CDP vs. Identity Resolution: Was entscheidet wirklich, wer Ihr Kunde ist? (2026)

Kurzfassung: Eine Customer Data Platform (CDP) vereinheitlicht Daten für Marketing-Aktivierung, Segmentierung und Kampagnensteuerung. Identity Resolution ist die Matching-Schicht, die in Echtzeit und belegbar entscheidet, ob zwei Datensätze dieselbe Person beschreiben. Die meisten Teams, denen eine CDP allein nicht mehr genügt, suchen keinen Ersatz – sie suchen eine Auflösungsschicht, die der CDP eine sauberere Identität liefert, als diese selbst aufbauen kann.

Sie wägen eine CDP gegen einen spezialisierten Identity-Resolution-Dienst ab. Demo buchen oder Tilores Studio kostenlos testen.

Marketingteams kaufen eine CDP, um ein reales Problem zu lösen: Kundendaten liegen verstreut über ein CRM, eine Werbeplattform, ein Support-Tool und ein Warehouse – ohne eine einheitliche Sicht, auf der sich eine Kampagne aufbauen ließe. Für die Marketing-Aktivierung löst eine CDP das tatsächlich. Die Verwirrung beginnt, wenn ein Team vom CDP-eigenen Matching verlangt, eine Hürde zu nehmen, für die es nie gebaut wurde: die Entscheidung, belegbar genug für ein Compliance-Team, ob die Person im gestrigen Checkout-Event dieselbe ist wie im Support-Ticket vom letzten Jahr und im App-Login von heute Morgen. Dieses schwierigere, belegbare Matching-Problem ist Identity Resolution, und es läuft auf einer anderen Engine. Dieser Leitfaden zeigt, was jedes System gut kann, was kaputtgeht, wenn Sie das eine für die Aufgabe des anderen einsetzen, und wie Sie beide so verbinden, dass keines vorgeben muss, das andere zu sein.

Was unterscheidet eine CDP tatsächlich von Identity Resolution?

Eine CDP ist ein Marketing-System of Record. Sie nimmt Kunden-Events und Profildaten auf, fügt sie zu Zielgruppensegmenten zusammen und spielt diese Segmente in die Kanäle aus, die ein Marketingteam betreibt: E-Mail, Ads, Push, In-App-Nachrichten. Ihre Aufgabe endet bei der Aktivierung.

Identity Resolution ist ein Matching-System. Es nimmt fragmentierte Datensätze – ein Name, der beim Checkout anders geschrieben wurde als im Support-Ticket, eine alte E-Mail-Adresse neben einer aktuellen, drei Kunden-IDs aus drei verschiedenen Systemen – und entscheidet, welche davon dieselbe reale Person oder dasselbe Konto beschreiben. Seine Aufgabe endet bei einer aufgelösten Identität mit angehängtem Konfidenzwert, bereit für jedes nachgelagerte System, ob im Marketing oder anderswo.

Klar gesagt: Eine CDP entscheidet, wohin eine Nachricht geht. Identity Resolution entscheidet, um wen es in dieser Nachricht eigentlich geht. Die meisten CDPs bringen eine gewisse Matching-Logik mit, um Profile für die Aktivierung zu formen. Aber diese Logik ist für die Aufgabe der CDP gebaut – nicht für das schwierigere, systemübergreifende Echtzeit-Matching, für das ein spezialisierter Identity-Resolution-Dienst existiert.

Was kann eine Customer Data Platform gut?

Eine gute CDP verdient sich ihren Platz im Stack über vier Aufgaben.

Die Zielgruppensegmentierung gruppiert Kunden nach Verhalten, Lebenszyklusphase oder Attribut für eine bestimmte Kampagne, ohne dass jedes Mal jemand eine neue Abfrage schreiben muss. Die Aktivierung spielt ein Segment in die Werbeplattformen, E-Mail-Tools und Nachrichtenkanäle aus, die ein Marketingteam tatsächlich nutzt. Die Kampagnensteuerung ordnet Nachrichten kanalübergreifend so an, dass ein Kunde nicht innerhalb einer Woche dasselbe Angebot zweimal aus zwei verschiedenen Tools erhält. Marketingbezogene Profile bauen eine Arbeitssicht auf den Kunden, die für Personalisierung gut genug ist und im Takt der CDP aktualisiert wird.

Das CDP Institute definiert eine echte CDP genau über diese Art von Fähigkeit: Sie soll Daten aus beliebigen Quellen aufnehmen, sie dauerhaft speichern und anderen Systemen in Echtzeit zur Aktivierung bereitstellen. Das ist eine Marketing-zuerst-Definition und für den eigentlichen Zweck einer CDP die richtige. Nirgendwo darin steht die Anforderung, eine mehrdeutige Übereinstimmung mit Belegen zu entscheiden, die ein Compliance-Team später verteidigen könnte.

Was leistet ein spezialisierter Identity-Resolution-Dienst?

Ein spezialisierter Identity-Resolution-Dienst löst ein engeres, schwierigeres Problem: die Entscheidung, ob zwei oder mehr Datensätze dieselbe Entität beschreiben – mit Belegen, die Sie Ihrem eigenen Team oder einer Aufsichtsbehörde im Nachhinein zeigen können. In Tilores läuft das auf vier Bausteine hinaus, die zusammenwirken.

Drei verschiedene Matching-Verfahren, nicht eines. Deterministisches Matching verknüpft Datensätze über einen exakten Identifikator, etwa eine gemeinsame Steuernummer oder eine verifizierte E-Mail-Adresse. Das ist präzise und zugleich spröde: Ein Tippfehler, und die Übereinstimmung scheitert. Fuzzy Matching vergleicht, wie ähnlich sich zwei Werte sind, sodass „Jon Smith” und „John Smith” weiterhin verknüpft werden, obwohl die Zeichenketten nicht exakt übereinstimmen. Probabilistisches Matching geht noch weiter und gewichtet Belege über viele Felder hinweg, sodass kein einzelnes Feld das Ergebnis allein entscheidet; es ist dieselbe Methodenfamilie, die das US Census Bureau für Record Linkage im großen Maßstab einsetzt. Die eingebaute Dedup-Logik einer CDP stützt sich typischerweise auf eines dieser Verfahren, meist auf deterministisches Matching oder einen oberflächlichen Fuzzy-Durchlauf. Identity Resolution behandelt alle drei als eigenständige Werkzeuge für eigenständige Situationen – nie eines als Ersatz für ein anderes.

Konfidenzwerte und Erklärbarkeit. Jede Übereinstimmung liefert einen numerischen Wert zurück, kein binäres Ja oder Nein, dazu sichtbare Belege: welche Felder übereinstimmten, welches Verfahren entschieden hat und wie stark die Übereinstimmung war. So kann ein Team einen Schwellenwert für automatische Verknüpfungen setzen, den mehrdeutigen Graubereich an einen Menschen weiterleiten und einem Compliance- oder Risikoteam etwas an die Hand geben, das sich im Nachhinein verteidigen lässt. Wie Sie diese Schwellenwerte setzen, behandeln wir in unserem Leitfaden zu Konfidenzwerten, Schwellen und Audit-Trails.

Entitätsaufbau bei der Aufnahme, nicht zur Abfragezeit. Datensätze werden beim Eintreffen abgeglichen und verknüpft. Die Arbeit, zu entscheiden, ob zwei Datensätze dieselbe Person beschreiben, fällt also einmal vorab an und nicht bei jeder Anfrage erneut. Eine spätere Abfrage ruft den aktuellen aufgelösten Kontext ab: die Entität, wie sie in diesem Moment aussieht, gebaut aus allen bisher mit ihr verknüpften Datensätzen. Diese Unterscheidung – und wann welches Muster zählt – vertiefen wir unter Echtzeit- vs. Batch-Entity-Resolution.

Abruf im Subsekundenbereich über eine einzige API. Tilores stellt aufgelöste Entitäten über eine GraphQL-API bereit, nicht über einen REST-Endpunkt. Eine Anwendung, ein Support-Tool oder ein KI-Agent kann also eine einzige strukturierte Frage stellen und erhält die aufgelöste Entität, ihre verknüpften Datensätze sowie einen Entity Score und einen Hit Score zurück – in der Zeit, die eine Seite zum Rendern braucht. Die Abrechnung ist serverless und pro Anfrage, sodass die Kosten dem folgen, was ein Team tatsächlich abgleicht, statt einer Infrastruktur, die auf eine selten eintretende Spitzenlast ausgelegt ist.

Was geht kaputt, wenn Sie eine CDP als Identitätsschicht nutzen?

Drei Fehlermuster tauchen fast immer auf, wenn ein Team von einer CDP verlangt, die Identitätsschicht statt der Aktivierungsschicht zu sein.

Stille Falschverschmelzungen entstehen, weil die Dedup-Logik einer CDP meist darauf optimiert ist, keine Übereinstimmung zu verpassen – denn eine verpasste Übereinstimmung bedeutet, dass ein Kunde eine unpassende E-Mail oder eine doppelte Onboarding-Sequenz erhält. Diese Neigung zum Zusammenführen ist für ein Marketingprofil in Ordnung. Sie ist es nicht, wenn derselbe zusammengeführte Datensatz einen Support-Mitarbeiter, eine Betrugsprüfung oder einen KI-Assistenten speist, der entscheidet, was einem Kunden zusteht.

Es fehlt ein Audit-Trail, der erklärt, warum aus zwei Datensätzen einer wurde. Wenn ein Kunde eine Entscheidung anficht oder eine Aufsichtsbehörde fragt, warum zwei Konten als eines behandelt wurden, ist „die CDP hat sie zusammengeführt” keine Antwort. Eine spezialisierte Auflösungsschicht bewahrt die Belege: verglichene Felder, verwendetes Verfahren, Konfidenzband und ob ein Mensch die Entscheidung geprüft hat.

Veraltete Identitäten liegen außerhalb der Mauern der CDP. Das vereinheitlichte Profil einer CDP reicht nur so weit wie die Systeme, die sie anbindet, und wird in ihrem eigenen Takt aktualisiert. Ein Ticketsystem im Support, ein Underwriting-Tool oder eine Betrugsprüfung außerhalb dieser Reichweite erhält vom aufgelösten Kontext gar nichts. Derselbe Kunde wirkt damit überall wie ein Fremder – außer innerhalb des Marketings.

Wann reicht eine CDP allein aus?

Eine CDP allein reicht, wenn die Aufgabe wirklich Marketing-Aktivierung ist und nichts Nachgelagertes davon abhängt, dass die Übereinstimmung nachweisbar korrekt ist. Das deckt E-Mail-Segmentierung, Retargeting-Zielgruppen, Lifecycle-Kampagnen und Personalisierung in Kanälen ab, die der CDP ohnehin gehören. Wenn der schlimmste Fall einer falschen Übereinstimmung eine leicht danebenliegende Anzeigenschaltung ist, dann ist das eingebaute Matching einer CDP ein vertretbarer Kompromiss aus Genauigkeit und Geschwindigkeit.

Wann brauchen Sie zusätzlich einen spezialisierten Identity-Resolution-Dienst?

Holen Sie ihn dazu, sobald eine Matching-Entscheidung außerhalb des Marketings standhalten muss. Ein Support-Mitarbeiter braucht den vollständigen Datensatz über alle Kanäle hinweg. Eine Underwriting- oder KYC-Prüfung braucht einen belastbaren Grund dafür, zwei Konten zu verknüpfen. Ein Betrugsteam muss denselben Täter erkennen, der sich unter drei Namensvarianten bewirbt. Ein KI-Agent, der im Auftrag eines Kunden handelt, darf sich keine falsche aufgelöste Identität leisten. Jeder dieser Fälle treibt die Kosten einer falschen Übereinstimmung weit über das hinaus, wofür ein Dedup-Durchlauf in Marketingqualität gebaut wurde.

Wie greifen CDP und Identity Resolution in der Praxis ineinander?

In der Praxis sitzt Identity Resolution der CDP vorgelagert, nicht in ihr. Datensätze laufen aus jedem Quellsystem in Tilores ein, sobald sie entstehen: CRM, Support-Desk, Checkout, App-Events und alles Weitere, was einen Kunden berührt. Tilores löst sie bei der Aufnahme mit den drei oben genannten Matching-Verfahren auf, verknüpft sie und stellt die aktuelle aufgelöste Entität über seine GraphQL-API bereit. Die CDP zieht sich diesen Kontext dann ebenso wie das MDM, das Warehouse und jedes KYC- oder AML-System eines Unternehmens, um die eigene Aufgabe besser zu erledigen: sauberere Zielgruppen in der CDP, sauberere Fallakten im Support, sauberere Match-Belege in der Compliance.

Ein vollständiges Muster dafür haben wir beschrieben unter Wie Sie eine einheitliche Kundensicht über CRM, Marketing und Analytics aufbauen. Kurzfassung: Identity Resolution verdient sich ihren Platz neben der CDP – nie in ihr und nie an ihrer Stelle.

Falls Sie zusätzlich eine Vektordatenbank oder eine MDM-Plattform abwägen: Das weitere Feld behandeln wir in unserem Vergleich von Entity Resolution mit Vektordatenbanken, MDM und CDPs. Dieser Leitfaden geht speziell bei der CDP-Frage tiefer, weil sie der Vergleich ist, nach dem Teams am häufigsten fragen – und derjenige, der am häufigsten mit einer Parteinahme statt mit einem Verständnis der Arbeitsteilung beantwortet wird.

CDP vs. spezialisierte Identity Resolution, Dimension für Dimension

Dimension	Customer Data Platform	Spezialisierte Identity Resolution
Hauptaufgabe	Kundendaten für Marketingkampagnen aktivieren	Entscheiden, ob Datensätze dieselbe Entität beschreiben – mit Belegen
Matching-Ansatz	Meist ein Verfahren, oft deterministisch oder ein oberflächlicher Fuzzy-Durchlauf, auf Marketingprofile getrimmt	Drei eigenständige Verfahren: deterministisch, fuzzy und probabilistisch, je nach Fall eingesetzt
Ergebnis	Ein marketingbezogenes Kundenprofil und Zielgruppensegmente	Eine aufgelöste Entität mit Konfidenzwert, verknüpften Datensätzen und Match-Belegen
Zeitpunkt des Matchings	Im Aktualisierungs- oder Aktivierungstakt der CDP	Bei der Aufnahme, mit aktuellem aufgelöstem Kontext zur Abfragezeit
Erklärbarkeit	Selten offengelegt; Übereinstimmungen sind außerhalb des CDP-Teams meist undurchsichtig	Konfidenzwert und Audit-Trail pro Entscheidung, gebaut für Compliance und Streitfallprüfung
Reichweite	Beschränkt auf die Systeme, die die CDP anbindet	Sitzt neben jedem System: CDP, MDM, Warehouse, Support-Desk, KYC/AML
Schnittstelle	Je nach Anbieter unterschiedlich, meist ein Dashboard plus Exporte oder Webhooks	Eine einzige GraphQL-API für Echtzeitabfragen
Preismodell	Typischerweise nach Nutzerplätzen oder Datenvolumen	Serverless, pro Anfrage
Passt am besten für	Segmentierung, Aktivierung, Kampagnensteuerung	Support, Betrugserkennung, Underwriting, Compliance, KI-Agenten, die auf Kundendaten handeln
Ersetzt das jeweils andere?	Nein	Nein, sie sitzt daneben

Was brauchen Sie? Eine Entscheidungs-Checkliste

• Wenn eine Übereinstimmung ausschließlich von einer Marketingkampagne genutzt wird, reicht das CDP-eigene Matching vermutlich aus.
• Wenn eine falsche Übereinstimmung die Daten eines anderen Kunden offenlegen könnte, in einem Streitfall standhalten muss oder die Handlung eines KI-Agenten speist, ergänzen Sie einen spezialisierten Identity-Resolution-Dienst.
• Wenn eine CDP die Aktivierung bereits gut erledigt, Support, Betrugserkennung oder Compliance aber immer wieder Datensätze sehen, deren Identität sie nie bemerkt hat, liegt die Lücke der CDP vorgelagert, nicht in ihr.
• Wenn ein Team einen KI-Agenten baut, der Fragen zu einem Kunden beantwortet oder in dessen Auftrag handelt, behandeln Sie aufgelöste Identität als Voraussetzung, nicht als Zusatz; wie das zusammenhängt, zeigt ein MCP-Server für Identity Resolution.

Was Sie einen CDP-Anbieter vor dem Kauf über sein Matching fragen sollten

Wenn ein CDP-Anbieter eingebautes Matching als Ersatz für eine spezialisierte Auflösungsschicht anpreist, trennen vier Fragen eine echte Antwort vom Verkaufsdeck: Welche Matching-Verfahren laufen tatsächlich – nur deterministisch, oder deterministisch, fuzzy und probabilistisch als drei eigenständige Verfahren? Können Sie einen Konfidenzwert und die Belege hinter einer tatsächlichen Übereinstimmung zeigen, nicht nur hinter einer beschriebenen? Findet das Matching einmalig bei der Aufnahme statt, mit aufgelöstem Kontext zur Abfragezeit, oder berechnet jede Abfrage die Übereinstimmung neu? Was passiert mit einer Matching-Entscheidung außerhalb Ihres Produkts – kann ein Support-Tool, eine Betrugsprüfung oder ein KI-Agent dieselbe aufgelöste Identität abfragen, oder ist sie im Dashboard eingeschlossen?

Ein Anbieter mit einer echten Antwort auf alle vier Fragen steht einer Auflösungsschicht näher als eine typische CDP. Die meisten haben sie nicht, und das ist in Ordnung. Es ist schlicht nicht die Aufgabe, für die sie gebaut wurden.

FAQ

Ist eine CDP dasselbe wie Identity Resolution?

Nein. Eine CDP vereinheitlicht Kundendaten für Marketing-Aktivierung, Segmentierung und Kampagnensteuerung. Identity Resolution ist die Matching-Schicht, die mit einem Konfidenzwert und Belegen entscheidet, ob zwei Datensätze dieselbe Person beschreiben. Eine CDP kann eine aufgelöste Identität konsumieren, ist aber nicht dafür gebaut, eine zu erzeugen.

Kann eine CDP einen spezialisierten Identity-Resolution-Dienst ersetzen?

Für reine Marketing-Aktivierung oft ja. Sobald eine Übereinstimmung Support, Betrugserkennung, Underwriting, Compliance oder einen KI-Agenten betrifft, der im Auftrag eines Kunden handelt, ist das eingebaute Matching einer CDP meist nicht präzise oder erklärbar genug.

Ersetzt Identity Resolution eine CDP?

Nein. Sie spielt bei Kampagnensteuerung und Kanalaktivierung keine Rolle. Sie sitzt neben einer CDP, einem MDM, einem Data Warehouse oder einem KYC- und AML-System und liefert jedem davon eine sauberere aufgelöste Identität, als es sie allein aufbauen könnte.

Welche Matching-Verfahren sollte eine Auflösungsschicht unterstützen?

Drei eigenständige Verfahren: deterministisches Matching für exakte Identifikatoren, Fuzzy Matching für ähnliche, aber nicht identische Werte, und probabilistisches Matching, das Belege über viele Felder hinweg gewichtet. Ein Werkzeug, das nur eines davon beherrscht, übersieht Übereinstimmungen, die die anderen finden würden.

Findet das Matching bei der Aufnahme oder zur Abfragezeit statt?

Auflösung und Verknüpfung finden bei der Aufnahme statt, sobald ein Datensatz eintrifft. Eine spätere Abfrage ruft den aktuellen aufgelösten Kontext ab; sie berechnet die Übereinstimmung nicht jedes Mal neu.

Ersetzt Tilores die CDP oder MDM-Plattform eines Unternehmens?

Nein. Tilores sitzt neben einer CDP, einem MDM, einem Data Warehouse und KYC- oder AML-Systemen, löst fragmentierte Datensätze auf, verknüpft sie und liefert die aktuelle aufgelöste Entität über eine GraphQL-API, während diese Systeme ihre eigenen Aufgaben behalten.

Wie stellt Tilores anderen Systemen aufgelöste Identitäten bereit?

Über eine GraphQL-API, nicht über einen REST-Endpunkt. Eine Abfrage liefert die aufgelöste Entität, ihre verknüpften Datensätze sowie einen Entity Score und einen Hit Score zurück, sodass jedes nachgelagerte System – eine CDP eingeschlossen – den aktuellen aufgelösten Kontext bei Bedarf abrufen kann.

Warum ist Erklärbarkeit beim Identitätsabgleich wichtig, bei der CDP-Segmentierung aber nicht immer?

Ein falsches Marketingsegment kostet eine danebenliegende Anzeigenschaltung. Eine falsche Identitätsübereinstimmung, die Support, Betrugserkennung, Underwriting oder Compliance erreicht, kann beeinflussen, was einem realen Kunden gesagt, berechnet oder verweigert wird. Deshalb braucht Identity Resolution sichtbare Konfidenzwerte und einen Audit-Trail, auch wenn CDP-Matching ohne beides auskommt.