Ein Unternehmen will bestehende Kundendaten nutzen, um weitere Personen mit ähnlichen Merkmalen oder vergleichbarem Verhalten anzusprechen. Ein Händler könnte etwa prüfen, ob sich aus bisherigen Käufen, Newsletter-Reaktionen oder regionalen Mustern Zielgruppen ableiten lassen, die für eine neue Kampagne besonders relevant sind. Eine Liste exportieren, sie mit weiteren Merkmalen anreichern und in ein Targeting überführen: Technisch ist das in wenigen Stunden gemacht. Die entscheidenden Fragen stellen sich aber früher und sind anspruchsvoller:
- Welche Datenbasis liegt vor?
- Wurden die Daten für diesen Zweck erhoben?
- Was ist tatsächlich bekannt und was wird nur vermutet?
- Können bestimmte Personen oder Gruppen unbeabsichtigt benachteiligt, ausgeschlossen oder unverhältnismässig häufig angesprochen werden?
Solche Fragen werden in der Praxis schnell konkret. Wer mit Lookalike-Modellen arbeitet – also Zielgruppen bildet, die bestehenden Kunden in bestimmten Merkmalen ähneln –, übernimmt auch mögliche Verzerrungen aus den zugrunde liegenden Ausgangsdaten. Wer mehrere Kampagnenkanäle kombiniert, multipliziert die Annahmen, auf denen Targeting beruht. Und wer mit Modellen Affinitäten errechnet, läuft Gefahr, Vermutungen für Wissen zu halten. Datennutzung gehört in vielen KMU längst zum Alltag: CRM-Systeme, Newsletter, Webtracking, erste Anwendungen mit KI. Mit jeder zusätzlichen Anwendung wächst die Distanz zwischen ursprünglicher Erhebung und späterer Nutzung. Damit steigt der Bedarf, datenbezogene Entscheidungen bewusst zu treffen. Hier setzt das Data Fairness Label von Swiss Insights an. Es bietet einen praxisnahen Rahmen für einen transparenten und verantwortungsvollen Umgang mit Daten. Im Zentrum stehen konkrete Fragen zu Datengrundlagen, Modellen, Wirkung und Verantwortung:
- Welche Personen sind betroffen?
- Wo können Risiken entstehen?
- Welche Annahmen stecken in einem Modell oder einer Segmentierung?
- Wer trägt die Verantwortung für die Anwendung?
Die richtigen Fragen stellen
Dem Label liegen relevante Fragestellungen zugrunde, mithilfe derer KMU datenbezogene Vorhaben vorgängig bewusster prüfen können. Es kann bestehende Prozesse ergänzen, etwa rechtliche Prüfungen, Datenschutzabläufe oder interne Governance. Es muss also nicht alles neu aufgebaut werden. Der Nutzen liegt darin, gezielt die richtigen Fragen zu stellen und Entscheidungen besser zu dokumentieren.
Wie das in der Praxis aussehen kann, zeigt Swiss Post Advertising. Die Werbedienstleisterin der Schweizerischen Post entwickelt datengetriebene, crossmediale Werbekampagnen über digitale und physische Kanäle hinweg. Eine zentrale Grundlage dafür sind Datenlösungen, die auf nachvollziehbaren Datenquellen basieren und klare Standards zur Herkunft der Daten sowie zum Datenschutz und zur Sicherheit einhalten. So lassen sich Zielgruppen präziser beschreiben, Kommunikationssituationen besser einordnen und Kampagnen über verschiedene Kontaktpunkte hinweg steuern. Ergänzende Analysen ermöglichen, die Wirkung von Kampagnen nachvollziehbar auszuwerten und datenbezogene Entscheidungen weiterzuentwickeln. Diese Themen kommen – wenn auch in weniger umfangreichem Rahmen – auch im KMU-Alltag vor: Kundendaten anreichern, Zielgruppen eingrenzen, Kampagnen koordinieren, Wirkung messen. Daten spielen dabei eine zentrale Rolle. Gerade weil sie in Zielgruppenlogiken, Modelle und Auswertungen einfliessen, wird ihre Qualität zu einem Teil der Leistungsqualität.
Je mehr Kanäle in einer Kampagne zusammenspielen, desto komplexer wird die zugrunde liegende Datenarbeit. Was an einzelnen Kontaktpunkten noch übersichtlich erscheint, wird in der Orchestrierung schnell zu einer Kette von Annahmen. Ein klarer Orientierungsrahmen hilft, relevante Fragen früh zu stellen: bei Angeboten, Datenmodellen, Targetings, individuellen Kundenlösungen oder der Interpretation von Analyseergebnissen.
Bewusstsein und Teilhabe
Bei Swiss Post Advertising beginnt die Arbeit mit der Sensibilisierung der beteiligten Teams. Entwickler verstehen sich nicht mehr nur als Umsetzende, sondern beteiligen sich aktiv an der Gestaltung von Datenanwendungen. Sales und Consultants verkaufen nicht die naheliegendste Lösung, sondern denken die Perspektive der Endkonsumenten mit. Das Produktmanagement hinterfragt bestehende Affinitätsmodelle und entwickelt neue Ansätze. Das Resultat ist weniger ein zusätzlicher Prozess, sondern vielmehr ein verändertes Selbstverständnis im Umgang mit Daten: Die beteiligten Teams prüfen Annahmen bewusster, diskutieren Grenzfälle früher und entwickeln gemeinsame Massstäbe für tragfähige Datennutzung.
Diese Haltung schlägt sich in konkreten Abläufen nieder. Consultants prüfen bei der Entgegennahme eines Auftrags die inhaltliche Zielsetzung und die technische Umsetzung. Standardisierte Aufträge lassen sich anhand der Fragen des Data Fairness Labels beurteilen und dokumentieren. Individuelle Kundenlösungen werden vor der Umsetzung im Team auf technische Machbarkeit und auf die Einhaltung der entsprechenden Leitplanken geprüft. Wird ein Vorhaben als kritisch eingeschätzt, können fallbezogene Fragen zu Daten, Modell und Anwendungskontext dazu dienen, das Vorgehen zu reflektieren und freizugeben. Die ISO/IEC-27001-Zertifizierung bildet dafür die Sicherheitsbasis. Sie klärt unter anderem, wer auf welche Daten zugreifen darf, wie Risiken beurteilt werden und wie mit Vorfällen umzugehen ist. Das Data Fairness Label ergänzt diese Grundlage um eine zweite Perspektive: Es fragt nicht nach dem «Wie?» der Datensicherheit, sondern nach dem «Warum?» der Datennutzung im jeweiligen Anwendungsfall.
