Execution Capability for Digital Commerce

Data, AI &
Decisioning

Daten werden dann wertvoll, wenn sie bessere kommerzielle Entscheidungen ermöglichen.

Ich verbinde Measurement, Customer Data, Analytics, Data Science und AI mit den Entscheidungssystemen und digitalen Produkten, die daraus konkrete Kunden- und Geschäftswirkung erzeugen. Der Ausgangspunkt bleibt dabei Commercial Management: Welche Kunden-, Wachstums- oder Ressourcenentscheidung muss besser werden?

Building the Marketing Decisioning Capability at bonprix

Von fragmentierter Marketingsteuerung zur Marketing Decisioning Capability

Die Transformation verband Daten, Measurement, Entscheidungslogik und Organisation, damit Marketing als integriertes kommerzielles System gesteuert werden konnte.

7 Kapitel · ca. 6 Min. Lesezeit
Übergang von fragmentierten Daten, kanalbezogenen Prozessen und historisch geprägter Planung zu einer gemeinsamen Datenbasis, Measurement, Decision Logic und integrierter kommerzieller Steuerung.
Vom Zielbild zur Umsetzung

Drei Bausteine machten daraus eine skalierbare Marketing-Decisioning-Capability.

Foundation, Scale und Decisioning im Detail

Gesamtübersicht der Marketing-Decisioning-Transformation: von fragmentierter Ausgangslage über Data Foundation, Organisation und Scale sowie Integrated Decisioning zu beispielhafter Geschäftswirkung.
Ausgangslage → Zielbild

Von fragmentierter Steuerung zu einem integrierten kommerziellen System.

Am Anfang standen getrennte Daten, kanalbezogene Prozesse und historisch gewachsene Planungslogiken. Ziel war kein isoliertes Datenprojekt, sondern eine gemeinsame Entscheidungsgrundlage für Marketing, CRM, Analytics und Aktivierung.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Diagramm der Marketing-Decisioning-Transformation: von fragmentierter Steuerung über ein integriertes kommerzielles System zu messbarer Wirkung.
DATA FOUNDATION

Von getrennten Signalen zu einer gemeinsamen Entscheidungsbasis.

Die Grundlage war eine Plattformlogik, in der Kundensignale, Reaktionen, Transaktionen und Verhaltensdaten zusammengeführt wurden. Ziel war nicht bessere Transparenz allein, sondern eine belastbare Basis für operative Marketingentscheidungen.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Data Foundation: Datenquellen aus Online Shop, App, Filialen, CRM, Marketing und weiteren Quellen fließen in eine zentrale Kundendatenplattform und werden für Marketing, CRM, Angebote, Analytics und operative Systeme nutzbar.
ORGANISATION + SCALE

Aus Use Cases eine skalierbare Capability entwickeln.

Aus einzelnen Use Cases wurde schrittweise eine belastbare Marketing-Decisioning-Capability: mit klaren Rollen, gemeinsamer Governance, integrierter Daten- und Technologiegrundlage und wiederholbaren Mechanismen für die internationale Skalierung.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Organisation und Scale: Use Cases und Erfahrung werden in einer skalierenden Marketing-Organisation mit Governance, Marketing Operations, Data und BI, CRM und Personalisierung sowie MarTech und Engineering gebündelt und international ausgerollt.
Integrated Decisioning

Daten, Entscheidungslogik und Aktivierung entlang der Journey verbinden.

Aus Daten und Modellen entstehen konkrete Entscheidungshilfen für Marketing, CRM, Mediensteuerung und Angebotslogik. Entscheidend ist die nahtlose Verbindung von Insight, Decision und Activation und ein geschlossener Lernkreislauf.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Integrated Decisioning: Daten, Marketing, Product Management und Engineering werden mit Predictive Models und Aktivierungskanälen entlang der Customer Journey verbunden.
Commercial Impact · Auswahl

Beispiele für messbare Geschäftswirkung.

Die Capability wirkte in unterschiedlichen Entscheidungsfeldern. Die folgenden Beispiele zeigen exemplarisch, wie aus Daten, Decisioning und operativer Aktivierung konkreter wirtschaftlicher Beitrag entstand.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Auswahl messbarer Geschäftswirkung: zweistelliger Millionenbetrag weniger Werbekosten bei stabilem Umsatz, über 40 Prozent weniger untargeted Voucher Displays, messbarer Nachfragebeitrag und nachweisbare Werbekosteneinsparungen.
REALITY & LEARNING

Was den Unterschied gemacht hat.

Die eigentliche Hebelwirkung entstand dort, wo Daten, Entscheidungslogik, Organisation und Aktivierung zusammengedacht wurden. Aus einzelnen Use Cases wurde eine wirksame, skalierbare Capability.

Horizontal scrollen oder antippen, um die Grafik in voller Größe zu öffnen.

Reality und Learning: Use Cases schaffen Traktion; People, Skills, Ownership und eine skalierbare Plattform verbinden Insight, Action, Messung und Lernen.
FULL CASE STORY · MARKETING DECISIONING

Building the Marketing Decisioning Capability

Von fragmentierter, historisch geprägter Marketingsteuerung zu einer integrierten, daten- und KI-gestützten Steuerung

Ausgangslage: Marketingentscheidungen waren durch fragmentierte Daten, kanalspezifische Prozesse und historisch geprägte Planung begrenzt. Dadurch waren eine Steuerung auf Kundenebene, kanalübergreifende Optimierung und systematische Wirkungsmessung nur eingeschränkt möglich.

Das Ziel war nicht ein weiteres Analytics-Tool, sondern der Aufbau der Daten-, Decisioning- und Organisationsfähigkeiten, die erforderlich sind, um Marketing als integriertes kommerzielles System zu steuern.

1. Von getrennten Daten zu operativen Entscheidungen | 2015

Ich initiierte zunächst eine strukturierte Reifegradanalyse, um fragmentierte Initiativen in ein gemeinsames Zielbild für Data-Driven Marketing zu überführen, die Richtung für eine gemeinsame Marketing-Datenbasis festzulegen und die ersten Use Cases zu priorisieren.

Anschließend etablierten wir eine zentrale Plattform, die erstmals Kundenstamm- und Transaktionsdaten, E-Mail-Response-Daten sowie Web-Clickstream-Verhalten zusammenführte. Tägliche Integrationsroutinen ersetzten voneinander getrennte Datensichten.

Auf dieser Grundlage wurden Daten direkt in die operative Steuerung eingebunden:

  • automatisierte und granularere CRM-Segmentierung;
  • Real-Time Scoring für Use Cases wie Warenkorbabbruch;
  • dynamische Customer-Journey-Attribution zur Verbesserung der Kanalsteuerung;
  • Nutzung von Online-Engagement-Signalen im Offline-Kundenscoring, wodurch die Katalogallokation verbessert und ineffiziente Printausgaben reduziert wurden.

Der entscheidende Wandel bestand darin, dass Kundendaten zunehmend operative Marketingentscheidungen veränderten, statt lediglich die vergangene Performance zu erklären.

2. Organisatorische Verankerung und internationale Skalierung | 2016–2017

Ich etablierte die organisatorischen Voraussetzungen, um Data-Driven Marketing als nachhaltige Capability zu verankern – statt als Folge voneinander isolierter Projekte.

Dazu gehörten spezialisierte Rollen wie Campaign-Interaction-Manager, Data Manager und BI Analysts sowie ein BI-Kompetenz-Setup, das Business, Analytics und Technologie miteinander verband.

Gleichzeitig trieb ich die internationale Skalierung voran:

  • Rollout der Marketingplattform und der Campaign-Management-Capabilities in weitere Märkte;
  • direkte Anbindung von Performance-Marketing-Tools für Bidding, Retargeting und Keyword Management über APIs an die Datenbasis;
  • Erweiterung der Kundendatenerfassung um Mobile- und App-Interaktionen.

Damit entwickelte sich das Programm von lokalen Use Cases hin zu einer wiederholbaren internationalen Marketing-Capability.

3. Real-Time Marketing und Predictive Decisioning | ab 2018/2019

Als VP trieb ich die nächste Entwicklungsstufe voran: von Data-Driven Marketing hin zu einer zunehmend prädiktiven, automatisierten und echtzeitnahen Kundensteuerung.

Wir migrierten die Marketing Data Platform in die Cloud, um größere Datenvolumina, schnellere Experimente und Machine Learning im industriellen Maßstab zu ermöglichen.

Dabei operationalisierten wir unter anderem:

  • Predictive Models für Recommendations, Purchase Propensity, Customer Lifetime Value und Churn;
  • Integration von Kunden- und Situationsscores in CRM, Push, Performance-Marketing-Audiences und Onsite-Personalisierung;
  • systematisches Testing, Incrementality Measurement und Model Retraining.

Parallel führte ich Data-Driven Marketing, Product Management und Engineering organisatorisch zusammen und bündelte die Teams entlang der digitalen Customer Journey unter einer gemeinsamen Verantwortlichkeit.

Damit entwickelte sich die Transformation von datenunterstütztem Marketing hin zu einem integrierten Customer-Decisioning-System.

4. Kommerzielle Wirkung

Die jährlichen Werbeausgaben konnten bei stabilem Umsatz um einen zweistelligen Millionenbetrag reduziert werden. Dadurch verbesserte sich die Cost-to-Revenue-Ratio signifikant.

Der Effekt zeigte sich 18 bis 24 Monate nach Beginn des Programms und wiederholte sich anschließend jährlich.

Zu den zugrunde liegenden Effekten gehörten unter anderem:

  • mehr als 40 % weniger untargeted Voucher Displays durch präzisere Kundenansprache;
  • messbarer zusätzlicher Nachfragebeitrag durch verhaltensbasierte E-Mail-Segmentierung;
  • nachweisbare Werbekosteneinsparungen durch das gezielte Ausschließen bereits engagierter E-Mail-Kunden aus unnötigem Paid Retargeting.

5. Incremental Performance und Brand Effects in der Marketingsteuerung ausbalancieren

Ein Prinzip, an dem ich bereits seit meiner früheren Verantwortung im Digital Marketing gearbeitet hatte, war die Abkehr davon, Kanäle primär anhand kurzfristig attribuierten Umsatzes zu bewerten.

Mit zunehmender Reife unserer Measurement-Fähigkeiten ergänzten wir Attribution verstärkt durch Experimente, Kontrollgruppen und incrementality-orientierte Messung. Ziel war es, echten kausalen Uplift von Nachfrage zu unterscheiden, die ohnehin entstanden wäre.

Dadurch entstand eine robustere Grundlage für Entscheidungen über Marketinginvestitionen und zugleich die Möglichkeit, ineffiziente Kontakte sowie unerwünschte Promotion-Effekte zu reduzieren.

Gleichzeitig setzte ich mich dafür ein, längerfristige Brand Effects neben Direct Response, Conversion und Customer Value zu berücksichtigen.

Das Ziel war nicht, jede Markeninvestition in eine kurzfristige ROAS-Logik zu zwingen, sondern zu verstehen, wie Brand Building, Demand Generation und Performance Marketing über die Customer Journey hinweg zusammenspielen.

Investitionen nach ihrem inkrementellen kommerziellen Beitrag allokieren und gleichzeitig kurzfristige Performance mit langfristiger Markenwirkung ausbalancieren.

6. Was die Transformation schwierig machte

Customer Identity und Datenqualität

Web, App und CRM verwendeten unterschiedliche Identifikatoren. Cookie-Limitierungen reduzierten die Beobachtbarkeit, während Datenschutzanforderungen einschränkten, wie Signale miteinander verbunden werden konnten.

Das wirkte sich unmittelbar auf Modellqualität und konsistente Customer Orchestration aus.

Modelle in reale Marketingprozesse überführen

Batch- versus Real-Time Scoring, Latenzanforderungen, Schnittstellen zwischen Daten- und Aktivierungssystemen sowie ein zuverlässiger Modellbetrieb waren zentrale Herausforderungen.

Die Schwierigkeit lag weniger im Modell selbst als darin, es im täglichen Marketing tatsächlich nutzbar zu machen.

Entscheidungsverhalten und Organisation verändern

Marketingteams waren daran gewöhnt, Kampagnen manuell zu steuern.

Predictive Decisioning erforderte Vertrauen in algorithmische Empfehlungen, die Bereitschaft, Teile manueller Kontrolle abzugeben, und systematisches Lernen durch Experimente.

Deshalb behandelte ich Change Management, Transparenz und organisatorische Adoption als integralen Bestandteil der Transformation.

7. Zentrales Learning

Der schwierigste Teil einer AI-Transformation war nicht das Machine-Learning-Modell.

Es war die Veränderung der Datenbasis, der Marketingsysteme und der Entscheidungsprozesse darum herum, sodass AI zuverlässig reale kommerzielle Entscheidungen beeinflussen konnte.
Current AI explorations

Aktuelle AI-Explorationen und Prototypen

Eigene Arbeiten zu AI-enabled Decisioning, Measurement und Knowledge Systems. Fokus auf Architektur, Methoden und konkrete Anwendung – mit klarer Trennung zwischen Prototyping und Enterprise-Scale-Erfahrung.

Prototype

Augur / sem-agentic

AI-assisted SEM decisioning mit LLMs, Rules, Tools, Evals und Human Approval. Belegt sind Architektur und Evaluation, nicht autonome Produktionswirkung.

Vertiefen
Prototype · synthetic data

Signal Steering

Measurement und Decision Intelligence durch Triangulation von Attribution, Geo-Incrementality und MMM. Signal Steering ist ausdrücklich kein Agentic System.

Vertiefen
Active personal use

KA-OS

AI-enabled knowledge and context system für belastbare, längerfristige Human-AI-Arbeit. Aktive persönliche Nutzung, kein Enterprise-Scale-Claim.

Die 8 Capability-Felder

Von belastbaren Signalen bis zu verlässlicher, skalierbarer Automation.

Intro

Management Questions

    Principles

      Selected Evidence
      Principles

      Technologie folgt der Entscheidungsfrage.

      1. 01Start with the decision, not the technology.
      2. 02Use the simplest mechanism that solves the problem.
      3. 03Evidence over plausibility.
      4. 04Intelligence creates value only through action.
      5. 05Reliability must scale with automation.
      Built & scaled at enterprise level

      Substanz aus operativer Verantwortung und Skalierung.

      Die historische Erfahrung liegt im Aufbau integrierter Data-, Analytics- und Decisioning-Capabilities für ein internationales Digital-Commerce-Geschäft.

      Integrated customer & marketing data platform

      Web-, Customer-, Transaktions- und Marketingdaten als gemeinsame Grundlage für Analytics und Steuerung verbunden.

      Data Science & predictive use cases

      Scoring, Prognosemodelle und Data-Science-Anwendungen von der Validierung bis zur operativen Nutzung entwickelt.

      Recommendation, Ranking & Personalisation

      Search-&-Browse-Ranking, Empfehlungen und Realtime-Personalisierung mit digitalen Customer Journeys verknüpft.

      Cross-channel decisioning

      Customer State und Response-Signale für abgestimmte Entscheidungen über CRM, Paid Media und Onsite eingesetzt.

      BigQuery / GCP transformation

      Eine gewachsene BI- und Data-Landschaft in Richtung cloud-basierter Analytics- und Datenplattform weiterentwickelt.

      Kontakt
      mail@karstenuhlig.de LinkedIn