Datenmodelle für Marketing-Entscheidungen: So baust du aussagekräftige Modelle von Grund auf

Ein Datenmodell für Marketing-Entscheidungen strukturiert vorhandene Signale – Kaufhistorie, E-Mail-Öffnungen, Website-Verhalten – zu einem Score oder einer Segmentzuordnung, die direkt in Automationen fließt. Die drei Modelle mit der höchsten Wirkung im E-Mail-Marketing sind RFM-Segmentierung, Lead Scoring und Churn Prediction. Du brauchst dafür kein Data-Science-Team, sondern eine klare Zieldefinition und die richtigen Felder in ActiveCampaign.

Das Wichtigste in Kürze

• RFM (Recency, Frequency, Monetary) ist der pragmatischste Einstieg: kein Machine Learning nötig, nur eine saubere Transaktionshistorie.
• Lead-Scoring-Modelle priorisieren Kontakte nach Kaufbereitschaft und reduzieren den Selektionsaufwand im Vertrieb spürbar.
• Churn-Prediction-Modelle erkennen abwandernde Kunden, bevor sie kündigen, und lösen automatisch Win-Back-Kampagnen aus.
• ActiveCampaign liefert über Site Tracking, Event Tracking und Custom Fields die Rohdaten für alle drei Modelle.
• Die häufigste Fehlerquelle ist nicht fehlendes Datenmaterial, sondern eine zu vage Zieldefinition am Anfang.

Warum ein Datenmodell mehr leistet als ein Dashboard

Ein Dashboard zeigt, was passiert ist. Ein Datenmodell sagt voraus, was als nächstes passieren wird – oder ordnet Kontakte so ein, dass du jetzt sinnvoll handeln kannst. Der Unterschied ist entscheidend: Dashboards erzeugen Reporting-Arbeit, Modelle erzeugen Handlungsempfehlungen.

Ein Beispiel: Dein Dashboard zeigt eine Öffnungsrate von 28 Prozent in der letzten Kampagne. Das sagt dir wenig darüber, wen du heute ansprechen solltest und mit welchem Inhalt. Ein RFM-Modell segmentiert deine Kontaktliste automatisch in Kundengruppen – und deine Automation wählt für jede Gruppe die passende Nachricht, ohne manuelle Filterarbeit.

Datenmodelle sind keine Alternative zu Dashboards, sondern die nächste Ebene. Du brauchst zuerst Klarheit über Kennzahlen, bevor du ein Modell baust. Aber wenn dein Reporting stabil läuft, ist der Aufbau eines Prognose- oder Scoring-Modells der wirkungsvollste nächste Schritt – weil er das vorhandene Wissen in automatisierte Entscheidungen überführt.

Welche drei Modelltypen im E-Mail-Marketing die meiste Wirkung haben

Nicht jeder Modelltyp passt zu jedem Geschäftsmodell. Die folgenden drei Ansätze decken die häufigsten Anwendungsfälle ab und lassen sich mit den Daten aufbauen, die ActiveCampaign ohnehin sammelt – ohne zusätzliche Dateninfrastruktur.

RFM-Modelle für Kundensegmentierung

RFM steht für Recency (wann hat ein Kunde zuletzt gekauft), Frequency (wie oft kauft er) und Monetary Value (wie viel gibt er aus). Die Stärke des Modells liegt in seiner Einfachheit: Du brauchst keine Machine-Learning-Bibliothek und kein Python-Skript. Eine saubere Transaktionshistorie und eine Pivot-Tabelle genügen für den Anfang.

Das Modell funktioniert so: Du weist jedem Kontakt für jede der drei Dimensionen einen Score von 1 bis 5 zu, wobei 5 das beste Verhalten bedeutet. Jemand, der letzte Woche gekauft hat, bekommt eine Recency-5. Jemand mit dem letzten Kauf vor einem Jahr bekommt eine Recency-1. Aus den drei Ziffern entsteht ein kombinierter Score – zum Beispiel 5-4-3 für einen Kunden, der kürzlich, häufig und mit mittlerem Warenkorbwert gekauft hat.

Das Modell liefert fünf klassische Segmente, aus denen unterschiedliche Kampagnen folgen:

• Champions (Score 4–5 in allen drei Dimensionen): kaufen häufig und kürzlich; ideal für Upsell-Angebote und Loyalitätsprogramme.
• At Risk (früher Recency ≥ 4, jetzt ≤ 2, Frequency ≥ 3): früher aktive Käufer, seit längerer Zeit inaktiv; brauchen eine gezielte Win-Back-Sequenz.
• Promising (Recency ≥ 4, Frequency ≤ 2): kaufen selten, aber kürzlich; reagieren gut auf Onboarding-Angebote und erste Kaufanreize.
• Hibernating (Recency ≤ 2, Frequency ≤ 2, Monetary ≤ 2): niedriger Score in allen Dimensionen; Entscheidung über Sunset-Kriterien steht an.
• New Customers (Frequency = 1, Recency ≥ 4): erste Käufer; Onboarding-Sequenzen erhöhen die Wahrscheinlichkeit eines zweiten Kaufs erheblich.

In der Praxis zeigt sich: Der Recency-Wert ist der stärkste Einzelprediktor für einen nächsten Kauf. Wer in den letzten 30 Tagen aktiv war, spricht auf Kampagnen deutlich besser an als jemand mit 180-tägiger Pause – unabhängig von der historischen Kauffrequenz.

Lead-Scoring-Modelle für Priorisierung

Lead Scoring gibt jedem Kontakt einen numerischen Score, der aus Verhaltens- und demografischen Signalen berechnet wird. Der Vertrieb arbeitet zuerst mit Kontakten, die über einem definierten Schwellenwert liegen. Das spart Selektionszeit und erhöht die Trefferquote bei Erst-Gesprächen.

Ein einfaches Scoring-Modell gewichtet drei Signalgruppen und schreibt den Score laufend fort:

• Engagement-Signale aus ActiveCampaign: E-Mail geöffnet (+2 Punkte), Link geklickt (+5 Punkte), Formular ausgefüllt (+10 Punkte), Webseite besucht (+3 Punkte je Session).
• Interessenssignale über Site Tracking: Preisseite besucht (+20 Punkte), Demo angefragt (+50 Punkte), themenspezifischen Content konsumiert (+10 Punkte).
• Abzüge für Inaktivität: keine E-Mail geöffnet in 30 Tagen (−5 Punkte), kein Website-Besuch in 60 Tagen (−10 Punkte).

Als Schwellenwerte haben sich in B2B-Umgebungen typischerweise drei Bereiche bewährt: 0–39 Punkte für kalte Leads (Newsletter-Pflege), 40–79 für warme Leads (automatisierte Nurturing-Sequenz), ab 80 für heiße Leads (direkte Vertriebsübergabe). Diese Zahlen sind Ausgangspunkte, die du nach den ersten vier bis sechs Wochen an deine tatsächlichen Conversion-Daten anpassen solltest.

ActiveCampaign hat ein natives Lead-Scoring-Feature unter CRM → Scoring, das diese Regeln direkt abbildet. Ein detailliertes Setup mit Beispielregeln und Automationen beschreibt der Beitrag über Lead Scoring in ActiveCampaign.

Churn-Prediction-Modelle für Kundenbindung

Ein Churn-Prediction-Modell schätzt die Wahrscheinlichkeit ein, mit der ein Kontakt in einem definierten Zeitraum abwandert oder den Kauf einstellt. Es ist besonders wertvoll in Abo-Modellen und im Subscription-Commerce, wo eine Kündigung verhindert werden muss, bevor sie ausgesprochen wird. Einen abgewanderten Kunden zurückzugewinnen kostet ein Vielfaches gegenüber dem, ihn zu halten – das ist der ökonomische Kern hinter jeder Churn-Prevention-Strategie.

Das Modell basiert auf Signalen, die dem echten Churn typischerweise vorausgehen:

• Sinkende Login-Frequenz oder Nutzungsintensität über mehrere Wochen hintereinander.
• Ausbleibende Reaktion auf die letzten drei oder mehr E-Mails des regulären Versands.
• Aufrufen der Kündigungsseite oder längeres Verweilen auf FAQ-Seiten zum Thema Vertragslaufzeit.
• Keine Antwort auf Re-Engagement-Automationen nach 14 Tagen aktiver Reaktivierungsversuche.

In ActiveCampaign bildet ein Custom Field "Churn Risk Score" das Modell-Ergebnis ab. Du legst es unter Kontakte → Felder verwalten → Neues Feld als numerisches Feld an. Eine Automation aktualisiert dieses Feld bei jedem relevanten Event und löst bei Überschreitung eines Schwellenwerts – zum Beispiel 70 von 100 Punkten – eine Win-Back-Sequenz mit spezifischem Angebot aus.

Welche Daten aus ActiveCampaign wirklich ins Modell gehören

ActiveCampaign sammelt mehr Daten, als die meisten Teams auswerten. Entscheidend ist, welche Signale tatsächlich prädiktiv sind – und welche nur Rauschen erzeugen. Die folgende Tabelle gibt einen Überblick für die drei häufigsten Modelltypen.

Für einfache RFM-Modelle reichen Kaufdaten aus dem Deal-Bereich von ActiveCampaign. Für Lead Scoring sind Klick- und Site-Tracking-Daten die stärksten Einzelsignale. Churn Prediction wird präziser, je tiefer die Event-Daten sind – der Implementierungsaufwand für Event Tracking zahlt sich dort am stärksten aus.

Ein praktischer Hinweis zum Site Tracking: Es erfordert einen JavaScript-Schnipsel auf jeder Seite deiner Website, den ActiveCampaign unter Einstellungen → Tracking bereitstellt. Sobald das Script aktiv ist, speichert ActiveCampaign jeden Seitenbesuch eines bekannten Kontakts und macht ihn als Automation-Trigger nutzbar – ohne dass du zusätzliche Analytics-Integrationen brauchst.

So baust du ein RFM-Modell auf – Schritt für Schritt

Das RFM-Modell ist der beste Einstieg, weil es ohne externe Tools und ohne Statistikkenntnisse umsetzbar ist. Am Ende dieses Praxisblocks hast du eine segmentierte Kontaktliste in ActiveCampaign, die du direkt für Kampagnen nutzen kannst.

1. Exportiere die Transaktionshistorie: Gehe in ActiveCampaign unter CRM → Deals und filtere nach Status "Gewonnen". Exportiere die Felder Kontakt-ID, Abschlussdatum und Dealwert als CSV. Wenn du Käufe über einen Webshop überträgst, nutze den API-Endpunkt /contacts/{id}/deals, um alle Transaktionen je Kontakt abzurufen.
2. Berechne die drei RFM-Werte je Kontakt: Recency = Anzahl Tage seit dem letzten abgeschlossenen Deal. Frequency = Anzahl abgeschlossener Deals im Betrachtungszeitraum (typisch: 12 Monate). Monetary = Summe aller Dealwerte im selben Zeitraum. Eine Pivot-Tabelle in Google Sheets erledigt das in wenigen Minuten: Kontakt-ID als Zeile, Dealwert als Wert, Max-Datum als weiteren Wert.
3. Vergib Scores von 1 bis 5 je Dimension: Teile jeden Wert in fünf gleichgroße Quintile auf. Das oberste Quintil – die 20 Prozent mit dem kleinsten Recency-Wert (also den aktuellsten Käufern) – bekommt eine Recency-5. Das unterste Quintil bekommt eine Recency-1. Wende das gleiche Prinzip für Frequency und Monetary an. Ergebnis: ein dreistelliger Score wie 5-3-4 je Kontakt.
4. Definiere Segmentregeln: Champions = Recency ≥ 4 und Frequency ≥ 4. At Risk = Recency ≤ 2 und Frequency ≥ 3. New Customers = Frequency = 1 und Recency ≥ 4. Hibernating = Recency ≤ 2 und Frequency ≤ 2. Passe diese Schwellenwerte an dein Geschäftsmodell an – im B2B mit langen Kaufzyklen gelten andere Recency-Grenzen als im E-Commerce.
5. Importiere die Segmentzuordnung in ActiveCampaign: Füge dem CSV eine Spalte "RFM_Segment" hinzu. Lege vorher in ActiveCampaign ein Custom Field an: Kontakte → Felder verwalten → Neues Feld → Typ Text → Name "RFM_Segment". Importiere das CSV dann über Kontakte → Import und mappe die Spalte auf dein neues Custom Field.
6. Erstelle Automationen je Segment: Gehe zu Automationen → Erstellen → Startet wenn → Feldwert ändert sich → RFM_Segment ist "At Risk". Baue eine drei E-Mails umfassende Win-Back-Sequenz mit einem zeitlich begrenzten Angebot. Wiederhole das für "Champions" mit einer Upsell-Sequenz, die auf komplementäre Produkte oder einen Servicevertrag hinweist.
7. Plane den Refresh-Zyklus: RFM-Scores veralten, weil sich Kaufverhalten ändert. Im E-Commerce empfiehlt sich ein monatlicher Re-Import. Im B2B mit längeren Transaktionszyklen genügt ein vierteljährlicher Update. Trage den Termin im Kalender ein und exportiere die frischen Daten einen Tag vorher.

Typische Fehler beim Aufbau von Marketing-Datenmodellen

Die meisten Probleme treten nicht beim Modellbau selbst auf, sondern davor und danach: in der Zielbeschreibung und in der Integration in den Marketing-Workflow. Hier sind die Fehler, die immer wieder zu Modellen führen, die technisch korrekt, aber praktisch nutzlos sind.

Das Modellziel ist zu unscharf

"Wir wollen unsere Kontakte besser segmentieren" ist kein Modellziel. Ein präzises Ziel lautet: "Identifiziere alle Kontakte mit einem RFM-Recency-Wert unter 2, die in den letzten 6 Monaten mindestens zweimal gekauft haben, und starte eine Win-Back-Automation mit einem zeitlich begrenzten Angebot." Ohne diese Schärfe baut das Modell niemand sinnvoll nach, und kein Automation-Trigger passt exakt. Formuliere das Ziel so präzise, dass du es einem Kollegen übergeben könntest, der in zwei Stunden damit startet.

Zu viele Eingangsvariablen von Anfang an

Die Versuchung ist groß, alle verfügbaren Daten ins Modell zu laden – Öffnungsrate, Klickrate, Seitenbesuche, Kaufhistorie, Formularausfüllungen, Tags, Branche. Das Ergebnis ist ein Modell, das historische Daten gut beschreibt, aber auf neue Kontakte schlecht überträgt. Fachleute nennen das Overfitting. Der bessere Weg: mit drei bis fünf Signalen starten, vier Wochen beobachten, dann schrittweise erweitern. Was sich als nicht prädiktiv herausstellt, fällt raus.

Das Ergebnis landet nicht in ActiveCampaign

Ein Score in einem Google Sheet bleibt ein Score in einem Google Sheet. Erst wenn er als Custom Field am Kontakt steht, kann eine Automation darauf reagieren. Das klingt trivial, ist aber der häufigste Grund dafür, dass Modelle nach dem Aufbau keine Wirkung entfalten. Plane die Integration in ActiveCampaign als festen Bestandteil des Modellbaus – nicht als nachträglichen Schritt, der irgendwann erledigt wird.

Kein Refresh-Plan für die Scores

Datenmodelle veralten. Ein RFM-Score vom letzten Quartal beschreibt das Kaufverhalten von heute nur noch bedingt. Wer das Modell ohne geplanten Refresh-Zyklus in Betrieb nimmt, bemerkt den Qualitätsverlust oft erst, wenn Kampagnen merklich schlechter performen. Lege den Refresh-Rhythmus fest, bevor das Modell live geht. Für Lead-Scoring-Automationen in ActiveCampaign übernimmt das System die Aktualisierung automatisch – für RFM und Churn Prediction brauchst du einen manuellen oder API-gestützten Update-Prozess.

Wann ein Datenmodell nicht das richtige Mittel ist

Datenmodelle sind kein Allheilmittel. Es gibt Situationen, in denen der Aufwand den Nutzen nicht rechtfertigt – oder in denen ein anderes Vorgehen schneller zu Ergebnissen führt.

Ein Datenmodell lohnt sich nicht, wenn die Kontaktliste unter 500 Kontakten liegt. Quintile-Segmentierung bei 200 Kontakten liefert Segmente mit 40 Personen – zu wenig für statistisch aussagekräftige Kampagnenergebnisse. In diesem Fall bringen gut geschriebene Broadcasts und einfache Filterkriterien mehr als ein formales Modell. Erst ab einer Listengröße, bei der manuelle Selektion unzuverlässig wird, zahlt sich ein Scoring-Modell aus.

Ein Datenmodell ist auch dann der falsche Einstieg, wenn die Datenbasis unbereinigt ist. Fehlende Kaufdaten, uneinheitliche Datumsformate oder inkonsistente Tagging-Logik erzeugen verzerrte Scores. Bevor ein Modell gebaut wird, muss die Datenbasis sauber sein: doppelte Kontakte zusammenführen, Custom-Field-Typen vereinheitlichen, E-Commerce-Daten sauber per API übergeben. Ein Datenmodell auf schlechten Daten gibt falsche Segmentierungen mit hoher Gewissheit zurück – das ist schlimmer als keine Segmentierung.

Schließlich sollte ein Datenmodell nicht als Ersatz für inhaltliche Arbeit verstanden werden. Ein Churn-Prediction-Modell kann sagen, wer mit hoher Wahrscheinlichkeit abwandert. Es ersetzt nicht die Arbeit, relevante Win-Back-Inhalte zu entwickeln, die diesem Kontakt einen Grund zum Bleiben geben. Das Modell zeigt, wen du ansprechen solltest. Was du sagst, entscheidet immer noch über Erfolg oder Misserfolg der Kampagne.

Häufige Fragen

Wie viele Daten brauche ich, um ein RFM-Modell sinnvoll aufzubauen?

Als Untergrenze gelten etwa 500 Transaktionen über mindestens 12 Monate. Darunter sind die Quintile zu dünn besetzt und die Segmentzuordnung zu instabil, um zuverlässige Automationen daran zu knüpfen. Im B2B-Umfeld mit kleineren Transaktionszahlen ist ein vereinfachtes Modell mit nur zwei Dimensionen – Recency und Frequency ohne Monetary Value – oft aussagekräftiger als ein vollständiges RFM-Modell auf dünner Datenbasis.

Kann ich ein Datenmodell ohne externe Tools in ActiveCampaign aufbauen?

Für einfaches Lead Scoring ist das möglich, denn ActiveCampaign hat ein natives Scoring-Feature, das jede Verhaltensregel direkt im System umsetzt. RFM-Berechnungen brauchen zumindest eine Tabellenauswertung extern – Google Sheets reicht dafür. Das Ergebnis wird dann per CSV-Import oder über die ActiveCampaign-API zurück in Custom Fields geschrieben. Für regelbasierte Churn-Näherungsmodelle – letzter Kauf vor x Tagen, keine E-Mail-Öffnung seit y Tagen – reicht ActiveCampaign allein.

Wie oft muss ein Datenmodell aktualisiert werden?

Das hängt vom Modelltyp und der Datendichte ab. RFM-Scores im E-Commerce sollten monatlich neu berechnet werden, weil sich Kauffrequenz und Warenkorbwerte schnell verschieben. Lead Scoring in ActiveCampaign aktualisiert sich bei jedem neuen Event automatisch – kein manueller Refresh nötig. Churn-Prediction-Modelle sollten mindestens quartalsweise neu kalibriert werden, wenn sich das Nutzungsverhalten der Kontaktkohorten verändert hat.

Was ist der Unterschied zwischen einem Datenmodell und einer Segmentierung in ActiveCampaign?

Eine Segmentierung in ActiveCampaign filtert Kontakte nach vorhandenen Feldern – zum Beispiel alle Kontakte mit dem Tag "Kauf 2026" aus Deutschland. Ein Datenmodell berechnet einen neuen Wert aus mehreren Signalen – einen Score, eine Segment-Zuordnung oder eine Wahrscheinlichkeit – und schreibt diesen Wert als Custom Field zurück ins CRM. Die Segmentierung in ActiveCampaign kann dann auf diesem berechneten Wert aufbauen. Beide ergänzen sich, ersetzen sich aber nicht gegenseitig.

Ist ein Datenmodell DSGVO-konform, wenn es auf ActiveCampaign-Daten basiert?

Ja, wenn du drei Grundsätze einhältst: Zweckbindung (das Modell verarbeitet Daten nur für den in der Datenschutzerklärung genannten Zweck), Datenminimierung (nur Signale, die für das Modellziel notwendig sind) und Transparenz (Kontakte sind informiert, dass Verhaltensdaten zur Personalisierung genutzt werden). ActiveCampaign als Auftragsverarbeiter deckt den technischen Teil durch den Auftragsverarbeitungsvertrag ab. Die Verantwortung für das Modell selbst liegt beim Unternehmen, das es betreibt.

Wer ein erstes RFM-Modell oder Lead-Scoring-System in ActiveCampaign aufbauen will, findet im ActiveCampaign-Kurs von Advertal einen strukturierten Einstieg – von der Datenbasis über Custom Fields bis zu den ersten fertigen Automationen.