Customer Intelligence bei ZSH: Wie aus verbundenen Daten eine gemeinsame Vertriebsgrundlage wird

Thema: CIEF in der Praxis
0
Profilbild von Manuel Marini
Autor
Manuel Marini
Porträt von Lars G. Volkmann
Autor
Lars G. Volkmann
Porträt von Jonathan Höhn
Autor
Jonathan Höhn
CIEF: Von Targets und Commitment über Datenintegration, Datenqualität und Insights zu Use Cases

CRM, Provisionen und Marketingkontakte können miteinander verbunden sein, ohne schon dieselbe Geschichte über einen Kunden zu erzählen. Für die Unternehmenssteuerung reichen übertragene Daten allein nicht aus. Es muss klar sein, welche Beziehungen sie abbilden, wie verlässlich sie sind und welche Entscheidung daraus folgen soll. Der ZSH-Fall zeigt diese Arbeit am Zusammenhang.

Bei ZSH wurde eine Customer Data Platform, kurz CDP, als gemeinsame Grundlage für Kundeninformationen aufgebaut. Das Customer Intelligence Evolution Framework, CIEF, strukturiert den Entwicklungsweg von Zielen und Verantwortung über Integration und Datenqualität bis zu Erkenntnissen und Use Cases. Der hier dargestellte Fall bezieht sich auf den dokumentierten Stand von 2025.

Der Ausgangspunkt war ein fragmentierter Blick auf Kunden und Verträge

Im beschriebenen Aufbau wurden Informationen aus CRM, einem an SAP angebundenen Provisionssystem und HubSpot genutzt. Die Quellen erfüllten unterschiedliche Aufgaben. Eine bereits vorhandene operative Kopplung bedeutete jedoch nicht, dass für übergreifende Analysen dieselbe Datenlogik verfügbar war.

Damit lag die Aufgabe über einer zusätzlichen Schnittstelle. Kunden-, Vertrags- und Marketinginformationen mussten fachlich verbunden werden, damit sowohl Steuerung als auch tägliche Vertriebsarbeit darauf aufbauen konnten. Der Fall macht verständlich, weshalb eine Organisation trotz vorhandener Systeme Schwierigkeiten haben kann, einen zusammenhängenden Kundenstand zu beurteilen.

Das CIEF ordnet die Aufgaben entlang ihrer Voraussetzungen

Das CIEF verbindet fünf Stufen: Targets & Commitment, Data Integration, Data Quality, Insights und Use Cases. Zuerst werden Ziele und Verantwortung geklärt. Dann folgen die Verbindung der Quellen und die Arbeit an ihrer Qualität. Aus den verlässlicheren Kundendaten sollen Erkenntnisse und konkrete Anwendungen entstehen. Jede Stufe braucht dafür eine fachliche Aufgabe.

Diese Struktur hilft, Abhängigkeiten sichtbar zu machen. Eine neue Bewertung kann beispielsweise wenig helfen, wenn die zugrunde liegenden Identitäten unklar sind. Gleichzeitig muss die geschäftliche Aufgabe früh genug bekannt sein, um Integration und Qualität daran auszurichten. Das Framework bietet damit Orientierung für die Zusammenarbeit; die einzelnen Stufen müssen im konkreten Vorhaben mit Anforderungen und Zuständigkeiten gefüllt werden.

Integration benötigt ein gemeinsames fachliches Modell

Die Quellen wurden in einem gemeinsamen Datenraum zusammengeführt. Für die Nutzung mussten auch die Beziehungen zwischen den enthaltenen Objekten verständlich werden: Welche Person gehört zu welchem Vertrag, welche Kennung verbindet die Systeme und welche Information gilt für die jeweilige Frage? Erst damit wird aus dem Datenfluss eine nutzbare Kundensicht.

Werden diese Beziehungen nicht geklärt, können zwar mehr Daten verfügbar sein, aber weiterhin unterschiedliche Antworten entstehen. Eine stabile Integration erhält deshalb auch den fachlichen Zusammenhang und die Herkunft von Änderungen. Diese Nachvollziehbarkeit hilft, spätere Rückfragen und Abweichungen gezielt zu untersuchen.

Datenqualität wird Teil des laufenden Betriebs

Der Fall beschreibt die Konsolidierung von Kundeninformationen und die Arbeit an ihrer Verlässlichkeit. Ein gemeinsamer Datenbestand braucht dafür Regeln, nach denen Identitäten erkannt und widersprüchliche Angaben behandelt werden. Eine technisch vollständige Übertragung reicht als Qualitätsnachweis nicht aus.

Dafür braucht es einen Data Steward: eine fachlich verantwortliche Rolle, die Datenqualität im Alltag betreut. Zu ihren Aufgaben gehören der Umgang mit fraglichen Zuordnungen, die Bearbeitung von Auffälligkeiten und die Abstimmung von Korrekturen. Die Plattform stellt Funktionen bereit. Wer über Qualität entscheidet, muss die Organisation festlegen.

Gemeinsame Insights verlangen gemeinsame Definitionen

Ein Dashboard kann Informationen verdichten und verschiedenen Rollen zugänglich machen. Seine Aussagekraft hängt jedoch davon ab, ob Kennzahlen und Bezugsgrößen verstanden werden. Unterschiedliche Auslegungen eines Status oder eines betrachteten Zeitraums können auch bei identischer Datenquelle zu Missverständnissen führen.

Für die Zusammenarbeit ist daher relevant, welche Frage eine Ansicht beantworten soll. Die Geschäftsführung benötigt möglicherweise eine andere Verdichtung als die operative Betreuung. Beide Perspektiven sollten auf nachvollziehbaren Grundlagen beruhen. Eine gemeinsame Datenbasis bedeutet nicht, dass jeder dieselbe Darstellung erhält, sondern dass Unterschiede fachlich erklärbar bleiben.

Anwendungsfälle müssen priorisiert und begleitet werden

Lead-Priorisierung, Kündigungsrisiken und nächste Handlungsmöglichkeiten gehören zu den betrachteten Anwendungsfeldern. Für jeden dieser Use Cases muss die Datengrundlage gesondert passen. Eine identifizierte Anwendungsmöglichkeit ist deshalb zunächst eine Aufgabe für die weitere Entwicklung; ihre Wirkung muss im Einsatz geprüft werden.

Im beschriebenen Vorgehen übernimmt ein interdisziplinäres Customer-Intelligence-Board die Priorisierung und Lenkung. Ein Product Owner verbindet Anforderungen und operative Umsetzung. Für die Übertragbarkeit ist daran besonders wichtig, dass fachliche Ziele und technische Arbeit nicht unabhängig geplant werden. Die Organisation benötigt einen Weg, Anforderungen zu bewerten, Hindernisse zu klären und neue Erkenntnisse in die nächste Entscheidung einzubeziehen.

Der Beitrag zur Vertriebsarbeit muss konkret erkennbar werden

Eine neue Datensicht ist dann hilfreich, wenn sie eine tatsächliche Aufgabe besser bearbeitbar macht. Kann eine zuständige Person relevante Informationen schneller zusammenführen? Ist ein offener Vorgang nachvollziehbarer? Lässt sich eine Priorisierung fachlich begründen? Solche Fragen verbinden die Plattform mit dem Arbeitsalltag.

Für einen neuen Anwendungsfall sollte vorab feststehen, woran eine Verbesserung erkennbar wäre. Das kann zunächst die Verlässlichkeit eines Ablaufs oder die Qualität einer Entscheidung betreffen. Eine pauschale Aussage über steigende Abschlüsse würde darüber hinausgehen. Die vorliegende Aufbereitung übernimmt deshalb weder Erfolgszahlen aus anderen Studien noch behauptet sie zusätzliche aktuelle ZSH-Ergebnisse.

Übertragbar ist die Verbindung von Datenarbeit und Verantwortung

Andere Unternehmen können aus dem Fall eine Prüfstruktur ableiten: Welches Problem soll gelöst werden? Welche Quellen und Datenbeziehungen werden dafür benötigt? Wer trägt die Verantwortung für Qualität und Bearbeitung? Und welche konkrete Anwendung rechtfertigt den nächsten Ausbau?

Die Antworten hängen von der jeweiligen Organisation ab. Nicht jede Plattform und nicht jede Zuständigkeitsstruktur lässt sich unverändert übertragen. Der zentrale Gedanke bleibt jedoch tragfähig: Customer Intelligence entwickelt sich, wenn Integration, fachliches Verständnis und betriebliche Nutzung aufeinander abgestimmt werden. Eine gemeinsame Vertriebsgrundlage ist damit das Ergebnis laufender Zusammenarbeit und nicht allein das Resultat einer technischen Installation.

Die zweckgerichtete Auswahl der Daten vertieft der Beitrag zu SODA.

Die Zuordnung verteilter Informationen behandelt der Beitrag zum Golden Record.

Redaktionell eigenständige Aufbereitung auf Grundlage des Buchbeitrags von Lars G. Volkmann, Manuel Marini, Jonathan Höhn in Customer Intelligence (Springer Gabler, 2025). Zum Originalkapitel.

Weitere Beiträge zum Thema: CIEF in der Praxis.

Profilbild von Manuel Marini

Manuel Marini

Manuel Marini ist Mitgründer von MARINI und Mitentwickler des CIEF. Er verbindet digitalen Vertrieb mit Datenintegration, Golden Records und der praktischen Umsetzung von Customer Intelligence.

Zum Autorenprofil
Porträt von Lars G. Volkmann

Lars G. Volkmann

Lars G. Volkmann bringt Führungs- und Vertriebserfahrung aus Versicherungen und Finanzdienstleistungen mit. Seine Themen verbinden Unternehmensentwicklung, Beratungsqualität und die Nutzung von Kundendaten.

Zum Autorenprofil
Porträt von Jonathan Höhn

Jonathan Höhn

Jonathan Höhn beschäftigt sich mit Datenarchitekturen, Golden Records und Customer Data Platforms. Seine Projekterfahrung verbindet datenbasierte Marketing- und Vertriebsprozesse mit der technischen Weiterentwicklung von Datenplattformen.

Zum Autorenprofil
Du musst angemeldet sein, um einen Kommentar abzugeben.

Mehr zu Thema

CIEF in der Praxis
Veranstaltungsgrafik zum DDV Dialog Summit am 5. und 6. November 2026 in Frankfurt mit farbig leuchtenden Ringen.
Thema: Agentic & AI, CIEF in der Praxis

DDV Dialog Summit: Warum KI verlässliche Kundendaten braucht

Andreas Gozian und Emanuel Bayer stellten beim DDV Dialog Summit 2026 den Agentic Golden Record als Grundlage für Customer Intelligence vor.

Profilbild von Andreas Gozian
Autor
Andreas Gozian
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
CIEF-Stufenmodell mit Targets & Commitment, Data Integration, Data Quality, Insights und aufeinander aufbauenden Use Cases.
Thema: CIEF in der Praxis, Strategie & Organisation

CIEF: Wie aus Kundendaten systematisch Kundenwert entsteht

Das Customer Intelligence Evolution Framework verbindet Ziele, Datenintegration, Datenqualität und konkrete Use Cases. Wie Unternehmen daraus einen gemeinsamen Entwicklungsweg für Customer Intelligence machen.

Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Profilbild von Manuel Marini
Autor
Manuel Marini
Thema: CIEF in der Praxis

Ein Customer Intelligence Fachbuch mit strategischer Tiefe und echter Praxisnähe

Viele Unternehmen arbeiten seit Jahren mit Daten, CRM, KI und Marketing Automation. Systeme laufen stabil, Daten fließen zuverlässig, Berichte werden regelmäßig erstellt. Dennoch bleibt häufig ein Gefühl zurück, das kaum…
Profilbild von Manuel Marini
Autor
Manuel Marini
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer