Gute Daten, schlechte Daten – die Basis für KI im Marketing | Marketing on Fire #375

Zusammenfassung

Saubere Datenstrukturen werden gerade im KI-Zeitalter immer wichtiger. Relevante Daten müssen aus unterschiedlichen Silos zusammengeführt, harmonisiert und eindeutig beschrieben werden. Besonders wichtig sind dabei Metadaten und klare KPI-Definitionen, damit sowohl Menschen als auch KI-Systeme verstehen, was einzelne Werte tatsächlich bedeuten.

Besonders ERP-Daten haben dabei eine hohe Relevanz, weil sie tatsächliche Bestellungen, Rechnungen und Zahlungsströme abbilden. Diese Daten lassen sich anschließend mit Tracking- und Marketingdaten verknüpfen. Gerade für Kennzahlen wie CAC oder Umsatz ist das deutlich belastbarer, als sich ausschließlich auf die Zahlen einzelner Plattformen wie Google oder Meta zu verlassen.

Großes Potenzial besteht darin, Daten nicht mehr nur über Dashboards und Reports zugänglich zu machen, sondern sie direkt mit Large Language Models zu verbinden. So können Mitarbeitende mit ihren Unternehmensdaten interagieren, Fragen stellen und sich von allgemeinen Entwicklungen bis zu konkreten Ursachenanalysen vorarbeiten. Entscheidend ist jedoch, dass die Daten sauber strukturiert sind und klare Guardrails gesetzt werden. 

Auch Forecasting und Budgetplanung verändern sich durch KI. Historische Daten können heute leichter mit externen Faktoren wie Wetter, Marketingbudgets, Beständen oder wirtschaftlichen Entwicklungen kombiniert werden. Dadurch lassen sich Forecasts schneller aktualisieren und Budgets häufiger anpassen.

Zum Abschluss geht es darum, wie Unternehmen ihr Datenfundament von Anfang an richtig aufbauen können. Dazu gehören ein Data Warehouse, ein konsistentes Datenmodell und klare Definitionen der relevanten KPIs. Für gewachsene Unternehmen besteht die Herausforderung vor allem darin, historisch entstandene Systeme sinnvoll zusammenzuführen. Neue Unternehmen haben dagegen die Chance, früh saubere Strukturen aufzubauen und Legacy-Probleme zu vermeiden.