Kundendaten gibt es meistens genug. Was häufig fehlt, ist ein gemeinsamer Weg von diesen Daten zu besseren Entscheidungen und nutzbaren Kundenprozessen. Das Marketing kennt die Kampagne, der Vertrieb das Gespräch und der Service das offene Anliegen. Solange diese Perspektiven getrennt bleiben, muss der Kunde die Verbindung im Zweifel selbst herstellen.
Unter Customer Intelligence (CI) verstehen wir die systematische Sammlung, Analyse und Nutzung von Kundendaten mit dem Ziel, datenbasierte Use Cases zu realisieren und den Wert von Kundenbeziehungen zu maximieren. Das Customer Intelligence Evolution Framework, kurz CIEF, strukturiert den dafür nötigen Aufbau. Es verbindet Managementziele, Datenintegration, Datenqualität, Erkenntnisse und ihre praktische Anwendung.
Ein Framework, fünf zusammenhängende Aufgaben
CIEF umfasst fünf Stufen: Targets & Commitment, Data Integration, Data Quality, Insights und Use Cases. Dahinter steckt keine Einkaufsliste für neue Software. Die Stufen beschreiben, was ein Unternehmen beherrschen muss, damit Kundendaten im Alltag Wirkung entfalten können. Eine Plattform unterstützt diesen Aufbau, nimmt dem Unternehmen die fachlichen Entscheidungen aber nicht ab.
Das Framework unterscheidet den grundlegenden Aufbau von der anschließenden Weiterentwicklung. In der Setup-Phase werden Ziele, Datenbasis und Auswertungsmöglichkeiten geschaffen. Danach entstehen in der Grow-Phase weitere Anwendungen. Dabei werden die Grundlagen weiter gepflegt. Datenqualität ist also kein Haken auf einer Projektliste, den nach dem ersten erfolgreichen Test niemand mehr ansehen muss.
Targets & Commitment: Wofür lohnt sich die Datenarbeit?
Am Anfang steht die Frage, welchen Beitrag Customer Intelligence zum Geschäft leisten soll. Ohne eine klare Zielsetzung bleibt unbestimmt, welche Informationen gebraucht werden und wie eine Verbesserung zu beurteilen ist. Das Management muss diese Richtung vorgeben und die nötigen Ressourcen für Personal, Technologie und Umsetzung bereitstellen.
Commitment zeigt sich außerdem in der täglichen Zusammenarbeit. Wenn Zuständigkeiten unklar sind oder unterschiedliche Bereiche dieselben Daten anders verstehen, braucht es Entscheidungen und Unterstützung. Die Motivation der Beteiligten gehört deshalb genauso zum Aufbau wie Budget und IT. Ein gemeinsames Ziel ist erst dann hilfreich, wenn die Menschen auch daran arbeiten können.
Data Integration: Die Kundenbeziehung über Systeme hinweg verbinden
Marketing Automation, CRM und ERP erfüllen unterschiedliche Aufgaben. Gemeinsam enthalten sie Informationen über eine Kundenbeziehung, die für weitere Anwendungen gebraucht werden. Integration verbindet diese Informationen aus internen und gegebenenfalls externen Quellen. Sie schafft die Voraussetzung dafür, dass nicht jede Abteilung mit einer eigenen Version derselben Beziehung arbeitet.
Ein Golden Record konsolidiert die relevanten Informationen zu einem zusammenhängenden Kundenbild. Die fachliche Herausforderung besteht dabei nicht nur im Transport von Daten. Datensätze müssen derselben Person oder Organisation zugeordnet werden können. Erst diese Verbindung macht Informationen aus mehreren Systemen gemeinsam nutzbar.
Welche Quellen und Datenklassen für eine Anwendung tatsächlich relevant sind, vertieft der SODA-Ansatz zum Aufbau einer passenden Datenbasis. Das organisatorische Vorgehen des CIEF und die Auswahl der benötigten Daten ergänzen sich damit.
Data Quality: Eine gemeinsame Sicht muss auch belastbar sein
Die Verbindung von Systemen löst Qualitätsprobleme nicht automatisch. Fehlende Angaben, widersprüchliche Werte oder Dubletten können weiterhin zu unzuverlässigen Auswertungen führen. CIEF behandelt Datenqualität deshalb als eigene Aufgabe. Es geht um die Prüfung und Verbesserung der Informationen, auf denen spätere Entscheidungen beruhen.
Dazu müssen Prozesse und Zuständigkeiten passen. Wenn ein Fehler korrigiert wurde, sollte er nicht beim nächsten Austausch aus einem anderen System zurückkehren. Die Pflege der Daten und ihre konsistente Nutzung über Systemgrenzen hinweg gehören zusammen. Für eine konkrete Anwendung ist entscheidend, welche Qualität ihre Daten tatsächlich haben müssen und wie diese im Betrieb erhalten wird.
Insights: Aus Informationen wird eine Entscheidungsgrundlage
Auf der integrierten Datenbasis können Unternehmen Muster und Zusammenhänge untersuchen. Kennzahlen und Auswertungen helfen, Entwicklungen in den Kundenbeziehungen sichtbar zu machen. Die Aufgabe besteht darin, daraus Erkenntnisse abzuleiten, mit denen Fachbereiche und Management etwas anfangen können.
Eine Auswertung hat dabei noch keinen Kundenprozess verändert. Sie schafft zunächst Orientierung: Wo liegen Potenziale, welche Entwicklungen fallen auf und welche Fragen müssen genauer untersucht werden? Der Schritt zur Verwendung folgt mit den Use Cases. Ein Dashboard ist hilfreich, wenn es diese Arbeit unterstützt. Seine bloße Existenz ist noch kein Ergebnis.
Use Cases: Erkenntnisse in Kundenprozesse übersetzen
Konkrete Anwendungen können aus zwei Richtungen entstehen. Top-down werden sie aus der Unternehmensstrategie und aus bekannten Problemen abgeleitet. Bottom-up können die Daten neue Zusammenhänge sichtbar machen, aus denen zusätzliche Ideen entstehen. Fachliches Wissen, Kreativmethoden und Datenkompetenz bringen beide Perspektiven zusammen.
Das Spektrum reicht vom Lead Management über personalisierte Angebote und Kundenbindung bis zur Rückgewinnung. Welche Anwendung Vorrang hat, sollte sich an ihrem erwarteten Nutzen und den erforderlichen Aufwänden orientieren. Für die wirtschaftliche Perspektive ist auch der Customer Lifetime Value relevant: Er richtet den Blick auf den Wert der Kundenbeziehung über einzelne Kontakte und Abschlüsse hinaus.
Nach der Umsetzung wird die Zielerreichung über geeignete Kennzahlen beobachtet. Damit schließt sich der Zusammenhang zwischen Zielsetzung, Datenarbeit und Anwendung. Weitere Use Cases erweitern den Nutzen der geschaffenen Grundlage. Gleichzeitig zeigen die Erfahrungen, wo Daten, Prozesse und Auswertungen angepasst werden müssen.
Die Organisation gehört zur Datenarchitektur
Die Voraussetzungen für Customer Intelligence lassen sich nicht auf technische Schnittstellen reduzieren. Neben Daten und Technologie nennt das Framework Personal, organisatorische Verankerung und funktionsübergreifende Zusammenarbeit. Fachbereiche müssen ihre Anforderungen einbringen können. Daten- und IT-Kompetenz muss diese Anforderungen in nutzbare Lösungen übersetzen.
Interdisziplinäre Teams verbinden diese Fähigkeiten. Externe Partner können ergänzen, was intern fehlt. Verantwortlichkeiten und Zusammenarbeit bleiben aber eine Aufgabe des Unternehmens. Wer Customer Intelligence ausschließlich als Analyseprojekt organisiert, greift deshalb zu kurz: Die Erkenntnisse müssen auch in Vertrieb, Marketing und Service ankommen.
Ein Aufbau, der mit seiner Verwendung weiterlernt
CIEF hilft, die einzelnen Aufgaben als zusammenhängenden Entwicklungsweg zu betrachten. Ziele geben der Datenarbeit eine Richtung. Integration und Qualität schaffen eine belastbare Grundlage. Erkenntnisse ermöglichen konkrete Anwendungen, deren Ergebnisse wiederum die nächste Entwicklung beeinflussen.
Der ZSH-Praxisbeitrag ergänzt diesen Grundlagenblick um die Umsetzung in einem Unternehmen. Der entscheidende Gedanke bleibt derselbe: Kundendaten werden erst dann zur Wertschöpfungsquelle, wenn Menschen, Systeme und Prozesse sie für sinnvolle Entscheidungen und Handlungen nutzen.
Eigenständige redaktionelle Aufbereitung auf Grundlage von Kapitel 1 von Prof. Dr. Emanuel Bayer und Manuel Marini in Customer Intelligence (Springer Gabler, 2025). Zum Originalkapitel.













