First-Party-Daten-Strategie für das Ende der Cookies

Eine First-Party-Data-Strategie bedeutet, dass ein Unternehmen seine Marketingdaten selbst erhebt, selbst speichert und selbst auswertet – auf Basis einer Einwilligung der Nutzerinnen und Nutzer, nicht über Cookies fremder Anbieter. Der Anlass ist konkret: Seit dem 4. Januar 2024 blockiert Google Chrome Drittanbieter-Cookies standardmäßig für ein Prozent aller Nutzer weltweit. Wer jetzt keine eigene Datenbasis aufbaut, verliert im Laufe des Jahres schrittweise die Grundlage für Zielgruppenansprache und Erfolgsmessung.

Was genau ist am 4. Januar 2024 passiert?

Google hat mit dem Rollout von „Tracking Protection“ begonnen – so heißt die Funktion, die Chrome den Zugriff von Websites auf Cookies fremder Domains entzieht. Laut der Ankündigung im Privacy-Sandbox-Blog von Google (Januar 2024) betrifft die Umstellung zunächst ein Prozent der Chrome-Nutzer weltweit und dient dazu, die neuen Privacy-Sandbox-Schnittstellen unter realen Bedingungen zu testen. Google hat als Ziel formuliert, Drittanbieter-Cookies in der zweiten Jahreshälfte 2024 für alle Nutzer abzuschalten – vorbehaltlich der offenen wettbewerbsrechtlichen Fragen, die die britische Wettbewerbsbehörde Competition and Markets Authority (CMA) noch prüft.

Diese Einschränkung ist wichtig: Google hat den Termin für das Cookie-Aus seit 2020 mehrfach verschoben. Es wäre also unseriös, den Zeitplan als in Stein gemeißelt darzustellen. Für die Planung heißt das aber nicht „abwarten“, sondern das Gegenteil. Denn unabhängig vom genauen Datum bewegt sich der gesamte Markt seit Jahren in dieselbe Richtung.

Safari blockiert Drittanbieter-Cookies bereits seit 2020 vollständig, Firefox trennt sie seit der Einführung der „Total Cookie Protection“ als Standard voneinander ab. Ein erheblicher Teil des Traffics deutscher Websites ist also längst cookie-frei – nur ist das vielen Marketing-Teams nicht bewusst, weil die Lücken in den Berichten unauffällig als „Direct“ oder „not set“ auftauchen.

Warum ein Ersatz-Tracking keine Strategie ist

Die erste Reaktion vieler Teams ist die Suche nach einem technischen Workaround: Fingerprinting, alternative IDs, serverseitige Umgehungen. Das ist aus zwei Gründen ein Irrweg. Erstens verstößt Fingerprinting gegen die Richtlinien mehrerer Browserhersteller und wird aktiv bekämpft. Zweitens – und wichtiger – ändert die Browsertechnik nichts an der Rechtslage. In Deutschland verlangt § 25 TTDSG eine Einwilligung für das Speichern von Informationen auf Endgeräten und den Zugriff darauf, unabhängig davon, ob der Browser die Cookies technisch zulässt oder nicht. Eine Umgehung des Browsers ist damit keine Umgehung des Rechts.

Die belastbare Antwort ist deshalb eine andere: weniger fremde Daten, mehr eigene. Und mehr Modellierung dort, wo Lücken bleiben.

Die vier Bausteine einer First-Party-Data-Strategie

1. Eigene Datenquellen sauber inventarisieren

Bevor man neue Daten sammelt, lohnt sich die Bestandsaufnahme. Die meisten Unternehmen besitzen deutlich mehr eigene Daten, als sie im Marketing nutzen: Bestellhistorien im Shopsystem, Servicetickets, Newsletter-Interaktionen, Retourengründe, Suchanfragen der internen Websitesuche, Terminbuchungen, Garantieregistrierungen. Diese Daten liegen fast immer verstreut in Fachsystemen und werden selten zusammengeführt.

Ein praktikabler erster Schritt ist eine simple Tabelle: Welche Systeme enthalten personenbezogene oder verhaltensbezogene Daten? Auf welcher Rechtsgrundlage wurden sie erhoben? Wie lange dürfen sie gespeichert werden? Wer darf sie auswerten? Diese Inventur ist unspektakulär, verhindert aber später teure Fehlentscheidungen.

2. Einwilligung als Produkt behandeln, nicht als Hindernis

Ein Consent-Banner, das nur den rechtlichen Mindeststandard erfüllt, erzeugt niedrige Zustimmungsraten und damit dünne Daten. Sinnvoller ist es, die Einwilligung als Teil des Nutzererlebnisses zu gestalten: verständliche Sprache statt Juristendeutsch, ein erkennbarer Gegenwert für die Zustimmung, gleichwertig gestaltete Schaltflächen für Annehmen und Ablehnen – Letzteres ist nach der Rechtsprechung und der Praxis der deutschen Aufsichtsbehörden ohnehin geboten.

Wichtiger als das Banner ist aber der Wert, den Nutzer im Gegenzug erhalten. Ein Kundenkonto mit gespeicherten Größen und Vorlieben, ein Newsletter mit echtem fachlichen Nutzen, ein Konfigurator, der den letzten Stand merkt: Das sind die Mechanismen, über die freiwillig und dauerhaft eigene Daten entstehen.

3. Serverseitige Messung und Modellierung

Serverseitiges Tagging verlagert die Datenerhebung von Browser-Skripten auf einen eigenen Server. Das erhöht die Datenqualität und gibt dem Unternehmen die Kontrolle darüber, welche Felder überhaupt an Drittsysteme weitergegeben werden. Es ersetzt allerdings keine Einwilligung – dieser Punkt wird in Anbietermaterial häufig verschwiegen.

Wo trotz sauberer Umsetzung Lücken bleiben, kommt Modellierung ins Spiel: statistische Verfahren, die aus beobachteten Konversionen auf nicht messbare hochrechnen. Google Analytics 4 und Google Ads arbeiten mit solchen Modellen. Wichtig ist, die Ergebnisse als Schätzung zu behandeln und die eigene Bewertung nicht allein darauf zu stützen.

4. Messmodelle ergänzen statt ersetzen

Wenn die nutzerbezogene Messung schwächer wird, gewinnen aggregierte Verfahren an Bedeutung: geografische Testmärkte, Incrementality-Tests durch gezieltes Abschalten von Kanälen, Media-Mix-Modelle. Diese Ansätze brauchen keine personenbezogenen Daten, sondern Zeitreihen – und sie beantworten ohnehin die Frage, die Geschäftsführungen wirklich interessiert: Was hätte gefehlt, wenn wir dieses Budget nicht ausgegeben hätten?

Welche Rolle spielt KI dabei?

Eigene Daten sind die Voraussetzung dafür, dass KI im Marketing überhaupt einen Vorteil bringt. Ein Sprachmodell, das nur allgemeines Weltwissen kennt, schreibt allgemeine Texte. Ein Modell, das auf die eigenen Produktdaten, Servicedialoge und Markenrichtlinien zugreifen kann, schreibt Texte, die zum Unternehmen passen.

Die Ausgangslage in Deutschland ist dabei noch nüchtern: Nach Angaben des Statistischen Bundesamtes (Pressemitteilung Nr. 453 vom November 2023) setzten 2023 rund 12 Prozent der Unternehmen ab zehn Beschäftigten KI-Technologien ein. Als häufigsten Hinderungsgrund nannten Nicht-Nutzer fehlendes Wissen (72 Prozent), gefolgt von Problemen mit vorhandenen Systemen (54 Prozent) und Schwierigkeiten bei Verfügbarkeit oder Qualität der Daten (53 Prozent). Der dritte Punkt ist der interessanteste: Datenqualität ist bereits heute ein Engpass – und wird es umso mehr, wenn Fremddaten wegfallen.

Praktisch bedeutet das eine Reihenfolge, die häufig umgedreht wird. Viele Teams beginnen mit dem Werkzeug und suchen anschließend nach Daten, die hineinpassen. Sinnvoller ist der umgekehrte Weg: erst die eigenen Datenquellen so aufbereiten, dass sie maschinell lesbar, aktuell und eindeutig sind – strukturierte Produktattribute statt Fließtext, saubere Kategoriezuordnungen, gepflegte Varianten- und Bestandsinformationen. Auf dieser Grundlage liefert jedes generative Werkzeug bessere Ergebnisse, unabhängig davon, welches im Einsatz ist.

Ein zweiter Punkt wird oft unterschätzt: Eigene Daten sind auch die einzige Grundlage, auf der sich die Qualität eines KI-Ergebnisses überhaupt überprüfen lässt. Wenn ein Modell behauptet, ein Produkt sei für den Außenbereich geeignet, lässt sich das nur gegen die eigene Artikelstammdatenbank prüfen – nicht gegen allgemeines Weltwissen. Datenqualität ist damit gleichzeitig Eingangs- und Kontrollgröße.

Ein realistischer Fahrplan für 2024

1. Erstes Quartal: Dateninventur abschließen, Consent-Setup prüfen, Zustimmungsraten als KPI etablieren und im Reporting sichtbar machen.
2. Zweites Quartal: Serverseitige Messung aufsetzen, Datenmodell in CRM oder Data Warehouse konsolidieren, Kundenkonto- und Newsletter-Mehrwerte überarbeiten.
3. Drittes Quartal: Erste Zielgruppen aus eigenen Daten bilden und gegen bisherige Fremddaten-Zielgruppen testen. Parallel einen Incrementality-Test in einem Kanal fahren.
4. Viertes Quartal: Ergebnisse bewerten, Budgetlogik für 2025 anpassen, Modellierungsanteil im Reporting transparent ausweisen.

Der entscheidende Vorteil dieses Fahrplans: Er ist auch dann sinnvoll, wenn Google den Zeitplan erneut verschiebt. Bessere eigene Daten, höhere Einwilligungsraten und belastbarere Messmodelle zahlen sich unabhängig von der Cookie-Frage aus.

Häufige Fragen

Muss ich Drittanbieter-Cookies jetzt sofort ersetzen?

Nein, aber Sie sollten wissen, wie stark Ihr Marketing davon abhängt. Prüfen Sie, welche Zielgruppen, Attributionsmodelle und Retargeting-Kampagnen auf Fremddaten beruhen, und schätzen Sie den Anteil am Umsatz. Erst diese Zahl entscheidet, wie dringend das Thema für Sie ist.

Ersetzt serverseitiges Tracking die Einwilligung?

Nein. § 25 TTDSG knüpft an den Zugriff auf Informationen im Endgerät an, nicht an die technische Umsetzung. Serverseitiges Tagging verbessert Datenqualität und Kontrolle, ersetzt aber keine Rechtsgrundlage.

Wie viele eigene Daten braucht man, damit KI-gestütztes Marketing funktioniert?

Weniger, als viele annehmen. Für Textgenerierung mit Markenbezug genügen häufig strukturierte Produktdaten, Tonalitätsrichtlinien und einige Dutzend gute Beispieltexte. Für Prognosemodelle wie Abwanderungs- oder Warenkorbvorhersagen braucht es dagegen Verhaltensdaten über mehrere Monate.

Fazit

Der Start von Chromes Tracking Protection am 4. Januar 2024 ist weniger ein Stichtag als ein Signal. Die Richtung ist seit Jahren klar, und die rechtlichen Anforderungen in Deutschland waren ohnehin nie an die Browsereinstellungen gekoppelt. Unternehmen, die 2024 in eigene Datenquellen, saubere Einwilligungen und aggregierte Messverfahren investieren, gewinnen zweifach: Sie werden unabhängiger von Plattformentscheidungen – und schaffen zugleich die Grundlage dafür, dass KI-gestützte Personalisierung und Content-Produktion überhaupt auf verlässlichen eigenen Daten aufsetzen können.