Im Performance Marketing verlassen wir uns gern auf Fakten. Ein Tracking-Setup funktioniert oder es klemmt. Eine Conversion wurde sauber attribuiert oder sie fällt durchs Raster. Daten sind nüchtern, unemotional, unbestechlich. Das ist das Selbstbild unserer Branche, und ich habe es lange geteilt.

Inzwischen bin ich mir weniger sicher. Nicht weil Daten plötzlich lügen würden, sondern weil sich verändert hat, was zwischen den Daten und der Entscheidung passiert.

Die Zeiten, in denen Attributionsmodelle nach festen Wenn-Dann-Regeln liefen, sind vorbei. Wo große Datenmengen verarbeitet werden, übernimmt zunehmend Machine Learning: Predictive Fraud Detection, dynamische Provisionsmodelle, automatisierteJourney-Analysen. Spätestens da bröckelt die Vorstellung von der absoluten Objektivität.

Denn Modelle entstehen nicht im luftleeren Raum. Sie lernen aus historischen Daten, und sie werden von Menschen gebaut, trainiert und bewertet. Wer entscheidet, welches Signal als verdächtig gilt? Wer legt fest, welche Muster im Trainingsdatensatz landen und welche als Ausreißer herausfliegen? Das sind keine technischen Fragen. Das sind Annahmen, und Annahmen kommen von Menschen.

Wenn in den Teams, die solche Systeme entwerfen und anwenden, alle einen ähnlichen Hintergrund haben, landen dieselben blinden Flecken im Modell. Der Unterschied zu früher ist die Geschwindigkeit. Ein Mensch mit einem blinden Fleck trifft ein paar Dutzend Entscheidungen am Tag. Ein Modell mit demselben blinden Fleck trifft Millionen, alle gleichzeitig, und keiner schaut mehr einzeln drauf.

Jahrelang habe ich Influencer-Kampagnen bis ins kleinste Detail analysiert und dabei gelernt, wie gefährlich es ist, Dashboards blind zu vertrauen. Ich hatte Setups auf dem Tisch, die laut Zahlen ein riesiger Erfolg waren, obwohl der Influencer den Effekt gar nicht erzeugt hatte, weil der Link sich auf unbekannte Weise verselbständigt hatte. Genauso wurden potenziell starke Partner vorschnell offline genommen, weil ihre Klicks zwar kaum direkte Sales, aber einen enormen Push in der Markenentwicklung gebracht haben.

Verlässt man sich da blind auf starre Attributionswerte, kürzt man am Ende die falschen Budgets und skaliert Effekte, die in Wahrheit gar nicht existieren. Erst der Blick für den Gesamtkontext schützt vor solchen Fehlinvestitionen.

Damals war das ein Attributionsmodell mit festen Regeln, und ein Mensch konnte es überstimmen. Heute lernt das Modell aus genau diesen Entscheidungen weiter. Genau hier wird Female Empowerment von einer gut gemeinten HR-Formulierung zu einer betriebswirtschaftlichen Frage.

„Wir stellen doch einfach die beste Person ein“

Diesen Satz höre ich oft, und ich nehme ihn ernst. Er klingt fair und leistungsorientiert, und die meisten, die ihn sagen, meinen ihn auch so. Das Problem liegt nicht in der Absicht. Es liegt darin, was „die beste Person“ in der Praxis bedeutet. Wir bewerten Menschen anhand dessen, was wir kennen, und am besten kennen wir Lebensläufe, die unseren eigenen ähneln. Wer geradlinig durch Informatik und drei Agenturen gelaufen ist, muss weniger erklären als jemand, der über den Support, das Projektmanagement oder ein ganz anderes Fach gekommen ist. Das ist keine böse Absicht, das ist Bequemlichkeit im Auswahlprozess.

Es ist dieselbe Mechanik wie beim Modell: Ein System, das aus der Vergangenheit lernt, reproduziert die Vergangenheit, solange niemand eingreift.

Von Sichtbarkeit zu Präsenz

Wenn in unserer Branche über Women in Tech gesprochen wird, geht es viel um Initiativen, Mentorings und Netzwerke. Dieser Austausch ist wertvoll. Er schützt vor dem Gefühl, allein zu sein, und er hat überhaupt erst die Sichtbarkeit geschaffen, auf der wir heute aufbauen können.

Ich bin selbst bisher selten Teil dieser Runden gewesen, ich schaue eher von außen darauf. Vielleicht sehe ich deshalb vor allem den Schritt, der danach kommt.

Denn Sichtbarkeit verändert die Technologie noch nicht. Sie öffnet die Tür, durch die jemand gehen muss. Der zweite Schritt passiert dort, wo die unangenehmen Fragen gestellt werden: zwischen Entwicklungsteams, Datenströmen und Kundenanforderungen, die sich gegenseitig widersprechen.

Es geht nicht um Schonräume und nicht um Sonderrollen. Es geht darum, den Platz in der Praxis einzunehmen und bestehende Strukturen mitzugestalten.

Was bleibt, wenn die KI das Handwerk übernimmt

In SaaS- und Tracking-Unternehmen sehen wir täglich, wie Automatisierung repetitive Arbeit abnimmt. Manuelles Scripting und das Abarbeiten immer gleicher Tickets verlieren an Gewicht. Verschwunden sind sie nicht, das würde jeder bestreiten, der gerade an einem Ticket sitzt. Aber ihr Anteil sinkt, und er wird weiter sinken.

Was an Bedeutung gewinnt, ist die Übersetzung zwischen Technik und Anwendung.

KI-Systeme funktionieren für die meisten Anwender wie eine Blackbox. Je abstrakter die Technologie wird, desto weniger hilft ein „hier ist die Schnittstelle, viel Erfolg“. Es braucht Menschen, die Technik nicht als Selbstzweck behandeln. Die herausfragen, was ein Kunde eigentlich erreichen will, statt umzusetzen, was er bestellt hat. Die Frust abbauen und komplexe Logik in Prozesse übersetzen, mit denen jemand am Montagmorgen arbeiten kann.

Das ist mein Job, und ich halte ihn für den Teil, der sich am schwersten automatisieren lässt.

In einer meiner früheren Stationen haben wir fast einen kompletten Zielmarkt verloren, weil wir uns blind auf die Kennzahlen verlassen haben. In den Niederlanden stimmten Reichweite und Traffic, aber die Conversion Rate lag dauerhaft am Boden. Die Dashboards sagten unmissverständlich: Markt abstoßen, lohnt sich nicht.

Erst der menschliche Blick auf die Checkout-Barriere brachte die Wende. Der vor Ort essenzielle Zahlungsanbieter war technisch unsauber eingebunden. Nicht das Produkt oder der Markt war das Problem, sondern eine fehlerhafte Annahme in der Nutzerführung. Hätten wir rein nach den aggregierten Daten entschieden, hätten wir ein riesiges Potenzial eiskalt liegen gelassen.

Das ist Übersetzungsarbeit: nicht die Zahl lesen, sondern fragen, was ein Nutzer an dieser Stelle eigentlich erlebt. Kein Modell stellt diese Frage von selbst.

Warum Umwege ein Vorteil sind

Mir ist wichtig, das nicht mit Klischees zu begründen. Es gibt aber eine strukturelle Beobachtung, die ich für relevant halte: Frauen kommen in technische Rollen häufiger über Umwege. Über angrenzende Disziplinen, über Quereinstiege, über Stationen im Support oder im Projektmanagement, weil der direkte Weg lange weniger offen stand. Wer über einen Umweg kommt, hat mehrere Systeme von innen gesehen und denkt seltener in einem
einzigen Silo.

Das ist kein Wesensmerkmal, das ist eine Biografie. Und es ist genau die Art von Biografie, die an der Schnittstelle zwischen Code und Business gebraucht wird.

Mein Fazit

Die Affiliate-Branche verändert sich durch Automatisierung und KI schneller, als die meisten Organigramme nachkommen. Wer da mithalten will, kann auf fachliche Expertise nicht verzichten und sie schon gar nicht in eine Diversity-Nische schieben.

Ich wünsche mir Frauen im MarTech, die sich so tief ins Tracking einarbeiten wollen, bis sie das System besser kennen als die, die es gebaut haben. Die kritische Fragen an Modelle stellen, deren Antworten sonst niemand hinterfragt. Und die sich an der Schnittstelle zwischen Code und Business nicht mit der Rolle der Übersetzerin zufriedengeben, sondern mitentscheiden.

Daten kennen kein Geschlecht. Fachliche Exzellenz auch nicht. Aber die Annahmen, die wir in unsere Systeme schreiben, haben sehr wohl eine Herkunft.