Datenanreicherung: die kostenlosen Schritte zuerst

Was ist Waterfall-Enrichment, und warum entscheidet die Reihenfolge?

Waterfall-Enrichment löst ein fehlendes Datenfeld über Quellen in fester Abfolge statt gleichzeitig und hört bei der ersten Quelle auf, die antwortet. Sortiert wird nach Kosten, die günstigste zuerst. Richtig gebaut sind die meisten Datensätze gelöst, bevor ein bezahlter Anbieter überhaupt angefragt wird.

Die Alternative, und das ist die verbreitete Praxis, ist ein bezahlter Anbieter auf die ganze Liste und eine Rechnung, die niemand hinterfragt. Das funktioniert. Teuer ist es an einer Stelle, die in keiner Position auftaucht: bezahlt werden Datensätze, die man schon hatte, Dubletten derselben Firma, und Werte, die eine kostenlose Ableitung in Sekunden geliefert hätte.

Die Abfolge unten ist die, die SalesPlaybook auf Account-Listen aus mehreren Quellen fährt. Sie ist nicht die einzige gültige Ordnung, aber das Prinzip dahinter ist nicht verhandelbar: kein Credit auf einen Datensatz, solange ein kostenloser Schritt noch nicht dran war.

Welche Anreicherungsschritte kosten nichts, und warum laufen sie zuerst?

Es sind drei, und sie lösen regelmäßig den größten Teil einer Liste. Firmendomain aus einer E-Mail-Adresse ableiten, wo eine Quelle Adressen mitbringt. Junk-Domains blanken, die keine Firmen sind. Dann dürfen Zeilen ohne Domain eine über exakten Namensabgleich übernehmen. Alle drei sind deterministisch, sofort und kostenlos.

Schritt eins hat eine Falle, die einen Namen verdient. Eine Freemail-Domain taucht über viele unverbundene Firmennamen hinweg auf, eine echte Firmendomain nur über deren eigene Standorte. Die Blockliste allein reicht deshalb nicht: eine Häufigkeitsprüfung über verschiedene Firmennamen fängt die Anbieter, die auf keiner statischen Liste stehen.

Schritt drei lassen die meisten Teams aus, und er ist geschenktes Geld. In einer Liste aus mehreren Quellen erscheint dieselbe Firma häufig einmal mit und einmal ohne Domain. Der Abgleich über den normalisierten Namen schließt diese Lücke ohne Kosten – solange der Treffer eindeutig ist. Genau ein Kandidat, sonst keine Übernahme.

Wie schnell veralten angereicherte B2B-Daten?

Schnell genug, dass Anreicherung ein wiederkehrender Vorgang ist und kein Projekt. Rund ein Fünftel einer B2B-Datenbank wird binnen eines Jahres unzuverlässig, und E-Mail-Adressen verfallen schneller als Firmendatensätze. Diese Zahl bestimmt, wie oft die Kaskade laufen muss, und sie ist das Argument dafür, die kostenlosen Schritte wiederholbar zu bauen.

Die Verfallszahlen setzen der ganzen Übung eine Uhr. Datamagnets Zusammenstellung von 2026 berichtet, gestützt auf HubSpots Arbeit zum Datenverfall, dass eine typische B2B-Kontaktdatenbank 2,1 % ihrer Datensätze pro Monat verliert, kumuliert rund 22,5 % im Jahr, mit über 12,0 % bereits im sechsten Monat. Für E-Mail-Adressen zitiert sie ZeroBounce: 23 % der Adressen einer typischen Liste werden jährlich ungültig, 2024 waren es noch 28 %. Dagegen steht die Zustellbarkeitsgrenze, die Mailshake nennt: Hard Bounces sollen unter 0,5 % liegen, und eine Gesamt-Bounce-Rate unter 1 % gilt dort als Mindestanspruch, nicht als Ziel. Die Rechnung geht nicht auf. Auf derselben Kurve liegt der kumulierte Verfall bei 6,2 % im dritten und 17,4 % im neunten Monat, der Unterschied zwischen quartalsweiser und jährlicher Auffrischung ist also keine Geschmacksfrage. Eine Liste, die einmal angereichert und ein Jahr weiterverwendet wird, hält diese Grenze nicht. Genau deshalb lohnt die Kaskade: sie ist günstig genug, um erneut zu laufen.

Wo die Abfolge steht, zeigt sich das Ergebnis in gebuchten Terminen statt in einer saubereren Tabelle. node.energy generiert fünfmal mehr Demos mit Recherche-Werkzeuge und HubSpot in drei Monaten ist das durchgerechnete Beispiel aus dem Kundenkreis von SalesPlaybook, und die Anreicherungsebene hat darin die unspektakuläre Arbeit gemacht.

Warum muss die Dublettenprüfung vor der bezahlten Anreicherung stehen?

Weil bezahlte Anreicherung pro Datensatz abrechnet und eine Liste aus mehreren Quellen dieselbe Firma mehrfach enthält. Wer zuerst anreichert, zahlt pro Kopie und führt die Ergebnisse anschließend in einen Datensatz zusammen, dessen Feldkonflikte niemand entscheiden kann. Wer zuerst dedupliziert, zahlt einmal pro Firma.

Deshalb muss die Domain-Abdeckung vor dem Zusammenführen fertig sein, nicht danach. Die Domain ist der Dublettenschlüssel. Eine Liste mit 30 % fehlenden Domains lässt sich nicht sauber deduplizieren, egal wie gut die Merge-Logik ist – den Zeilen, die zusammengehören, fehlt die Grundlage für den Treffer. Erst kostenlose Domain-Abdeckung, dann Dedup, dann Credits.

Was macht ein Anreicherungs-Agent, wenn er einen Wert nicht findet?

Er liefert leer zurück. Nie raten. Diese eine Regel entscheidet, ob der ganze Datenbestand belastbar bleibt, denn die beiden Fehlerarten sind nicht symmetrisch: ein leeres Feld zeigt sich selbst an und lässt sich jederzeit füllen, ein plausibler falscher Wert besteht jede Validierung und vergiftet still alles danach.

Für die Domain-Recherche heißt das: der Agent liefert die registrierbare Domain und nichts sonst, oder er liefert nichts. Gib ihm das stärkste verfügbare Signal, im Idealfall die Firmen-LinkedIn-URL, sonst Firmenname plus Land plus etwas Unterscheidendes, eine Stadt oder eine angebotene Leistung. Im DACH-Raum ist die zuverlässigste einzelne Suche der Firmenname plus Impressum, weil dort die Domain direkt genannt wird.

Beim Zurückschreiben erneut validieren, gegen dieselbe Blockliste und dieselben Domain-Formregeln wie bei den kostenlosen Schritten. Ein Agentenergebnis ist eine Eingabe, keine Autorität.

Wie beweist man, dass beim Zusammenführen kein Datensatz verloren ging?

Mit einer Zusicherung, die sich jedes Mal prüfen lässt: die Summe der zusammengeführten Datensätze im deduplizierten Master muss der Zeilenzahl der Rohvereinigung entsprechen. Stimmen beide, ist nichts still verschwunden. Weichen sie ab, ist das Zusammenführen falsch und keine Folgezahl belastbar.

Darum führen wir zwei Master statt einem. Der FULL-Master behält jeden Quelldatensatz zur Nachverfolgung, der DEDUPED-Master hält eine Zeile pro Firma mit ihrer Herkunft daran: welche Quelldatensätze eingeflossen sind, wie viele, und welche Felder sich widersprachen. Die Zusicherung läuft zwischen beiden. Ohne sie ist eine Marktgröße eine Zahl, die jemand glaubt, statt einer, die jemand prüfen kann.

Fast identische Domains bleiben eine markierte Prüfliste, keine automatische Zusammenführung. TLD-Varianten und geteilte Plattform-Domains sehen für einen Abgleich gleich aus und gehören häufig zu verschiedenen Firmen. Markieren, dann entscheidet ein Mensch.

Auf welche angereicherten Felder darf man Entscheidungen stützen?

Nur auf die, deren Herkunft man benennen kann. Selbst gemeldete Mitarbeiterzahlen, Branchenlabels und Firmentypen kommen aus Scrapes und Verzeichnissen in stark schwankender Qualität und gehören in reine Prüfspalten. Ein Feld, das Targeting oder Scoring steuert, braucht einen bekannten, vertrauenswürdigen Anbieter dahinter.

Praktisch heißt das: unsichere Firmografiken beim Einlesen in getrennte, als solche markierte Spalten schieben und niemals einen Filter oder Score daraus speisen. Daneben jede Originalspalte aus jeder Quelle behalten, damit eine spätere Frage ohne erneutes Sourcing beantwortbar bleibt. Gelöscht wird nichts, beschriftet wird alles.

Diese Disziplin macht den Rest der Kette vertretbar. Wer Neukundengewinnung im B2B auf einer Liste aufbaut, deren Felder eine bekannte Herkunft haben, kann das Targeting-Argument prüfen. Der Schritt davor wiegt genauso schwer: die Sperrprüfung muss bestanden sein, bevor eine bezahlte Anreicherung startet, und die Zahl, die danach übrig bleibt, trägt den Aufbau der Vertriebspipeline – per E-Mail wie über LinkedIn GTM. Unsere Arbeit an AI Outbound setzt auf dieser Ebene auf, statt sie zu ersetzen, und in einem HubSpot-CRM-Setup gilt dieselbe Regel für jede Eigenschaft, die ein Workflow liest.