Warum Marketingfachleute Daten im Zeitalter der Agenten völlig neu überdenken müssen

Die Zeit, die wir gerade hinter uns haben, war geprägt von einem Problem der menschlichen Leistungsfähigkeit. Es gab mehr Daten, als ein Mensch verarbeiten konnte, also haben wir sie zusammengefasst, Stichproben gezogen, die wichtigen Kennzahlen herausgefiltert und Dashboards erstellt, die die wichtigsten Punkte auf den Punkt brachten. Wir sprachen davon, in Daten zu versinken, weil unsere Aufmerksamkeitsspanne begrenzt und unsere Zeit knapp war.

Agenten kennen diese Grenzen nicht. Sie werden nicht müde. Sie verlieren auch bei der 10.000. Zeile nicht den Überblick. Sie brauchen keine Überschrift, weil sie das gesamte Bild auf einmal im Arbeitsgedächtnis behalten können. Während ein menschlicher Analyst entscheiden muss, worauf er sich konzentriert, kann ein Agent alles überall gleichzeitig auswerten.

Ich habe zwanzig Jahre damit verbracht, Datengrundlagen für Marketingfachleute aufzubauen, und der Wandel, den ich gerade beobachte, ist anders als alle anderen zuvor. Dashboards, BI-Tools, Attributionsplattformen – jedes dieser Instrumente war eine bessere Möglichkeit, Daten für diejenigen aufzubereiten, die sie lesen mussten. Dieser Wandel verändert jedoch, für wen die Daten eigentlich bestimmt sind.

Ein KI-Agent läuft nicht besser auf einer vordefinierten Teilmenge deiner Daten. Er läuft am besten auf all deinen Daten, solange diese korrekt, bereinigt, verknüpft und im Kontext stehen. Alle Kampagnen, alle Publisher, alle SKUs, alle Metadaten – in einem einzigen einheitlichen Schema. Je mehr Kontext du ihm gibst, desto besser ist seine Leistung. Die Überschriften reichen nicht mehr aus. Das Gesamtbild ist die Eingabe.

Das stellt die ganze Frage auf den Kopf. Ein Jahrzehnt lang haben wir uns gefragt, wie man Daten so komprimieren kann, dass ein Mensch damit arbeiten kann. Jetzt müssen wir uns fragen, ob unsere Daten in einer Form vorliegen, die ein Agent tatsächlich nutzen kann.

Das meiste davon ist es noch nicht …

Daten für Menschen und Daten für Agenten sind zwei verschiedene Dinge

Vier Punkte sind entscheidend, und es lohnt sich, sie der Reihe nach durchzugehen. Diese Erkenntnisse stammen aus der Beobachtung, was tatsächlich schiefgeht, wenn Marketingfachleute versuchen, neue Tools auf ihren bestehenden Daten-Stack zu setzen.

Richtig. Die Zahlen stimmen überein, man ist sich über die verlässlichen Quellen einig, die Berichte passen zusammen. Die meisten Marketingabteilungen sind an diesem Punkt angelangt. Im Zeitalter der Agenten bringt Korrektheit jedoch neue Risiken mit sich. Eine falsche Zahl, die jemand in einer Montagsbesprechung bemerkt, ist ein kleines Problem. Dieselbe falsche Zahl, auf deren Grundlage ein Agent in großem Maßstab handelt, ist ein Problem ganz anderer Größenordnung. Schlechte Daten verbreiten sich genauso schnell wie gute, wenn ein Agent die Hebel in Bewegung setzt.

Bereinigen. Duplikate, verwaiste Datensätze, übrig gebliebene Testzeilen, Überbleibsel einer Migration von vor zwei Jahren. Ein menschlicher Analyst sieht eine doppelte Zeile und ignoriert sie. Ein System sieht zwei Zeilen und stützt seine Schlussfolgerung auf beide – und zehn Minuten später teilt es dir voller Überzeugung mit, dass der Umsatz doppelt so hoch ist, wie er tatsächlich ist. Die Kosten für „gut genug“-Daten steigen drastisch, sobald ein System darauf reagiert, ohne dass ein Mensch die Arbeit überprüft.

Vernetzt. Genau hier hapert es bei den meisten Unternehmen. Deine erfahrenen Teams haben die Zusammenhänge im Kopf. Sie wissen, dass „Umsatz“ in dieser Tabelle dasselbe ist wie „Nettoumsatz“ in jener, dass diese Kampagne zu jener SKU-Familie gehört, dass sich das Attributionsfenster im März geändert hat und der Vorjahresvergleich dies berücksichtigen muss. Der Mitarbeiter weiß nichts davon. Er wird raten. Manchmal ist die Vermutung richtig, aber oft ist sie falsch, wenn auch mit großer Überzeugung. 

Ich habe schon oft solche Gespräche miterlebt, in denen mir ein cleveres Team selbstbewusst eine ganzheitliche Sichtweise präsentiert, die dann durch den Agententest innerhalb weniger Minuten als Flickwerk entlarvt wird. Ein Agent, der Medienleistung, Umsatz, Bestand, Content-Qualität und Wettbewerbsdaten gleichzeitig analysiert, ist einem Agenten, der nur einen einzelnen Kanal betrachtet, weit überlegen – allerdings nur, wenn die Zusammenhänge zwischen diesen Datensätzen explizit gemacht werden, anstatt sie der Schlussfolgerung zu überlassen.

[im] Kontext. Jede Organisation basiert auf „Stammeswissen“. Die ungeschriebenen Regeln, die Abkürzungen, die Gründe, warum deine Kategorisierung so aussieht, wie sie aussieht, die Ausnahmen, die niemand dokumentiert hat, weil sie einfach jeder kannte. Das ist es, was den Unterschied zwischen einem Assistenten und einem Agenten ausmacht. Ein neuer Mitarbeiter, selbst einer mit umfassender Branchenerfahrung, ist erst nach Wochen oder Monaten wirklich auf dem Laufenden, denn so lange dauert es, bis er den Kontext verinnerlicht hat. Agenten arbeiten genauso. Das interne Wissen der Organisation gibt ihnen das Urteilsvermögen, in deinem Namen zu handeln, anstatt nur zusammenzufassen, was sie sehen.

Wenn deine Daten nicht einheitlich sind, sind sie für KI nicht nutzbar. Die Marketingfachleute, die in den nächsten fünf Jahren erfolgreich sein werden, sind nicht diejenigen mit den klügsten Einzelanalysten. Es sind diejenigen, die ihre Daten und ihre Datenflüsse so gut verwalten, dass ihre Mitarbeiter das Gesamtbild vor Augen haben.

Das ist ein Umdenken in der Branche.

Warum MCP der erste Ort ist, an dem das auftaucht

Seit wir 2006 damit begonnen haben, die Dateninfrastruktur Skaiaufzubauen, wurde keine Funktion häufiger angefragt als MCP. Als die Anfragen dann in großer Zahl eintrafen, war die Entwicklung bereits in vollem Gange. Wir haben die Funktion im April eingeführt.

MCP, das Model Context Protocol, ist im Grunde eine API für Agenten. Über Benutzeroberflächen kommunizieren Menschen mit Software. Über APIs kommuniziert Software mit Software. Über MCP kommunizieren Agenten mit Software. Gleiches Prinzip, neue Zielgruppe.

MCP wurde zur meistgefragten Funktion in unserer Geschichte, weil das Protokoll genau das signalisiert. Menschen klicken. Agenten denken. Beide brauchen Daten, aber auf völlig unterschiedliche Weise. Das Zeitalter der Agenten wird die Grundpfeiler der Werbung von Grund auf neu definieren.

Diese Neufassung beginnt mit der Verbindung zwischen dem Agenten und den Daten – und genau das ist MCP.

Was unser MCP eigentlich macht

Im Moment kann SkaiMCP nur eine Sache, und die macht es wirklich gut: Es holt deine Kampagnendaten aus Skai heraus Skai bringt sie zu jedem Mitarbeiter, dem du sie zeigen möchtest.

Das klingt bescheiden, bis man sich vor Augen führt, um welche Daten es sich dabei tatsächlich handelt. Einige unserer Kunden geben bei Skai über 100 Millionen Dollar Skai bezahlte Suche, Social Media und Retail Media aus. Abgesehen von den Klicks und Conversions aus den Kampagnen selbst haben die meisten Marketer noch nicht ganz verinnerlicht, dass sie auf einem eigenen Datenbestand im neunstelligen Bereich sitzen. Jedes Keyword, jedes Creative, jede Zielgruppe, jede Gebotsentscheidung, jedes Ergebnis – all das normalisiert und über Hunderte von Publishern hinweg miteinander verknüpft. KI kann damit Außergewöhnliches leisten, wenn sie darauf zugreifen kann.

MCP ist der Weg dorthin. Wenn APIs Leitungen sind, dann ist ein MCP ein Werkzeugkasten. Das MCP Skaistellt die Daten, Kennzahlen und Dimensionen, über die jeder Skai verfügt, in einer Form bereit, die ein Agent verarbeiten kann. Der Agent entscheidet, welches Werkzeug er für die Aufgabe einsetzen möchte, fragt Skai in einfachem Englisch Skai und erhält eine klare Antwort.

Kein eigener Code. Keine Entwicklerversion. Konfiguration in wenigen Minuten.

Berechtigungen werden nicht nachträglich hinzugefügt, sondern vererbt. Wenn du deinen Agenten Skai MCP mit Skai verbindest, sieht dieser Agent genau das, was du sehen kannst. Das Governance-Modell, das unsere Plattform seit zwei Jahrzehnten steuert, ist dasselbe, das auch unser MCP steuert.

Das ist keine Theorie. Celeste, unser speziell für Commerce Media entwickelter Agent, arbeitet bereits seit einem Jahr auf dieser Grundlage. MCP erweitert dieses Modell von unserem Agent auf jeden beliebigen Agent. Wie Jason Taam, VP Data and Analytics bei The Barcode Group, bei der Einführung sagte: „Mit MCP können unsere Agenten Skai zusätzlichen Aufwand direkt auf Leistungs- und AMC-Daten in Skai zugreifen, was schnellere Entscheidungen und mehr Effizienz ermöglicht.“

Hier sind ein paar der spannendsten Möglichkeiten, wie unsere Kunden SkaiMCP nutzen könnten:

• Geschäftsbereichsübergreifende Analyse. Verknüpfe Skai mit einem Mitarbeiter, der auch Einblick in Vertriebs-, Lieferketten- oder Finanzdaten hat. So lässt sich in einem einzigen Gespräch klären, ob eine Kampagne erfolgreich ist, ob genügend Lagerbestände vorhanden sind, um sie auszuweiten, und ob die Marge dies rechtfertigt.
• Einheitliche Ansichten der Werbedaten. Verbinde Skai den anderen Werbedatenquellen deines Teams über einen einzigen internen Agenten. Keine neuen Verbindungen erforderlich. Ein Agent, ein Überblick.
• Maßgeschneiderte Marketing-Agenten. Überspringe den Teil, bei dem du Integrationen zu über 200 Publishern neu aufbauen musst. Beginne mit dem Fundament und baue deinen Agenten darauf auf.

Stell dir vor, eine Brand Directorin fragt ihren Berater, welche Kampagnen Gefahr laufen, das Quartalsziel zu verfehlen. Der Berater gibt ihr keine Liste. Er führt den Rückgang auf eine Werbeaktion eines Mitbewerbers zurück, die die CPCs in die Höhe getrieben hat, zeigt auf, wo eine Umschichtung die meisten Ausgaben zurückgewinnen würde, und fragt, ob sie möchte, dass er die Änderungen entwirft. Das ist der Wandel.

Das ist es, was MCP heute macht. Die größere Frage ist, wie es weitergeht.

Die fünf Bereiche, die jedes Marketingunternehmen im Zeitalter der Agenten neu überdenken muss

MCP ist ein Ganzes. In jeder Marketingorganisation fließen Daten über fünf Ebenen, und jede davon verändert sich im Zeitalter der Agenten.

• In: Wie First-Party-, Third-Party- und Publisher-Daten in deine einheitliche Datenbasis gelangen.
• Das ist die Frage. Wie gelangen diese Daten dorthin, wo die Entscheidungen getroffen werden?
• Im Inneren. Wie die Daten nach der Erfassung strukturiert werden – mit Kennzahlen, Dimensionen und Ansichten, die das Team tatsächlich nutzen kann.
• So funktioniert es: Wie Signale die KI in Publisher-Plattformen füttern, damit deren Algorithmen genau das optimieren, was für dein Unternehmen wichtig ist.
• Überblick. Wie sich dein Stack in das übergeordnete Analytics-Ökosystem einfügt.

Hier erfährst du, was sich bei den einzelnen Punkten ändert.

„Out“ im Zeitalter der Agenten. Das ist MCP, und es ist ab heute verfügbar. Jeder weitere Datenfluss von Agenten wird dem gleichen Muster folgen: offener Zugriff auf das vom Kunden gewählte Schlussfolgersystem, geregelt durch die bereits bestehenden Berechtigungen.

„In“ im Zeitalter der Agenten. Die Datenerfassung war schon immer ein Problem für Entwickler. Maßgeschneiderte Integrationen, das Abgleichen von Tabellen, Schema-Abstimmung – all das sind Aufgaben, die Monate dauern und Ingenieure erfordern, über die die meisten Marketingteams nicht verfügen. Agenten ändern das. Ein Agent kann die Struktur einer neuen Datenquelle analysieren, vorschlagen, wie sie in deine Systemlandschaft eingebunden werden sollte, und die Erfassung im Rahmen eines Gesprächs konfigurieren. Was früher ein Quartal gedauert hat, ist nun in einem Nachmittag erledigt.

„Inside“ im Zeitalter der Agenten. Benutzerdefinierte Kennzahlen, Dimensionen, Dashboards und Ansichten waren schon immer vorgefertigte Antworten auf vorhersehbare Fragen. Im Zeitalter der Agenten wird die Art und Weise, wie Daten organisiert werden, zu einem Dialog. Der Agent stellt die Ansicht auf Abruf zusammen. Du fragst, er stellt sie zusammen. Celeste setzt dies bereits in einer frühen Version um. Der Weg ist klar: weniger vorgefertigte Dashboards, mehr beantwortete Fragen auf derselben einheitlichen Grundlage, wobei die Struktur an die Frage angepasst wird, anstatt die Frage der Struktur anzupassen.

„Durch“ im Zeitalter der Agenten. Skai speist Skai First-Party-Daten in KI-native Kampagnenprodukte wie Googles AI Max und Amazons KI-Biet-Tools ein. Der nächste Schritt besteht darin, dass Agenten automatisch steuern, welche Signale wann und wohin fließen – mit den richtigen Datenschutzkontrollen und im richtigen Rhythmus. Unsere über 13.000 vorverknüpften Datenfeeds bilden die Grundlage. Die Agenten werden zu Dirigenten. Je besser die eingehenden Daten sind, desto besser ist die Leistung der Publisher-KI im Ergebnis.

„Across“ im Zeitalter der Agenten. Heute sind Integrationen Verbindungskanäle zwischen Plattformen. Morgen sind es Agenten, die miteinander kommunizieren. MCP zu MCP. Die Rolle einer einheitlichen Datenschicht besteht darin, anderen Agenten eine konsistente, entscheidungsreife Übersicht über Publisher und Händler zu bieten, auf die sie sich verlassen können – ganz gleich, wie viele spezialisierte Agenten neben ihr arbeiten. [LÜCKE FÜR GAL: eine Zahl oder ein Beleg, der SkaiPosition im breiteren Agenten-Ökosystem untermauert, analog zur Zahl von 13.000 Feeds in „Through“. Wenn nichts passt, so lassen.]

Fazit: Warum agentenfähige Daten dringend benötigt werden

Es läuft auf eine Sache hinaus [die eigentlich fünf Dinge umfasst]: Korrekt, sauber, vernetzt, im Kontext. Wenn deine Daten nicht alle vier Kriterien erfüllen, wird die KI sie trotzdem nutzen – selbstbewusst, schlecht und in großem Maßstab.

Die Marketingfachleute, die in den nächsten fünf Jahren erfolgreich sein werden, sind diejenigen, die dieses Problem beheben, bevor ihre Bots es aufdecken. Die Frage ist, ob deine Daten bereit sind, als Eingabe für einen Bot zu dienen – und nicht nur als Ausgabe eines Berichts.

Skai ist die KI-gesteuerte Commerce-Media-Plattform für Performance-Werbung. Seit fast zwei Jahrzehnten vertrauen die weltweit führenden Marken und Agenturen auf unsere preisgekrönte Technologie, um Retail Media, Paid Search und Paid Social in einem einzigen strategischen Commerce-Media-Programm zusammenzuführen. Mit integrierter KI, vernetzten Daten und durchgängiger Automatisierung Skai Marketern, schneller zu agieren, intelligentere Entscheidungen zu treffen und ein bedeutungsvolleres Wachstum zu erzielen.

Möchtest du wissen, wie agententaugliche Daten in der Praxis aussehen? Vereinbare eine kurze Demo.

---

Häufig gestellte Fragen