NewCustomerPurchase Tracking

Die Trennung von Neukunden und Bestandskunden im Tracking ist keine optionale Feinheit, sondern eine fundamentale Voraussetzung für jede seriöse Performance-Marketing-Strategie. Ohne diese Unterscheidung behandelst du jeden Kauf gleich – unabhängig davon, ob es sich um einen wertvollen Neukunden handelt, der zum ersten Mal bei dir kauft, oder um einen Stammkunden, der ohnehin zurückgekommen wäre. Diese fehlende Differenzierung führt dazu, dass deine CPAs, ROAS-Werte und Kampagnenbewertungen systematisch verfälscht werden, weil günstige Bestandskunden-Conversions die teuren Neukunden-Akquisen kaschieren.

Werbeplattformen wie Google Ads und Meta Ads optimieren ihre Algorithmen auf Basis der Conversions, die du ihnen zurückmeldest. Wenn du keine Trennung vornimmst, optimiert der Algorithmus auf die günstigsten Conversions – und das sind fast immer Bestandskunden, die deine Marke bereits kennen. Das Ergebnis ist ein Teufelskreis: Deine Kampagnen zeigen immer mehr Anzeigen an Personen, die dich bereits kennen und ohnehin kaufen würden, während echte Neukunden-Akquise systematisch vernachlässigt wird. Du gibst Budget aus, ohne tatsächlich zu wachsen.

Die getrennte Erfassung ermöglicht dir erstmals eine ehrliche Bewertung deiner Marketing-Investitionen. Du siehst, dass dein Neukunden-CPA bei 40 Euro liegt, während Bestandskunden für 8 Euro konvertieren, und kannst deine Budgets entsprechend steuern. Ohne diese Transparenz triffst du jede Budget-Entscheidung auf einer falschen Datenbasis. Du investierst möglicherweise zu viel in Kanäle, die vorwiegend Bestandskunden reaktivieren, und zu wenig in Kanäle, die tatsächlich neue Kunden bringen.

Darüber hinaus ist die Trennung die Grundlage für eine vollständige Customer Lifetime Value Betrachtung. Erst wenn du weißt, welche Kunden neu sind und wie sich ihr Kaufverhalten über die Zeit entwickelt, kannst du den wahren Wert deiner Akquise-Investitionen bewerten. Ein Neukunden-CPA von 40 Euro kann hochprofitabel sein, wenn der durchschnittliche CLV bei 200 Euro liegt. Ohne die saubere Trennung fehlt dir dieses entscheidende Puzzlestück, und du optimierst auf kurzfristige Metriken statt auf langfristigen Geschäftserfolg.

Die technische Identifikation eines Erstkaufs erfolgt über einen serverseitigen Abgleich der Käufer-Identität mit deiner bestehenden Kundendatenbank. Im Moment des Kaufabschlusses wird die gehashte E-Mail-Adresse, die Kundennummer oder eine andere eindeutige Kennung des Käufers gegen alle bisherigen Transaktionen geprüft. Findet sich kein Match in der Datenbank, wird der Kauf als NewCustomerPurchase klassifiziert und dieses Signal sofort über die Conversion APIs an die Werbeplattformen gesendet. Der gesamte Prozess läuft in Millisekunden ab und erfordert keinerlei manuellen Eingriff.

Der Abgleich basiert nicht auf Cookies oder Browser-basierter Erkennung, sondern auf deinen tatsächlichen Transaktionsdaten – das macht die Methode extrem zuverlässig und unabhängig von Browser-Restriktionen wie ITP oder Ad-Blockern. Selbst wenn ein Nutzer seine Cookies löscht, einen anderen Browser oder ein anderes Gerät verwendet, wird er korrekt als Bestands- oder Neukunde erkannt, solange er mit derselben E-Mail-Adresse oder Kundennummer kauft. Diese deterministische Zuordnung ist einer stochastischen Cookie-basierten Erkennung in puncto Genauigkeit massiv überlegen.

Für den Abgleich nutze ich verschiedene Identifikatoren in einer hierarchischen Reihenfolge: Primär wird die gehashte E-Mail-Adresse verwendet, da diese über Plattformen und Geräte hinweg konsistent ist. Sekundär können Kundennummern, Telefonnummern oder CRM-IDs herangezogen werden. Bei Shopify-Shops greife ich direkt auf die Customer-API zu, bei WooCommerce und anderen Systemen auf die jeweilige Kundendatenbank. Die Hashing-Methode stellt sicher, dass keine Klardaten das System verlassen und die Zuordnung vollständig DSGVO-konform erfolgt.

Nach der Klassifikation wird das NewCustomerPurchase-Event mit zusätzlichen Parametern angereichert: dem Wert des Erstkaufs, dem Akquise-Kanal, der Kampagnen-ID und weiteren relevanten Datenpunkten. Google Ads nutzt diese Informationen für die New Customer Acquisition Goal Gebotsstrategie, Meta verarbeitet sie als Custom Conversion für optimierte Auslieferung. Die gesamte Pipeline ist so aufgebaut, dass neue Plattformen jederzeit angebunden werden können, ohne die bestehende Logik zu verändern – eine skalierbare, zukunftssichere Architektur für deine Neukunden-Attribution.

NewCustomerPurchase Tracking ist eine spezialisierte Tracking-Methodik, die jeden Erstkauf auf deiner Website eindeutig identifiziert, klassifiziert und als separates Conversion-Event an Werbeplattformen übergibt. Anders als bei Standard-Tracking, wo jeder Kauf gleich behandelt wird, erhält nur der allererste Kauf eines Nutzers das NewCustomerPurchase-Label. Dieses Signal teilt den Werbe-Algorithmen von Google, Meta, TikTok und anderen Plattformen mit, dass es sich um einen echten Neukunden handelt, und ermöglicht eine gezielte Optimierung auf Neukundengewinnung.

Der Begriff stammt aus dem Google Ads Ökosystem, wo das New Customer Acquisition Goal eine dedizierte Gebotsstrategie darstellt. Wenn du Google Ads mit NewCustomerPurchase-Signalen fütterst, kann Smart Bidding höhere Gebote für Nutzer abgeben, die noch nie bei dir gekauft haben, und niedrigere Gebote für bekannte Kunden. Das Resultat ist eine algorithmische Priorisierung von echtem Wachstum über günstige Wiederkäufe. Meta bietet vergleichbare Funktionalitäten über Custom Conversions und Conversion-Optimierungsziele an.

Die Implementierung umfasst drei Kernkomponenten: Erstens die serverseitige Klassifikationslogik, die jeden Kauf gegen deine Kundendatenbank prüft. Zweitens die Event-Spezifikation, die das NewCustomerPurchase-Event mit allen relevanten Parametern wie Kaufwert, Produkt-Kategorie und Akquise-Kanal definiert. Drittens die Plattform-Integration, die das klassifizierte Event über Conversion APIs in Echtzeit an alle relevanten Werbeplattformen sendet. Alle drei Komponenten arbeiten nahtlos zusammen und erfordern nach der initialen Einrichtung keinen manuellen Aufwand.

Für dein Marketing bedeutet NewCustomerPurchase Tracking einen Paradigmenwechsel: Du optimierst nicht mehr auf Käufe insgesamt, sondern auf Neukunden-Käufe. Deine KPIs werden ehrlich – du siehst den wahren Neukunden-CPA, den echten Neukunden-ROAS und die tatsächliche Wachstumsrate deines Kundenstamms. Diese Metriken ermöglichen dir strategische Entscheidungen über Budget-Allokation, Kanal-Bewertung und Skalierung, die auf realen Daten basieren statt auf aggregierten Durchschnittswerten, die Neukunden und Bestandskunden in einen Topf werfen.

ReturningCustomerPurchase Tracking identifiziert und kennzeichnet jeden Wiederkauf eines bestehenden Kunden als separates Conversion-Event und reichert es mit der vollständigen Kaufhistorie des Kunden an. Sobald ein Käufer in deiner Kundendatenbank gefunden wird, erhält die Transaktion das ReturningCustomerPurchase-Flag zusammen mit Metadaten wie der Anzahl bisheriger Käufe, dem kumulierten Gesamtumsatz und dem Zeitraum seit dem letzten Kauf. Diese angereicherten Daten fließen in deine Analytics-Systeme und ermöglichen eine granulare Analyse des Bestandskunden-Verhaltens.

Im Gegensatz zum NewCustomerPurchase-Signal, das primär zur Algorithmus-Optimierung auf Plattformseite genutzt wird, dient das ReturningCustomerPurchase-Signal vor allem deiner internen Analyse und Kampagnensteuerung. Du kannst damit den Erfolg von Retargeting-Kampagnen, E-Mail-Automationen und Loyalty-Programmen isoliert messen und bewerten. Du siehst, welche Retargeting-Audience die höchste Wiederkaufsrate hat, welche E-Mail-Serie die meisten Wiederholungskäufe auslöst und in welchem Zeitfenster nach dem Erstkauf die Wahrscheinlichkeit eines Wiederkaufs am höchsten ist.

Technisch werden die ReturningCustomerPurchase-Events über dieselbe serverseitige Infrastruktur verarbeitet wie NewCustomerPurchase-Events – es handelt sich um zwei Seiten derselben Klassifikationslogik. Der Unterschied liegt in der Datenanreicherung: Während Neukunden-Events bewusst schlank gehalten werden, tragen Bestandskunden-Events umfangreiche Zusatzdaten. Dazu gehören Kohortenanalyse-Parameter, die zeigen, wie sich Kunden verschiedener Akquise-Zeiträume im Kaufverhalten unterscheiden, sowie Customer Lifetime Value Berechnungen, die den prognostizierten Gesamtwert jedes Kunden über seine Lebenszeit abbilden.

Das Ergebnis ist ein vollständiges Bild deiner Bestandskunden-Ökonomie: Du weißt, dass Kunden, die über Google Ads akquiriert wurden, im Durchschnitt 2,3 Wiederkäufe tätigen, während Meta-Kunden auf 3,1 Wiederkäufe kommen. Du erkennst, dass der CLV deiner Bestandskunden 4,5-mal höher ist als der Erstkaufwert und kannst deine Akquise-Investitionen entsprechend bewerten. ReturningCustomerPurchase Tracking verwandelt dein Bestandskunden-Marketing von einer Black Box in eine transparente, datengetriebene Disziplin.

Werbeplattformen wie Google Ads, Meta Ads und TikTok Ads basieren auf Machine-Learning-Algorithmen, die auf Basis der Conversion-Daten lernen, welche Nutzer am wahrscheinlichsten konvertieren. Wenn du keine Trennung zwischen Neukunden und Bestandskunden vornimmst, lernt der Algorithmus auf einem verzerrten Datensatz: Er optimiert auf die günstigsten Conversions, und das sind typischerweise Bestandskunden, die deine Marke bereits kennen. Das Ergebnis ist eine Optimierungsspirale, die dein Budget zunehmend in die Richtung bestehender Kunden lenkt und echte Neukundenakquise systematisch unterfinanziert.

Durch die Übergabe von NewCustomerPurchase-Signalen gibst du dem Algorithmus eine klare Zielvorgabe: Finde mir Nutzer, die noch nie bei mir gekauft haben und die Merkmale meiner bisherigen Neukunden aufweisen. Google Ads nutzt dafür das New Customer Acquisition Goal, bei dem Smart Bidding automatisch höhere Gebote für potenzielle Neukunden abgibt. Meta kann auf Basis der NewCustomerPurchase-Events Lookalike Audiences erstellen, die echten Neukunden ähneln, und seine Auslieferung entsprechend anpassen. Das Ergebnis sind Kampagnen, die tatsächlich neues Wachstum generieren.

Gleichzeitig profitieren die Plattformen vom ReturningCustomerPurchase-Signal, weil sie damit die Bestandskunden-Akquise als separates Optimierungsziel behandeln können. Du kannst dedizierte Retargeting-Kampagnen aufsetzen, die ausschließlich auf Wiederkäufe optimiert werden, und deren Performance isoliert von deinen Prospecting-Kampagnen bewerten. Die Plattformen erhalten damit ein differenziertes Bild deiner Kunden und können ihre Modelle entsprechend anpassen, was zu präziserer Auslieferung und höherer Effizienz auf beiden Seiten führt.

In der Praxis zeigt sich der Effekt besonders deutlich bei wertbasierten Gebotsstrategien wie Target ROAS oder Maximize Conversion Value. Wenn der Algorithmus weiß, dass eine Neukunden-Conversion langfristig deutlich mehr wert ist als der initiale Kaufwert vermuten lässt, kann er höhere Gebote für potenzielle Neukunden abgeben und trotzdem profitabel bleiben. Ohne diese Information behandelt er einen 50-Euro-Neukunden-Kauf identisch mit einem 50-Euro-Bestandskunden-Kauf, obwohl der Neukunde über seinen Lebenszyklus möglicherweise 500 Euro Umsatz generiert. Die Trennung gibt den Algorithmen das Wissen, das sie für wirklich intelligente Optimierung brauchen.

Der Customer Lifetime Value (CLV) beschreibt den gesamten monetären Wert, den ein Kunde über die Dauer seiner Beziehung zu deinem Unternehmen generiert. Er umfasst nicht nur den Erstkauf, sondern alle Wiederkäufe, den durchschnittlichen Warenkorbwert, die Kauffrequenz und die prognostizierte Verbleibdauer als aktiver Kunde. Der CLV ist die wichtigste Metrik für jede langfristige Marketing-Strategie, weil er dir zeigt, wie viel du in die Akquise eines Neukunden investieren kannst, ohne Geld zu verlieren – und wie viel zusätzlichen Wert jede Bestandskunden-Interaktion tatsächlich generiert.

Die Messung des CLV basiert auf den Daten, die durch das kombinierte NewCustomerPurchase und ReturningCustomerPurchase Tracking erfasst werden. Für jeden Kunden wird eine vollständige Kaufhistorie aufgebaut: Datum des Erstkaufs, Akquise-Kanal, Anzahl und Wert aller Folgekäufe, Zeitabstände zwischen Käufen und die Entwicklung des Warenkorbwerts über die Zeit. Aus diesen Datenpunkten berechne ich sowohl den historischen CLV (was ein Kunde bisher wert war) als auch den prognostizierten CLV (was er voraussichtlich in Zukunft wert sein wird), basierend auf dem Kaufverhalten vergleichbarer Kundenkohorten.

In der Praxis wird der CLV auf verschiedenen Ebenen analysiert: nach Akquise-Kanal (haben Google-Kunden oder Meta-Kunden den höheren CLV?), nach Produktkategorie des Erstkaufs (welche Einstiegsprodukte führen zu den wertvollsten Kundenbeziehungen?), nach Kampagnentyp (bringen Prospecting-Kampagnen oder Lookalike-Kampagnen die loyaleren Kunden?) und nach Kohorte (entwickelt sich der CLV über die Zeit positiv oder negativ?). Diese mehrdimensionale Analyse ermöglicht dir strategische Entscheidungen, die über kurzfristige CPA-Optimierung hinausgehen und den langfristigen Unternehmenswert maximieren.

Die Integration des CLV in deine Kampagnensteuerung verändert dein Marketing fundamental: Statt auf den günstigsten CPA zu optimieren, optimierst du auf das beste Verhältnis von Akquisekosten zu Customer Lifetime Value. Ein Neukunden-CPA von 50 Euro, der einen durchschnittlichen CLV von 300 Euro generiert, ist deutlich profitabler als ein CPA von 15 Euro mit einem CLV von 30 Euro. Ohne CLV-Tracking bleiben diese Zusammenhänge unsichtbar, und du riskierst, die profitabelsten Kampagnen abzuschalten, weil sie oberflächlich betrachtet die höchsten CPAs haben.

Die Trennung von Neukunden- und Bestandskunden-Conversions revolutioniert deine Budget-Allokation, weil sie dir erstmals zeigt, wofür dein Werbebudget tatsächlich ausgegeben wird. Ohne Trennung siehst du einen pauschalen ROAS von 5:1 und bist zufrieden. Mit Trennung erkennst du, dass dein Neukunden-ROAS bei 2:1 liegt und dein Bestandskunden-ROAS bei 12:1 – und dass 70 % deines Budgets in Kanäle fließen, die primär Bestandskunden ansprechen. Dieses Wissen ermöglicht dir eine bewusste, strategische Entscheidung: Wie viel Budget willst du in Wachstum (Neukunden) und wie viel in Monetarisierung (Bestandskunden) investieren?

Auf Kampagnenebene ermöglicht die Trennung eine vollkommen neue Art der Bewertung und Steuerung. Prospecting-Kampagnen, die auf Neukundengewinnung abzielen, werden ausschließlich anhand ihres Neukunden-CPAs und des prognostizierten CLV bewertet. Retargeting-Kampagnen werden anhand ihrer Fähigkeit gemessen, Bestandskunden zu Wiederkäufen zu bewegen. Dadurch verhinderst du den häufigsten Fehler im Performance Marketing: Prospecting-Budgets zu kürzen, weil der aggregierte ROAS zu niedrig aussieht, obwohl die Kampagnen wertvolle Neukunden generieren, deren voller Wert sich erst über mehrere Käufe entfaltet.

Ein typisches Szenario nach der Implementierung: Du erkennst, dass deine Meta Prospecting-Kampagnen zwar einen hohen Neukunden-CPA von 45 Euro haben, aber Kunden mit einem durchschnittlichen CLV von 220 Euro akquirieren. Gleichzeitig siehst du, dass deine Google Retargeting-Kampagnen zwar einen fantastischen ROAS von 15:1 zeigen, aber fast ausschließlich Bestandskunden ansprechen, die ohnehin gekauft hätten. Mit diesem Wissen verschiebst du Budget von Retargeting zu Prospecting und generierst langfristig deutlich mehr Umsatz – obwohl die kurzfristigen KPIs zunächst schlechter aussehen.

Die Budget-Allokation wird damit zu einer strategischen Entscheidung statt zu einer taktischen Reaktion auf Tages-KPIs. Du definierst bewusst, welchen Anteil deines Budgets du in Neukundengewinnung investierst (typischerweise 60-70 % für Wachstumsunternehmen) und welchen Anteil in Bestandskunden-Monetarisierung (30-40 %). Die Trennung der Tracking-Daten liefert dir die Datenbasis, um diese Allokation kontinuierlich zu überprüfen und anzupassen. Du optimierst nicht mehr auf einen einzigen, verzerrten ROAS, sondern auf zwei separate, ehrliche Metriken, die zusammen ein vollständiges Bild deiner Marketing-Performance zeichnen.

Ja, die gesamte Neukunden/Bestandskunden-Klassifikation wird vollständig DSGVO-konform umgesetzt – Datenschutz ist integraler Bestandteil der Architektur, kein nachträglicher Kompromiss. Der Kernmechanismus basiert auf einem serverseitigen Abgleich, bei dem ausschließlich gehashte Daten verwendet werden. E-Mail-Adressen und andere personenbezogene Identifikatoren werden vor dem Abgleich mit SHA-256 gehasht, sodass zu keinem Zeitpunkt Klardaten an Drittanbieter oder Werbeplattformen übermittelt werden. Die Hashing-Methode ist irreversibel, was bedeutet, dass aus dem Hash nicht auf die ursprünglichen Daten zurückgeschlossen werden kann.

Die Verarbeitung erfolgt ausschließlich auf deinem eigenen Server oder einer von dir kontrollierten Infrastruktur, bevor Daten an Plattformen wie Google oder Meta weitergeleitet werden. Dadurch behältst du jederzeit die volle Kontrolle darüber, welche Informationen dein System verlassen und welche intern bleiben. Die Klassifikation selbst – ob ein Kauf ein Erst- oder Wiederkauf ist – stellt keine Weitergabe personenbezogener Daten dar, sondern ist eine aggregierte, kategorische Information, die unter bestehendem Consent für Conversion-Tracking verarbeitet werden darf.

Consent Mode v2 ist vollständig integriert: Ohne expliziten Tracking-Consent wird keine Klassifikation vorgenommen und kein Event an Werbeplattformen gesendet. Auch die interne Verarbeitung respektiert den Consent-Status des Nutzers in Echtzeit. Bei widerrufener Einwilligung werden sämtliche Tracking-Events gestoppt und nur anonymisierte, cookielose Pings für aggregierte Trendmodellierung gesendet. Die gesamte Consent-Logik wird lückenlos dokumentiert, sodass du bei einer Datenschutzanfrage oder einem Audit jederzeit nachweisen kannst, dass nur konsentierte Daten verarbeitet wurden.

Zusätzlich wird die Datenverarbeitungslogik transparent dokumentiert und kann auf Anfrage Aufsichtsbehörden vorgelegt werden. Die Rechtsgrundlage für die Verarbeitung ist typischerweise Art. 6 Abs. 1 lit. a DSGVO (Einwilligung) in Verbindung mit Art. 6 Abs. 1 lit. f DSGVO (berechtigtes Interesse an der Kampagnenoptimierung). Die technische Umsetzung folgt dem Privacy-by-Design-Prinzip: Minimale Datenhaltung, serverseitige Verarbeitung, irreversibles Hashing und vollständige Consent-Integration machen die Neukunden/Bestandskunden-Klassifikation zu einer der datenschutzfreundlichsten Tracking-Erweiterungen, die du implementieren kannst.

Google Ads bietet die umfangreichste native Unterstützung für NewCustomerPurchase-Signale durch das New Customer Acquisition Goal. Wenn du dieses Ziel aktivierst und die entsprechenden Conversion-Daten lieferst, kann Smart Bidding automatisch höhere Gebote für potenzielle Neukunden abgeben. Google unterscheidet dabei zwischen drei Erkennungsmethoden: First-Party-Daten aus deiner eigenen Kundendatenbank, Google-eigene Erkennungsmethoden basierend auf vergangenen Anzeigeninteraktionen und kombinierte Methoden. Ich setze grundsätzlich auf First-Party-Daten, weil diese die höchste Genauigkeit bieten und vollständig unter deiner Kontrolle stehen.

Meta Ads unterstützt die Neukunden/Bestandskunden-Trennung über Custom Conversions und die Conversions API. Du kannst separate Conversion-Events für NewCustomerPurchase und ReturningCustomerPurchase definieren und diese als Optimierungsziel für verschiedene Kampagnen nutzen. Prospecting-Kampagnen optimieren auf NewCustomerPurchase, während Retargeting-Kampagnen auf ReturningCustomerPurchase optimiert werden. Zusätzlich ermöglicht Meta die Erstellung von Value-Based Lookalike Audiences auf Basis des prognostizierten CLV deiner Neukunden, was die Qualität deiner Prospecting-Kampagnen signifikant verbessert.

TikTok Ads bietet über die Events API vergleichbare Möglichkeiten, auch wenn die nativen Funktionen noch nicht so ausgereift sind wie bei Google und Meta. Neukunden- und Bestandskunden-Events können als separate Events definiert und über die Server-Side-Schnittstelle übermittelt werden. LinkedIn Ads, Pinterest Ads und andere Plattformen unterstützen die Trennung über ihre jeweiligen Conversion APIs auf unterschiedliche Weise. In allen Fällen stelle ich sicher, dass die Klassifikation plattformübergreifend konsistent ist, sodass ein als Neukunde klassifizierter Käufer auf allen Plattformen als solcher erkannt wird.

Unabhängig von den nativen Plattform-Funktionen fließen alle klassifizierten Events auch in dein GA4-Setup und deine eigenen Analytics-Dashboards ein. Dort kannst du plattformübergreifende Auswertungen erstellen, Neukunden- und Bestandskunden-Metriken nach beliebigen Dimensionen aufschlüsseln und langfristige CLV-Analysen durchführen. Die Architektur ist so aufgebaut, dass neue Plattformen jederzeit angebunden werden können, ohne die bestehende Klassifikationslogik zu verändern. Wenn morgen eine neue Werbeplattform relevant wird, die NewCustomerPurchase-Signale unterstützt, ist die Integration eine Sache von Stunden, nicht von Wochen.

Die vollständige Implementierung von NewCustomerPurchase und ReturningCustomerPurchase Tracking dauert typischerweise 1-3 Wochen, abhängig von der Komplexität deines bestehenden Setups und der Anzahl der anzubindenden Plattformen. Der Prozess beginnt mit einer Analyse deiner aktuellen Tracking-Infrastruktur, deiner Kundendatenbank und der Schnittstellen zu deinen Werbeplattformen. Bei einem Standard-Shopify- oder WooCommerce-Setup mit Google Ads und Meta Ads kann die technische Implementierung bereits innerhalb einer Woche abgeschlossen sein. Bei komplexeren Multi-Plattform-Setups oder Custom-Backends plane ich etwas mehr Zeit für die Datenbankanbindung und Validierung ein.

Die Implementierung erfolgt in drei klar definierten Phasen. Phase 1 umfasst die Anbindung deiner Kundendatenbank und die Einrichtung der serverseitigen Klassifikationslogik. Hier wird die Kernfunktionalität aufgebaut: der Abgleich jedes Kaufs gegen die Kundendatenbank und die Klassifikation als New- oder ReturningCustomerPurchase. Phase 2 ist die Plattform-Integration, bei der die klassifizierten Events über Conversion APIs an Google Ads, Meta Ads und weitere Plattformen übergeben werden. Phase 3 ist die Validierung, bei der wir die Genauigkeit der Klassifikation gegen deine tatsächlichen Transaktionsdaten prüfen und sicherstellen, dass alle Events korrekt zugeordnet werden.

Ein entscheidender Aspekt der Implementierung ist die rückwirkende Klassifikation deiner bestehenden Kundendatenbank. Bevor das System live geht, wird deine gesamte Kundenliste verarbeitet, sodass ab dem ersten Tag alle Bestandskunden korrekt erkannt werden und nicht fälschlich als Neukunden gezählt werden. Ohne diesen Schritt würde das System beim Start alle Kunden als Neukunden behandeln, was die ersten Wochen der Daten verfälschen würde. Die rückwirkende Verarbeitung stellt sicher, dass du vom ersten Tag an mit korrekten Daten arbeitest.

Nach dem Go-Live empfehle ich eine Beobachtungsphase von 2-4 Wochen, in der wir die Daten eng monitoren und die Klassifikationsgenauigkeit kontinuierlich überprüfen. In dieser Phase vergleichen wir die automatisierte Klassifikation mit manuellen Stichproben, prüfen die Plattform-Rückmeldungen und stellen sicher, dass die New Customer Acquisition Goals und Custom Conversions korrekt funktionieren. Der gesamte Prozess ist darauf ausgelegt, dir so schnell wie möglich saubere Neukunden- und Bestandskunden-Daten zu liefern, ohne dabei die Genauigkeit zu kompromittieren. Sobald das System validiert ist, läuft es vollautomatisch und erfordert nur bei Änderungen an deiner Datenbank-Struktur oder neuen Plattform-Anbindungen manuellen Eingriff.