Ich durfte bereits einige Einführungen von Customer Data Platforms (CDP) im Rahmen der Kundendatenstrategien begleiten. Dabei ist mir ein Muster aufgefallen, das dabei fast alle Unternehmen durchlaufen. Nicht interessiert an CDP Themen? Dran bleiben lohnt sich, denn der Pattern greift bei jedem Case der Daten- und Wissensdemokratisierung – ich sag nur AI.
Die Reise in sechs Phasen (ja, sie beginnt bei 0):
0. Selection
Wie der Name schon verrät, geht es hier um die Auswahl der passenden Customer Data Platform. Bereits hier sollte man zumindest eine grobe Idee haben, wie man die CDP später in der Organisation verankern möchte. Häufig erfolgt die Auswahl aber primär auf Basis von Feature Listen oder Preisen. „Wer das macht kann man ja später noch diskutieren.“
1. Implementation
Je nach Anbieter und Unternehmen dauert diese Phase 3 bis 6 Monate. Im Prinzip geht es hier erstmal darum, das technische Versprechen einzulösen und das Statement of Work zu erfüllen oder die definierten 2-3 Pilot-Cases umzusetzen. Erfolgreich ist diese Phase, wenn alles tut, wie es soll und die ersten MVPs rund laufen.
2. Experimentation
Nach der erfolgreichen Implementation kommt meist ein kreativer Schub: Was kann man mit dem Ding noch alles anstellen? Man testet weitere Audience-Konzepte, bindet zusätzliche Channels an, holt eine weitere Abteilung ins Setting, schaut sich das AI-Modul an und probiert die Reporting-Funktionen aus. Das dauert gern sechs bis neun Monate, je nachdem, wie sehr sich ein Unternehmen in den Möglichkeiten der neuen Kundenperspektive verliert.
Kleiner Einschub: Das Management betritt die Bühne mit der im Marketing über alles gefürchteten Frage: Welchen ROI liefert dieses Ding namens CDP eigentlich? Der CDP Product Owner bekommt Schweißperlen auf der Stirn und startet unmittelbar in die Skalierung. Phase 3.
3. Scaling
Jetzt zählt Output: mehr Audiences, mehr Datenquellen, mehr Kanäle, mehr Abteilungen, mehr Abstimmungen.
Wer betreibt das alles eigentlich? Stimmt ein Operating Model muss her. Es gibt allerdings kein zusätzliches Personal, kein zusätzliches Budget, keine neue Rollen. Die Kollegin von Marketing Automation kann doch ein bisschen mit unterstützen, und vielleicht kann der Kollege vom Analytics Team ab und zu drauf schauen. Der hat schon mal was mit Daten gemacht.
4. Operating Model
Ja, zumindest sowas in der Art. Eigentlich bleibt alles beim Alten, nur dauert jetzt alles länger. Und während der CDP Product Owner zum Bottleneck mutiert, folgt in den Teams die Erkenntnis, die hier plötzlich keinen zu überraschen scheint: „Diese CDPs funktionieren nicht. Hab ich doch schon immer gewusst.“
5. Re-Evaluation
Natürlich ist der Anbieter schuld an der Misere, an der Skalierung, die im Chaos geendet ist. Ganz klar, eine andere CDP muss her. Der Umbau ist aber zu teuer? Also lassen wir alles, wie es ist. Weiter so wie gehabt.
Das eigentliche Problem: das Operating Mogel (mit „g“)
Dem aufmerksamen Leser dürfte aufgefallen sein, dass das Operating Model in dieser Beschreibung erst nach der Skalierungs-Phase kommt. Und genau hier liegt das Problem. Idealerweise wäre hier die Reihenfolge umgekehrt, aber das entspricht in den meisten Fällen nicht die Realität.
Unternehmen skalieren so lange, bis das CDP Core Team – falls überhaupt vorhanden – maximal ausgelastet ist und alle Kapazitäten bis zum letzten Pixel optimiert wurden. In der Regel folgen diesem Punkt dann eines der 3 Szenarien:
- Das Core Team wird „virtuell“ aufgestockt, laut Organigramm wirken jetzt mehr Leute mit, aber an der Zusammenarbeit und an den Rollen ändert sich nichts, ebenso wenig wie an den Kapazitäten.
- Die Verantwortung wandert zu den Channel Ownern, nach dem Motto: Die können das ja ein bisschen mitmachen. Klingt gut, aber ohne Guidelines kommt beim Kunden dasselbe kommunikative Chaos an wie vor der CDP. Das 360°-Kundenprofil ist vorhanden, nur interpretiert jeder in der Organisation die Informationen anders.
- Es passiert nichts, weil Geld, Ideen und Kapazität fehlen. Der CDP Product Owner wechselt frustriert in den HR-Bereich.
Was stattdessen helfen würde
Der Schlüssel zum Erfolg liegt hier in einem nachhaltigen Operating Model, das die Bedarfe verschiedener Personen, Teams und Abteilungen zusammenführt und orchestriert. Es muss klären, wer die Plattform betreibt, welche Rollen es dafür braucht, nach welchen Guidelines Daten interpretiert und genutzt werden und mit welcher Kapazität das Ganze dauerhaft betrieben werden muss – und zwar bevor skaliert wird, nicht danach. Ein „Wir wollen eine Data- und AI-driven Company werden, aber bitte sehr mit bestehenden Strukturen“ funktioniert nicht.
Das ist keine CDP-Besonderheit.
Gelingt die team- und abteilungsübergreifende Zusammenarbeit nicht, scheitert nicht nur die CDP-Einführung, sondern jede Form der Daten- und Wissensdemokratisierung. Für AI gilt das genauso wie für Datenarchitekturen.