BERICHT
Modern Marketing Data Stack 5. Auflage
Governance für das Agentic Enterprise
Die fünfte Ausgabe beleuchtet die Evolution des Modern Marketing Data Stack:
- Von der Theorie in die Praxis: KI-Agenten gehen vom reinen Experiment in die Umsetzung über – und Governance wird zum entscheidenden Faktor für die Skalierbarkeit.
- Daten vor Anwendungen: Unternehmen richten ihre Stacks heute konsequent nach kontrollierten Daten aus.
- Neue Architektur-Prioritäten: Modularität, Vertrauen und Kontrolle stehen im Mittelpunkt.
Von assistierenden Tools zu eigenständig handelnden Agenten
KI ist längst nicht mehr nur ein einfaches Feature, sondern tief in Workflows integriert. Moderne Systeme wählen heute selbstständig Tools aus, koordinieren Aktionen und treffen Entscheidungen mit minimalem menschlichen Eingreifen. Das verändert das Betriebsmodell für jede Marketingorganisation grundlegend:
Wie schützen Sie Kundendaten in puncto Datenschutz und Compliance, während Sie sie gleichzeitig überall dort nutzen, wo sie echten Mehrwert schaffen?
Wer trägt die Verantwortung für Entscheidungen, wenn der:die Entscheidungsträger:in kein Mensch ist?
Wie bauen Sie KI-Systeme auf, die nicht nur schnell, sondern effektiv, nachvollziehbar und vertrauenswürdig sind?
Dieser Bericht untersucht, wie Marketing-Stacks neu gestaltet werden, um diese drängenden Fragen zu beantworten – und was Unternehmen, die echte Fortschritte machen, von denjenigen unterscheidet, die immer noch nur experimentieren.
„In großen Unternehmensumgebungen sorgt KI für eine Veränderung, die sich nicht vermeiden lässt: den Wechsel von fragmentierten, anwendungsorientierten Stacks hin zu ergebnisorientierten Systemen. Der Stack muss als Betriebsmodell verwaltet werden: Daten, Prozesse und Entscheidungen müssen neu verdrahtet werden, um die Geschäftsabläufe kontinuierlich neu zu erfinden.“
Elise Cornille
Der Stack formiert sich rund um die Daten neu
Die Systeme, die Tools miteinander verbinden, sind heute genauso wichtig wie die einzelnen Anwendungen selbst. Da KI-gestützte Workflows Analytics, Aktivierung, Messung und Collaboration umfassen, hat sich die entscheidende Frage geändert. Es geht nicht mehr darum: „Welche Anwendungen befinden sich im Stack?“ – sondern vielmehr: „Kann der Stack koordinierte Entscheidungsfindung, den Zugriff auf kontrollierte Daten und eine sichere Automatisierung unterstützen?“
Das Ergebnis ist ein struktureller Wandel:
Modulare Architekturen ersetzen oder ergänzen monolithische Designs. Doch Modularität ohne Governance bringt völlig neue Risiken mit sich.
KI hat eine neue Kontrollebene über bestehenden Tools geschaffen: eine Schicht, die Kontext zusammenführt, Entscheidungen leitet und systemübergreifend Aktionen anstößt.
Gemeinsame Semantik, Identity Resolution und die Durchsetzung von Einwilligungen werden zu grundlegenden Fähigkeiten für Unternehmen, die KI erfolgreich skalieren wollen.
Lernen Sie die Architekturmuster kennen, die sich bei erfolgreichen Implementierungen abzeichnen. Entdecken Sie die Kategorien und Anbieter, die den modernen Stack prägen, sowie die fundamentalen Governance-Grundlagen, die erforderlich sind, damit alles reibungslos funktioniert.
Das Agentic Enterprise in einer unbeständigen Realität
Nicht jedes Unternehmen ist bereits reif für KI-Agenten – und das ist kein Versagen. Der Reifegrad variiert stark je nach Branche, Unternehmensgröße, regulatorischen Anforderungen und Datenbereitschaft. Doch die Unternehmen, die dauerhafte Fortschritte erzielen, haben eines gemeinsam: Sie haben Governance, Semantik und Vertrauen von Anfang an priorisiert.
In diesem Bericht erfahren Sie:
Warum eine zu schnelle Automatisierung ohne Datenkontrolle nur Risiken statt Effizienz mit sich bringt.
Wo hybride Umgebungen (Legacy-Tools direkt neben modularen Komponenten) die Regel und nicht die Ausnahme sind.
Wie KI die Zusammenarbeit nachhaltig verändert – und funktionsübergreifende Expertise viel früher in Workflows einbringt.
Dieser Bericht zeigt die Muster auf, die über verschiedene Reifegrade hinweg funktionieren, inklusive konkreter Empfehlungen – ganz egal, wo Ihr Unternehmen heute steht.
„Ich hatte nicht erwartet, dass KI die Zusammenarbeit so sehr beschleunigen würde. Content-Teams können in wenigen Minuten ein Storyboard grob ausarbeiten und so fundiertere Gespräche mit dem Art Director führen, und Marketingteams können Textentwürfe generieren, um die Richtung zu visualisieren. So können unsere Mitarbeitenden schneller Ideen entwickeln.“
Scott Mager
Datenschutz, Einwilligung und Kontrolle im Zeitalter von Agenten
Die Bedenken von Verbraucher:innen hinsichtlich des Datenschutzes werden nicht verschwinden. Die gesetzlichen Vorschriften nehmen weiter zu. Und gleichzeitig treffen KI-Agenten heute Entscheidungen über Kundendaten in einer Geschwindigkeit und Skalierung, bei der die manuelle Governance schlichtweg nicht mehr mithalten kann.
Universelle Opt-out-Signale werden zunehmend gesetzlich verankert. Die Anforderungen an die automatisierte Löschung werden strenger. Unternehmen verankern Compliance-Kontrollen direkt in ihrer Infrastruktur, anstatt sie als nachgelagerte Prozesse zu behandeln.
KI bringt völlig neue Risikofaktoren mit sich: unbeabsichtigte Datenspeicherung, unbefugte Sekundärnutzung und Modelle, die mit Daten trainiert werden, auf die sie gar keinen Zugriff haben dürften.
Unternehmen, die auf der sicheren Seite sind, behandeln Datenschutz als operative Kernfunktion. Sie integrieren Einwilligungs-, Identitäts- und Datennutzungskontrollen direkt dort, wo Daten abgerufen, geteilt und verarbeitet werden.
Erfahren Sie, wie Datenschutz, Einwilligung und Governance zu einer einzigen architektonischen Herausforderung verschmelzen – und wie führende Unternehmen dieses Problem elegant lösen.
„Ohne vertrauenswürdige, gut kontrollierte Daten verursacht KI nur zusätzlichen Aufwand und ist langsam, riskant und unmöglich zu skalieren. Heute sind die Teams am erfolgreichsten, die sich darauf konzentrieren, erst einmal ihre Datengrundlage zu modernisieren.“
Kate Mackie
Modern Marketing Data Stack – 5. Auflage
Laden Sie noch heute den vollständigen Bericht herunter, um führende Lösungen in den 13 Kategorien des Marketing Data Stack zu entdecken – und die aufkommenden MarTech-Trends von morgen zu verstehen.
Bericht herunterladen
Methodik
Ziel und Umfang der Studie
Das Ziel dieser Untersuchung bestand darin, die Marketingtechnologien zu identifizieren, die innerhalb von Snowflake einen erheblichen, aktiven Kundenstamm aufbauen konnten.
Die Studie analysierte Nutzungsdaten und damit verbundene Trends und erstreckte sich über einen Zeitraum von 12 Monaten, der dem Snowflake-Geschäftsjahr 2026 vom 1. Februar 2025 bis zum 31. Januar 2026 entsprach. In die Analyse flossen Daten von über 11.500 Snowflake-Kunden ein.
In die Analyse einbezogene Kundengruppe
Die Analyse bewertete die Nutzung durch aktive Snowflake-Kunden während des Studienzeitraums.
Im Rahmen dieser Untersuchung wurden aktive Kunden als Kunden definiert, die entweder einen Capacity- oder einen On-Demand-/Self-Service-Vertrag mit einem gültigen Enddatum besaßen und im Vorjahr Umsatz für Snowflake generiert hatten.
Alle Angaben zu Kundenanzahl, Nutzung, Wachstum und Rankings basieren ausschließlich auf dieser definierten Zielgruppe.
Kriterien für die Einbeziehung von Technologien
Bei der Bewertung wurden nur Technologien berücksichtigt, die folgende Voraussetzungen erfüllten:
Aktive Mitglieder des Snowflake Partner Network (SPN) oder
Betrieb im Rahmen einer vergleichbaren Vereinbarung mit Snowflake oder
Snowflake-Marketplace-Anbieter, die den geltenden Marketplace-Geschäftsbedingungen zugestimmt haben
Besondere Kategorieberücksichtigung:
Unternehmen, die in der Kategorie „Large Language Models (LLMs)“ aufgeführt sind, repräsentieren Anbieter, deren LLMs über Snowflake Cortex AI in der Snowflake AI Data Cloud verfügbar sind. Diese Unternehmen wurden nicht als Teil des Modern Marketing Data Stacks bewertet.
Kategorisierung der Technologien nach ihrer Snowflake-Nutzungsart
Anbieter können die Integration in die Snowflake AI Data Cloud auf unterschiedliche Weise vornehmen, je nach Produktarchitektur und Anwendungsfällen. Um die Einführung und Marktführerschaft zu bewerten, wurden Technologien anhand ihrer Snowflake-Nutzung kategorisiert.
Im Rahmen dieser Analyse wurden Technologien aus folgenden Nutzungskategorien bewertet:
Technologien, die die Snowflake-Workloads für Datenintegration, -analyse und -umwandlung nutzen
Technologien, die die Collaboration-Workloads von Snowflake nutzen, um andere Produktangebote als Data-Collaboration-Lösungen zu integrieren
Technologien, die die Collaboration-Workloads von Snowflake nutzen, um ein Data-Collaboration-Angebot bereitzustellen, das der Kategorie „Collaboration“ in diesem Bericht entspricht
Jede Kategorie verwendet unterschiedliche Metriken und Gewichtungen, um die Art der Snowflake-Nutzung widerzuspiegeln, die mit diesem Integrationsmodell verbunden ist.
Metriken zur Messung von Einführung und Erfolg
Der Einführungserfolg wurde anhand kategoriespezifischer Metriken gemessen, die widerspiegeln, wie Partnertechnologien Snowflake-Funktionen nutzen.
Metriken für Workloads im Bereich Datenintegration, -umwandlung und -analyse
Bei Technologien, die die Snowflake-Workloads primär für Datenintegration, -umwandlung und -analyse nutzen, hat die Analyse folgende Werte gemessen:
Gesamtzahl aktiver Kunden, die die Technologie verwenden
Gesamter Verbrauch von Snowflake-Credits aufgrund der Technologie
Prozentuales Wachstum sowohl bei der Kundenzahl als auch beim Credit-Verbrauch
Metriken für Produktintegrationen (ohne Data-Collaboration-Lösungen)
Bei Technologien, die die Collaboration-Workloads von Snowflake nutzen, um andere Produktangebote als Data-Collaboration-Lösungen zu integrieren, hat die Analyse folgende Werte gemessen:
Die Gesamtzahl der Stable Edges, die die Technologie enthalten
Gesamter Verbrauch von Snowflake-Credits durch Data Shares, die von der Technologie genutzt wurden
Wachstum sowohl bei Stable Edges als auch beim Credit-Verbrauch
Ein Stable Edge stellt eine laufende Beziehung zwischen einem Datenanbieter und einem Datennutzer dar. Ein Stable Edge wird als Data Share definiert, der:
Mindestens 20 Transaktionen generiert hat, bei denen Rechenressourcen verbraucht wurden, und
Einen ausgewiesenen Produktumsatz erwirtschaftet hat,
und zwar in zwei aufeinanderfolgenden dreiwöchigen Zeiträumen mit mindestens 20 Transaktionen pro Zeitraum.
Metriken für Data-Collaboration-Angebote
Bei Technologien, die Data-Collaboration-Angebote bereitstellen, hat die Analyse folgende Werte gemessen:
Die Gesamtzahl der Stable Edges, die die Technologie enthalten
Gesamter Verbrauch von Snowflake-Credits durch Data Shares, die von der Technologie genutzt wurden
Gesamtzahl eindeutiger Datennutzer, die als Datennutzer definiert sind, die über mindestens einen Stable Edge mit einem Datenanbieter verfügten
Methodik zur Wachstumsberechnung
Die Wachstumsprozentsätze spiegeln die Nutzungsänderungen für die Technologien der einzelnen Kategorien im 12-Monats-Zeitraum vom 1. Februar 2025 bis zum 31. Januar 2026 im Vergleich zum unmittelbar vorhergehenden 12-Monats-Zeitraum wider.
Bei der Wachstumsanalyse wurden alle Capacity- und Self-Service-Kunden berücksichtigt, die am 1. Februar 2025 aktiv waren und im darauffolgenden 1-Jahres-Zeitraum positive Umsätze für Snowflake generiert haben.
Aufbau des Snowflake-Durchdringungsindex
Um sowohl die Marktreichweite als auch die Nutzungsintensität zu bewerten, hat Snowflake einen Durchdringungsindex entwickelt, der widerspiegelt, wie tief und breit Technologien mit Snowflake interagieren.
Bei Indexberechnungen werden gewichtete Kriterien angewendet, die auf die einzelnen Snowflake-Verbrauchskategorien zugeschnitten sind.
Breite und Tiefe werden über den 12-monatigen Analysezeitraum berechnet.
1. Index für Datenintegration, -umwandlung und -analyse
Dieser Index kombiniert Breite, Tiefe und Wachstum mit folgenden Gewichtungen:
Breite (40 %): Anzahl der aktiven Kunden, die die Technologie auf Snowflake nutzen
Tiefe (40 %): Gesamter Verbrauch von Snowflake-Credits aufgrund der Technologie
Wachstum (20 %), bestehend aus:
10 %: Prozentuales Wachstum bei aktiven Kunden
10 %: Prozentuales Wachstum des Snowflake-Credit-Verbrauchs
2. Index für Produktintegration (ohne Data Collaboration)
In diesem Index wurden folgende Gewichtungen angewendet:
Breite (40 %): Anzahl der Stable Edges, die mit der Technologie verbunden sind
Tiefe (40 %): Gesamter Verbrauch von Snowflake-Credits aufgrund der Technologie
Wachstum (20 %), bestehend aus:
10 %: Prozentuales Wachstum bei Stable Edges
10 %: Prozentuales Wachstum des Snowflake-Credit-Verbrauchs
3. Index für Data-Collaboration-Angebot
Dieser Index betont die Marktreichweite bei gleichzeitiger Berücksichtigung der Nutzungstiefe:
Breite (70 %), bestehend aus:
40 %: Anzahl der Stable Edges, die mit der Technologie verbunden sind
30 %: Anzahl der Datennutzer, die über das Data-Collaboration-Angebot des Anbieters integriert sind
Tiefe (30 %): Gesamter Verbrauch von Snowflake-Credits aufgrund der Technologie
Ranking und Auswahl von Marketingtechnologien
Technologien wurden von 1 bis N eingestuft, wobei ein niedrigerer Rang auf eine höhere Performance hinweist.
Snowflake kombinierte Rankings über alle relevanten Metriken hinweg mit normalisierten Ergebnissen auf einer Skala von 0 bis 100, wobei ein Wert von 100 eine Technologie darstellt, die bei allen anwendbaren Metriken den ersten Platz einnimmt.
Bestimmung führender Lösungen
Technologien wurden anhand der folgenden Kriterien als führend eingestuft:
Alle Kategorien mit Ausnahme von Collaboration:
Top 3 in ihrer Kategorie oder
Technologie-Indexwert innerhalb von 87 % des durchschnittlichen Indexwerts der Top-3-Technologien in dieser Kategorie
Kategorie „Collaboration“:
Top 3 in der Kategorie oder
Technologie-Indexwert innerhalb von 96 % des durchschnittlichen Indexwerts der Top-3-Technologien in der Kategorie
Bestimmung von Lösungen mit Potenzial
Lösungen mit Potenzial wurden anhand einer starken relativen Stellung im Index ausgewählt, kombiniert mit qualitativen Faktoren wie:
Starke aktuelle Marktdynamik
Innovative Technologie oder ein Integrationsansatz mit Snowflake
Nachgewiesene Kundenfunktionen
Diese Methodik soll einen transparenten, einheitlichen und vertretbaren Überblick über die Marketingtechnologien bieten, die im Kunden-Ökosystem von Snowflake verstärkt eingeführt werden und Vorteile liefern.