FMCG-Marketing gibt Millionen aus und misst über den Handel hinweg fast blind. So sieht ein Marketing-Analytics-Setup aus, das wirklich steuert.

Eine FMCG-Marke gibt einen zweistelligen Millionenbetrag für Media, Trade Promotions und Handelskonditionen aus — und wenn im Quartalsmeeting die Frage fällt, was davon gewirkt hat, zeigen drei Abteilungen drei verschiedene Auswertungen. Media zeigt Reichweite und Klicks, Vertrieb zeigt Abverkauf, Trade Marketing zeigt Promotion-Kalender. Verbunden sind sie nicht.

Wir arbeiten seit Jahren mit FMCG-Marken an genau dieser Lücke — vom Echtzeit-Vertriebsreporting bis zur Kampagnen-Datenanbindung. Dieser Beitrag beschreibt, warum Marketing Analytics im FMCG strukturell schwerer ist als in fast jeder anderen Branche, und wie ein Setup aussieht, das die Wirkungsfrage tatsächlich beantwortbar macht.

Warum FMCG der Sonderfall ist

Im E-Commerce ist Marketing Analytics konzeptionell einfach: Klick, Besuch, Kauf — eine Kette, ein Funnel, eine Attribution. Im FMCG existiert diese Kette nicht. Verkauft wird über Handelsketten und Distributoren; die Marke sieht den Kaufakt nie direkt. Daraus folgen drei strukturelle Probleme:

• Der Wirkungsverzug. Zwischen Kampagnenstart und sichtbarem Abverkaufseffekt liegen Tage bis Wochen — und die Daten, in denen der Effekt sichtbar würde (Panel, POS), kommen selbst mit Verzug und in Wochen- oder Monatsgranularität.
• Die Datenhoheit liegt bei anderen. Abverkaufsdaten gehören dem Händler, Paneldaten dem Panelanbieter, Media-Daten der Plattform. Jede Quelle hat eigene Produkthierarchien, Zeiträume und Regionsdefinitionen.
• Die Überlagerung. Promotion, Saison, Distribution und Media wirken gleichzeitig auf dieselbe Kennzahl. Ohne ein gemeinsames Datenmodell lässt sich nicht einmal beschreiben, was gleichzeitig passiert ist — geschweige denn, was gewirkt hat.

Keines dieser Probleme löst ein Dashboard. Alle drei löst — schrittweise — Datenarchitektur.

Das Anti-Pattern: zwei getrennte Welten

Das Muster, das wir am häufigsten vorfinden: Es gibt ein Media-Reporting (aus den Werbeplattformen, gepflegt von der Agentur oder dem Marketing) und ein Abverkaufs-Reporting (aus ERP und Handelsdaten, gepflegt vom Vertrieb). Beide sind für sich genommen ordentlich. Aber sie teilen keine Produktdimension, keine Zeitdimension, keine Regionslogik — oft nicht einmal eine gemeinsame Definition von „Kampagne“.

Die Folge ist nicht Unwissen, sondern etwas Schlimmeres: parallele Halbwahrheiten. Jede Abteilung kann ihre Sicht belegen, keine Sicht ist falsch, und jede Wirkungsdiskussion endet in Meinung. Der erste Schritt zu brauchbarem Marketing Analytics ist deshalb unspektakulär: beide Welten in ein Modell zwingen.

Das funktionierende Setup, in vier Schichten

1. Eine Kampagnen-Taxonomie, die alle benutzen. Bevor irgendetwas gebaut wird: einheitliche Namenskonventionen für Kampagnen, Produkte und Regionen, die in den Werbeplattformen, im Trade-Marketing-Kalender und im ERP dieselben sind. Das ist Governance-Arbeit, keine Technik — und sie entscheidet darüber, ob sich die Quellen später verknüpfen lassen.

2. Automatisierte Anbindung aller Quellen. Panel-Lieferungen, POS- und Distributorendateien, Plattform-APIs, Promotion-Kalender — alles läuft automatisiert in eine zentrale Datenschicht, mit Monitoring statt manuellem Import. Wie so eine Anbindung robust gebaut wird, haben wir im Beitrag über Data-Quality-Gates beschrieben; die Disziplin ist im Marketing dieselbe wie im Vertrieb.

3. Ein Modell mit gemeinsamen Dimensionen. Produkt, Zeit, Region, Kampagne — einmal definiert, für alle Quellen gemappt. Erst diese Schicht macht die eigentlich interessanten Fragen stellbar: Wie hat sich der Abverkauf in Promotion-Wochen gegenüber vergleichbaren Nicht-Promotion-Wochen entwickelt? Was passierte mit der Distribution, während die Kampagne lief?

4. Power BI als gemeinsame Sicht. Media, Vertrieb und Trade Marketing lesen aus demselben Modell — dieselben Zahlen, dieselben Definitionen. Nicht drei Reportings, die sich widersprechen, sondern eine Sicht mit drei Perspektiven.

Die eigene Digitalfläche: der einzige direkte Blick

Es gibt genau einen Ort, an dem eine FMCG-Marke Konsumenten ohne Mittelsmann sieht: die eigenen Digitalkanäle — Website, D2C-Shop, Newsletter, Gewinnspiele. Diese Fläche ist klein gemessen am Handelsvolumen, aber sie ist die einzige First-Party-Quelle für Zielgruppen- und Kampagnensignale.

Genau deshalb lohnt es sich, sie sauber zu messen: Clientseitiges Tracking verliert 25–40 % der Daten an Ad-Blocker und Consent-Ablehnungen — im DACH-Raum eher mehr. Serverseitiges Tracking schließt diese Lücke und verbessert gleichzeitig die DSGVO-Position. Für die Wirkungsfrage heißt das: Auf dem einzigen Kanal mit direkter Sicht ist der Funnel wenigstens vollständig.

Was zuerst — und was bewusst später

Die Versuchung ist, mit dem anspruchsvollsten Werkzeug zu starten: Marketing-Mix-Modeling, Attribution, KI-gestützte Budget-Optimierung. Unsere klare Empfehlung: später. MMM auf fragmentierten Daten produziert Scheinpräzision — ein Modell, dessen Koeffizienten niemand belastbar erklären kann, gebaut auf Quellen, die sich nicht sauber verknüpfen lassen.

Die Reihenfolge, die sich bewährt: Taxonomie und Anbindung (Wochen 1–6), gemeinsames Modell und Dashboards (Wochen 6–12), dann ein Quartal deskriptive Wirkungsanalyse — Promotion-Effekte, Distributions-Media-Zusammenhänge, Kanalvergleiche auf der eigenen Fläche. Erst wenn diese Basis steht und Vertrauen hat, lohnt Modellierung. Der Fortschritt liegt nicht im Algorithmus, sondern darin, dass zum ersten Mal alle über dieselben Zahlen streiten.

Wie wir solche Setups aufbauen, steht auf den Seiten zu Business Intelligence & Strategie und Data Engineering — und wenn Sie erst klären wollen, wo Ihr Setup heute steht, reicht ein 30-Minuten-Gespräch für eine ehrliche Einschätzung.