Ein Kunde stöbert anonym am Smartphone, öffnet später am Desktop eine Werbe-E-Mail und schließt den Kauf schließlich in der App ab – und in den Datensystemen erscheint diese eine Person als drei verschiedene. Genau dieses Problem löst Identity Resolution: die Disziplin, fragmentierte Datenpunkte über Geräte, Browser, Apps und Kanäle hinweg zu einem einzigen, vereinheitlichten Kundenprofil zu verbinden. Wie groß die Lücke ist, zeigt eine Comscore-Erhebung: 54 Prozent der Mobile- und 36 Prozent der Desktop-Impressionen tragen keinen klassischen Identifikator.
Dieser Artikel erklärt, was Identity Resolution ist, warum sie für verlässliche Analytics unverzichtbar ist, wie deterministisches und probabilistisches Matching funktionieren und welche Schritte aus rohen Signalen ein vertrauenswürdiges Profil machen. Wie Server-Side Tagging die Datenerfassung absichert, behandeln wir im Grundlagenartikel dieses Clusters.
Was Identity Resolution ist – und warum sie zählt
Identity Resolution ist der Prozess, der Interaktionen aus vielen Quellen daraufhin prüft, ob sie zur selben Person gehören, und sie zu einer einzigen Kundensicht zusammenführt. Manche Kunden sind über Login-Daten, E-Mail-Adressen, Telefonnummern oder Konto-IDs identifizierbar; andere bleiben während des Browsens anonym. Moderne Systeme bewerten beide – bekannte und anonyme – Interaktionen fortlaufend, um mögliche Beziehungen zwischen ihnen zu erkennen.
Ohne Identity Resolution ist die Marketing-Messung im Kern gestört: Sie schreibt Ergebnisse einzelnen Touchpoints zu statt den Multi-Touch-Reisen, die Kaufentscheidungen tatsächlich antreiben. Erst das vereinheitlichte Profil verhindert doppelte Ansprachen, ermöglicht verlässliche Segmentierung und macht Analysen, Personalisierung und Aktivierung überhaupt vertrauenswürdig.
Deterministisches gegen probabilistisches Matching
Zwei grundlegende Ansätze bestimmen, wie Datensätze verknüpft werden.
Deterministisches Matching
Deterministisches Matching verbindet Daten über exakte Identifikatoren wie E-Mail-Adresse oder Telefonnummer – der „Detektiv" der Identity Resolution, der präzise zuordnet, wenn eindeutige Hinweise vorliegen. Meldet sich ein Kunde mit derselben E-Mail-Adresse an, die er beim Kauf nutzte, lassen sich beide Sitzungen mit nahezu hundertprozentiger Sicherheit derselben Person zuordnen. Der Ansatz ist hochgenau und leicht zu auditieren, hängt aber von der Datenqualität ab und funktioniert nur, wenn verlässliche Identifikatoren vorhanden sind. Bewährte Praxis: immer mit deterministischem Matching beginnen.
Probabilistisches Matching
Probabilistisches Matching bringt statistische Algorithmen ins Spiel – wie ein Puzzle mit fehlenden Teilen. Es bewertet mehrere Attribute gemeinsam (etwa Verhalten, Gerätemerkmale, IP-Adresse) und vergibt einen Confidence Score; übersteigt er einen definierten Schwellenwert, werden die Datensätze verknüpft. Das reduziert Fragmentierung, wenn keine exakten Übereinstimmungen vorliegen, muss aber sorgfältig austariert werden, um falsche Verknüpfungen unverwandter Kunden zu vermeiden.
Wie der Prozess Schritt für Schritt funktioniert
Aus rohen Signalen wird in mehreren Etappen ein Profil. Zuerst wird Kundenaktivität über alle Touchpoints gesammelt – Website-Besuche, App-Aktivität, E-Mail-Engagement, CRM-Interaktionen, Kaufverhalten, Kampagnenreaktionen, Support-Kontakte. Bevor irgendetwas verknüpft werden kann, müssen die Identifikatoren bereinigt werden: E-Mails normalisiert, Telefonnummern standardisiert, offensichtliche Fehler herausgefiltert. Dieser unscheinbare Schritt entscheidet oft über Erfolg oder Scheitern – „Garbage in" bedeutet wirklich „Garbage out".
Anschließend gleicht das System die Identifikatoren gegen bestehende Profile ab. Manchmal ist die Übereinstimmung eindeutig, manchmal muss entschieden werden, ob eine neue Person vorliegt oder dieselbe in neuer Gestalt. Aus diesen Entscheidungen entsteht der Identity Graph: eine lebende Karte, die zeigt, wie verschiedene Identifikatoren über die Zeit mit Individuen verbunden sind. Neue Daten stärken oder schwächen diese Verbindungen, alte Annahmen werden revidiert. Zuletzt klären Reconciliation-Regeln Konflikte – etwa welcher Wert behalten wird, wenn zwei Quellen unterschiedliche Angaben enthalten.
Überblick: Deterministisch gegen probabilistisch
| Merkmal | Deterministisches Matching | Probabilistisches Matching |
|---|---|---|
| Grundlage | Exakte Identifikatoren (E-Mail, Telefon) | Statistische Muster und Attribute |
| Genauigkeit | Sehr hoch, nahe 100 Prozent | Geringer, mit Confidence Score |
| Reichweite | Begrenzt, braucht verlässliche IDs | Größer, auch ohne exakte IDs |
| Risiko | Niedrig, leicht zu auditieren | Falschverknüpfungen ohne Tuning |
| Empfehlung | Immer zuerst einsetzen | Ergänzend, sorgfältig kalibrieren |
Häufig gestellte Fragen
Was ist Identity Resolution einfach erklärt?
Es ist der Prozess, fragmentierte Datenpunkte über Geräte, Browser, Apps und Kanäle hinweg zu einem einzigen Kundenprofil zu verbinden. Derselbe Mensch, der anonym am Handy stöbert, am Desktop eine E-Mail öffnet und in der App kauft, erscheint sonst als mehrere Personen. Identity Resolution erkennt, dass es sich um eine Person handelt, und schafft eine einheitliche Sicht.
Was ist der Unterschied zwischen deterministischem und probabilistischem Matching?
Deterministisches Matching verknüpft Datensätze über exakte Identifikatoren wie E-Mail oder Telefonnummer mit nahezu hundertprozentiger Sicherheit, ist aber auf verlässliche IDs angewiesen. Probabilistisches Matching nutzt statistische Algorithmen und Verhaltensmuster, um wahrscheinliche Übereinstimmungen zu finden; es erreicht mehr Fälle, birgt aber das Risiko falscher Verknüpfungen und muss sorgfältig kalibriert werden.
Was ist ein Identity Graph?
Der Identity Graph ist eine lebende Karte, die zeigt, wie verschiedene Identifikatoren – Geräte, E-Mails, IDs – über die Zeit mit einzelnen Personen verbunden sind. Neue Daten stärken oder schwächen diese Verbindungen, und der Graph macht nachvollziehbar, welche Identifikatoren zu einer Verknüpfung geführt haben. Er ist damit zentral für Audits, das Debuggen falscher Zusammenführungen und die Governance.
Warum ist Datenbereinigung für Identity Resolution so wichtig?
Weil das Matching nur so gut ist wie die Identifikatoren, die es verarbeitet. E-Mails müssen normalisiert, Telefonnummern standardisiert und offensichtliche Fehler herausgefiltert werden, bevor verknüpft wird. Dieser Schritt wirkt unscheinbar, doch genau hier scheitern viele Strategien still: Schlechte Eingangsdaten führen zu falschen oder doppelten Profilen – „Garbage in, garbage out".