CRM Automation Monitoring & Governance: Transparenz in der Salesforce Marketing Cloud
Ein Anbieter aus der Telekommunikationsbranche stand vor der Herausforderung, eine stetig wachsende Landschaft an Automatisierungen in der Salesforce Marketing Cloud zuverlässig im Griff zu behalten. Je mehr Automationen produktiv liefen, desto schwerer wurde die Frage zu beantworten, wie es um deren technischen Zustand eigentlich bestellt war. Unsere Mission: ein zentrales Monitoring- und Governance-Framework aufzubauen, das Fehler und Anomalien automatisiert erkennt, jede Automatisierung an ihrer eigenen historischen Performance misst und Handlungsbedarf nach Risiko priorisiert und nicht nach Zufall.
Inhaltsverzeichnis
Die Herausforderung
Mit jeder neuen Kampagne, jedem neuen Use Case und jeder neuen Strecke wuchs die Zahl der Automatisierungen in der Marketing Cloud. Was fehlte, war eine zentrale und transparente Möglichkeit, den technischen Zustand dieser Landschaft zu überwachen. Die Kontrolle erfolgte überwiegend manuell – und damit stichprobenartig statt systematisch.
Damit blieb eine ganze Reihe von Fragen unbeantwortet: Welche Automatisierungen sind besonders fehleranfällig und an welcher Stelle treten die Fehler auf? Wo entwickeln sich Laufzeiten auffällig? Erschwerend kam hinzu, dass keine historische Datengrundlage existierte, an der sich normale Performance überhaupt hätte ablesen lassen. Ohne diese Referenz aber lässt sich eine Abweichung nicht als Abweichung erkennen.
Die Folge? Fehler fielen erst auf, wenn sie bereits Wirkung entfaltet hatten. Eine risikobasierte Priorisierung war nicht möglich, ein Health-Überblick über die gesamte Automations-Landschaft existierte nicht. Das Ziel war deshalb klar umrissen: von der manuellen Einzelkontrolle zu einem skalierbaren, automatisierten Monitoring, das proaktiv auf Auffälligkeiten hinweist und dabei zwischen Rauschen und echtem Handlungsbedarf unterscheidet.
Unser Lösungsansatz
Wir haben ein zentralisiertes CRM Automation Monitoring & Governance Framework für die Salesforce Marketing Cloud aufgebaut. Kern der Lösung ist eine vierstufige Daten- und Monitoring-Architektur, in der jede Ebene eine klar abgegrenzte Aufgabe übernimmt – von der reinen Datenerfassung bis zur Entscheidungsgrundlage für die Fachteams.
Im Detail haben wir umgesetzt:
Layer 1 – Datenerfassung:
Automatisierte Erfassung aller aktuellen Automation-Ausführungen, angereichert um historische Laufzeit- und Performance-Daten. Damit entstand erstmals eine durchgängige Datengrundlage über die gesamte Automations-Landschaft hinweg.
Layer 2 – Baseline:
Aufbau einer individuellen 90-Tage-Performance-Baseline für jede einzelne Automatisierung. Statt eines pauschalen Schwellenwerts für alle Strecken wird jede Automatisierung an ihrem eigenen Normalverhalten gemessen.
Layer 3 – Alert Engine:
Automatisierte Erkennung von Fehlern, Abweichungen und Anomalien im Abgleich mit der jeweiligen Baseline. Auffälligkeiten werden nach Kritikalität bewertet und klassifiziert, sodass kritische Vorfälle nicht in der Masse untergehen und irrelevante Alerts keine unnötige Manpower bindet.
Layer 4 – Governance & Reporting:
Zentrale Reporting-Ebene, die den technischen Zustand der gesamten Landschaft transparent darstellt und Automatisierungen mit erhöhtem Handlungsbedarf risikobasiert priorisiert.
Durch die klare Trennung dieser vier Ebenen entstand eine Struktur, die nicht nur den aktuellen Bestand abdeckt, sondern mit jeder neuen Automatisierung mitwächst – ohne den Monitoring-Aufwand im gleichen Maße zu steigern.
Das Ergebnis
Das Framework ist produktiv im Einsatz und liefert kontinuierlich Daten über den Zustand der Automations-Landschaft:
-
90 Tage historische Datenbasis bilden die Grundlage für die individuellen Performance-Baselines.
-
Über 130 Automatisierungen werden laufend überwacht und anhand ihrer Performance- und Alert-Daten risikobasiert bewertet.
-
Über 17.540 Automation-Ausführungen wurden innerhalb der letzten 90 Tage erfasst und analysiert.
-
Rund 33 Alerts pro Woche in den Stufen “kritisch”, “sehr hoch” und “hoch” werden automatisiert erkannt und per E-Mail an die jeweils zuständigen Teams kommuniziert.
-
Top-10-Risk-Ranking: Die zehn Automatisierungen mit dem höchsten Risikowert werden automatisch identifiziert und priorisiert.
-
Kontinuierliches Monitoring: Je nach Anwendungsfall laufen die Prozesse stündlich, täglich oder wöchentlich.
Aus einer Landschaft, deren Zustand sich nur stichprobenartig überprüfen ließ, ist damit ein System geworden, das seinen eigenen Zustand meldet – und den Teams sagt, wo sie zuerst hinschauen sollten.
Unsere Learnings
Aus diesem Projekt lassen sich fünf Erkenntnisse ableiten, die für jede wachsende Automations-Landschaft gelten:
-
Eine belastbare historische Datenbasis ist entscheidend. Erst durch die Erfassung und Analyse historischer Ausführungsdaten lassen sich individuelle Baselines bilden und relevante Abweichungen zuverlässig erkennen.
-
Eine klare Trennung der Monitoring-Ebenen schafft Transparenz. Die vier Layer für Datenerfassung, Baseline, Alerting sowie Governance & Reporting ermöglichen eine strukturierte und skalierbare Architektur.
-
Nicht jede Abweichung ist ein kritisches Problem. Definierte Schwellenwerte und abgestufte Alert-Severities sorgen dafür, dass relevante Auffälligkeiten priorisiert und unnötige Alarme reduziert werden – Alert-Müdigkeit ist der schnellste Weg, ein Monitoring wirkungslos zu machen.
-
Risk Ranking unterstützt die Priorisierung. Bei einer größeren Anzahl an Automatisierungen reicht es nicht, Fehler lediglich zu erkennen. Die risikobasierte Bewertung lenkt den Fokus gezielt dorthin, wo der Handlungsbedarf am größten ist.
-
Monitoring ist proaktiv und ein laufender Prozess. Die Kombination aus Baseline, automatisierter Alert-Erkennung und Risikobewertung macht Probleme sichtbar, bevor sie Wirkung entfalten. Und weil sich die Performance einer Automations-Landschaft laufend verändert, wird das Framework selbst regelmäßig überprüft und weiterentwickelt.
Unsere CRM Case Study zeigt, wie strukturiertes Monitoring und klare Governance aus einer gewachsenen Automations-Landschaft ein steuerbares System machen – mit Transparenz über den technischen Zustand, automatisierter Fehlererkennung und einer Priorisierung, die sich an tatsächlichem Risiko orientiert. Wenn Sie mehr über die Umsetzung oder unsere Erfahrungen wissen möchten, kontaktieren Sie uns gerne!
