Dabei verändert sich auch die Rolle der Daten. Unternehmen verfügen heute über riesige Mengen an Informationen über ihre Kundinnen und Kunden. CRM-Daten, Transaktionen, Content-Nutzung, Interaktionen und viele weitere Datenpunkte liefern wichtige Einblicke. Für sich genommen erzählen sie jedoch vor allem, was bereits passiert ist.

Doch es entstehen darüber hinaus immer mehr dynamische Signale: aktuelle Interessen, Verhaltensmuster, Situationen, Kontext und Veränderungen entlang der Customer Journey. Solche Signale sind auf Marken, Retailer, Publisher, Plattformen und weitere Partner verteilt. Für das datengetriebene Marketing ist deshalb wichtig, wie Unternehmen diese Daten datenschutzsicher miteinander verbinden können, um daraus relevante Erkenntnisse zu gewinnen.

Lange Zeit lag der Fokus im Marketing darauf, mithilfe von IDs möglichst umfassende Datensätze aufzubauen. Dabei ging es vor allem darum, Kundinnen und Kunden besser zu verstehen: Wer ist die Person, was hat sie gekauft, welche Inhalte hat sie konsumiert und welche Interaktionen lassen sich ihr zuordnen?

Diese Informationen bleiben wichtig, doch sie bilden nur einen Teil des Bildes ab. Ein Kauf sagt beispielsweise zunächst nur etwas darüber aus, was jemand gekauft hat. Das Signal dahinter kann wesentlich mehr erzählen: War es ein Wiederholungskauf? Wurde das Produkt gemeinsam mit anderen Produkten gekauft? Was passiert gerade in der Lebenssituation oder Umgebung dieser Person?

So wird aus Daten Intelligence. Sie entsteht aus statischen Informationen, schnelllebigen Signalen und dem richtigen Kontext. Damit können beispielsweise Kaufwahrscheinlichkeiten vorhergesagt, Zielgruppen besser verstanden, Kampagnen angepasst oder Zusammenhänge mit Kaufentscheidungen erkannt werden.

Künstliche Intelligenz kann dabei helfen, diese großen Mengen unterschiedlicher Signale miteinander in Beziehung zu setzen, um daraus Muster, Prognosen und Handlungsempfehlungen abzuleiten. Dafür benötigt sie allerdings Zugriff auf die relevanten Daten und den richtigen Kontext.

Ein gutes Beispiel dafür stammt aus dem Sportmarketing: Welche Interessen ein Fan eines Fußballclubs hat, lässt sich nicht aus einer Transaktion oder einer E-Mail-Adresse ableiten. Genauso wichtig ist, ob die Lieblingsmannschaft gerade gewonnen oder verloren hat, wo sich ein Fan befindet, welche Inhalte die Person konsumiert oder welche kulturellen und sozialen Interessen sie außerhalb des Sports prägen.

Je mehr relevante Signale gemeinsam analysiert werden können, desto detaillierter wird das Gesamtbild. Doch Unternehmen stehen vor der Herausforderung, diese Informationen schnell und datenschutzsicher nutzbar zu machen.

Dabei spielt Data Collaboration eine wichtige Rolle. Die Frage rund um die Vernetzung der Daten lautet zunehmend nicht nur, wie zwei Unternehmen einen bestimmten Datensatz für einen bestimmten Anwendungsfall nutzen können. Es geht darum, wie unterschiedliche Partner kontinuierlich relevante Signale beisteuern und daraus gemeinsam neue Erkenntnisse gewinnen können.

Ein Retailer verfügt beispielsweise über detaillierte Informationen zum Kauf- und Produktverhalten. Ein Publisher verfügt über Daten zur Nutzung seiner Inhalte. Eine Marke hat eigene First-Party-Signale und Informationen über Interaktionen mit ihren Kundinnen und Kunden. All diese Datensätze mit ihren unterschiedlichen Perspektiven ergeben zusammen ein wesentlich umfassenderes Bild von Zielgruppen und Situationen.

Sogenannte Private Data Networks können dafür einen technischen Rahmen schaffen. Sie ermöglichen es Unternehmen, Daten und Signale miteinander zu verbinden, während diese in den jeweiligen Umgebungen und beim jeweiligen Data Owner bleiben. Dabei geht es nicht darum, dass ein Netzwerk automatisch ein bestimmtes KI-Modell trainiert oder eine bestimmte Form von Intelligence erzeugt. Vielmehr schafft es die technische Grundlage dafür, dass unterschiedliche Datenquellen und Partner in definierten Anwendungsfällen miteinander arbeiten können.

Welche Technologien dabei zum Einsatz kommen, hängt vom jeweiligen Anwendungsfall ab. Federated Learning kann beispielsweise genutzt werden, um Machine-Learning-Modelle über verteilte Datenquellen hinweg zu trainieren, ohne die zugrunde liegenden Daten zentral zusammenzuführen. Andere Privacy-Enhancing Technologies können ebenfalls relevant sein.

Entscheidend bleibt aber die Qualität der Daten, der Signale und des Modells. Vernetzte Daten allein führen nicht automatisch zu besseren Ergebnissen. Wenn die zugrunde liegenden Informationen unvollständig, veraltet oder ungeeignet sind, wird auch ein hochentwickeltes KI-System keine besseren Entscheidungen daraus ableiten können.

Das ist ein wichtiger Punkt beim Einsatz von KI im Marketing, der häufig übersehen wird. Eine KI kann noch so leistungsfähig sein, aber wenn relevante Informationen oder der nötige Kontext fehlen, bleiben die Ergebnisse oberflächlich.

Der Unterschied zeigt sich besonders bei dynamischen Marketingentscheidungen. Eine KI kann auf Basis allgemeiner Daten eine Zielgruppe oder eine Handlungsempfehlung identifizieren. Werden zusätzliche Informationen über die Situation, das Verhalten, Interessen oder aktuelle Ereignisse einbezogen, kann sich diese Empfehlung ändern.

Darin liegt eine der Chancen von Private Data Networks. Sie können unterschiedliche Signale und Perspektiven miteinander verbinden und damit die Grundlage für Entscheidungen schaffen, die stärker auf der jeweiligen Situation und den Zielen eines Unternehmens basieren.

Für Künstliche Intelligenz und insbesondere für agentische Systeme wird Kontext also umso wichtiger. Agenten können innerhalb definierter Ziele und Rahmenbedingungen Empfehlungen ableiten und Aufgaben übernehmen. Damit solche Systeme sinnvoll eingesetzt werden können, braucht es leistungsfähige Modelle, hochwertige Daten, klare Governance, Interoperabilität und menschliche Verantwortung.

Die Entwicklung von Data Collaboration ist damit noch nicht abgeschlossen. Die Branche bewegt sich von einzelnen Datensätzen und punktuellen Kooperationen hin zu einem stärker vernetzten Verständnis von Daten, Signalen und Intelligence.

Dabei wird Identität nicht verschwinden. Sie wird vielmehr Teil eines größeren Informationsbildes. Denn für viele Marketingentscheidungen ist nicht nur relevant, wer eine Person oder ein Haushalt ist, sondern auch, was gerade passiert, welche Signale zusammenkommen und welche Faktoren mit dem Verhalten zusammenhängen.

Das verändert auch den Blick auf den Wert von Daten. Ein Datensatz für sich allein kann wertvoll sein. Noch wertvoller wird er, wenn er im richtigen Kontext mit anderen Signalen verknüpft werden kann und daraus eine konkrete Entscheidung oder Prognose abgeleitet wird.

Für Unternehmen bedeutet das, dass sie ihre Datenstrategie zunehmend als Teil eines größeren Ökosystems betrachten müssen. Sie brauchen Zugang zu relevanten Signalen, ohne Datenhoheit und Kontrolle aufzugeben. Sie müssen in der Lage sein, unterschiedliche Technologien für unterschiedliche Anwendungsfälle einzusetzen. Und sie müssen sicherstellen, dass die daraus resultierende Intelligence vertrauenswürdig und nachvollziehbar bleibt.

Die Zukunft des datengetriebenen Marketings wird deshalb weniger von der Frage bestimmt, wer die meisten Daten besitzt. Wichtiger wird sein, wer relevante Signale sicher verbinden, in den jeweiligen Kontext einordnen und daraus schneller bessere Entscheidungen ableiten kann.

Darin liegt die nächste Evolutionsstufe von Data Collaboration: Daten bleiben dort, wo sie entstehen. Ihr Wert entsteht durch die Intelligence, die aus ihrem sicheren Zusammenspiel gewonnen werden kann.