Auf der OMR wurde es gerade erst wieder gefeiert: Die Zukunft des Marketings gehört AI-Agents und smarten Automatisierungen, die uns völlig neue Hebel eröffnen. Damit aus den inspirierenden Keynotes echte Erfolge im Daily Business werden, braucht es im Hintergrund jedoch ein entscheidendes Detail: eine absolut verlässliche Datenbasis.
Ohne dieses Fundament droht laut meinem Gast „Konfidenz ohne Korrektheit“ – eine KI, die zwar extrem selbstbewusst antwortet, aber auf unvollständigen Logiken basiert.
Wie schlagen wir also erfolgreich die Brücke von den großen Visionen zur realen Umsetzung im E-Commerce?
Wir sprechen darüber,
- wie man den Sprung vom Excel-Chaos zu einer verlässlichen Single Source of Truth schafft.
- warum AI keine unsaubere Datenbasis ersetzen kann – und wie eine gut vorbereitete Infrastruktur zum echten KI-Enabler wird.
- warum Datenprojekte keine reinen IT-Projekte sind, sondern nur durch die klaren Prioritäten des Managements echten Business Value stiften.
Eine erfrischend praxisnahe Folge für alle, die verstehen wollen, wie der erfolgreiche und nachhaltige Weg in die KI-Zukunft abseits des reinen Marketing-Hypes wirklich aussieht.
Timestamps:
(00:00) – Intro und Vorstellung von Yves
(03:30) – Hauptteil AI & Marketing
(24:45) – Abschluss und Tipps für Marketing-Teams
Hier findest du Yves Lüthi auf Linkedin:
https://www.linkedin.com/in/yves-luethi/
Mehr über X-Technology erfährst du auf ihrer Webseite:
https://www.x-bionic.com/de-de
Transkript zur Folge lesen
Intro
Maria-Lena Matysik: Hallo und herzlich willkommen zu einer neuen Episode der Analytics Sprechstunde.
Heute habe ich Yves Lüthi zu Gast. Yves ist Head of Tech & Data bei der X-Technology – dem Unternehmen hinter den Marken X-Bionic und X-Socks. X-Bionic entwickelt Performance-Equipment für Sportlerinnen und Sportler: Bekleidung, Accessoires und Schuhe. Zu den Nutzerinnen und Nutzern der Produkte gehören unter anderem professionelle Athletinnen und Athleten aus dem Spitzensport, und X-Bionic war letztes Jahr auch beim UTMB (Ultra-Trail du Mont-Blanc) in Chamonix präsent – kleiner Fangirl-Moment für mich 😀
In seiner Rolle verantwortet Yves die Commerce-Architektur, das ERP und die ganze Toollandschaft rundherum. Gleichzeitig treibt er Themen wie Datenarchitektur, digitale Transformation und AI Adoption im Unternehmen voran.
Er beschreibt sich selbst als Übersetzer zwischen den Business-Anforderungen an die Daten und der technischen Umsetzung. Yves schaut also nicht aus einer reinen Marketing-Perspektive auf Daten, sondern aus der Systemperspektive eines wachsenden E-Commerce-Unternehmens.
In diesem Interview nimmt Yves mich mit in den Status quo der Datenarchitektur bei X-Bionic. Anschließend teilt er seine Überlegungen, Anforderungen und Pläne für den Ausbau der Dateninfrastruktur hin zu einem AI-fähigen Setup.
Wir sprechen außerdem darüber,
- warum eine saubere Datenbasis wichtiger ist als jedes einzelne Tool,
- wie er und sein Team von uneinheitlichen Excel-Reports zu einer Single Source of Truth gekommen sind,
- wie E-Commerce-, Marketing- und Tracking-Daten zusammenspielen können
- und welche Rolle AI bei der Analyse von Marketing- und Kundendaten spielen kann (und vielleicht auch sollte).
Die Episode ist sehr hands-on und praxisnah geworden, weil Yves teilt, wie es wirklich ist, Daten, E-Commerce und AI zusammenzubringen – nicht als Hype nach dem Motto „Alles total einfach, wie ich in 5 Minuten 500 Agents gebaut habe und nie wieder arbeiten muss“, sondern wie es wirklich ist, die Datengrundlage für AI zu bereiten.
Und damit ab ins Interview.
Interview
Maria-Lena Matysik: Hi Yves, es ist mir eine große Freude, dass du heute in der Analytics Sprechstunde bist. Herzlich willkommen in meinem Studio – quasi zugeschaltet aus der Schweiz.
Yves Lüthi: Genau, aus Zürich. Vielen Dank für die Einladung, ich freue mich auch sehr. Hallo Maria! Ich bin sehr gespannt auf unser Gespräch.
Maria-Lena Matysik: Die Freude ist ganz meinerseits.
Im Fokus dieses Podcasts steht ja immer ein Learning rund um die Arbeit mit Daten und Insights – und darum, Business Value aus Daten zu generieren. Welches Learning hast du denn heute mitgebracht?
Yves Lüthi: Ich würde sagen, das Learning, das heute am besten zu unserem Thema passt, ist das Thema Datenbasis. Also: Welche Basis nimmst du, um Daten zu analysieren? Die ganze Thematik rund um BI und Datenauswertung – und jetzt natürlich auch das ganze Thema AI: Wie kann ich mit AI meine Daten besser auswerten und noch schneller zu Ergebnissen kommen? Das basiert am Ende des Tages immer noch auf einer guten Datenbasis.
Maria-Lena Matysik: Mhm.
Yves Lüthi: Und das braucht Zeit. Es ist nicht so, dass du einfach ein Tool nehmen, es mit irgendeinem System connecten und dann erwarten kannst, dass es dir die Daten so aufbereitet, wie du es gerne hättest – und dir im besten Fall auch noch sagt, was du jetzt damit tun sollst. Sondern du musst dir Gedanken über die darunterliegende Infrastruktur und Datenstruktur machen, um datenbasierte Entscheidungen treffen zu können, die wirklich reliable sind, also auf die du vertrauen kannst. Sonst ist schon die Gefahr da, dass es irgendwo in eine falsche Richtung geht. Im AI-Kontext nennt man das Halluzinieren: dass es eben nicht verlässlich ist.
Das Learning ist wirklich: Es braucht nach wie vor viel Zeit, die Datenbasis zu schaffen. Darum kommst du nicht herum. Aber wenn du sie hast, ist es mit den heutigen Tools natürlich viel effizienter, Entscheidungen zu treffen und Reportings zu fahren, als es vielleicht vor zehn Jahren noch war.
Maria-Lena Matysik: Magst du uns vielleicht einmal mitnehmen, wie die Ausgangssituation war und wie du beziehungsweise ihr als Team auf die Idee gekommen seid: Hey, da geht mehr, das geht besser, das geht vielleicht anders?
Yves Lüthi: Ja, sehr gerne. Da müssen wir ein paar Jahre zurückdrehen – ich würde sagen, Mai 2022, als ich bei X-Bionic angefangen habe. Du kannst dir das so vorstellen: Da war nicht allzu viel da im Bereich Infrastruktur und Systeme. Das war einerseits natürlich eine riesige Herausforderung, andererseits aber auch eine dankbare Ausgangslage für Tech-Leute, weil du deinen Stack im Prinzip from scratch neu definieren kannst.
Maria-Lena Matysik: Grüne Wiese.
Yves Lüthi: Die grüne Wiese, genau. Du kannst die Systeme auswählen und die Prozesse definieren, und es liegt schlussendlich an dir, wie gut das alles funktioniert. Du hast eben nicht diese ganze Legacy, die du irgendwie noch mitziehen und mit implementieren musst.
Ausgangspunkt war damals eigentlich die Implementierung eines ERP-Systems. Das haben wir auch relativ schnell und effizient gemacht, wir haben uns für Odoo entschieden. Wir haben dann aber auch schnell erkannt, dass die Datentransparenz nicht gegeben war. Das lag nicht am System, sondern daran, dass jeder seine Reports irgendwie aus Odoo gezogen hat. Odoo bietet eigentlich ein gutes Export-Tool, mit dem du die Daten ziehen kannst – aber was du dann damit machst, ist die andere Frage.
Maria-Lena Matysik: Mit Datentransparenz meinst du, dass alle im Team auf dieselben Daten schauen?
Yves Lüthi: Single Source of Truth, genau. Der eine zieht sich den Report mit diesen und jenen Feldern, der andere zieht ihn sich ein bisschen anders – und dann kommst du in einem Meeting zusammen und hast plötzlich ein unterschiedliches Verständnis von KPIs wie Revenue oder davon, wie Returns getrackt werden. Dann hast du Diskrepanzen in deinen Reports, der eine rechnet so und der andere so, und irgendwann sagst du: Okay, jetzt haben wir hier wieder Abweichungen – warum?
Das ist langfristig sehr unbefriedigend. Denn diese Zahlen reportest du ja auch nach oben, an die Shareholder und so weiter, und darauf basierend machst du auch Forecasts, Budgets et cetera. Wenn du da in der Datenhaltung, im Reporting und in der Definition der KPIs nicht konsistent bist, wird es irgendwann sehr ungemütlich.
Das hat uns dazu veranlasst zu sagen: Wir brauchen eine einheitliche, verlässliche Datengrundlage. Die haben wir geschaffen, indem wir ein BI-Tool eingeführt haben, das auf die ERP-Daten zugreift, aber dazwischen diesen semantischen Layer hat, der die Daten interpretiert und so aufbereitet, dass du sie im BI-Tool einfach auswerten und lesen kannst. Somit hat eigentlich jeder die gleiche Datengrundlage und die gleiche Interpretation der Daten.
Maria-Lena Matysik: Kannst du das vielleicht an einem Beispiel greifbarer machen? Wie muss man sich vorstellen, was der semantische Layer verändert?
Yves Lüthi: Stell dir vor, du hast eine riesige Datenbank im ERP-System. Die besteht aus Hunderten von Datentabellen, und da stehen die Zahlen drin. Um jetzt zum Beispiel einen Revenue-KPI zu definieren, musst du einmal festlegen: Was ist Revenue, wie wird er berechnet und welche Datenfelder sind dafür relevant? Wenn du das einmal gemacht hast, ist die Zahl, die da rauskommt, immer dieselbe. Dann gibt es einfach eine Revenue-Zahl, und die wird jeden Monat gleich berechnet.
Maria-Lena Matysik: Mhm.
Yves Lüthi: Mit den gleichen Rohdaten. Und diese Transformation von den Rohdaten zum finalen KPI, den du reportest – das ist eigentlich dieser semantische Layer dazwischen.
Und wenn du dir jetzt vorstellst, dass sich jeder diese Rohdaten einfach per Excel exportiert und den Revenue-KPI in seinem Excel selbst berechnet, ist die Gefahr groß, dass der eine Spalte C mal Spalte F nimmt und der andere Spalte D mal Spalte E. Dann ist es einmal netto, einmal brutto, einmal was auch immer – einfach nicht einheitlich. Das hat uns schon mal viel Ruhe und Vertrauen gebracht.
Jetzt kann man sagen: Okay, BI-Tools gab es vor zehn Jahren schon. Ja, das stimmt. Trotzdem war es für X-Bionic zu diesem Zeitpunkt extrem zentral, in diese Richtung zu gehen.
Und jetzt kommt natürlich die nächste Herausforderung: Okay, jetzt haben wir die Daten aus dem ERP, das sind die Grunddaten. Wie können wir die jetzt mit Third-Party-Daten anreichern? Sagen wir: Ad Spend, Google-Analytics-Daten, User Behavior et cetera. Die hast du normalerweise nicht im ERP. Im ERP hast du Transparenz über Umsatz, Marge, Kundendaten, Artikel-Performance und Logistik. Das war für uns, wie gesagt, fundamental. Und jetzt stellt sich die Frage: Können wir die nächste Stufe zünden, um weitere Analysen zu fahren und Entscheidungen zu treffen, die vor allem für den D2C-Bereich relevant sind?
Da stehen wir gerade, würde ich sagen – vor dieser zentralen Architekturfrage: Hast du ein Tool für alles? Findest du einen Weg, die Third-Party-Daten mit ins BI-Tool zu ziehen? Dann wird es relativ komplex, das heißt, die Datenmodellierung beziehungsweise die semantischen Layer-Komponenten werden sehr komplex. Oder sagst du: Kein Problem, wir nehmen ein Tool, das uns diese Daten bereits aufbereitet und zum Beispiel Shopify-kompatibel ist? Der Vorteil von Shopify ist, dass du ein recht breites Angebot an Apps und Systemen hast, die nativ mit Shopify funktionieren. Und dann bist du erst mal fein damit zu sagen: Ich habe meine ERP-Daten im BI-Tool, in dem ich die Makro-KPIs tracke. Und ich habe ein zweites Tool, das die Third-Party-Daten mit den E-Commerce-Daten und den Customer-Journey-Tracking-Daten noch mal aufbereitet.
Maria-Lena Matysik: Was sind denn deine Gedanken dazu – vor welchem Tod, den man am Ende sterben muss, steht man da?
Yves Lüthi: Einen muss man sterben, genau. Meine Tendenz ist zu sagen: Zum jetzigen Zeitpunkt können wir gut und gerne mit zwei Tools arbeiten, weil diese Daten nicht zwingend in einem System vereint werden müssen.
Maria-Lena Matysik: Weil die Komplexität einfach auch sehr groß werden würde.
Yves Lüthi: Die Komplexität wird enorm groß. Du kannst einerseits sagen: Ich nehme die Daten aus Shopify und den Third-Party-Tools und versuche, sie per Connector – oder manuell einmal im Monat, was dann auch keine saubere Lösung wäre – ins ERP-BI-Tool zu bringen. Dort musst du diese Daten aber erst mal wieder aufbereiten. Du schickst sie ja nicht direkt ins BI, sondern speicherst sie irgendwo im Data Warehouse und musst sie dann im BI-Layer aufbereiten, also visualisierbar machen.
Oder du gehst den anderen Weg und fragst: Welche Daten aus dem ERP brauche ich zwingend auch auf der anderen Seite? Das ist meistens viel weniger, weil die ganzen Transaktionsdaten und Kundendaten aus Shopify sowieso schon da sind. Du hast aber den Vorteil, dass diese Tools die Third-Party-Daten und eben auch den Marketing Spend so aufbereiten, dass du dir daraus deine KPIs bauen kannst.
Ich tendiere also dazu, zweigleisig zu fahren. Das kann man durchaus vertreten – mit dem Vorteil, dass dieses Thema Semantic Layer, also diese Abstraktionsschicht zwischen den Rohdaten und dem Endnutzer, einfach sauber funktioniert. Und wenn du das hast, kannst du auch anfangen, mit AI Datenanalysen zu fahren. Denn wenn du AI direkt auf die Rohdaten loslässt, besteht die Gefahr, dass es zu Fehlinterpretationen kommt. AI erkennt die Daten zwar und kann sie vielleicht auch bis zu einem gewissen Grad intelligent interpretieren, aber du läufst einfach das Risiko, dass es irgendwo zu Halluzinationen kommt. Und dann kann es schon auch zu fatalen Fehlentscheidungen kommen, wenn du nur noch darauf vertraust.
Ich glaube, heutzutage gibt es wirklich Tools da draußen, die uns einen riesigen Mehrwert schaffen würden und die sich nativ mit AI – Claude, ChatGPT, whatever – verbinden. Und dieser Traum – ich tippe einfach nur noch meine Frage in mein AI-Tool, und das Tool spuckt mir die Antwort aus, inklusive drei Recommendations, wie ich meine Marge über welchen Channel oder welches Kundensegment optimieren kann und welche Kampagne ich am besten direkt dazu erstelle, die dann im besten Fall noch automatisiert ins E-Mail-Marketing-Tool gespielt wird –, das ist tatsächlich gar nicht mehr so weit weg.
Maria-Lena Matysik: Mhm.
Yves Lüthi: Das ist möglich, wenn du diese saubere Datenbasis hast. Das jetzt selbst inhouse zu bauen und ins BI-Tool zu nehmen, halte ich wie gesagt für sehr komplex – es sei denn, du hast ein riesiges Datenteam, das das für dich macht. Aber so, wie wir aufgestellt sind, wäre der richtige Weg, diese Zweigleisigkeit zu fahren, auf Third-Party-Tools zu vertrauen, die genau das können, und dann mit AI einen Mehrwert zu schaffen.
Maria-Lena Matysik: Und habt ihr schon Ideen, wie ihr AI an die Daten anschließen würdet? Ist die Idee zum Beispiel, ein Claude-Interface zu nehmen, und Claude kann dann entweder auf die eine oder die andere Datenquelle zugreifen?
Yves Lüthi: Genau, ungefähr so würde ich mir das vorstellen. Konkret: Wir haben die ERP-Daten in unserem Superset-BI. Dort kann man sich per MCP verbinden, also Claude per MCP mit dem BI.
Und auf der anderen Seite hätten wir Shopify mit seinem App-Environment und einem dedizierten BI- oder Datentool on top. Das könnte zum Beispiel Polar Analytics sein, das mich aktuell sehr interessiert. Die bieten am Ende des Tages genau dieselbe Funktion: Du verbindest es mit Claude und kannst dann deine Datenanalysen über Claude fahren. Dann kannst du dir immer noch überlegen, ob du die beiden Quellen in Claude noch mal verbinden möchtest, um aggregierte Datensätze zu generieren – wobei ich glaube, dass das gar nicht unbedingt notwendig sein wird.
Und der nächste Schritt wären dann wirklich diese Daten – und da kommt ihr natürlich ins Spiel, mit den ganzen Tracking-Daten, die wir mit euch zusammen in Shopify implementieren. Die bieten eigentlich den Mehrwert zu den reinen Transaktions- und Kundendaten in Shopify. Dann kann man genau sagen: Okay, generiere mir Kundensegmente aus Kunden, die dieses und jenes Event auf der Website getriggert haben, also diese und jene Aktion auf der Website gemacht haben. Generiere mir daraus ein Segment und schlage mir eine Kampagne vor, wie ich sie zu Returning Buyern machen kann.
Und dann wäre es natürlich fantastisch, wenn du das auch direkt mit Klaviyo verbindest und Klaviyo dir diese E-Mail-Kampagne mit den Daten generiert, die aus dem Tool in Claude gelandet sind. Darauf möchten wir hinarbeiten, das ist gerade die Vision. Und ich glaube, die Grundlage haben wir jetzt geschaffen.
Jetzt geht es darum, im D2C-Bereich einerseits die Tracking-Daten so granular zu implementieren, dass wir diese Analysen auch machen können. Und andererseits das Tool auszuwählen, das uns diese Transparenz ermöglicht – und am Ende des Tages auch die Automatisierung über den Claude-MCP-Connector, damit wir diese verlässlichen Analysen fahren können.
Maria-Lena Matysik: Habt ihr dafür eine Art Timeline? Denkst du, das ist ein Prozess, der sich noch eine ganze Weile ziehen wird? Oder arbeitet ihr so, dass ihr sagt: Hey, wir bauen jetzt einen MVP für den ersten Use Case? Vielleicht kannst du ein bisschen teilen, wie du das zeitlich siehst.
Yves Lüthi: Die Tool-Entscheidung steht jetzt im Raum, ohne Frage. Erfahrungsgemäß sind solche Tools – ich beziehe es jetzt mal auf Shopify –, die sich nativ mit Shopify verbinden, relativ easy zu implementieren. Man redet immer von Plug-and-Play, es ist dann doch ein bisschen mehr, aber in der Regel geht es relativ schnell, das aufzusetzen. Insofern halte ich es für realistisch, innerhalb der nächsten sechs Monate Piloten zu fahren.
Was man bei dem ganzen Thema nicht vergessen darf: Wir reden jetzt hier zusammen, wir haben beide ein Tech-Verständnis und sind, was AI angeht, wahrscheinlich auch sehr weit fortgeschrittene Power User oder wie du es nennen möchtest. Aber du hast natürlich eine Company, und diese digitale Transformation, diese AI Adoption, die ich eingangs erwähnt habe, kann dann teilweise ein bisschen bremsen. Einerseits müssen die Leute erst mal Vertrauen in die Tools haben, und andererseits müssen sie noch lernen, wie sie effizient damit arbeiten.
Da sehe ich eigentlich auch bei uns die große Herausforderung: dass wir diese Adoption jetzt schnell aufs nächste Level bringen. Denn die Entwicklung im Bereich AI ist ja wirklich crazy. Eigentlich gibt es jeden Tag irgendwo einen Release, einen Launch von etwas Neuem, und du denkst dir jeden Tag: Mist, ich bin schon wieder einen Monat zu spät. Und gleichzeitig hast du die Herausforderung: Wie nehme ich das Team mit auf die Reise? Wie stelle ich sicher, dass alle den Weg mitgehen? Das kann die Roadmap dann auch mal wieder ein bisschen verlangsamen.
Aber grundsätzlich glaube ich tatsächlich, dass so etwas, wenn man einen Fokus darauf legt, in drei bis sechs Monaten durchaus realistisch ist – wenn nicht sogar schneller. Insofern würde ich sagen: Ziel wäre, in sechs Monaten so weit zu sein, dass wir das mittels AI nutzen können.
Maria-Lena Matysik: Super, dann bekommst du in sechs Monaten eine E-Mail von mir für eine Podcast-Follow-up-Folge.
Yves Lüthi: Follow-up-Podcast, sehr gerne. Vielleicht verschieben wir es dann auch – wer weiß, was passiert. Aber nein, ich sehe das tatsächlich als realistisch.
Maria-Lena Matysik: Magst du vielleicht noch einmal deine Learnings aus all diesen Überlegungen, Gedanken und Abwägungen ableiten und zusammenfassen?
Yves Lüthi: Ja, sehr gerne. Ich glaube, das wichtigste Learning – für uns, aber auch generell – ist, dass AI keine saubere Datenbasis ersetzen kann. Zumindest nicht Stand heute. Ich glaube, AI ist ein Enabler, sie empowert das, was darunterliegt. Weil du damit einfach viel schneller und viel besser arbeiten kannst – das ganze Excel-Formel-Gebastel ist einfach Geschichte, wenn du es richtig nutzt. Wenn die Daten gut sind und die Datengrundlage korrekt ist, hat AI in diesem Bereich einen Riesenhebel, ohne Frage.
Wenn das aber nicht so ist, wird es eher gefährlich, weil dann falsche Schlüsse gezogen werden können, die sehr überzeugend klingen. Und du läufst Gefahr, blind zu vertrauen und zu denken: Okay, die AI hat mir das gesagt, ich mache das jetzt so, passt. Da sehe ich die große Herausforderung. Wie kann man sagen: Konfidenz ohne Korrektheit ist das große Risiko. Das ist ja generell so, auch wenn du AI nur als Chat nutzt: Was da zurückkommt, ist jedes Mal extrem selbstbewusst. Und wenn du es glauben willst, dann ist es auch so. Da muss man wirklich aufpassen, gerade bei Datenthemen.
Das zweite Learning: Die Tool-Auswahl ist sehr wichtig, aber am Ende des Tages dennoch zweitrangig. Denn entscheidend sind schlussendlich die Datenlogik und die Architektur darunter. Wenn du einfach ein Tool kaufst und dir erst danach überlegst, wie du was messen möchtest, dann baust du auf einem sandigen Fundament, sage ich jetzt mal. Das trägt einfach nicht.
Und das dritte Learning: Das Zielbild muss am Ende des Tages wirklich sein, dass du Reporting, Marketing-Daten und User Behavior irgendwie verbinden kannst, um das Full Picture zu bekommen. Wenn du das komplett isoliert betrachtest, wird es irgendwann schwierig. Du musst einen Weg finden, die Daten zumindest ansatzweise zu verknüpfen, um dann wirklich verlässliche und gewinnbringende Analysen fahren zu können.
Maria-Lena Matysik: Mhm.
Yves Lüthi: Das sind so die drei Haupt-Learnings, würde ich sagen.
Maria-Lena Matysik: Spannend. Eine Abschlussfrage habe ich noch – ein bisschen operativer gedacht, also auf geringerer Flughöhe: Was würdest du sagen, hast du in den letzten Monaten gelernt, das du anderen mitgeben könntest, damit sie das Learning nicht erst selbst machen müssen? Also wie du in diesen Prozess gestartet bist und wo du im Nachhinein denkst: Hätte ich das anders gemacht, wäre es vielleicht schneller gegangen.
Yves Lüthi: Ich glaube tatsächlich, dass es nach wie vor damit anfängt, wie man Prozesse definiert. Du musst deine Prozesse einmal verstehen, bevor du etwas messen kannst. Ich kann mich gut erinnern: Als wir damals das ERP eingeführt haben, waren wir ein komplett neues Team. Die Company gab es seit 25 Jahren, aber vieles wussten wir damals noch nicht. Wir haben schnell ein ERP implementiert, was operativ ultrawichtig für uns war. Aber viele Prozesse haben wir erst mit der Zeit verstanden und mussten sie dann teilweise noch mal anpassen. Da läufst du Gefahr, die Dinge zwei- oder dreimal zu machen.
Das heißt: eine saubere Prozessanalyse, verbunden mit einer sauberen Datenanalyse. Und wenn wir es aufs Tracking herunterbrechen – weil wir heute ja auch mit euch von Analyticsfreaks sprechen –, dann ist es schlussendlich dasselbe: Du hast irgendwo ein Zielbild, du möchtest etwas messen. Und dann geht oft ein bisschen die Zeit verloren, oder du willst die Zeit nicht investieren, um sauber zu analysieren: Was bedeutet das eigentlich, was ich hier messen möchte, und welche Daten muss ich tracken, um diesen KPI verlässlich messen zu können?
Da würde ich sagen: lieber ein bisschen mehr Zeit und auch Geld investieren, um hinten raus viel effizienter zu sein und das Ganze nicht noch zwei-, drei-, viermal anfassen und ändern zu müssen. Ich glaube, den Fehler machen viele. Wir machen ihn auch immer mal wieder. Oft ist es Zeitdruck, bei dem man einfach sagt: Okay, machen wir schnell, schnell, schnell. Aber wenn man sich ein bisschen mehr Zeit nimmt, zwei, drei Stunden mehr investiert, um noch mal zu verstehen, was genau gebraucht wird – auch zusammen mit den Entwicklern –, dann hat man am Ende des Tages ein besseres und zufriedenstellenderes Resultat.
Ein zweites Learning, das helfen kann, ist das Thema Erwartungshaltung versus Realität – und daraus der Scope. Die Erwartungshaltung ist: Ich will alles sofort messen. Die Realität ist: Können wir nicht, haben wir noch nicht. Und daraus gilt es, einen Scope zu definieren, der realistisch ist. Denn wenn du ständig einen Scope definierst, den du nicht erreichen kannst, wird es frustrierend. Lieber die Themen klein schneiden, ein agiles Modell fahren und sagen: Okay, wir machen jetzt nur das, aber dafür richtig. Dann feiern wir uns dafür, dass es funktioniert hat, und gehen das Nächste an. Denn wenn du das Pferd von hinten aufzäumst, wird es für alle einfach nur frustrierend.
Maria-Lena Matysik: Das finde ich ein super, super wertvolles Learning.
Yves Lüthi: Und wie gesagt, ich mache den Fehler selbst auch immer mal wieder, dass ich denke: Ach komm, das machen wir jetzt noch schnell.
Maria-Lena Matysik: Ich glaube, wir wollen ja alle alles sofort und perfekt, das Zielbild und die Vision – und nicht so lange warten.
Yves Lüthi: Ja. Und am Ende des Tages auch das Management involvieren. Ganz konkret Fragen stellen – dabei auf keinen Fall zu technisch werden, sondern einfach fragen: Okay, was möchtest du messen? Was sind die drei wichtigsten Themen, die für dich gerade relevant sind? Wo können wir Transparenz reinbringen? Daraus den Scope definieren, abliefern und dann wieder die gleiche Frage stellen. Dann, glaube ich, macht man Fortschritte, alle sehen den Progress und alle sind irgendwie zufrieden.
Viel eher jedenfalls, als wenn man sich 50 KPIs notiert und sagt, das muss alles gemessen werden, und schlussendlich mit zehn zurückkommt und denkt: Okay, jetzt haben wir irgendwie 20 Prozent von dem geschafft, was wir hätten schaffen sollen. Das macht langfristig einfach keinen Spaß.
Maria-Lena Matysik: Yves, vielen, vielen lieben Dank. Die halbe Stunde ging wahnsinnig schnell vorbei, muss ich tatsächlich sagen. Vielen lieben Dank dir für all die Insights. Ich fand’s super, super spannend. Danke fürs Teilen!
Yves Lüthi: Sehr gerne. Ich danke dir vielmals für die Einladung, hat Spaß gemacht. Bis in sechs Monaten! Danke, Maria.
Maria-Lena Matysik: Das Follow-up kommt dann. Genau, bis in sechs Monaten. Ich danke dir!
Outro
Maria-Lena Matysik: Was ich aus diesem Gespräch mitgenommen habe, ist zum einen die Prozessperspektive bei der Weiterentwicklung einer Architektur. Zum Beispiel, dass Management und Fachbereiche früh einbezogen werden müssen – und dass besser wenige Use Cases oder KPIs sauber umgesetzt werden sollten als zu viele nur halb.
Denn Datenprojekte sind eben keine rein technischen Projekte. Eine zentrale Frage sollte immer lauten: Was sind die wichtigsten Themen, für die wir gerade Transparenz durch Daten brauchen? Wenn Management und Fachbereiche diese Prioritäten mitgeben, wird der Scope klarer, die Umsetzung realistischer – und erst dann wird echter Nutzen aus den Daten für das Business möglich.
Gerade im Marketing und E-Commerce ist der Wunsch oft groß, sofort alles messen zu können – weil man ja auch sehr viel messen kann. Aber das Learning aus dieser Episode ist hier sehr klar: Besser mit den wichtigsten Fragen starten, den Scope realistisch schneiden und einzelne Themen sauber umsetzen – statt mit 50 KPIs zu starten und am Ende nur einen Bruchteil davon wirklich verlässlich nutzen zu können. Und dazu gehört auch ein sauberes Erwartungsmanagement: den Stakeholdern keine wunderbare neue AI-Welt versprechen, sondern klare Use Cases und Fragestellungen benennen, die hinterher gelöst sein sollen.
Und das letzte Learning, das ich hier noch mal aufgreifen möchte: AI ersetzt keine saubere Datenbasis.
Das finde ich persönlich interessant, dass Yves das so explizit hervorgehoben hat. Ich werde nämlich oft gefragt, ob wir als spezialisierte Analytics-Agentur nicht demnächst überflüssig werden, weil man im Zeitalter von KI doch keine Analytics-Expertinnen und -Experten mehr braucht.
Yves’ Aussage dazu war – und das sehe ich genauso –, dass AI Analysen beschleunigen, Zusammenhänge sichtbar machen und perspektivisch auch Empfehlungen für Kampagnen liefern kann. Aber AI wird nur dann wirklich hilfreich, wenn die zugrunde liegenden Daten aussagekräftig, sauber strukturiert und einheitlich definiert sind, den richtigen Kontextbezug haben und, und, und … Sonst entstehen vielleicht sehr überzeugend klingende, aber potenziell falsche, halluzinierte Ergebnisse.