Wie man Personas mit Daten validiert — und warum die meisten B2B-Unternehmen es nicht tun

Jedes zweite B2B-Unternehmen, mit dem wir arbeiten, hat Personas. Hübsch gestaltet, oft auf Slides verewigt, manchmal sogar mit Stock-Fotos und fiktiven Namen versehen. „Thomas, 45, IT-Leiter, trinkt gerne Filterkaffee.“ Das Problem: Diese Personas sind in den meisten Fällen reine Fiktion. Sie basieren auf Workshop-Ergebnissen, in denen Marketing und Vertrieb ihre Annahmen aufgeschrieben haben. Nicht auf Daten.

Das ist kein Vorwurf. Es ist ein strukturelles Problem. Die Tools, um Personas datenbasiert zu validieren, existieren längst. Google Analytics, Matomo, HubSpot, Pipedrive, Salesforce — die Daten liegen da. Aber kaum jemand verbindet sie systematisch mit den eigenen Persona-Definitionen. Und genau das kostet Unternehmen Geld: in Form von Inhalten, die niemanden interessieren, Landingpages, die nicht konvertieren, und Sales-Pitches, die am Kunden vorbeigehen.

In der klassischen Vorgehensweise setzt sich ein Team zusammen — meistens Marketing, manchmal Vertrieb, selten Produkt — und überlegt: Wer sind unsere typischen Kunden? Was treibt sie an? Was sind ihre Pain Points? Das Ergebnis ist ein Konsens-Dokument. Und Konsens bedeutet in diesem Kontext: Der größte gemeinsame Nenner der Annahmen aller Beteiligten.

Das funktioniert als Startpunkt. Aber es bleibt dabei. Die Personas werden erstellt, abgesegnet, und dann nie wieder angefasst. Kein Abgleich mit realen Nutzerdaten. Kein Check, ob die angenommenen Verhaltensweisen tatsächlich in der Webanalyse sichtbar werden. Kein Vergleich mit den CRM-Daten der tatsächlich gewonnenen Kunden.

In einem Projekt haben wir die existierenden Personas eines Mittelständlers mit den tatsächlichen Website-Daten verglichen. Die Personas beschrieben drei Zielgruppen: Geschäftsführer, IT-Leiter und Einkäufer. Die Analytics-Daten zeigten ein völlig anderes Bild. Der größte Traffic-Anteil kam von Werkstudenten und Junior-Mitarbeitern, die für ihre Vorgesetzten recherchierten. Die eigentliche Zielgruppe — die Entscheider — tauchte erst ganz am Ende der Customer Journey auf, nämlich wenn ein konkretes Angebot vorlag. Die gesamte Content-Strategie war auf die falsche Phase und die falschen Personen ausgerichtet.

Google Analytics 4 oder Matomo liefern eine Fülle von Datenpunkten, die sich direkt auf Persona-Hypothesen anwenden lassen. Die meisten Unternehmen nutzen diese Daten für Traffic-Reports und Conversion-Tracking. Aber sie sind viel wertvoller, wenn man sie als Persona-Validierungsinstrument begreift.

GA4 liefert Altersgruppen, Geschlecht, Interessen und Standortdaten. Das ist nicht perfekt, aber es reicht, um grobe Persona-Annahmen zu überprüfen. Wenn eure Persona „Thomas, 45, aus dem Ruhrgebiet“ heißt, ihr aber feststellt, dass 60 Prozent eures Traffics aus der Altersgruppe 25–34 kommt und überwiegend aus München und Berlin — dann stimmt etwas nicht.

Noch aufschlussreicher sind die technografischen Daten. Welche Geräte nutzen eure Besucher? Welche Browser? Welche Betriebssysteme? Wenn eure Persona ein technisch versierter IT-Leiter ist, ihr aber seht, dass 70 Prozent der Besucher mit Safari auf einem iPhone kommen — dann surfen hier keine IT-Leiter an ihrem Arbeitsplatz. Solche Diskrepanzen sind Gold wert, weil sie eure Annahmen direkt herausfordern.

Der eigentliche Hebel liegt in den Verhaltensdaten. GA4 erlaubt es, Nutzersegmente basierend auf tatsächlichem Verhalten zu erstellen. Welche Seiten besuchen eure Nutzer? In welcher Reihenfolge? Wie lange bleiben sie? Wo steigen sie aus? Diese Daten erzählen eine Geschichte, die sich massiv von der Persona-Fiktion unterscheiden kann.

Ein konkretes Vorgehen: Erstellt in GA4 Segmente, die euren Persona-Hypothesen entsprechen. Wenn eure Persona sich für technische Detailseiten interessiert, erstellt ein Segment für Nutzer, die mindestens zwei technische Unterseiten besucht haben. Dann vergleicht dieses Segment mit dem Gesamttraffic. Wie groß ist dieser Anteil? Wie verhält sich dieses Segment im Vergleich? Konvertiert es besser oder schlechter? Welche Einstiegsseiten nutzt es?

Wir haben das bei einem SaaS-Kunden gemacht und festgestellt, dass das Segment „technisch interessierte Besucher“ nur 12 Prozent des Traffics ausmachte, aber für 45 Prozent der Demo-Anfragen verantwortlich war. Die Persona stimmte im Kern — aber die Gewichtung in der Content-Strategie war komplett falsch. Man hatte gleich viel Inhalt für alle Personas produziert, statt den Fokus auf das hochkonvertierende Segment zu legen.

Analytics zeigt euch, wer eure Website besucht. Das CRM zeigt euch, wer tatsächlich kauft. Diese Unterscheidung ist entscheidend — und wird fast überall ignoriert.

HubSpot, Pipedrive, Salesforce — egal welches System ihr nutzt: Die Daten eurer abgeschlossenen Deals sind die ehrlichste Quelle für Persona-Validierung. Denn hier geht es nicht mehr um Annahmen oder Traffic-Muster. Hier geht es um Menschen, die tatsächlich Geld ausgegeben haben. Das ist die härteste Währung.

Fangt mit den Basics an: Jobtitel, Unternehmensgröße, Branche, Standort. Schon hier werden die meisten überrascht sein. In fast jedem Projekt, in dem wir diese Analyse gemacht haben, wichen die tatsächlichen Käufer-Profile von den angenommenen Personas ab. Manchmal marginal, manchmal fundamental.

Dann geht tiefer: Wie lang war der Sales-Cycle bei verschiedenen Kundensegmenten? Über welchen Kanal sind die Leads hereingekommen? Welche Inhalte haben sie konsumiert, bevor sie konvertiert haben? HubSpot und Salesforce tracken das alles — vorausgesetzt, das Tracking ist sauber aufgesetzt. Und genau hier liegt oft das nächste Problem: Die Datenqualität im CRM ist in vielen mittelständischen Unternehmen schlecht. Felder werden nicht ausgefüllt, Kontakte nicht gepflegt, Deals nicht sauber getaggt.

Das bedeutet: Bevor ihr eure Personas mit CRM-Daten validieren könnt, müsst ihr sicherstellen, dass die Daten überhaupt brauchbar sind. Pflichtfelder definieren, Eingabestandards etablieren, regelmäßige Datenbereinigung einführen. Das klingt unsexy, ist aber die Grundlage für alles, was danach kommt.

Ein praktischer Ansatz, den wir häufig nutzen: Exportiert eure letzten 100 gewonnenen Deals aus dem CRM. Erstellt eine simple Tabelle mit den relevanten Feldern — Jobtitel des Hauptansprechpartners, Unternehmensgröße, Branche, Einstiegskanal, Länge des Sales-Cycles, Deal-Größe. Dann clustert diese Daten und vergleicht die entstehenden Cluster mit euren existierenden Personas.

In einem Fall hatten wir einen Kunden aus dem Maschinenbau, dessen Personas „Produktionsleiter“ und „Geschäftsführer“ waren. Die CRM-Analyse zeigte: 40 Prozent der gewonnenen Deals liefen über den technischen Einkauf — eine Rolle, die in keiner Persona vorkam. Diese Einkäufer hatten völlig andere Informationsbedürfnisse als Produktionsleiter. Sie suchten Zertifizierungen, technische Datenblätter und Vergleichstabellen. Die Website bot nichts davon prominent an, weil niemand für diese Persona optimiert hatte.

Analytics allein zeigt anonyme Verhaltensmuster. CRM allein zeigt bekannte Kontakte ohne Verhaltenskontext. Die Magie passiert, wenn man beides verbindet. Und genau das ist technisch heute kein Hexenwerk mehr.

HubSpot trackt beispielsweise automatisch die Website-Aktivitäten von Kontakten, sobald diese über ein Formular identifiziert wurden. Das bedeutet: Ihr könnt im CRM sehen, welche Seiten ein späterer Kunde besucht hat, bevor er konvertiert ist. Welche Blogartikel er gelesen hat. Welche Produktseiten er sich angeschaut hat. Das ist kein hypothetisches Persona-Verhalten mehr — das ist die dokumentierte Customer Journey eines realen Kunden.

Wenn ihr Matomo oder GA4 mit eurem CRM verbindet — sei es über native Integrationen, über ein Tool wie n8n oder über eine Custom-Integration via API — entsteht ein Datensatz, der eure Personas entweder bestätigt oder widerlegt. Und beides ist wertvoll.

Schritt eins: Definiert eure Persona-Hypothesen als messbare Kriterien. „Thomas ist IT-Leiter“ wird zu „Jobtitel enthält IT, Technik, Technology, CTO, CIO“. „Thomas informiert sich gründlich“ wird zu „Besucht mindestens 4 Seiten pro Session und verbringt durchschnittlich mehr als 3 Minuten auf der Website“. Jede Persona-Eigenschaft muss in eine überprüfbare Metrik übersetzt werden.

Schritt zwei: Richtet in GA4 oder Matomo entsprechende Segmente und Events ein. Das bedeutet Custom Events für relevante Interaktionen — nicht nur Seitenaufrufe, sondern auch Scroll-Tiefe, Klicks auf bestimmte Elemente, Downloads von Whitepapers oder Datenblättern, Abspielen von Videos. Je granularer eure Event-Struktur, desto präziser könnt ihr Persona-Verhalten abbilden.

Schritt drei: Verbindet diese Daten mit eurem CRM. Bei HubSpot geht das über das native Tracking-Script. Bei Pipedrive braucht ihr einen Mittler — n8n eignet sich hervorragend dafür, weil ihr dort Webhooks und API-Calls ohne Programmierkenntnisse orchestrieren könnt. Die Idee ist immer dieselbe: Sobald ein anonymer Besucher zu einem bekannten Kontakt wird, werden seine bisherigen Verhaltensdaten mit dem CRM-Profil verknüpft.

Schritt vier: Lasst die Daten mindestens drei Monate lang laufen, bevor ihr Schlüsse zieht. Im B2B sind Sales-Cycles lang, Stichproben klein, und saisonale Effekte real. Ein einzelner Monat reicht nicht für belastbare Aussagen. Plant diesen Zeitraum von Anfang an ein, damit niemand nach zwei Wochen fragt, warum es noch keine Ergebnisse gibt.

Nicht jede Metrik ist gleich relevant für die Persona-Validierung. Viele Teams verlieren sich in Vanity Metrics — Seitenaufrufe, Bounce Rate, Session Duration als isolierte Zahlen. Das bringt nichts, solange diese Zahlen nicht im Kontext eurer Persona-Hypothesen stehen.

Die Metriken, die für Persona-Validierung tatsächlich aufschlussreich sind, lassen sich in drei Kategorien einteilen. Erstens: Identifikationsmetriken. Das sind Datenpunkte, die euch helfen zu verstehen, wer eure Nutzer sind. Dazu gehören demografische Daten aus Analytics, Firmendaten aus dem CRM, technografische Daten wie Geräte und Browser, sowie UTM-Parameter, die verraten, über welche Kanäle und Kampagnen ein Nutzer gekommen ist.

Zweitens: Verhaltensmetriken. Hier geht es darum, wie sich eure Nutzer verhalten. Content-Engagement pro Seitentyp — lesen sie Blogartikel, Fallstudien oder Produktseiten? Navigation Paths — wie bewegen sie sich durch die Website? Mikro-Conversions — laden sie Whitepapers herunter, melden sie sich für Webinare an, nutzen sie einen Konfigurator? Und Wiederkehrrate — kommen sie einmalig oder kehren sie regelmäßig zurück?

Drittens: Konversionsmetriken. Die härteste Kategorie. Welche Persona-Segmente konvertieren tatsächlich? Was ist der durchschnittliche Deal-Wert pro Segment? Wie lang ist der Sales-Cycle? Wie hoch ist die Win-Rate? Diese Daten kommen aus dem CRM und sind der ultimative Realitätscheck. Denn eine Persona kann noch so plausibel klingen — wenn das entsprechende Segment nicht konvertiert, ist sie für die Geschäftsstrategie irrelevant.

Ich erlebe oft, dass Marketing-Teams sich Persona-Validierung wünschen, aber das technische Fundament nicht steht. Das Analytics-Tracking ist rudimentär — Standard-GA4-Setup ohne Custom Events. Das CRM ist eine Datenwüste — Freitext-Felder statt strukturierter Daten, keine konsequente Pflege. Und eine Verbindung zwischen beiden Systemen existiert nicht.

Das ist der Punkt, an dem CTOs und Product Manager ins Spiel kommen. Persona-Validierung ist kein reines Marketing-Thema. Es ist ein Daten-Thema. Und Daten-Themen brauchen technische Ownership. Jemand muss sicherstellen, dass das Event-Tracking sauber implementiert ist. Dass die CRM-Felder standardisiert sind. Dass die Systeme miteinander sprechen.

In unserem Stack nutzen wir dafür eine Kombination aus Next.js für das Frontend-Tracking, Matomo oder GA4 für die Webanalyse, und n8n für die Automatisierung der Datenflüsse zwischen Analytics und CRM. Der Vorteil dieses Setups: Alles ist selbst gehostet, die Daten bleiben unter eigener Kontrolle, und die Verbindungen zwischen den Systemen sind transparent und anpassbar. Kein Black-Box-Tool, das euch vorschreibt, wie ihr eure Daten strukturieren müsst.

Ein Aspekt, der bei datenbasierter Persona-Arbeit oft zu kurz kommt: Datenschutz. Gerade in Deutschland und der EU müsst ihr sauber zwischen aggregierten und personenbezogenen Daten unterscheiden. Persona-Validierung mit Analytics funktioniert auf Segment-Ebene — hier arbeitet ihr mit anonymisierten, aggregierten Daten. Das ist datenschutzrechtlich unkritisch, solange euer Consent Management steht.

Sobald ihr CRM-Daten ins Spiel bringt, wird es persönlicher. Hier arbeitet ihr mit konkreten Kontaktdaten, und die Verknüpfung von Webverhalten mit CRM-Profilen ist datenschutzrechtlich sensibel. Stellt sicher, dass eure Datenschutzerklärung das abdeckt, dass ihr eine valide Rechtsgrundlage habt, und dass die Daten sicher verarbeitet werden. Selbst gehostete Lösungen — Matomo statt Google Analytics, eigene Server statt Cloud-Dienste — können hier einen echten Vorteil bieten, weil die Daten euer Haus nie verlassen.

Der unangenehme Teil kommt, wenn die Daten zeigen, dass eure Personas falsch sind. Das passiert häufiger, als man denkt. Und es löst Widerstände aus, weil Menschen an ihren mentalen Modellen hängen. „Aber wir kennen doch unsere Kunden“ ist ein Satz, den wir regelmäßig hören — meistens genau dann, wenn die Daten etwas anderes sagen.

Mein Rat: Behandelt Persona-Validierung nicht als einmaliges Projekt, sondern als kontinuierlichen Prozess. Personas sind Hypothesen. Hypothesen werden getestet. Testergebnisse führen zu Anpassungen. Das ist keine Niederlage, sondern der wissenschaftliche Ansatz, der in der Produktentwicklung selbstverständlich ist. Warum sollte Marketing anders funktionieren?

Konkret empfehle ich einen vierteljährlichen Review-Zyklus. Alle drei Monate setzt sich das Team zusammen — Marketing, Vertrieb, Produkt, und idealerweise jemand aus der Technik — und gleicht die Persona-Definitionen mit den aktuellen Daten ab. Haben sich die Segmente verschoben? Gibt es neue Muster? Hat sich das Konversionsverhalten verändert? Dieser Review sollte ein festes Ritual sein, keine Sondersitzung.

Wenn die Daten Abweichungen zeigen, gibt es drei mögliche Reaktionen. Erstens: Die Persona wird angepasst. Das ist der häufigste und sinnvollste Fall. Die Daten zeigen, dass eure tatsächlichen Kunden andere Eigenschaften haben als angenommen — also passt ihr die Persona an die Realität an. Zweitens: Die Strategie wird angepasst. Manchmal stimmt die Persona, aber ihr erreicht sie nicht. Dann ist nicht die Persona das Problem, sondern die Kanäle, die Inhalte oder das Targeting. Drittens: Eine neue Persona wird hinzugefügt. Die Daten offenbaren ein Segment, das in euren bisherigen Personas gar nicht vorkommt — wie der technische Einkäufer im Maschinenbau-Beispiel.

In allen drei Fällen ist das Ergebnis besser als der Ausgangszustand. Und genau darum geht es. Datenbasierte Personas sind nicht statisch. Sie entwickeln sich mit eurem Geschäft, eurem Markt und euren Kunden.

Ein Muster, das mir immer wieder begegnet: Unternehmen haben fünf, sechs, manchmal acht Personas definiert. Jede mit eigenem Profil, eigenen Pain Points, eigener Customer Journey. Das klingt gründlich. In der Praxis bedeutet es: Für keine einzige Persona wird konsequent gearbeitet. Die Ressourcen verteilen sich so dünn, dass kein Segment wirklich gut bedient wird.

Die Datenvalidierung hilft hier, Prioritäten zu setzen. Wenn ihr seht, dass zwei von fünf Personas für 80 Prozent eures Umsatzes verantwortlich sind — dann wisst ihr, wo euer Fokus liegen sollte. Die anderen Personas verschwinden nicht, aber sie treten in den Hintergrund. Lieber zwei Personas exzellent bedienen als fünf mittelmäßig.

Das ist übrigens auch ein Argument, das CTOs und Product Manager gut verstehen: Fokus bedeutet nicht, Kunden auszuschließen. Es bedeutet, Ressourcen dort einzusetzen, wo sie den größten Impact haben. Datenbasierte Persona-Priorisierung ist im Grunde nichts anderes als Product Prioritization — nur auf die Marketing- und Sales-Strategie angewandt.

Hört auf, Personas als kreatives Artefakt zu behandeln. Sie sind kein Poster für die Bürowand. Sie sind ein strategisches Werkzeug, das regelmäßig kalibriert werden muss. Die Daten dafür habt ihr wahrscheinlich schon — in eurem Analytics-Tool, in eurem CRM, in euren Sales-Reports. Ihr nutzt sie nur nicht dafür.

Bringt eure technischen Leute an den Tisch, wenn es um Personas geht. Nicht, weil sie bessere Menschenkenntnis hätten, sondern weil sie die Dateninfrastruktur verantworten, die aus Annahmen überprüfbare Hypothesen macht. Ein CTO, der versteht, warum sauberes Event-Tracking für die Marketing-Strategie relevant ist, wird es eher priorisieren als einer, der Analytics nur als Reporting-Tool kennt.

Und akzeptiert, dass Daten unbequem sein können. Sie werden euch zeigen, dass manche eurer Lieblingsannahmen falsch sind. Dass der Kunde, für den ihr all die schönen Inhalte erstellt habt, gar nicht euer wichtigster Kunde ist. Dass die Customer Journey, die ihr so sorgfältig modelliert habt, in der Realität ganz anders aussieht. Das ist kein Problem. Das ist der Anfang einer besseren Strategie.

Denn am Ende geht es bei Personas nicht darum, ein schönes Dokument zu haben. Es geht darum, die richtigen Menschen mit den richtigen Inhalten zur richtigen Zeit zu erreichen. Und das funktioniert nur, wenn eure Personas auf dem basieren, was tatsächlich passiert — nicht auf dem, was ihr euch im Workshop vorgestellt habt.