Customer Journey Debt: Wie alte Journey-Logik AI-Personalisierung ausbremst

Customer Journey Debt: Wie alte Journey-Logik AI-Personalisierung ausbremst

Technische Schulden sind im IT-Kontext ein etabliertes Konzept – veraltete Systeme, die Weiterentwicklung verlangsamen, aber selten vollständig neu gebaut werden. Weniger diskutiert, aber ebenso wirkungsvoll ist "Customer Journey Debt": Jahre gewachsene, oft undokumentierte Journey-Logik in Kampagnen- und CRM-Systemen, die neue AI-gestützte Personalisierung erheblich erschwert, statt sie zu beschleunigen.

Wie Journey Debt entsteht

Über Jahre werden in Marketing-Automatisierungs- und CRM-Systemen unzählige Regeln, Ausnahmen und Sonderfälle angelegt: "Wenn Kunde X-Segment und nicht Y-Kampagne der letzten 30 Tage und nicht Opt-out Z, dann..." Jede Regel war zum Zeitpunkt ihrer Einführung sinnvoll. In der Summe entsteht jedoch ein System, dessen Gesamtlogik niemand mehr vollständig überblickt. Eine typische Bank mit über zehn Jahren gewachsener Kampagneninfrastruktur hat häufig mehrere hundert aktive Journey-Regeln, von denen ein erheblicher Teil – Schätzungen liegen bei 20–40 % – veraltet, redundant oder sogar widersprüchlich ist.

Warum das AI-Personalisierung besonders erschwert

Konfliktierende Entscheidungslogik. Ein neues AI-Modell, das next-best-action-Empfehlungen erzeugt, muss in ein bestehendes Geflecht alter Regeln integriert werden. Wenn eine alte Journey-Regel einen Kunden aus einer Kampagne ausschließt, aus Gründen, die niemand mehr nachvollziehen kann, kann das AI-Modell seine Empfehlung gar nicht erst ausspielen – unabhängig von deren Qualität.

Fehlende Beobachtbarkeit der Wirkung. Wenn alte und neue Logik parallel laufen, lässt sich der Effekt eines neuen AI-Triggers kaum von den Effekten der bestehenden Journey-Regeln trennen. Dadurch werden A/B-Tests verzerrt und Erfolgsmessungen unzuverlässig.

Technische Kopplung an veraltete Systeme. Journey-Logik ist häufig tief in spezifische, teils veraltete Kampagnentools eingebettet. Eine Migration zu einer modernen, AI-fähigen Plattform erfordert dann nicht nur eine Datenmigration, sondern eine vollständige Rekonstruktion der Geschäftslogik – ein Aufwand, der häufig unterschätzt wird.

Der Weg zum Abbau von Journey Debt

1. Journey-Audit vor Journey-Neubau. Vor der Einführung neuer AI-Trigger sollte ein systematisches Audit aller aktiven Journey-Regeln erfolgen: Welche Regel wurde wann eingeführt, von wem, mit welchem ursprünglichen Ziel, und ist dieses Ziel noch relevant? Erfahrungsgemäß lassen sich 20–30 % der bestehenden Regeln ohne messbaren Geschäftsverlust direkt entfernen.

2. Konsolidierung statt Parallelbetrieb. Statt AI-Trigger neben der alten Logik zu betreiben, sollte die zugrunde liegende Entscheidungsarchitektur konsolidiert werden – im Idealfall mit einer zentralen Orchestrierungsschicht, die alte und neue Regeln in einer gemeinsamen Priorisierungslogik zusammenführt.

3. Dokumentation als laufender Prozess. Jede neue Regel sollte von Anfang an mit Zweck, Zielgruppe, Ablaufdatum und Verantwortlichem dokumentiert werden. Regeln ohne definiertes Ablaufdatum sind die häufigste Ursache für erneut anwachsende Journey Debt.

4. Regelmäßige Bereinigungszyklen. Ein quartalsweiser Review-Zyklus, der Regeln ohne signifikante Aktivität in den letzten sechs Monaten automatisch zur Prüfung markiert, verhindert, dass sich neue Schulden unbemerkt aufbauen.

Die Rolle einer modernen Customer Data Platform

Eine zentrale, AI-fähige Customer Data Platform bietet die Möglichkeit, Journey-Logik grundlegend neu zu strukturieren, statt sie über Jahre in isolierten Tools weiterzuführen. Trigger-Definitionen, Prioritätslogik und Ausschlusskriterien lassen sich zentral verwalten und versionieren, was Transparenz schafft und die spätere Integration neuer AI-Modelle erheblich vereinfacht. Eine deutsche Regionalbank, die im Rahmen einer solchen Migration ihre Journey-Logik bereinigt, reduziert damit nicht nur technische Komplexität, sondern schafft die Voraussetzung für belastbare Erfolgsmessung neuer AI-Initiativen.

Priorisierung: Wo Journey Debt zuerst abgebaut werden sollte

Nicht jede veraltete Regel verursacht denselben Schaden. Am wirkungsvollsten ist es, zunächst die Journeys zu bereinigen, die die meisten Kundenkontaktpunkte betreffen und gleichzeitig mit den geplanten AI-Use-Cases interagieren – etwa Ausschlusslisten im Cross-Selling-Bereich, wenn genau dort das erste AI-Modell eingeführt werden soll. Journeys mit geringem Kundenvolumen oder ausschließlich internem Reporting-Zweck lassen sich dagegen später bereinigen, ohne den AI-Rollout zu verzögern. Eine Aufwand-Wirkung-Matrix, die Bereinigungsaufwand gegen Kollisionsrisiko mit geplanten AI-Trigger abträgt, hilft, die Reihenfolge der Bereinigung zu priorisieren.

Der Faktor Mensch beim Abbau von Journey Debt

Journey-Regeln werden selten allein aus technischen Gründen aufrechterhalten. Häufig steckt eine historische Entscheidung eines heute nicht mehr aktiven Mitarbeitenden dahinter, oder eine Regel schützt ein bestimmtes Fachbereichsinteresse, das niemand offen infrage stellen möchte. Ein erfolgreicher Bereinigungsprozess braucht deshalb ein Mandat von der Geschäftsleitung, das explizit erlaubt, Regeln ohne dokumentierten aktuellen Zweck zu entfernen, auch wenn der ursprüngliche Verantwortliche nicht mehr auffindbar ist. Ohne dieses Mandat bleiben viele Bereinigungsinitiativen auf halbem Weg stecken, weil niemand die Verantwortung für das Entfernen einer Regel übernehmen will.

Fazit

Customer Journey Debt ist eine unterschätzte Bremse für AI-Personalisierung im Banking. Wer neue Modelle in ein unaufgeräumtes Regelwerk einführt, riskiert, dass gute AI-Empfehlungen an veralteter Logik scheitern. Ein systematischer Abbau von Journey Debt ist deshalb keine Nebenaufgabe, sondern eine Voraussetzung für erfolgreiche AI-Skalierung.