Ihr Marketing spricht jetzt Controlling. Ihr Kunde kommt im Modell nicht vor.

Heute ist auf der marketing-BÖRSE ein Beitrag von Harald Kratel erschienen: „Wie KI Marketingbudgets steuerbarer macht“. Seine Beobachtung: Marketing muss seine Budgets zunehmend über belegbare Wirkung rechtfertigen, Reichweite und Markenpassung reichen als Argument nicht mehr. KI soll dafür das Werkzeug liefern, vor allem über ein schnelleres und günstigeres Marketing Mix Modelling. Am Ende, so Kratel, spricht Marketing endlich die Sprache der Finanzabteilung.

Dem stimme ich zu. Nur beantworten diese Modelle eine engere Frage, als die Überschrift verspricht. Sie zeigen, welche Maßnahme zum Umsatz beigetragen hat. Ob der Kunde danach bleibt, wieder kauft und Sie weiterempfiehlt, zeigen sie kaum. Und das ist für die meisten Unternehmen der größere Teil der Rechnung.

Die Umfrage im Detail

Grundlage des Beitrags ist die Trendumfrage „Future Marketing Index 2026“ der marketing-BÖRSE, durchgeführt mit Horizont, DMEXCO und dem BVDW. Befragt wurden 2.595 Marketing- und Werbeverantwortliche im DACH-Raum, zwischen Dezember 2025 und Ende Januar 2026. Abgefragt wurden 80 Trendthemen.

Return-on-Marketing klettert darin von Rang 41 im Vorjahr auf Rang 29. Laut Studie passt das zu einem breiteren Muster: Themen rund um Wirkung, Budgetdisziplin und Controlling legen zu, rein kommunikative Schlagworte verlieren.

Interessant ist eine zweite Zahl, die im Beitrag eher beiläufig vorkommt. Marketing Mix Modelling, also das statistische Verfahren, das den Umsatzbeitrag einzelner Maßnahmen herausrechnet, fällt im selben Zeitraum von Platz 22 auf Platz 34. Der Autor liest das so, dass die Methode inzwischen als Grundvoraussetzung gilt und deshalb weniger Aufmerksamkeit bekommt. Das kann sein. Genauso gut kann es heißen, dass die Begeisterung für das Werkzeug nachlässt, während das Ziel dahinter wichtiger wird. Die Umfrage misst, für wie wichtig die Befragten ein Thema halten. Wie viele Unternehmen MMM tatsächlich einsetzen, sagt sie nicht.

Für die Praxis ist die Richtung trotzdem klar. Marketing steht unter Nachweisdruck, und das wird nicht wieder weggehen.

KI macht die Messung schneller

Kratel beschreibt, dass MMM lange ein Werkzeug für große Konsumgüterhersteller war. Die Modelle waren teuer und träge, die Ergebnisse kamen oft erst Monate nach der Kampagne. KI verarbeitet nun mehr Datenquellen gleichzeitig, übernimmt einen Teil der Variablenauswahl und liefert laut Beitrag Ergebnisse „in Tagen statt Monaten“. Dazu kommen drei Entwicklungen: Prognosen, die gleich konkrete Budgetverschiebungen vorschlagen, eine feinere Multi-Touch-Attribution entlang der Customer Journey und eine laufende Budgetsteuerung statt der Planung im Quartalstakt.

Für belastbare Zahlen zu Tempo und Kosten nennt der Beitrag keine Quelle. Die Richtung halte ich trotzdem für plausibel. Schnellere Modelle sind ein echter Gewinn, wenn man nicht mehr ein halbes Jahr auf die Erkenntnis warten muss, dass eine Kampagne nichts gebracht hat.

Nur ändert KI nichts daran, was ein Modell sieht. Sie rechnet schneller mit den Daten, die man ihr gibt. Wenn die Datenbasis beim Kaufabschluss endet, endet auch die Erkenntnis dort, nur eben in Tagen statt in Monaten. Und wenn das System dann noch laufend Budgets verschiebt, optimiert es genau auf diesen Ausschnitt, automatisch und ohne dass jemand nachfragt.

Das Modell endet an der Kasse

Nehmen Sie ein Muster, das in vielen Unternehmen vorkommt. Eine Kampagne mit starkem Einstiegsrabatt bringt viele Neukunden. Das Modell verbucht einen hohen Umsatzbeitrag und empfiehlt, dort mehr Budget hinzuschieben. Dass ein Teil dieser Kunden nie wieder kauft und ein anderer beim ersten Problem in einer langen Warteschleife landet und kündigt, sieht es nicht. Im Marketing sieht die Kampagne gut aus, im Kundenstamm hat sie kaum etwas hinterlassen.

Umgekehrt gibt es Maßnahmen, die im Modell schwach wirken und trotzdem viel tragen, etwa guter Onboarding-Content, eine Service-Mail zur richtigen Zeit, eine Community, über die Kunden sich gegenseitig helfen. Das zahlt auf Bindung und Weiterempfehlung ein, und beides zeigt sich oft erst Monate später und selten in einer sauberen Zuordnung.

MMM rechnet richtig, es beantwortet nur eine andere Frage als die, die das Management eigentlich stellt. „Welche Maßnahme hat Umsatz ausgelöst?“ ist nicht dasselbe wie „Welche Maßnahme hat den Wert unserer Kundenbeziehungen gesteigert?“. Solange nur die erste Frage gemessen wird, fließt Geld zu dem, was sich gut messen lässt.

Ein Modell, das beim Kauf aufhört, sieht die Werbung und übersieht den Kunden.

Carsten Ratzlaff

Die gemeinsame Sprache braucht mehr als zwei Sprecher

Kratels stärkster Gedanke steht im Abschnitt über Controlling und Marketing. Beide Funktionen haben lange aneinander vorbeigeredet, und Marketingbudgets wurden in schwierigen Phasen zuerst gekürzt, weil der Nachweis fehlte. Eine gemeinsame Datenbasis ändert dieses Kräfteverhältnis. Das sehe ich genauso.

Ich würde den Tisch nur größer machen. Die Zahlen, die zeigen, ob sich ein Kunde gerechnet hat, liegen im Vertrieb (Abschlussquote, Deal-Größe, Zeit bis zum Abschluss) und im Service (Wiederkauf, Kündigung, Kontaktanlässe, Zufriedenheit). Wenn Marketing und Controlling sich auf eine Sprache einigen, ohne dass diese beiden mitreden, entsteht eine sehr präzise Messung eines Ausschnitts.

Im B2B verschärft sich das. MMM braucht viele Datenpunkte und kurze Zyklen, also Konsumgüter, Handel, E-Commerce. Ein Mittelständler mit ein paar Dutzend Abschlüssen im Jahr und einem Vertriebszyklus von mehreren Monaten bekommt daraus kaum ein belastbares Modell. Die sinnvollere Frage lautet dort: Welchen Beitrag leistet Marketing zur Pipeline, und welche dieser Kunden sind nach zwei Jahren noch da? Das lässt sich nur beantworten, wenn Marketing, Vertrieb und Service auf dieselben Kundendaten schauen.

Die Empfehlungen der Quelle

Die vier Einstiegstipps aus dem Beitrag sind vernünftig: erst die Datenbasis konsolidieren, klein pilotieren, Ergebnisse mit dem Controlling validieren, Modelle regelmäßig neu kalibrieren. Den ersten halte ich für den wichtigsten. Uneinheitliche Mediadaten nennt der Autor als häufigsten Grund für unbrauchbare Ergebnisse.

Ich würde nur den Begriff „Datenbasis“ weiter fassen. Einheitliche Mediadaten sind der Anfang. Entscheidend ist, ob Sie einen Kunden vom ersten Kontakt bis zum dritten Servicefall als dieselbe Person erkennen. Wenn Marketing, CRM und Ticketsystem jeweils eigene Kunden-IDs führen, kann kein Modell der Welt Bindungswirkung messen. Dann rechnet auch die beste KI nur mit der halben Wahrheit.

Drei Fragen für diese Woche

Alle drei lassen sich mit Marketing, Vertrieb und Service in einer Stunde klären:

• Wo endet Ihre Wirkungsmessung heute? Beim Klick, beim Lead, beim Abschluss oder beim Wiederkauf? Wenn die ehrliche Antwort „beim Abschluss“ lautet, wissen Sie, welcher Teil Ihrer Budgetentscheidung auf Annahmen beruht.
• Können Sie einen Kunden über alle Systeme hinweg verfolgen? Nehmen Sie fünf Bestandskunden und prüfen Sie, ob Sie deren ersten Marketingkontakt, den Abschluss und die letzten Servicekontakte zusammenbringen. Wie lange das dauert, sagt mehr über Ihre Datenlage als jedes Reifegradmodell.
• Wer sitzt am Tisch, wenn Budgets verschoben werden? Wenn Service und Vertrieb dort keine Stimme haben, entscheidet das Modell über einen Teil der Kundenbeziehung, den es nicht kennt.

Wenn Sie wissen wollen, ob Ihre Daten und Prozesse für eine Wirkungsmessung über den Kauf hinaus reichen, ist der CX & AI Readiness Check der passende Einstieg. Er zeigt in kurzer Zeit, wo Ihre Kundendaten zusammenpassen und wo nicht.

Quelle und Anstoß für diesen Artikel: „Wie KI Marketingbudgets steuerbarer macht“ von Harald Kratel auf marketing-BÖRSE (23.09.2026). Die Einordnungen und Empfehlungen sind meine eigenen.

Dieser Text ist mit KI-Unterstützung entstanden. Recherche-Prüfung, Haltung, Beispiele und Endredaktion sind meine.