Marketing Automation ist längst kein Nischenthema mehr. 76 Prozent der Unternehmen einer aktuellen Bitkom-Befragung aus der deutschen Digitalwirtschaft erwarten, dass Marketing Automation weiter an Bedeutung gewinnt. Gleichzeitig bezeichnen 54 Prozent gerade die Automatisierung von Marketingprozessen als eine ihrer größten internen Herausforderungen.

Die übliche Frage lautet trotzdem: Was können wir automatisieren? Newsletter. Lead Scoring. Research. Outreach. Follow-ups. Customer Reactivation. Aftersales. Reporting. Content-Ausspielung.

Vielleicht ist das bereits die falsche erste Frage. Denn dass ein Prozess technisch automatisierbar ist, sagt noch nichts darüber aus, ob er wirtschaftlich sinnvoll ist.

Eine Maschine stellt nicht automatisch infrage, warum ein Prozess existiert. Sie wundert sich nicht darüber, dass seit fünf Jahren dieselben Leads nach denselben Kriterien aussortiert werden. Und sie bekommt kein ungutes Gefühl, wenn ein Prozess zwar sauber funktioniert, aber möglicherweise auf dem falschen Ziel basiert.

Automation ist zunächst ein Verstärker. Kein Wahrheitsfinder.

Deshalb müsste die erste Frage lauten: Soll dieser Prozess überhaupt existieren?

Erst danach: Welcher Teil davon verdient Automation?

Forschung zu Prozessstandardisierung und Automatisierung liefert dafür einen interessanten Hinweis. Eine Untersuchung von 201 deutschen Unternehmen fand für beide einen Zusammenhang mit wahrgenommener Kosteneffizienz – bei der Prozessstandardisierung allerdings konsistent stärker als bei der reinen Automatisierung.

Das heißt nicht: erst alles standardisieren, danach Software kaufen. Denn auch die Gegenregel wäre zu simpel.

Forschung zur Einführung von Marketing Automation im B2B zeigt, dass erfolgreiche Implementierung häufig iterativ funktioniert. Prozesse, Technologien und Organisation lernen miteinander. Man muss einen Prozess also nicht vollkommen verstanden haben, bevor Automation beginnt.

Wer einen Newsletter-Funnel automatisiert, trifft damit eine ganze Reihe von Entscheidungen:

Wann wird jemand angeschrieben? Mit welchem Inhalt? Wie oft? Auf Basis welcher Daten?

Wann gilt jemand als interessiert? Wann endet der automatisierte Prozess? Wann übernimmt ein Mensch?

Jeder Trigger enthält eine Annahme. Jede Segmentierung enthält eine Annahme. Jeder Score enthält eine Annahme.

Und jede Automation macht diese Annahmen reproduzierbar.

Das ist ihre Stärke. Und ihr Risiko.

Ein Fehler, der manuell einmal pro Woche passiert, kann automatisiert tausendmal pro Stunde passieren.

Genau deshalb ist die Aussage „Marketing Automation funktioniert“ wenig hilfreich. Die Forschung findet zwar im Durchschnitt positive Effekte von Sales-Technologien, gleichzeitig aber starke Unterschiede zwischen Technologien, Branchen, Vertriebsumfeldern und Performance-Maßen.

Eine Meta-Analyse von 62 B2B-Studien mit insgesamt mehr als 23.000 Beobachtungen fand einen moderat positiven Zusammenhang zwischen Sales-Technologien und Vertriebsperformance. Das sagt allerdings nicht, dass jede Automation in jedem Umfeld funktioniert.

Besonders deutlich wird das bei Customer Reactivation. Ein Kunde hat seit sechs Monaten nichts gekauft.

Das System erkennt: INAKTIV. Das kann vollkommen korrekt sein. Was das System damit noch nicht kennt, ist die Ursache.

Vielleicht besteht gerade kein Bedarf. Vielleicht fehlt Budget. Vielleicht hat sich der Ansprechpartner verändert. Vielleicht war die letzte Erfahrung schlecht. Vielleicht kauft der Kunde inzwischen beim Wettbewerb. Oder vielleicht benötigt er das Produkt schlicht nur einmal im Jahr.

Forschung zur Customer Inactivity zeigt bereits, dass selbst die scheinbar einfache Frage, wann ein Kunde als inaktiv gilt, individuelle Kaufzyklen berücksichtigen sollte. Pauschale Zeitgrenzen können bei unterschiedlichen Kaufmustern schnell irreführend werden.

Win-back-Forschung zeigt darüber hinaus: Auch die Wirkung einer Rückgewinnungsmaßnahme hängt davon ab, warum der Kunde gegangen ist und wie die bisherige Beziehung aussah.

Das liefert eine wichtige Unterscheidung: Automation erkennt häufig Signale. Signale sind noch keine Ursachen.

180 Tage ohne Kauf ist ein Signal.

Der Kunde ist wegen schlechter Servicequalität gegangen wäre eine mögliche Ursache.

Gerade im B2B liegt eine naheliegende Regel nahe: Je individueller die Kundenbeziehung, desto weniger Automation. Auch das ist zu grob. Die bessere Frage lautet: Wo in der Beziehung entsteht der eigentliche Wert?

Wenn Kontext, Vertrauen, Verhandlung und individuelle Anpassung entscheidend sind, sollte man vorsichtig damit sein, genau diese Leistung vollständig zu automatisieren.

Aber rund um diesen Moment kann sehr viel Automation sinnvoll sein: Research vorbereiten. Informationen zusammenführen. Segmente erkennen. Signale entdecken. Follow-ups erinnern. Kundenhistorie verfügbar machen. Wiederkehrende Kommunikation übernehmen.

Ein adtracktive-Praxisfall aus dem Bildungsbereich zeigt das ziemlich gut.

Dort war automatisiertes Newsletter-Marketing in der internen Auswertung der stärkste skalierbare Sales-Kanal – stärker als LinkedIn, andere Social-Media-Aktivitäten, Paid und sogar SEO.

Nur eine Maßnahme performte besser: das persönliche 1:1-Gespräch.

Nur wurde genau dieses Gespräch häufig erst durch die Newsletter-Automation ausgelöst.

Bemerkenswert war auch, wie wenig technische Raffinesse dafür notwendig war. Sinnvolle Kundensegmente und Informationen über bereits absolvierte Ausbildungen reichten aus, um relevante Kommunikation auszulösen.

Das detaillierte Signal-Reading wurde erst dort intensiv, wo sein wirtschaftlicher Wert deutlich höher war: vor und während des persönlichen Gesprächs.

Die Kette ist also nicht das simple: AUTOMATION → SALE

Sondern stattdessen: AUTOMATION → RELEVANTER IMPULS → REAKTION → MENSCHLICHES GESPRÄCH → SALE

Damit entsteht eine andere Messgröße für Automation. Man kann entweder fragen: Wie viel menschliche Arbeit hat die Maschine ersetzt? Oder doch: Wie viel wertvolle menschliche Arbeit hat sie ermöglicht?

Das sind unterschiedliche Vorstellungen von Effizienz. Auch psychologisch ist die Grenze zwischen Mensch und Maschine weniger eindeutig, als es zunächst aussieht.