Die composable CDP erklärt: Was es wirklich bedeutet, auf dem Data Warehouse aufzubauen

Der Begriff „composable CDPCDPEine Customer Data Platform führt Kundendaten aus allen Quellen zu dauerhaften, nutzbaren Profilen zusammen, die andere Systeme verwenden können.Vollständige Definition ansehen →“ kursiert in der Marketing-Technology-Szene seit etwa 2022, und ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → sorgt weiterhin für mehr Verwirrung als Klarheit. Anbieter verstehen darunter Unterschiedliches. Analysten streiten, ob es eine Produktkategorie ist oder nur ein Architekturmuster. Und CMOs sollen entscheiden, ob sie ihre Customer-Data-Infrastruktur neu aufsetzen, auf Basis von Marketingtexten, die die dahinterliegende Mechanik selten erklären. Das Konzept selbst ist simpel, sobald man die Positionierung wegnimmt. Die Verwirrung existiert vor allem, weil es das Geschäftsmodell etablierter CDP-Anbieter bedroht, die nachvollziehbare Gründe haben, das Wasser trüb zu halten.

Warum es speziell für CMOs relevant ist

Klassische CDPs wie Segment, Salesforce Data Cloud oder Adobe Real-Time CDP folgen einem ähnlichen Muster: Sie leiten Ihre Kundendaten in den proprietären Speicher des Anbieters, dessen Tools bauen daraus unified profiles, und Ihre Marketingsysteme greifen über die APIs des Anbieters darauf zu. Der Anbieter hält die Daten. Sie zahlen für Storage, Compute und Seats, oft doppelt, weil Sie parallel ein Data WarehouseData WarehouseEin zentrales Repository, das Daten aus vielen Quellsystemen in einem strukturierten, abfrageoptimierten Speicher zusammenführt, ausgelegt für Analytics, Reporting und Business Intelligence.Vollständige Definition ansehen → wie Snowflake, BigQuery oder Databricks bezahlen, in dem die meisten Daten Ihres Unternehmens ohnehin schon liegen.

Die praktische Folge: Ihre Kundendaten verteilen sich über mehrere Systeme. Ihr Data-Science-Team rechnet Churn-Modelle auf Snowflake. Ihr Marketingteam baut Audiences in Segment. Damit beide zusammenspielen, braucht es Engineering-Aufwand, eigene Konnektoren und laufende Wartung. Diese Trennung erzeugt Latenz, Inkonsistenz und Kosten. IDC schätzte 2024, dass Unternehmen mit mehr als drei Cloud-Datenplattformen Integrationskosten von durchschnittlich 23 % ihres gesamten Budgets für Dateninfrastruktur tragen, ein Wert, der sich mit der wachsenden Zahl an Plattformen nicht verbessert hat.

Eine composable CDP dreht das komplett um. Statt Ihre Daten in den proprietären Speicher eines Anbieters zu verschieben, bleiben sie in Ihrem bestehenden Data Warehouse, und die CDP-Logik, also Profilzusammenführung, Audience-Segmentierung, Identity Resolution, läuft mit modularen, interoperablen Tools auf diesem Warehouse. Die Daten verlassen Ihre Umgebung nie. Das „composable“ meint, dass Sie die benötigten Fähigkeiten aus spezialisierten Komponenten zusammensetzen, statt eine monolithische Plattform zu kaufen, die alles innerhalb ihrer eigenen Mauern erledigt.

Für einen CMO ist das auf drei Ebenen relevant. Erstens Kosten: Sie zahlen Storage nicht mehr doppelt. Zweitens Kontrolle: Data Science und Marketing arbeiten auf denselben zugrundeliegenden Tabellen, ein von einem Data Scientist gebauter Propensity Score steht einem Marketing-Analysten für den Aufbau einer Kampagnen-Audience sofort zur Verfügung, ohne Export oder Sync-Job. Drittens Vendor-Risiko: Ihre Daten stecken nicht in einem proprietären SchemaSchemaEin Schema ist der formale Bauplan, der festlegt, wie Daten in einer Datenbank, einer Datei oder einer Nachricht strukturiert, benannt, typisiert und miteinander verknüpft sind.Vollständige Definition ansehen →, aus dem die Migration teuer wird.

Wie es tatsächlich funktioniert: die Mechanik

Nehmen Sie einen mittelgroßen Händler, der Snowflake als Cloud Data Warehouse nutzt. Transaktionsdaten, Web-Clickstream, Daten aus dem Loyalty-Programm und Call-Center-Logs laufen über Standard-Ingestion-Pipelines in Snowflake ein. In einem klassischen CDP-Setup würde er einen Teil dieser Daten etwa nach Segment exportieren, das daraus in seiner eigenen Infrastruktur unified customer profiles baut. Segment würde dann Audience-Listen an Meta, Google, Klaviyo und so weiter pushen.

In einer composable Architektur passiert die Profilzusammenführung in Snowflake selbst. Ein Tool wie Hightouch (das eine „Data Activation“-Plattform vermarktet, deren Benchmarks man entsprechend skeptisch betrachten sollte) oder Census liest die bereits in Snowflake liegenden Tabellen, wendet die vom Datenteam konfigurierte Identity-Resolution-Logik an und schreibt vereinheitlichte Profiltabellen zurück ins Warehouse. Diese Profile werden dann per Reverse ETLETLETL (Extract, Transform, Load) ist ein Datenintegrationsprozess, der Daten aus Quellsystemen extrahiert, in ein konsistentes Format bringt und in ein Zielsystem schreibt.Vollständige Definition ansehen → direkt nach Meta, Google oder Klaviyo synchronisiert, ein Verfahren, das Warehouse-Daten an nachgelagerte Tools pusht, statt Daten in eine zentrale Plattform zu ziehen.

Der Audience Builder, also die Komponente, mit der ein Marketing-Analyst sagen kann „gib mir alle Kunden, die in den letzten 90 Tagen gekauft, aber seit 60 Tagen keine E-Mail geöffnet haben“, läuft als SQLSQLSales Qualified Lead: ein Prospect, den das Sales-Team als bereit für direkte Ansprache und ein Angebot validiert hat, weil er klare Qualifizierungskriterien erfüllt.Vollständige Definition ansehen →-Query oder über eine visuelle Oberfläche auf Snowflake. Ergebnis ist ein Segment, das als Tabelle oder View im Warehouse existiert, versioniert und auditierbar, und anschließend über den Reverse-ETL-Layer in die relevanten Kanäle aktiviert wird.

Identity Resolution, oft als schwierigster Teil jeder CDP-Implementierung genannt, übernehmen spezialisierte Komponenten wie Reltio oder Amperity, die auf Ihren Warehouse-Daten arbeiten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, statt zu verlangen, dass Sie alles in ihre eigenen Speicher leiten. Genau hier wird „composable“ wirklich komplex: Sie setzen mehrere Anbieter zusammen, jeder mit eigener Konfiguration, eigenen Supportverträgen und eigenen Failure Modes. Die gesamte Integrationsfläche ist größer als bei einer monolithischen CDP, selbst wenn der Data Footprint kleiner ist.

Wann Sie es einsetzen sollten und wann nicht: die ehrlichen Tradeoffs

Ein composable Ansatz ist dann am sinnvollsten, wenn Ihre Organisation bereits ein ausgereiftes Data Warehouse und ein Data-Engineering-Team hat, das die verbindenden Pipelines betreiben kann. Wenn Snowflake oder BigQuery schon die kanonische Source of Truth für Ihr Geschäft ist und Ihr Datenteam kompetent ist, sind die zusätzlichen Kosten für composable CDP-Tooling darauf gering. Sie bauen kein neues Datenfundament, Sie ergänzen einen Activation-Layer.

Deutlich weniger sinnvoll ist es für Organisationen, in denen Marketing seinen eigenen Data Stack losgelöst vom Engineering betreibt, oder in denen das Data Warehouse schlecht governed und inkonsistent gefüllt ist. Das composable Modell setzt voraus, dass das Warehouse verlässlich ist. Wenn Ihre Snowflake-Umgebung ungelöste Identitätsdubletten, inkonsistente Event-Schemata oder veraltete Daten aus unzuverlässigen Pipelines enthält, wird eine composable CDP all diese Probleme getreu in Ihre Marketingkampagnen tragen. Eine klassische CDP legt bei allen Kosten wenigstens ihren eigenen Data-Quality-Layer vor die Aktivierung.

Der zweite ehrliche Vorbehalt ist Time-to-Value. Eine monolithische CDP wie Segment oder Adobe Real-Time CDP kommt mit vorgebauten Konnektoren, Identity Graphs und Audience-Tools, die out of the box halbwegs gut funktionieren. Ein composable Stack muss zusammengebaut werden. Ein Enterprise-Händler, der von einer klassischen CDP auf eine composable Architektur wechselt, sollte sechs bis zwölf Monate Engineering-Arbeit einplanen, bevor das Setup stabil genug ist, um sich bei zeitkritischer Kampagnenausführung darauf zu verlassen.

Die composable CDP ist eine solide architektonische Richtung für Organisationen mit der nötigen Datenreife, keine Abkürzung. Wenn Ihr Warehouse der Schwerpunkt Ihrer Geschäftsdaten ist, ist es die langfristig besser vertretbare Wahl, Ihre Customer-Data-Fähigkeit dort aufzubauen, statt sie im proprietären System eines Anbieters zu duplizieren. Die Unternehmen, die aus diesem Modell am meisten ziehen, darunter mehrere große europäische Händler und US-Finanzdienstleister, haben eines gemeinsam: Sie haben das Warehouse als Infrastrukturstrategie behandelt, bevor sie composable CDP als Marketing-Technology-Entscheidung behandelt haben.