Diese Episode anhören auf: Spotify | Apple Podcasts
Data Driven Marketing scheitert im B2B selten an Tools und fast immer an zwei Dingen: an Daten, die in Silos liegen, und an Kennzahlen, die niemand aus einem Ziel abgeleitet hat. Dr. Christian Krug ist Global Data Architect und ausdrücklich kein Marketer, und genau deshalb ist seine Perspektive in Episode 24 von Future Marketing Skills so nützlich. Seine Kernthese: „Daten heißt Kommunikation mit Menschen.“ Und seine schärfste Regel für den Einstieg lautet, dort anzufangen, wo im Unternehmen das Geld verdient wird, weil dort die Datenqualität am höchsten ist.
Data Driven Marketing im B2B: die Kernaussagen der Episode
Die wichtigsten Punkte des Gesprächs in Kürze: Datenkompetenz und KI-Verständnis gehören für Christian Krug zusammen, weil KI ohne Daten nicht funktioniert und man die Ergebnisse sonst nicht bewerten kann. Er unterscheidet klar zwischen externen und internen Datenproblemen und hält die externen inzwischen für lösbar, auch ohne Data-Team.
Für den internen Einstieg nennt er eine unbequeme Faustregel: Die Datenqualität ist immer dort am höchsten, wo das Unternehmen sein Geld verdient. Beim Wertbeitrag arbeitet er mit Proxy-Kennzahlen, die gemeinsam mit dem Vertrieb aus einem konkreten Ziel abgeleitet werden, und grenzt sie scharf von Vanity Metrics ab. Am Beispiel Industriemesse zeigt er, dass die Messgröße immer aus dem Messeziel folgt, nicht umgekehrt. Sein stärkster praktischer Hebel ist die Frage, was der Vertrieb davon hat, Daten zu erfassen, und seine Antwort darauf ist, dem Vertrieb mit KI Arbeit abzunehmen statt Formulare aufzuzwingen. Beim Upskilling rät er zu kleinen, öffentlichen Daten als Spielwiese und warnt davor, Prototypen in Produktion zu geben. Das Gespräch führt Susanne Trautmann.
Warum Datenkompetenz und KI-Verständnis zusammengehören
Christian Krug nennt als Future Marketing Skill bewusst kein Tool, sondern ein Grundverständnis von künstlicher Intelligenz und Daten. Und er grenzt sofort ab, was er damit nicht meint: nicht, dass Marketing-Teams nun alle Assets mit generativer KI erstellen sollen. Gemeint ist zu verstehen, wie die Technik funktioniert, wo sie sinnvoll einsetzbar ist und wo man sie besser lässt.
Seine Begründung, warum beides untrennbar ist, ist knapp: Daten gingen lange Zeit ohne KI, KI geht nicht ohne Daten. Jedes Modell, das Marketer heute benutzen, wurde mit sehr großen Datenmengen trainiert, auch wenn man für den eigenen Anwendungsfall kaum eigene Daten braucht. Wer das nicht mitdenkt, kann die Ergebnisse nicht einordnen.
Sein Beispiel dafür bleibt hängen. In frühen KI-generierten Videos liefen Menschen auffällig gehetzt, fast wie auf der Flucht. Der Grund lag im Trainingsmaterial: Ein großer Teil der verwendeten Videoaufnahmen stammte von Flughäfen, und die dort einzeln sichtbaren Personen waren überwiegend eilige Geschäftsreisende. Wer damit ein ruhiges Hochzeitsvideo erzeugen will, bekommt eine Braut, die zum Altar hetzt wie zum Gate. Jeder sieht, dass das Ergebnis nicht funktioniert. Die eigentliche Kompetenz liegt darin, zu verstehen, warum, denn nur dann lässt sich ein gutes Ergebnis reproduzieren. Krugs Zuspitzung dazu:
„Ansonsten spiele ich Lotto mit Tokens, und da möchte ich nicht hin.“
Daraus folgt für ihn eine Bedingung, die in KI-Debatten selten so klar ausgesprochen wird: Man muss erst ein guter Marketer sein, um KI gut einsetzen zu können. Wer nicht selbst beurteilen kann, wie die eigenen Texte klingen sollen und wie die Bildsprache aussehen muss, kann den Output nicht kritisch bewerten und damit auch nicht ablehnen.
Die Ausgangslage: zwei Zahlen aus aktuellen Studien
Susanne Trautmann bringt zwei Befunde ins Gespräch, die den Rahmen setzen. Aus dem Trendbarometer für die Industriekommunikation des Bundesverbands Industrie Kommunikation: Nur 38 Prozent der Marketer bestätigen, dass Marketingmaßnahmen in ihrer Organisation auf Basis klar definierter Daten und Kennzahlen gesteuert werden.
Und aus dem Bitkom-Lagebild der Marketingpraxis in deutschen Unternehmen: 47 Prozent nennen als Ursache für die erschwerte Messbarkeit vor allem fragmentierte Kanäle, eine eingeschränkte Datengrundlage und fehlende Datenkompetenz in der eigenen Organisation.
Krugs Reaktion darauf ist die erste Überraschung der Episode. Er hatte mit deutlich schlechteren Werten gerechnet, eher mit 25 Prozent, und findet 38 Prozent besser als befürchtet. Das ist mehr als eine Anekdote: Es zeigt, wie weit die Erwartungshaltung in der Datenwelt von der im Marketing entfernt ist.
Externe Daten: das Problem ist lösbar geworden
Krug teilt das Problem in zwei Hälften, und die externe hält er inzwischen für die einfachere. Die Grundschwierigkeit beschreibt er so: Jede Plattform hält sich für die wichtigste. Für Spotify zählt nur, was auf Spotify passiert, Apple interessiert nicht, was auf Spotify läuft. Also muss man sich die Daten überall zusammensuchen, und die Plattformen liefern unterschiedlich viel. Sein konkretes Beispiel: Spotify gibt Daten zum Geschlecht der Hörerinnen und Hörer aus, Apple nicht.
Genau diese Zusammenführung war jahrelang Spezialistenarbeit, und sie scheiterte oft an einer Übersetzungslücke in beide Richtungen. Er formuliert die Seite, die Data-Leute betrifft, selbstkritisch: Wir wissen nicht, was eine CTR ist, und schon gar nicht, was ein guter Tausenderkontaktpreis ist.
Was sich geändert hat, ist die Einstiegshürde. Programmiersprachen sind Sprachen, und große Sprachmodelle sind gut darin. Wer als Marketer weiß, welche Zahlen relevant sind, kann sich damit schnell und unsauber etwas bauen, das die Zahlen aus verschiedenen Plattformen übereinanderlegt. Sein Rat für den nächsten Schritt ist pragmatisch: Wenn es knifflig wird, hol jemanden aus Business Intelligence oder dem Data-Team dazu. Die Person ist deutlich zugänglicher, wenn schon etwas vorbereitet ist. Und das Ergebnis muss kein perfektes Dashboard sein, es reicht als Diskussionsgrundlage, um intern zu zeigen, dass es etwas bringt.
Interne Daten: dort anfangen, wo das Geld verdient wird
Die interne Seite nennt Krug ein gigantisches Problem, und seine Diagnose ist unbequem. Auf die Frage, ob deutsche Unternehmen schlechter dastehen als international, antwortet er mit einer anderen Achse: Es sei weniger eine Frage der Lokalität als von Größe und Geschäftsmodell. Digitale Startups und E-Commerce-Unternehmen haben hohe Datenkompetenz, weil sie messen müssen. Großkonzerne mit digitalen Produkten sind oft in ihren Abläufen stark. Im Mittelstand, im Handwerk und im produzierenden Gewerbe wird es schnell dünner.
Für den Einstieg formuliert er eine Regel, die als Kompass taugt:
„Die Datenqualität ist immer dort am höchsten, wo das Unternehmen Geld verdient.“
Die Begründung dahinter ist ernüchternd ehrlich: Daten seien immer nur so gut, wie sie sein müssen, und zwar gerade so gut, dass niemand Ärger bekommt. In E-Commerce-Startups ist deshalb der Head of Data faktisch oft der CMO, weil Marketing dort unmittelbar am Abschluss sitzt und alles durchoptimiert wird, von der Aussteuerung bis zum A/B-Test. Bei einem Serienfertiger, der täglich 100.000 Teile an denselben Kunden liefert, ist der Abschluss längst gemacht, und die Datenqualität liegt in der Produktion.
Für Marketer folgt daraus eine Art Minimal Viable Data Strategy, wie Susanne Trautmann es im Gespräch nennt: dorthin gehen, wo die Datenkompetenz im eigenen Haus am höchsten ist, und die eigenen Marketingaktivitäten dort andocken. Der zweite Schritt ist dann unvermeidlich und unbequem zugleich, nämlich mit den Menschen zu reden, die dort arbeiten. Krug wird an dieser Stelle grundsätzlich und richtet es ausdrücklich auch an die eigene Zunft: Daten heißt Kommunikation, Daten sind Teamsport. Wenn es im Unternehmen jemanden gibt, der sowohl einen Fachbereich als auch Daten beherrscht, sei diese Person ein goldenes Einhorn, das man festhalten sollte. Wie sich solche Silogrenzen organisatorisch überwinden lassen, zeigt auch die Folge zur Coopetition mit Wettbewerbern.
Proxy-Kennzahlen statt Vanity Metrics
Der methodische Kern der Episode ist der Umgang mit der Tatsache, dass Marketing den Abschluss meist nicht direkt messen kann. Krugs Begriff dafür ist die Proxy-Kennzahl: eine Messgröße, die als Platzhalter oder Vertreter dient, um Erfolg überhaupt messbar zu machen.
Warum das nötig ist, erklärt er am einfachsten denkbaren Fall. Wer eine Socken- oder T-Shirt-Werbung auf Instagram zum ersten Mal sieht, kauft mit geringer Wahrscheinlichkeit. Beim dritten Kontakt steigt sie. Trotzdem lässt sich nicht behaupten, genau die zuletzt gesehene Anzeige habe den Kauf ausgelöst. Wenn das schon im B2C schwierig ist, ist es im B2B mit langen Kaufzyklen ungleich schwerer.
Davon grenzt er Vanity Metrics ab, also Metriken, die nichts aussagen und nur der Eitelkeit dienen. Sein Beispiel sind Followerzahlen bei Influencern: Mehr Follower bedeuten nicht, dass jemand kauft. Die Zahl ist trotzdem nicht wertlos, aber ihre Aussage ist bescheidener, als sie wirkt, nämlich dass die Chance auf einen Abschluss höher ist.
Wie eine brauchbare Proxy-Kennzahl entsteht, zeigt er an einem B2B-Fall, der aus einer realen Markenanekdote heraus entwickelt ist. Ein Hersteller von Laborflaschen will in die Lebensmittelbranche. Dann verhandelt Marketing mit dem Vertrieb eine konkrete Zielgröße, zum Beispiel fünf qualifizierte Kontakte aus dieser Branche, die die Flaschen grundsätzlich für ihre Produkte einsetzen würden. Ob daraus ein Abschluss wird, ist eine andere Frage, aber die Kennzahl ist aus dem Ziel abgeleitet und beide Seiten haben ihr zugestimmt. (Ergänzung der Redaktion: Die Anekdote dahinter ist der Markenfall Nalgene. Das Unternehmen stellte ursprünglich Laborflaschen her; weil Beschäftigte kalifornischer Labore sie zum Wandern mitnahmen, entstand daraus ein Konsumentenmarkt für Trinkflaschen. Im Gespräch dient das als Beispiel dafür, wie ein solcher Marktwechsel gezielt herbeigeführt statt abgewartet werden kann.)
Susanne Trautmann ergänzt die North-Star-Metrik als verwandtes Prinzip: einen Nordstern festlegen und prüfen, welche Aktivität worauf einzahlt, statt 10.000 KPIs nebeneinander zu tracken. Der Wertbeitrag des Marketings ist auch Thema der Folge zur Emanzipation des B2B-Marketings.
Der Messe-Case: das Ziel bestimmt die Messgröße
Am anschaulichsten wird das Prinzip beim Format, in dem im Industriemarketing die größten Budgets stecken. Krugs erste Frage an jeden Messeauftritt ist nicht, was man misst, sondern warum man überhaupt hingeht. Die übliche Antwort, das sei nun mal die Leitmesse und dort sei man schon immer gewesen, lässt er nicht gelten.
Der Unterschied wird am Kontrast deutlich. Etablierte Anbieter verfolgen typischerweise Stammkundenpflege, eine Produktvorstellung und einige Messeverkäufe. Ein neues Unternehmen mit einem neuen Produkt hat ein anderes Ziel, nämlich in der Branche überhaupt sichtbar zu werden. Wenn Besucher die Messe verlassen und sich an den Stand und das Produkt erinnern, obwohl sie das Unternehmen vorher nicht kannten, ist bereits viel erreicht. Wer als Neueinsteiger stattdessen den Jahresumsatz auf der Messe machen will, misst das Falsche.
Daraus folgen konkrete Messgrößen, die zum jeweiligen Ziel passen. Bei reiner Bekanntheit können Impressionen aus der eigenen Zielgruppe genügen. Auf der Messe lässt sich die Verweildauer am Stand erfassen, technisch etwa per Videoauswertung mit den nötigen Hinweisen. Sein stärkstes Beispiel ist aber das Gegenbeispiel: Wenn 20.000 Menschen am Stand waren, aber nur 15 mit Marketing oder Vertrieb über das neue Produkt gesprochen haben und alle anderen über die Bestandsprodukte, dann sagt die Zahl 20.000 nichts. Dann muss man erfassen, mit wem tatsächlich über dieses Produkt gesprochen wurde. Bei einem physischen Exponat mit Demo-Knopf lässt sich sogar zählen, wie oft der Knopf gedrückt wurde; 150 Betätigungen bei 20.000 Besuchern sind ein klares Signal.
Der eigentliche Engpass: What’s in it for Sales
Der praktisch wertvollste Teil der Episode betrifft die Frage, warum Datenerhebung im Feld so oft scheitert. Krug formuliert sie aus Vertriebsperspektive und bewusst unhöflich: Dem Vertrieb ist es egal, welche Daten das Marketing hat, ihn interessieren sein Abschluss und sein Bonus. Die Frage, die Marketing beantworten muss, lautet deshalb: What’s in it for me? Warum soll ich diesen Gesprächsbogen ausfüllen, wenn ich die Opportunity ohnehin ins CRM eintrage?
Seine Antwort dreht die Richtung um. Statt Erfassung zu verlangen, nimmt Marketing dem Vertrieb Arbeit ab. Wenn du aufschreibst, worüber du gesprochen hast, werte ich das mit KI aus und liefere dir das Follow-up: eine personalisierte Mail zur Freigabe und ein Briefing für das nächste Gespräch. In der Ausbaustufe entfällt das Formular ganz. Mit Einverständnis des Kunden wird das Gespräch am Stand aufgezeichnet und zusammengefasst, die Opportunity landet automatisch im CRM, und wenn der Kunde nicht zustimmt, spricht der Vertrieb es hinterher ein.
Die Alternative benennt er auch, und zwar ohne Empfehlung: Man kann Erfassung erzwingen, etwa mit einer Quote von 20 Bögen pro Tag und dem Hinweis, dass es sonst eine Privatveranstaltung ist. Geht auch, sagt er, sei aber nicht so schön. Susanne Trautmann zieht daraus den Schluss, dass der Umgang mit Daten hochgradig kreativ ist. Die Übergabepunkte zwischen Marketing und Vertrieb sind auch Thema der Folge zum Sales Enablement im B2B.
Upskilling: klein anfangen, öffentlich anfangen
Krugs Grundhypothese beim Lernen ist entwaffnend: Jede Person ist kompetent. Wer schon gutes Marketing macht, hat eine gute Ausgangsbasis. Von dort empfiehlt er drei Schritte.
- Kurze Theoriegrundlagen. Es gibt niedrigschwellige Angebote, auf YouTube und anderswo, die erklären, warum etwas funktioniert. Es geht nicht um Tiefe, sondern um ein Grundverständnis.
- Mit öffentlichen Daten basteln. Hier nennt er einen Vorteil, den Marketing gegenüber allen anderen Abteilungen hat: Eure Daten sind öffentlich. Wenn euer Marketingmaterial nicht gefunden wird, habt ihr andere Probleme, als dass es in ein KI-Modell fließt. Sein Einstiegsbeispiel ist, aus einem eigenen Fachartikel LinkedIn-Posts zu entwickeln und dabei zu analysieren, wie das eigene Unternehmen kommuniziert und wie ausdrücklich nicht.
- Nicht mit Automatisierung starten. Seine Warnung ist konkret: nicht gleich einen Workflow bauen, der jede interne Mail der Geschäftsführung automatisch in fünf LinkedIn-Posts zerlegt. Nimm etwas, das du im Griff hast, und entwickle dich von dort.
Beim Toolset bleibt er schlank. Mindestens ein großes Sprachmodell sollte man bedienen können, die Abo-Kosten liegen bei etwa 20 Euro im Monat und sind in der Regel freigabefähig. Für Dashboards hat sich seine Einschätzung zuletzt geändert: Noch vor wenigen Jahren hätte er dafür eine eigene Toolkategorie verlangt, heute bekommt man ein erstes Dashboard direkt aus einem Sprachmodell heraus. Dazu eine deutliche Grenze: Bitte nicht in Produktion geben und an alle Kolleginnen und Kollegen verteilen. Sobald es wiederholbar und skalierbar sein soll, braucht es echte Kenntnisse in Programmierung und Datenbanken, sonst können schnell schlimme Dinge passieren.
Die Hausaufgabe: der Montags-Report über den Markt
Seine Hausaufgabe ist eine Gewohnheit, keine einmalige Übung, und sie verbindet Datenkompetenz mit dem, was Marketer ohnehin am besten wissen.
Der Ablauf hat drei Stufen. Erstens im Sprachmodell prüfen lassen, wer die eigenen Konkurrenten sind, das Ergebnis korrigieren und dabei nebenbei lernen, warum man für eine saubere Analyse einen neuen Chat aufmacht. Zweitens diese korrigierte Liste in einen neuen Chat geben und fragen, was die Konkurrenz tut, auf Social Media, im Blog, in Pressemeldungen. Drittens das Ganze wiederkehrend machen, zum Beispiel als Zusammenfassung, die montagmorgens vorliegt.
Der Ausbau liegt nahe und ist der eigentliche Wertbeitrag: nicht nur die Top-Konkurrenten beobachten, sondern auch die Top-Kunden und die Top-Zulieferer. Krugs Begründung ist so praktisch wie politisch: Wenn dein wichtigster Zulieferer Insolvenz anmeldet, willst du das vor deiner Geschäftsführung wissen und sie darauf vorbereiten können. Daraus entstehen Hebel weit außerhalb des Marketings, etwa im Einkauf, wenn ein neuer Anbieter im Markt auftaucht oder ein bestehender Lieferant unter Druck gerät.
Genau hier trifft sich seine Perspektive mit Susanne Trautmanns These, dass Marketer zunehmend eine Business-Development-Rolle übernehmen. Sein Zusatz dazu richtet sich an das Selbstverständnis: Vermarktet eure Erkenntnisse auch intern, ihr wisst doch, wie man zielgruppengerecht kommuniziert. Werdet interner Dienstleister und legt dem Vertrieb vor, was die fünf wichtigsten Kunden in der letzten Woche umgetrieben hat.
Der Schlussappell: hypefrei, aber nicht abwartend
Krugs Schlusswort ist bemerkenswert unaufgeregt für ein KI-Thema. Ihm ist wichtig, den Hype abzumildern. Es handele sich um eine coole Basistechnologie, nicht um eine Revolution, die alles ersetzt. Niemand müsse hardcore Data- und AI-Nutzer im Marketing werden.
Was man aber verstehen sollte, formuliert er in drei Fragen: Was kann die Technologie? Wo kann ich sie sinnvoll einsetzen? Und was passiert, wenn meine Konkurrenz sie einsetzt? Die letzte ist die unbequemste, und er dreht sie noch einmal um: Was würde mir Angst machen, wenn meine Konkurrenz es mit Daten und KI besser hinbekommt?
Susanne Trautmann zieht daraus die Sorge vor einer Zweiklassengesellschaft im Marketing, zwischen denen, die Daten- und Marketingverständnis verbinden, und denen, deren Organisation ihnen die Grundlagen nicht bereitstellt. Ihr Fazit zum Mitnehmen ist der Satz, der die Episode trägt: Daten heißt Kommunikation.
Wer Dr. Christian Krug ist
Dr. Christian Krug ist Global Data Architect und ausdrücklich kein Marketer, was er im Gespräch als Vorteil behandelt. Sein Weg dorthin führte über eine Ausbildung im Metzgerhandwerk und ein Biologiestudium mit Promotion in den Datenbereich, also über das Auswerten von Daten. Ohne diese Wendung, sagt er, wäre er nach der Promotion vermutlich als Postdoc in die USA gegangen und wahrscheinlich dort geblieben.
Bemerkenswert an seiner Perspektive ist, dass er dieselbe Rechtfertigungslogik kennt, die Marketing-Abteilungen zu schaffen macht. Auch er muss begründen, warum er Geld in bestimmte Auswertungen steckt, und auch ihm helfen dabei Zahlen. Susanne Trautmann ist im Gespräch offen darüber, dass Daten nicht ihr Lieblingsthema sind, kommt dabei aber auf eine passende Selbstbeobachtung: Mit dem Marketing Canvas sammelt sie letztlich ebenfalls Daten, zu Markt, Zielgruppe und Produkt, und bringt sie aus Silos in einen Kontext. Ihr eigenes Fazit dazu lautet, dass sie weniger etwas gegen Daten hat als gegen Daten, die in Silos liegen.
Wichtige Fragen und Tipps rund um Data Driven Marketing
Was ist Data Driven Marketing?
Data Driven Marketing bedeutet, Marketingentscheidungen auf Basis erhobener Daten zu treffen und den Erfolg an vorher definierten Kennzahlen zu messen, statt auf Erfahrung und Gewohnheit zu setzen. Der entscheidende Teil steht dabei vorne: Das Ziel bestimmt die Kennzahl, nicht umgekehrt.
Dass daran vieles hängt, zeigen zwei Zahlen aus dem Gespräch. Nur 38 Prozent der Marketer bestätigen laut dem Trendbarometer des Bundesverbands Industrie Kommunikation, dass Maßnahmen auf Basis klar definierter Daten gesteuert werden. Und 47 Prozent nennen laut Bitkom fragmentierte Kanäle, eine eingeschränkte Datengrundlage und fehlende Datenkompetenz als Ursache für schlechte Messbarkeit.
In der Praxis besteht Data Driven Marketing aus drei Teilen, die selten zusammen genannt werden. Erstens die externen Daten, also die Kennzahlen der Plattformen, die man zusammenführen muss, weil jede Plattform nur sich selbst misst. Zweitens die internen Daten, die meist in Abteilungssilos liegen. Drittens, und das ist der unterschätzte Teil, die Verständigung darüber, welche Kennzahl überhaupt für welches Ziel steht. Christian Krugs Kurzformel dafür: Daten heißt Kommunikation mit Menschen. Wie man den Einstieg findet, steht im Abschnitt zu den internen Daten.
Wo fange ich mit Datenkompetenz im Unternehmen an?
Dort, wo das Unternehmen sein Geld verdient. Das ist Christian Krugs Faustregel, und sie ist keine Metapher, sondern eine Beobachtung über Datenqualität: Daten sind immer nur so gut, wie sie sein müssen, damit niemand Ärger bekommt. Folglich ist die Qualität dort am höchsten, wo es geschäftskritisch ist.
Praktisch heißt das, zuerst das eigene Geschäftsmodell einzuordnen. In einem E-Commerce-Unternehmen sitzt Marketing direkt am Abschluss, dort ist die Datenkompetenz hoch und liegt oft im Marketing selbst. Bei einem Serienfertiger ist der Abschluss längst gemacht, dort liegen die guten Daten in der Produktion. Wer als Marketer im Mittelstand oder im produzierenden Gewerbe mit verwaisten Excel-Listen startet, sucht also zuerst die Abteilung mit der besten Datenlage und dockt dort an.
Der zweite Schritt ist unbequem und unvermeidlich: mit den Menschen dort reden. Krug nimmt dabei ausdrücklich auch seine eigene Zunft in die Pflicht, weil Data-Leute die Marketingbegriffe oft nicht kennen. Wenn es im Unternehmen jemanden gibt, der beides beherrscht, Fachbereich und Daten, bezeichnet er diese Person als goldenes Einhorn, das man halten sollte. Und er macht eine Erwartung klar: Marketing wird das nicht allein lösen, Vertrieb übrigens auch nicht.
Was sind Proxy-Kennzahlen im Marketing?
Eine Proxy-Kennzahl ist eine Messgröße, die stellvertretend für einen Erfolg steht, den man nicht direkt messen kann. Im Marketing ist das der Normalfall, weil sich ein Abschluss selten eindeutig einer einzelnen Maßnahme zuordnen lässt.
Christian Krugs Beispiel dafür ist bewusst einfach: Wer eine Anzeige zum ersten Mal sieht, kauft selten. Beim dritten Kontakt steigt die Wahrscheinlichkeit. Trotzdem lässt sich nicht sagen, die letzte Anzeige habe den Kauf ausgelöst. Im B2B mit langen Kaufzyklen und mehreren Beteiligten gilt das verschärft.
Abzugrenzen sind Proxy-Kennzahlen von Vanity Metrics, also Kennzahlen, die nur der Eitelkeit dienen. Der Unterschied liegt nicht in der Zahl, sondern in der Herleitung. Eine Followerzahl allein sagt nichts über Käufe; als bewusst gewählter Indikator für Reichweitenchancen kann sie trotzdem brauchbar sein. Entscheidend ist, dass eine Proxy-Kennzahl aus einem konkreten Ziel abgeleitet und mit dem Vertrieb abgestimmt wird. Krugs Beispiel: Wenn das Ziel lautet, in die Lebensmittelbranche einzusteigen, einigt man sich auf fünf qualifizierte Kontakte aus dieser Branche. Ob daraus ein Abschluss wird, ist danach die Aufgabe des Vertriebs, und beide Seiten wissen das vorher.
Wie messe ich den Erfolg einer Industriemesse?
Indem du zuerst beantwortest, warum du hingehst. Christian Krug lässt die häufigste Antwort, das sei nun mal die Leitmesse, ausdrücklich nicht gelten, weil aus dem Ziel die Messgröße folgt und nicht umgekehrt.
Drei typische Ziele mit ihren jeweiligen Messgrößen lassen sich aus dem Gespräch ableiten. Geht es um Sichtbarkeit als neues Unternehmen, ist schon viel erreicht, wenn Besucher sich hinterher an den Stand und das Produkt erinnern; passende Größen sind Impressionen aus der Zielgruppe oder die Verweildauer am Stand. Geht es um die Vorstellung eines neuen Produkts, zählt nicht die Besucherzahl, sondern wie viele Gespräche tatsächlich über dieses Produkt geführt wurden. Geht es um Abschlüsse, muss entsprechend anders gemessen werden.
Das stärkste Argument ist sein Gegenbeispiel: 20.000 Menschen am Stand, aber nur 15 Gespräche über das neue Produkt, alle anderen über Bestandsprodukte. Dann ist die Zahl 20.000 wertlos. Bei einem physischen Exponat lässt sich das noch einfacher prüfen, etwa über einen Demo-Knopf, dessen Betätigungen gezählt werden. Der Engpass liegt danach nicht in der Technik, sondern beim Vertrieb, der die Gesprächsdaten erfassen muss, siehe die folgende Frage.
Wie bringe ich den Vertrieb dazu, Daten zu erfassen?
Indem du ihm Arbeit abnimmst, statt Erfassung zu verlangen. Christian Krugs Ausgangsdiagnose ist bewusst schroff formuliert: Dem Vertrieb sind die Daten des Marketings egal, ihn interessieren Abschluss und Bonus. Die Frage, die du beantworten musst, lautet also: What’s in it for me?
Die einfache Ausbaustufe: Wenn der Vertrieb notiert, worüber er gesprochen hat, wertet Marketing das mit KI aus und liefert das Follow-up zurück, also eine personalisierte Mail zur Freigabe und ein Briefing für das nächste Gespräch. Aus einer lästigen Pflicht wird damit ein Service.
Die größere Ausbaustufe entfernt das Formular ganz. Mit Einverständnis des Kunden wird das Standgespräch aufgezeichnet und automatisch zusammengefasst, die Opportunity landet ohne Zutun im CRM; wer kein Einverständnis bekommt, spricht das Gespräch hinterher ein. Die Alternative, Erfassung per Quote zu erzwingen, nennt Krug zwar als gangbar, aber ausdrücklich nicht als schön. Und der Rückkanal gehört dazu: zurückspielen, warum ein Lead funktioniert hat und warum nicht, denn genau an diesen Übergabepunkten entsteht sonst Frust auf beiden Seiten.
