Warum Targeting in Account Engagement häufig scheitert (und wie Sie es korrigieren)

Targeting bildet innerhalb von Salesforce Marketing Cloud Account Engagement die Verbindung zwischen Zielgruppendefinition und konkreter kommerzieller Aktion. Segmentierung bestimmt, welche Prospects aufgrund von Profil, Verhalten oder Lifecycle-Kontext zu einer relevanten Gruppe gehören; Targeting bestimmt anschließend, ob, wann und mit welcher Botschaft diese Gruppe tatsächlich angesprochen wird. In vielen Implementierungen werden beide Schritte jedoch praktisch gleichgesetzt. Sobald ein Prospect die Segmentkriterien erfüllt, startet die Kommunikation automatisch, als wäre Zielgruppen-Fit bereits ein ausreichender Nachweis dafür, dass auch Zeitpunkt und Kontext stimmen.

Gerade im Enterprise-B2B führt das zu einem strukturellen Missverhältnis. Ein Prospect kann perfekt zur idealen Zielgruppe passen und dennoch keine aktuelle Kaufintention haben, während ein anderer Kontakt aufgrund aktuellen Verhaltens, Account-Aktivität oder einer Veränderung des Sales-Status beschleunigte Aufmerksamkeit verdient. Wenn Targeting ausschließlich aus Segmentzugehörigkeit abgeleitet wird, funktioniert Account Engagement technisch weiterhin korrekt, doch der kommerzielle Prozess reagiert zu spät, zu früh oder auf die falschen Signale. Die Organisation sieht Aktivität in Kampagnen und Engagement Programs, während der Zusammenhang mit Pipeline und Sales-Progression zunehmend schwerer zu erklären ist.

Reifes Targeting erfordert deshalb mehr als immer feinere Selektionen. Der Kern liegt in einem Entscheidungsmodell, in dem Profil, Verhalten, Timing, Account-Kontext und Salesfeedback gemeinsam bestimmen, welche Aktion gerechtfertigt ist. Damit entwickelt sich Targeting von einem Ausführungsmechanismus zu einer steuerbaren kommerziellen Fähigkeit: nicht möglichst viele relevante Prospects zu erreichen, sondern den richtigen Prospect oder die richtige Buying Group zum richtigen Zeitpunkt mit einem nachweislich passenden nächsten Schritt anzusprechen.

Targeting scheitert, wenn Selektion automatisch zu Kommunikation führt

Die meisten Targeting-Probleme entstehen nicht dadurch, dass Organisationen über zu wenig Daten verfügen, sondern weil zwischen Selektion und Aktivierung die Interpretationsstufe fehlt. Ein Prospect erfüllt beispielsweise Kriterien für Branche, Senioritätsniveau, Region und Produktinteresse und gelangt dadurch in eine dynamische Liste. Aus technischer Perspektive ist die Auswahl korrekt. Das sagt jedoch noch nichts darüber aus, ob diese Person aktuell für dieselbe Botschaft empfänglich ist wie andere Mitglieder des Segments, ob frühere Interaktionen bereits einen anderen Weg rechtfertigen oder ob Sales möglicherweise bereits aktiv mit dem Account arbeitet.

Wenn ein solcher Kontext nicht berücksichtigt wird, entsteht ein linearer Prozess: zuerst segmentieren, anschließend ansprechen und danach Engagement messen. Diese Reihenfolge wirkt logisch, setzt jedoch voraus, dass kommerzielle Relevanz während der gesamten Laufzeit einer Kampagne oder eines Engagement Programs stabil bleibt. In Wirklichkeit kann sich die Situation innerhalb weniger Tage verändern. Ein Lead, der letzte Woche nur allgemeine Informationen konsumiert hat, kann inzwischen Pricing- oder Implementierungscontent prüfen, während ein anderer Prospect das Interesse verloren hat oder intern keine Priorität mehr besitzt. Targeting, das diese Bewegung nicht verarbeitet, automatisiert veraltete Annahmen.

Segmentierung bestimmt, wer grundsätzlich infrage kommt; Targeting bestimmt, ob Zeitpunkt, Kontext und gewünschter nächster Schritt tatsächlich stimmen.

Targeting muss deshalb immer eine zusätzliche Entscheidungsebene enthalten. Segmentzugehörigkeit kann eine notwendige Voraussetzung sein, ist aber nur selten die einzige. Aktuelle Interaktionen, Content-Typ, Verhaltensfrequenz, Account-Status, bestehende Salesaktivität und Lifecycle-Phase müssen gemeinsam bestimmen können, ob Kommunikation gestartet, angepasst, beschleunigt oder vorübergehend unterdrückt wird. Diese zusätzliche Ebene macht das System nicht unnötig kompliziert; sie verhindert, dass Automation exakt das ausführt, was technisch eingerichtet wurde, obwohl die kommerzielle Situation inzwischen etwas anderes verlangt.

Timing ist keine Kampagneneinstellung, sondern eine Interpretation von Momentum

Ein zweiter struktureller Fehler besteht darin, dass Timing in vielen Account-Engagement-Umgebungen vor allem als technischer Parameter behandelt wird. Ein Prospect erhält eine E-Mail, wartet drei oder fünf Tage, erhält einen Folgeschritt und bewegt sich anschließend anhand vorab definierter Regeln weiter. Das schafft Vorhersagbarkeit für das System, aber nicht zwangsläufig Relevanz für den Prospect. B2B-Kaufprozesse entwickeln sich nicht nach einem einzigen Rhythmus, insbesondere dann nicht, wenn mehrere Stakeholder, interne Entscheidungsprozesse und Saleskontakte gleichzeitig Einfluss auf die Geschwindigkeit des Prozesses haben.

Ein aktiver Prospect, der innerhalb kurzer Zeit mehrere gezielte Interaktionen zeigt, befindet sich wahrscheinlich in einer anderen kommerziellen Situation als jemand, der dieselben Handlungen über mehrere Monate verteilt ausführt. Beide können technisch denselben Engagement Score erreichen, doch Signaldichte und Momentum unterscheiden sich fundamental. Wenn die konfigurierte Wartezeit beide Prospects identisch behandelt, wird der erste verlangsamt und der zweite möglicherweise zu intensiv angesprochen. Das System optimiert dann die Ausführung des Flows statt die Ausrichtung auf das Kaufverhalten.

Effektives Targeting nutzt Zeit deshalb als Information. Recency, Velocity und die Abfolge von Signalen helfen zu bestimmen, ob Verhalten wahrscheinlich vorübergehendes Interesse, einen längerfristigen Orientierungsprozess oder eine aktuelle kommerzielle Bewegung widerspiegelt. Dadurch kann ein aktiver Prospect schneller zu relevanten Folgeinformationen oder zu Sales weitergeleitet werden, während ein weniger engagierter Lead eine geringere Frequenz oder einen anderen Weg erhält. Der Wert liegt nicht darin, schneller zu kommunizieren, sondern zu erkennen, wann Geschwindigkeit kommerziell gerechtfertigt ist.

Diese Verschiebung hat eine wichtige organisatorische Konsequenz. Targeting kann nicht länger ausschließlich aus der Kampagnenplanung heraus entwickelt werden, da relevante Entscheidungen teilweise erst während der Ausführung entstehen. Marketing muss im Voraus definieren, welche Signale das Tempo verändern dürfen, welche Ereignisse Kommunikation unterdrücken müssen und wann ein Prospect einen anderen Weg erhält. Dadurch entsteht ein Modell, in dem Automation nicht einfach einen Zeitplan ausführt, sondern innerhalb klarer Rahmenbedingungen auf veränderte Umstände reagiert. Timing wird damit Teil der kommerziellen Interpretation statt nur eine technische Einstellung in Engagement Studio.

Kontext entsteht aus der Kombination von Verhalten, Account und Lifecycle

Targeting ohne Kontext scheitert, weil einzelne Signale nur selten ausreichend Bedeutung besitzen. Ein Websitebesuch kann allgemeine Orientierung darstellen, ein Download kann Recherche für einen Kollegen sein und eine Formularinteraktion kann von unverbindlichem Interesse bis zu einer konkreten Anfrage reichen. Wer lediglich registriert, dass eine Interaktion stattfindet, weiß noch nicht, welche kommerzielle Schlussfolgerung gerechtfertigt ist. Bedeutung entsteht erst, wenn Verhalten mit früheren Interaktionen, Profilinformationen, Account-Aktivität und der Phase verknüpft wird, in der Marketing und Sales den Account gemeinsam einordnen.

Im Enterprise-B2B ist insbesondere die Account-Dimension wichtig. Ein einzelner Kontakt kann wenig Aktivität zeigen, während andere Personen innerhalb derselben Buying Group gleichzeitig Produktinformationen, technische Dokumentation und kommerzielle Seiten prüfen. Umgekehrt kann ein sehr aktiver Benutzer große Mengen Content konsumieren, ohne dass innerhalb des Accounts eine breitere Bewegung entsteht. Targeting, das nur auf individueller Ebene reagiert, kann dadurch sowohl relevante Accounts unterschätzen als auch individuelles Interesse überschätzen.

Die Organisation muss deshalb explizit festlegen, welcher Kontext ein Signal kommerziell relevant macht. Dabei geht es nicht um endlos mehr Regeln, sondern um eine begrenzte Zahl von Dimensionen, die nachweislich Einfluss auf den gewünschten nächsten Schritt haben:

• Fit: passen Person und Account zur kommerziellen Zielgruppe und zum relevanten Angebot?
• Verhalten: welche Inhalte und Arten von Interaktion weisen auf einen sich verändernden Informationsbedarf hin?
• Timing: treten Signale aktuell und konzentriert genug auf, um von Momentum sprechen zu können?
• Lifecycle- und Sales-Kontext: wo befindet sich der Account und welche menschliche kommerzielle Aktivität findet bereits statt?

Wenn diese Dimensionen gemeinsam verwendet werden, kann Targeting wesentlich selektiver werden, ohne dass Skalierbarkeit verloren geht. Ein Prospect muss nicht automatisch mehr Kommunikation erhalten, wenn das Engagement steigt; das System kann stattdessen bestimmen, dass ein anderer Weg, eine Salesaktion oder vorübergehende Stille angemessener ist. Relevanz wird damit nicht länger mit Frequenz gleichgesetzt. Der Ausgangspunkt verschiebt sich von „Diese Person passt zur Zielgruppe“ zu „Die verfügbaren Signale rechtfertigen in diesem Moment diese konkrete Aktion“.

Marketing und Sales müssen dieselben Kriterien für kommerzielle Relevanz verwenden

Targeting verliert schnell an Glaubwürdigkeit, wenn Marketing und Sales unterschiedliche Definitionen dafür verwenden, wann Follow-up sinnvoll ist. Marketing kann auf Grundlage von Segment-Fit, Engagement und Scoring zu dem Schluss kommen, dass ein Prospect für die Übergabe bereit ist, während Sales vor allem auf Dringlichkeit, Account-Potenzial, konkreten Bedarf und aktuellen Kaufkontext achtet. Werden beide Perspektiven nicht explizit miteinander verbunden, entsteht ein Muster, in dem Marketing „warme Leads“ liefert und Sales diese erneut qualifiziert, bevor echte Nachverfolgung beginnt.

Das hat mehr Folgen als nur Ineffizienz. Sobald Sales strukturell eigene Filter anwendet, entsteht außerhalb von Account Engagement ein paralleles Entscheidungsmodell. Marketing optimiert anschließend weiterhin auf Lead-Volumen, Engagement und Score, während Sales aufgrund eigener Erfahrung bestimmt, welche Leads tatsächlich Aufmerksamkeit verdienen. Die Systeme bleiben verbunden, doch die kommerzielle Interpretation fragmentiert. Targeting ist dann kein gemeinsames Steuerungsinstrument mehr, sondern lediglich eine von mehreren konkurrierenden Quellen für Priorisierung.

Ein reifes Modell macht deshalb deutlich, welche Signale für beide Teams Bedeutung besitzen und wie sie gewichtet werden. Segment-Fit kann beispielsweise zeigen, dass ein Account strukturell interessant ist, während aktuelle Verhaltenskombinationen erkennen lassen, dass sich das Timing verändert. Salesfeedback zu akzeptierten und abgelehnten Leads muss anschließend in das Modell zurückfließen, damit Marketing überprüfen kann, ob die gewählten Signale tatsächlich mit Opportunity-Entwicklung zusammenhängen. Targeting wird dadurch zyklisch: nicht nur Leads weitergeben, sondern lernen, welche Auswahl und welches Timing in der Praxis die besten kommerziellen Ergebnisse erzeugen.

Der Unterschied zwischen traditionellem Targeting und einem reifen Enterprise-Modell wird sichtbar, wenn Selektion, Timing und Übergabe als eine gemeinsame Entscheidungskette betrachtet werden:

Diese gemeinsame Interpretation macht auch die Pipeline besser steuerbar. Weniger, aber relevantere Übergaben können kommerziell wertvoller sein als ein hohes MQL-Volumen, das Sales erneut filtern muss. Die Qualität von Targeting sollte deshalb nicht nur anhand von Open Rates, Klicks oder Lead-Zahlen bewertet werden, sondern auch anhand von Sales-Akzeptanz, Geschwindigkeit der Nachverfolgung, Opportunity-Erstellung und Downstream-Conversion. Damit rückt das Erfolgskriterium näher an tatsächliche kommerzielle Progression.

Pipeline-Impact erfordert Governance und strukturelle Neukalibrierung

Selbst ein gut entwickeltes Targeting-Modell bleibt nicht automatisch dauerhaft leistungsfähig. Verhalten verändert sich, Websites erhalten neuen Content, Angebote verschieben sich und Sales entwickelt andere Prioritäten. Trigger und Entscheidungsregeln, die bei der Implementierung logisch waren, können ein Jahr später noch dasselbe technische Ergebnis erzeugen, obwohl sich ihre kommerzielle Bedeutung verändert hat. Ohne regelmäßige Neukalibrierung entsteht genau das Problem, das Automation eigentlich verhindern sollte: ein System, das konsistent auf Basis veralteter Annahmen handelt.

Governance muss deshalb festlegen, wer für Änderungen an der Targeting-Logik verantwortlich ist, welche Daten als maßgeblich gelten und zu welchen Zeitpunkten das Modell erneut bewertet wird. Marketing kann Owner des Use Cases und der kommerziellen Anwendung sein, Data- oder CRM-Teams überwachen die Zuverlässigkeit der Quelldaten und Sales liefert Feedback zur Downstream-Qualität. Diese Verantwortlichkeiten müssen nicht in einem Team gebündelt werden, doch Decision Rights müssen klar sein, damit strukturelle Verbesserungen nicht von einzelnen Initiatoren abhängig bleiben.

Targeting bleibt nur dann zuverlässig, wenn die Organisation nicht nur Kampagnen optimiert, sondern auch die Annahmen hinter Selektion, Timing und Follow-up regelmäßig neu bewertet.

Die Bewertung von Targeting muss zudem über oberflächliche Kampagnenperformance hinausgehen. Ein Modell, das weniger Interaktionen erzeugt, kann gerade besser funktionieren, wenn die verbleibenden Signale stärker mit akzeptierten Sales-Leads und Opportunities zusammenhängen. Umgekehrt kann steigendes Engagement Erfolg suggerieren, während Pipeline-Conversion unverändert bleibt oder sich verschlechtert. Nur durch die systematische Verknüpfung von Marketingaktivität mit Downstream-Ergebnissen lässt sich feststellen, welche Regeln tatsächlich Wert schaffen und welche hauptsächlich Volumen produzieren.

Damit verschiebt sich Optimierung von Kampagnen-Feintuning hin zu Modellmanagement. A/B-Tests von Betreffzeilen und Content bleiben sinnvoll, lösen jedoch keine falsche Selektions-, Timing- oder Übergabelogik. Reifes Targeting erfordert, dass die Organisation auch die Annahmen hinter dem Flow testet: Welche Signale sagen Progression voraus, welches Timing funktioniert je nach Kontext besser und welche Kriterien erweisen sich bei Sales tatsächlich als unterscheidend? Das ist die Feedbackschleife, mit der Targeting langfristig relevant bleibt.

Internationales Targeting erfordert zentrale Rahmenbedingungen und kontrollierte lokale Interpretation

Für multinationale Unternehmen wird Targeting zusätzlich komplex, weil sich relevanter Kontext zwischen Märkten unterscheiden kann. Ein bestimmter Kanal kann in einer Region ein starkes kommerzielles Signal darstellen und anderswo kaum Bedeutung besitzen. Auch Saleszyklen, regulatorische Anforderungen, Produktpositionierung und lokales Kaufverhalten unterscheiden sich. Wenn jeder Markt vollständig eigenständig Targeting-Regeln entwickelt, entsteht schnell eine Landschaft, in der Kampagnen technisch lokal optimiert sind, während zentrale Definitionen, Reporting und Vergleichbarkeit auseinanderdriften.

Vollständige Standardisierung ist jedoch ebenso wenig sinnvoll. Ein zentrales Modell, das lokale Unterschiede ignoriert, kann zu Targeting führen, das überall einheitlich, aber nirgends optimal relevant ist. Die reife Lösung besteht aus einem zentralen Kern aus Definitionen, Datenprinzipien und Decision Rights, ergänzt durch kontrollierten Spielraum für lokale Interpretation. Fit, Lifecycle und grundlegende Übergabekriterien können beispielsweise organisationsweit stabil bleiben, während bestimmte Verhaltenssignale, Content-Routen oder Timing-Regeln je Markt variieren dürfen, wenn dafür ein klarer kommerzieller oder rechtlicher Grund besteht.

Dieser Ansatz erfordert auch Transparenz bei Ausnahmen. Eine lokale Abweichung darf nicht nur technisch möglich, sondern muss auch erklärbar sein: Warum existiert sie, wer hat sie genehmigt, welche Daten verwendet sie und wann wird erneut geprüft, ob die Abweichung noch notwendig ist? Ohne diese Disziplin entwickelt sich eine internationale Account-Engagement-Umgebung schrittweise zu einer Sammlung lokaler Logiken, die nur noch von einzelnen Teams verstanden werden. Das erschwert nicht nur das Management, sondern untergräbt auch die Zuverlässigkeit zentraler Berichterstattung und Enterprise-weiter Optimierung.

Für Leadership liegt der Wert gerade in einem Modell, in dem lokale Relevanz und zentrale Steuerbarkeit einander nicht ausschließen. Targeting muss marktspezifisch genug sein, um Verhalten korrekt zu interpretieren, gleichzeitig aber konsistent genug bleiben, um kommerzielle Ergebnisse über Regionen hinweg vergleichen zu können. Das erfordert weniger einheitliche Kampagnen als vielmehr einheitliche Entscheidungsprinzipien: dieselben Fragestellungen zu Fit, Intention, Timing und Ownership, angewendet mit Raum für nachweisbare lokale Unterschiede.

Targeting wird reif, wenn Relevanz die kommerzielle Entscheidung bestimmt

Der nächste Reifeschritt besteht deshalb nicht in noch granularerer Selektion, sondern darin, Targeting mit expliziter Entscheidungsfindung zu verbinden. Die Organisation muss wissen, welche Informationen ausreichen, um Kommunikation zu starten, wann Verhalten einen anderen Weg rechtfertigt, unter welchen Umständen Sales übernehmen sollte und wann gerade keine Aktion die beste Entscheidung ist. Solange diese Entscheidungen implizit bleiben, bleibt Targeting ein Ausführungsmechanismus, der Kampagnen präziser verteilt, aber nicht zwangsläufig bessere kommerzielle Entscheidungen erzeugt.

Relevanz entsteht dabei aus dem Zusammenhang. Wer der Prospect ist, was kürzlich geschehen ist, wie sich der Account entwickelt, welche Salesaktivität bereits stattfindet und welcher Punkt im Lifecycle erreicht wurde, bestimmen gemeinsam, welcher nächste Schritt sinnvoll ist. Account Engagement kann diese Informationen erfassen und daraus resultierende Prozesse automatisieren, doch die Plattform kann nicht eigenständig bestimmen, welche Bedeutung die Organisation jedem Signal geben soll. Das bleibt eine Design- und Governance-Frage.

Organisationen, die Targeting auf diesem Niveau steuern, bewerten Performance deshalb anders. Sie fokussieren weniger auf Reichweite und einzelne Engagement-Metriken und stärker auf Qualität der Weiterentwicklung, Sales-Akzeptanz, Opportunity-Entwicklung und Vorhersagbarkeit der Pipeline. Eine Kampagne mit geringerer Response kann strategisch besser abschneiden, wenn die Interaktionen relevanter sind und häufiger zu konkreter kommerzieller Progression führen. Die Wirksamkeit von Targeting wird damit durch die Qualität der Entscheidungen bestimmt, nicht durch die Menge an Aktivität, die das System erzeugt.

Wenn Profil, Verhalten, Timing, Account-Kontext und Salesfeedback innerhalb eines steuerbaren Modells zusammenkommen, verändert Targeting seinen Charakter grundlegend. Es ist dann nicht länger der letzte Schritt nach der Segmentierung, sondern eine kontinuierliche Interpretationsschicht zwischen Daten und kommerzieller Aktion. Salesforce Marketing Cloud Account Engagement wird dadurch weniger zu einem System, das vorab ausgewählte Zielgruppen effizient anspricht, und mehr zu einer Plattform, die dabei hilft zu bestimmen, wann Kommunikation, Nurturing oder Sales-Follow-up tatsächlich gerechtfertigt sind. Genau dort entsteht der Enterprise-Wert: nicht maximale Präzision bei der Selektion, sondern nachweislich bessere Entscheidungen über Relevanz, Timing und kommerzielle Priorität.