grundsätzlich anschlussfähig ist.
Für Systeme, die nicht über einen fertigen Konnektor abgedeckt sind, bietet Treasure Data programmatische Schnittstellen. Damit lassen sich Eigenentwicklungen, Branchensysteme oder Spezialanwendungen anbinden, die im Standardkatalog fehlen. Für den Mittelstand mit oft individuell gewachsener IT ist das ein wichtiger Punkt: Auch wenn das zentrale Warenwirtschafts- oder Fachsystem nicht als Standard-Konnektor vorliegt, ist eine Anbindung in der Regel machbar – mit entsprechendem Entwicklungsaufwand, den man im Projekt einplanen sollte.
Adobe Real-Time CDP und Salesforce Data Cloud sind mächtige Enterprise-CDPs – aber ihre größte Stärke ist zugleich ihre engste Bindung: Sie entfalten ihren vollen Wert innerhalb des jeweiligen Ökosystems. Wer bereits stark auf Adobe- oder Salesforce-Produkte setzt, profitiert von der nahtlosen Integration in die vorhandene Suite und von durchgängigen Prozessen. Diese Nähe ist ein echter Vorteil – solange man im jeweiligen Universum bleibt.
Treasure Data setzt genau hier seinen Kontrapunkt: Es positioniert sich betont offen und unabhängig von einer einzelnen Suite. Für Organisationen mit gemischter Systemlandschaft, die sich nicht an einen einzigen Großanbieter binden wollen, ist diese Neutralität attraktiv. Die Faustregel aus unseren Projekten: Ist das Haus bereits tief in Adobe oder Salesforce verankert, spricht viel für die jeweilige hauseigene CDP. Ist die Landschaft gemischt oder soll die Unabhängigkeit bewusst erhalten bleiben, spielt Treasure Data seine Offenheit aus. Adobe Real-Time CDP betrachten wir in einem eigenen Fachartikel im Detail.
Segment und mParticle kommen aus einer anderen Ecke: Sie sind stark event- und entwicklerorientiert und haben ihre Wurzeln im Sammeln und Weiterleiten von Verhaltensdaten aus digitalen Produkten. Ihr Einstieg ist oft flexibler, und sie sind besonders bei Digital- und Produkt-Teams beliebt, die eine saubere Event-Pipeline brauchen. In der Datentiefe und der Verarbeitung sehr großer, heterogener Bestände positioniert sich Treasure Data traditionell schwergewichtiger und enterprise-orientierter.
Die Wahl hängt hier stark vom Ausgangspunkt ab. Wer primär digitale Verhaltensdaten sammeln und flexibel verteilen will, findet in Segment oder mParticle einen naheliegenden Weg. Wer dagegen sehr große, gemischte Datenbestände zusammenführen, tief modellieren und über verschiedene Abteilungen hinweg nutzen will, tendiert eher zu einer schwergewichtigen Enterprise-CDP wie Treasure Data. Beide Ansätze haben ihre Berechtigung – entscheidend ist, welche Anforderung wirklich im Vordergrund steht.
Als Software-as-a-Service nimmt Treasure Data der eigenen IT den Betrieb der Infrastruktur ab: keine eigenen Server, keine manuelle Skalierung, Wartung und Aktualisierung liegen beim Anbieter. Das ist ein echter Vorteil, gerade für Mittelständler ohne große Plattform-Teams. Es wäre aber ein Missverständnis, daraus abzuleiten, die CDP „läuft von allein“. Der Aufwand verschwindet nicht, er verschiebt sich – von der Infrastruktur hin zu Datenmodellierung, Anbindung, Identitätslogik und Governance.
Diese Verschiebung ist entscheidend für die realistische Ressourcenplanung. Ein CDP-Projekt braucht Menschen, die Daten verstehen, Modelle entwerfen und die Plattform im Betrieb pflegen – intern oder mit Partnerunterstützung. Wer den Cloud-Betrieb mit „geringem Gesamtaufwand“ verwechselt, unterschätzt regelmäßig den Bedarf an Datenkompetenz. Die Plattform ist leistungsfähig, aber sie belohnt Sorgfalt und bestraft Nachlässigkeit.
Die Dauer einer CDP-Einführung hängt stark von der Zahl der Datenquellen, der Komplexität der Identitätsauflösung und der Reife der vorhandenen Daten ab. Ein eng geschnittener erster Anwendungsfall mit wenigen, gut verstandenen Quellen ist deutlich schneller produktiv als ein Vorhaben, das von Beginn an alle Systeme und Abteilungen umfassen will. Genau deshalb raten wir zum stufigen Vorgehen: erst ein scharf umrissener Anwendungsfall, der schnell Wert zeigt, dann der Ausbau entlang bewiesener Erfolge.
Konkrete Zeitangaben sind seriös nur im Einzelfall zu machen – zu unterschiedlich sind die Ausgangslagen. Verlässlich ist hingegen das Muster: Der zeitintensivste Teil ist selten die Plattform selbst, sondern die Datenarbeit davor. Datenquellen verstehen, Modelle bauen, Identitäten sauber auflösen, Datenschutz klären – das ist die eigentliche Arbeit. Wer hier abkürzt, zahlt später mit schlechten Profilen und geringem Vertrauen im Team.
Treasure Data ist historisch und konzeptionell auf große Organisationen ausgerichtet. Das zeigt sich in der Ausrichtung auf Skalierung, in der Datentiefe, im Anspruch an eigene Datenkompetenz und typischerweise auch in der Preisregion, die sich am Enterprise-Segment orientiert. Für den gehobenen Mittelstand mit ambitionierten, datengetriebenen Zielen kann das genau richtig sein – etwa für ein wachsendes Handels-, Medien- oder Dienstleistungsunternehmen mit vielen Kundenkontaktpunkten und dem klaren Willen, Daten strategisch zu nutzen.
Für ein kleineres Unternehmen mit überschaubaren, homogenen Datenmengen und ohne eigenes Data-Team ist eine schwergewichtige Enterprise-CDP dagegen häufig überdimensioniert. Nicht, weil die Plattform „zu gut“ wäre, sondern weil der Aufwand für Einrichtung, Datenmodellierung und Betrieb in keinem Verhältnis zum realisierbaren Nutzen stünde. In solchen Fällen sind leichtere CDP-Ansätze oder eine gute Kombination aus CRM und Marketing-Automatisierung oft der wirtschaftlichere Weg. Diese ehrliche Eingrenzung gehört zu jeder seriösen Beratung.
Damit Treasure Data im Mittelstand Wert schafft, müssen einige Voraussetzungen erfüllt sein. Erstens braucht es echte Datenkompetenz – im eigenen Haus oder über einen Partner –, weil die Plattform Modellierung und Pflege verlangt. Zweitens braucht es klar definierte, priorisierte Anwendungsfälle, damit die CDP nicht zur teuren Datenhalde ohne Ergebnis wird. Drittens braucht es ein Budget, das nicht nur die Lizenz, sondern auch Einführung, Anbindung, Betrieb und Schulung abdeckt. Und viertens braucht es ein sauber geklärtes Datenschutz-Setup, gerade wegen des Nicht-EU-Anbieters.
Sind diese Voraussetzungen gegeben, kann Treasure Data ein sehr leistungsfähiges Fundament für datengetriebenes Marketing und einen kanalübergreifenden Kundenblick sein. Fehlt eine davon, verschiebt sich das Verhältnis von Aufwand und Nutzen ungünstig. Die entscheidende Frage lautet daher nicht „ist Treasure Data gut?“ – das ist es –, sondern „passt der Enterprise-Zuschnitt zu unserer konkreten Situation?“.
Wie bei jeder Enterprise-Plattform ist die reine Lizenzgebühr nur ein Teil der Gesamtkosten. In die Total Cost of Ownership gehören zusätzlich der einmalige Einführungsaufwand (Anbindung der Datenquellen, Datenmodellierung, Aufsetzen der Identitätslogik), der laufende Betriebsaufwand (Pflege, Monitoring, Datenqualität), die interne oder externe Datenkompetenz sowie eventuelle Zusatzfunktionen und Kanalkosten. Wer nur die Lizenz betrachtet, unterschätzt die tatsächlichen Kosten regelmäßig.
Die Kosten skalieren typischerweise mit dem verarbeiteten Datenvolumen und der Nutzung – ein für CDPs verbreitetes Muster. Das bedeutet: Mit wachsendem Datenbestand und breiterer Nutzung wächst auch die Rechnung. Diese Mechanik gehört von Anfang an in die Mehrjahres-Planung, damit der Erfolg des Projekts nicht in eine Kostenüberraschung mündet. Konkrete Zahlen und die genaue Abrechnungsmetrik sind individuell und sollten direkt beim Anbieter erfragt und vertraglich sauber fixiert werden.
Treasure Data ist ein Anbieter mit Wurzeln in den USA und Japan – beides Länder außerhalb der EU. Für den europäischen Einsatz sind daher der Serverstandort und die Frage der EU-Datenresidenz zentrale Prüfpunkte. Cloud-Anbieter betreiben ihre Dienste üblicherweise in mehreren Regionen, und ob eine EU-Region verfügbar ist, in der die personenbezogenen Daten innerhalb der EU verarbeitet und gespeichert werden, ist beim Anbieter konkret zu prüfen und vertraglich festzuhalten. Diese Prüfung sollte am Anfang stehen, nicht am Ende – denn eine CDP ist der zentrale Sammelpunkt personenbezogener Daten.
Selbst bei einer EU-Region bleibt zu bewerten, ob und in welchem Umfang ein Datentransfer außerhalb der EU stattfindet – etwa im Support, in der Administration oder bei Konzernzugriffen – und welche Transfer-Mechanismen (etwa Standardvertragsklauseln und zusätzliche Garantien) greifen. Als Unternehmen mit Sitz außerhalb der EU unterliegt der Anbieter grundsätzlich auch dem Recht seines Heimatstaats; das daraus folgende Restrisiko ist Teil der Abwägung. Für besonders sensible Datenkategorien, Berufsgeheimnisträger oder KRITIS-Umfelder empfiehlt sich eine gesonderte, dokumentierte Bewertung.
Für den datenschutzkonformen Einsatz ist ein Auftragsverarbeitungsvertrag (AVV bzw. Data Processing Agreement, DPA) mit dem Anbieter erforderlich. Ob dieser in einer den Anforderungen genügenden Form vorliegt, welche Unterauftragsverarbeiter eingebunden sind und wie Betroffenenrechte – Auskunft, Löschung, Widerspruch – über die Plattform abgebildet werden, gehört zu den Punkten, die vor Vertragsschluss zu prüfen sind. Gerade weil eine CDP Daten aus vielen Quellen zusammenführt, muss auch das Einwilligungsmanagement sauber greifen: Nur Daten, für deren Nutzung eine gültige Rechtsgrundlage besteht, dürfen in die Profile und ihre Aktivierung einfließen.
Wichtig bleibt: Die datenschutzrechtliche Verantwortung als Verantwortlicher im Sinne der DSGVO liegt beim einsetzenden Unternehmen, nicht beim Plattformanbieter. Die Plattform stellt Werkzeuge bereit; ob sie rechtmäßig eingesetzt werden, entscheidet die eigene Konfiguration und Governance. Deshalb gehören Datenschutz und Datenhoheit bei einer CDP nicht ans Ende der Auswahl, sondern an den Anfang – als Kriterium, das über die grundsätzliche Machbarkeit mitentscheidet.
