Marketing-Budget verteilen: KI weiß, welcher Kanal sich lohnt

„Wir werfen 50% unseres Marketing-Budgets zum Fenster raus – wir wissen nur nicht, welche 50%.“ Dieser Ausspruch des Kaufhaus-Pioniers John Wanamaker aus dem 19. Jahrhundert klingt erschreckend aktuell. Doch während Wanamaker noch im Dunkeln tappte, haben Sie heute einen entscheidenden Vorteil: Künstliche Intelligenz.

Die Zeiten, in denen Sie Ihr Marketing-Budget nach Bauchgefühl oder veralteten Faustregeln verteilen mussten, sind vorbei. KI analysiert heute in Echtzeit, welcher Kanal wirklich funktioniert – und zwar mit einer Präzision, die vor wenigen Jahren undenkbar war.

Stellen Sie sich vor: Ihre Marketing-Software sagt Ihnen nicht nur, dass Google Ads 15% mehr Budget verdient, sondern auch warum – und welche konkreten Anpassungen den ROI um weitere 23% steigern würden.

Genau darum geht es in diesem Artikel. Sie erfahren, wie Sie KI nutzen, um Ihr Marketing-Budget intelligent zu verteilen, welche Tools wirklich funktionieren und wie Sie dabei typische Stolperfallen vermeiden.

Warum traditionelle Budgetverteilung nicht mehr funktioniert

Die meisten Unternehmen verteilen ihr Marketing-Budget noch immer wie vor 20 Jahren: 40% für Google Ads, 30% für Social Media, 20% für Content Marketing, 10% für Events. Diese statischen Prozentsätze ignorieren jedoch eine fundamentale Wahrheit: Ihre Zielgruppe verhält sich jeden Tag anders.

Ein Beispiel aus der Praxis: Ein Maschinenbauunternehmen investierte jahrelang 60% seines Budgets in Fachmessen. Erst eine KI-Analyse zeigte, dass 78% der Neukunden über LinkedIn-Content generiert wurden – die Messen brachten hauptsächlich Bestandskunden.

Die drei größten Probleme traditioneller Budgetplanung

Problem 1: Vergangenheitsfixierung
Sie planen das Budget für 2025 basierend auf Daten von 2023. Märkte ändern sich jedoch schneller als je zuvor. Was gestern funktionierte, kann heute bereits veraltet sein.

Problem 2: Kanal-Silos
Jeder Kanal wird isoliert betrachtet. Dabei funktioniert modernes Marketing als Orchester – erst das Zusammenspiel aller Instrumente erzeugt den gewünschten Klang.

Problem 3: Manuelle Attribution
Sie messen Last-Click-Attribution und übersehen dabei 60-80% der tatsächlichen Customer Journey. Ein Kunde sieht Ihre LinkedIn-Anzeige, besucht über Google Ihre Website und kauft später per E-Mail-Newsletter – welcher Kanal verdient das Budget?

Warum Excel-Tabellen nicht mehr ausreichen

Lassen Sie uns ehrlich sein: Ihre Excel-Tabelle kann nicht gleichzeitig 15 Marketing-Kanäle, saisonale Schwankungen, Wettbewerber-Aktivitäten und makroökonomische Faktoren berücksichtigen. Das menschliche Gehirn stößt bei dieser Komplexität an seine Grenzen.

Hier kommt KI ins Spiel. Während Sie schlafen, analysiert sie Millionen von Datenpunkten und erkennt Muster, die Ihnen verborgen bleiben würden.

Die Frage ist nicht mehr, ob Sie KI für Ihre Budgetplanung nutzen sollten – sondern wie schnell Sie damit anfangen.

Wie KI Ihre Marketing-Budget-Entscheidungen revolutioniert

KI verwandelt Ihre Budgetplanung von Glücksspiel in Wissenschaft. Statt zu raten, welcher Kanal funktioniert, erhalten Sie datenbasierte Empfehlungen mit konkreten Umsatzprognosen.

Denken Sie an KI wie an einen erfahrenen Marketing-Controller, der niemals müde wird: Sie arbeitet 24/7, vergisst nie einen Datenpunkt und wird mit jeder Entscheidung klüger.

Predictive Analytics: Ihr Blick in die Marketing-Zukunft

Moderne KI-Systeme analysieren nicht nur Vergangenheitsdaten, sondern prognostizieren zukünftige Performance. Sie erkennen Trends, bevor sie offensichtlich werden.

Ein Software-Unternehmen nutzte KI-Predictive Analytics und verlagerte proaktiv Budget von Google Ads zu LinkedIn – drei Wochen bevor die Google-CPCs um 40% stiegen. Das Ergebnis: 28% niedrigere Akquisitionskosten bei gleichem Lead-Volumen.

Real-Time-Optimierung statt Quartalsplanung

Vergessen Sie die starren Quartalsbudgets. KI ermöglicht kontinuierliche Optimierung:

• Tägliche Anpassungen: Budget fließt automatisch zu den performantesten Kanälen
• Saisonale Vorhersagen: KI erkennt wiederkehrende Muster und plant entsprechend
• Externe Faktoren: Wettereinflüsse, Feiertage oder Wirtschaftsnachrichten werden automatisch berücksichtigt
• Wettbewerber-Monitoring: Anpassungen basierend auf Konkurrenz-Aktivitäten

Multi-Touch-Attribution: Endlich Klarheit über Customer Journeys

KI löst das Attribution-Problem elegant: Sie verfolgt jeden Touchpoint und bewertet dessen Beitrag zum finalen Kaufabschluss. Algorithmic Attribution ersetzt dabei die vereinfachten First-Click oder Last-Click-Modelle.

Das bedeutet konkret: Sie erfahren nicht nur, dass ein Kunde über Google gekauft hat, sondern auch, dass der LinkedIn-Artikel vor zwei Wochen und das Webinar vor vier Tagen entscheidend waren.

Warum menschliche Intuition trotzdem wichtig bleibt

Aber Vorsicht: KI ersetzt nicht Ihr Marketing-Verständnis, sondern verstärkt es. Die Algorithmen liefern Daten und Empfehlungen – die strategischen Entscheidungen treffen immer noch Sie.

Ein Maschinenbauunternehmen erhielt von der KI die Empfehlung, 80% des Budgets in TikTok zu investieren. Die hohen Engagement-Raten waren verlockend. Doch die Zielgruppe waren 55-jährige Produktionsleiter – TikTok wäre verschwendetes Geld gewesen.

Die Kunst liegt darin, KI-Insights mit Branchen-Know-how zu kombinieren.

Die wichtigsten KI-Tools für datengestützte Budgetallokation

Der Markt für KI-gestützte Marketing-Tools explodiert förmlich. Doch welche Lösungen bringen Ihnen wirklich messbaren Nutzen? Hier die wichtigsten Kategorien und Empfehlungen:

All-in-One Marketing Intelligence Plattformen

Diese Tools bilden das Herzstück Ihrer KI-gestützten Budgetplanung. Sie verbinden alle Datenquellen und liefern ganzheitliche Empfehlungen.

Google Marketing Mix Modeling
Googles KI analysiert die Wechselwirkungen zwischen allen Marketing-Kanälen. Besonders stark bei der Berücksichtigung von Offline-Medien und Saisonalitäten. Kostenfrei verfügbar, aber technisches Know-how erforderlich.

Adobe Analytics Intelligence
Excellente Anomalie-Erkennung und automatisierte Insights. Identifiziert ungewöhnliche Performance-Muster und schlägt Budget-Umschichtungen vor. Premium-Lösung für größere Unternehmen.

HubSpot Attribution Reporting
Benutzerfreundliche Lösung für mittelständische Unternehmen. Starke Integration mit CRM-Daten für vollständige Customer Journey Analyse.

Spezialisierte KI-Tools für Budget-Optimierung

Praxistipp: So wählen Sie das richtige Tool

Nicht jedes Unternehmen braucht die teuerste Enterprise-Lösung. Orientieren Sie sich an diesen Kriterien:

1. Budget-Volumen: Unter 50.000€/Jahr? Starten Sie mit kostenlosen Google-Tools
2. Kanal-Anzahl: Mehr als 5 aktive Kanäle? Investieren Sie in Attribution-Tools
3. Team-Größe: Keine Vollzeit-Analysten? Wählen Sie benutzerfreundliche Lösungen
4. Datenqualität: Lückenhafte Tracking? Lösen Sie erst Grundlagen-Probleme

Open-Source Alternativen für Tech-affine Teams

Haben Sie einen technisch versierten Marketer oder IT-Support? Diese kostenlosen Lösungen liefern Enterprise-Qualität:

• MMM-Marketing Mix Modeling (Facebook): Open-Source Python-Bibliothek für statistische Modellierung
• Google Lightweight MMM: Vereinfachte Version für kleinere Datensätze
• Prophet (Facebook): Zeitreihen-Prognosen für Budgetplanung

Achtung: Diese Tools erfordern Python-Kenntnisse und statistische Grundlagen. Kalkulieren Sie die Einarbeitungszeit realistisch.

Integration ist der Schlüssel

Das beste KI-Tool nutzt nichts, wenn es nicht mit Ihren bestehenden Systemen kommuniziert. Achten Sie auf nahtlose Integration mit:

• Google Analytics und Google Ads
• Facebook Business Manager
• Ihrem CRM-System
• E-Mail-Marketing-Tools
• ERP-Systemen für Umsatzdaten

Je vollständiger Ihre Datenlandschaft, desto präziser die KI-Empfehlungen.

Schritt-für-Schritt: So implementieren Sie KI-gestützte Budgetplanung

Theory is nice, but practice wins. Hier die bewährte Methode, um KI-basierte Budgetoptimierung in Ihrem Unternehmen einzuführen – ohne dass Ihr Team überfordert wird.

Phase 1: Daten-Fundament schaffen (Wochen 1-4)

Bevor KI Ihnen helfen kann, braucht sie saubere Daten. Wie ein guter Koch arbeitet auch KI nur so gut wie ihre Zutaten.

Woche 1-2: Datenquellen identifizieren und verknüpfen

• Google Analytics 4 korrekt einrichten (falls noch nicht geschehen)
• Facebook Pixel und Conversions API implementieren
• LinkedIn Insight Tag aktivieren
• CRM-System für Marketing-Attribution vorbereiten
• Offline-Kanäle definieren (Messen, Print, Radio)

Woche 3-4: Tracking validieren und Baselines etablieren

• Test-Käufe durchführen und Journey verfolgen
• Conversion-Definitionen vereinheitlichen
• Historische Daten exportieren (mindestens 12 Monate)
• Datenqualität prüfen: Sind alle Touchpoints erfasst?

Phase 2: KI-Tools implementieren (Wochen 5-8)

Jetzt wird es spannend. Sie wählen Ihre KI-Lösung und richten sie ein. Mein Rat: Starten Sie klein und skalieren Sie dann.

Für Einsteiger: Google Analytics Intelligence nutzen

1. Enhanced E-Commerce Tracking aktivieren
2. Custom Dimensions für Kampagnen-Kategorisierung einrichten
3. Automatisierte Insights aktivieren
4. Erste Attribution-Reports erstellen

Für Fortgeschrittene: Dedicated Attribution-Tool einführen

1. Tool-Auswahl basierend auf Budget und Anforderungen
2. API-Verbindungen zu allen Marketing-Kanälen einrichten
3. Algorithmic Attribution-Modell konfigurieren
4. Erste Test-Kampagne mit KI-Empfehlungen durchführen

Phase 3: Erste KI-gestützte Optimierungen (Wochen 9-12)

Theorie ist schön, aber jetzt kommt der Praxistest. Sie implementieren die ersten KI-Empfehlungen – allerdings mit Bedacht.

Phase 4: Vollautomatisierung und Skalierung (Monat 4+)

Nachdem Sie Vertrauen in die KI-Empfehlungen gefasst haben, können Sie schrittweise mehr Entscheidungen automatisieren.

Automatisierungs-Roadmap:

1. Monat 4: Automated Bidding für Performance-Kampagnen
2. Monat 5: Dynamische Budget-Allocation zwischen ähnlichen Kanälen
3. Monat 6: Predictive Budget-Planning für Quartals-Zyklen
4. Monat 7+: Vollautomatische Cross-Channel-Optimierung

Erfolgsmessung: Diese KPIs müssen Sie im Blick behalten

KI-Optimierung ohne Messung ist wie Autofahren mit verbundenen Augen. Diese Metriken zeigen Ihnen, ob Sie auf dem richtigen Weg sind:

• Overall Marketing ROI: Sollte kontinuierlich steigen
• Cost per Acquisition (CPA): Sinkt idealerweise bei steigendem Volume
• Budget-Effizienz: Anteil „verschwendeter“ Ausgaben sollte sinken
• Attribution-Genauigkeit: Weniger „Unknown/Direct“ Traffic
• Vorhersage-Präzision: Wie genau waren die KI-Prognosen?

Wichtiger Hinweis: Geben Sie der KI Zeit zum Lernen. Erste signifikante Verbesserungen sehen Sie meist nach 6-8 Wochen kontinuierlicher Optimierung.

ROI messen und optimieren: KI-basierte Attribution

„Ich weiß, dass meine Werbung funktioniert – ich weiß nur nicht, welche Hälfte.“ Dieses Problem gehört mit KI-basierter Attribution endgültig der Vergangenheit an.

Moderne Attribution-Modelle machen sichtbar, was früher im Dunkeln lag: den wahren Beitrag jedes Marketing-Touchpoints zu Ihrem Geschäftserfolg.

Warum traditionelle ROI-Messung Sie in die Irre führt

Nehmen wir ein typisches Beispiel aus der Praxis: Ein IT-Dienstleister misst ROI über Last-Click-Attribution. Google Ads zeigt einen ROI von 3:1, LinkedIn nur 1,5:1. Die logische Konsequenz: Mehr Budget für Google, weniger für LinkedIn.

Doch die KI-Analyse enthüllte eine andere Wahrheit: 68% der Google-Conversions hatten einen LinkedIn-Touchpoint in den 30 Tagen davor. LinkedIn generierte Awareness, Google erntete die Conversions. Ohne LinkedIn wäre der Google-ROI eingebrochen.

So funktioniert KI-basierte Attribution in der Praxis

KI-Attribution arbeitet wie ein digitaler Detektiv: Sie verfolgt jeden Klick, jede Impression, jeden Website-Besuch und rekonstruiert die komplette Customer Journey.

Shapley Value Attribution
Dieses Modell stammt aus der Spieltheorie und bewertet den Beitrag jedes Kanals basierend auf dessen marginaler Contribution. Vereinfacht gesagt: Wie würde sich die Conversion-Rate ändern, wenn dieser Kanal wegfiele?

Time-Decay Attribution mit KI-Gewichtung
Touchpoints kurz vor der Conversion erhalten höheres Gewicht – aber KI berücksichtigt auch Kanal-spezifische Besonderheiten. Ein Webinar vor 14 Tagen kann wichtiger sein als ein Display-Banner gestern.

Die wichtigsten ROI-Metriken für KI-optimierte Budgets

Praktisches Beispiel: ROI-Optimierung in Aktion

Ein Maschinenbauunternehmen setzte KI-Attribution ein und entdeckte überraschende Insights:

• Entdeckung 1: Xing-Content hatte 12x höheren ROI als LinkedIn – wurde aber vernachlässigt
• Entdeckung 2: Google Ads funktionierte nur in Kombination mit E-Mail-Nachfassen
• Entdeckung 3: Fach-Webinare generierten 40% aller qualifizierten Leads – mit 6 Wochen Verzögerung

Konsequenz: Budget-Umschichtung hin zu Xing und Webinaren, Google Ads wurden mit Marketing Automation verknüpft. Ergebnis: 34% höherer Marketing-ROI bei gleichem Budget.

Fallstricke bei der ROI-Messung vermeiden

Fehler 1: Zu kurze Messperioden
B2B-Kaufzyklen dauern oft 3-6 Monate. Wer KI-Optimierungen nach zwei Wochen bewertet, zieht falsche Schlüsse. Planen Sie mindestens 90-Tage-Zyklen.

Fehler 2: Offline-Kanäle ignorieren
Messen, Telefontermine, persönliche Gespräche – diese Touchpoints werden oft übersehen. Moderne KI kann auch diese Faktoren modellieren, wenn Sie die Daten liefern.

Fehler 3: Statistische Signifikanz missachten
Eine 15%ige ROI-Steigerung bei 10 Conversions pro Monat ist statistischer Zufall. Erst bei ausreichender Datenmenge sind KI-Empfehlungen verlässlich.

So kommunizieren Sie ROI-Ergebnisse intern

1. Vorher-Nachher-Vergleiche: Zeigen Sie konkrete Verbesserungen auf
2. Kanal-Contribution-Charts: Visualisieren Sie den wahren Beitrag jedes Kanals
3. Budget-Effizienz-Trends: Dokumentieren Sie kontinuierliche Optimierungen
4. Competitive Benchmarks: Setzen Sie Ihre Ergebnisse in Relation

Denken Sie daran: Ihre Kollegen müssen den Mehrwert verstehen, um KI-basierte Entscheidungen zu unterstützen.

Häufige Fehler bei der KI-gestützten Budgetverteilung

Auch die beste KI kann Ihnen nicht helfen, wenn Sie diese klassischen Fallen übersehen. Aus zehn Jahren Beratungserfahrung: Das sind die Fehler, die selbst intelligente Unternehmen immer wieder machen.

Fehler 1: „Set it and forget it“ Mentalität

KI ist kein Autopilot, sondern ein intelligenter Co-Pilot. Wer glaubt, einmal eingerichtet läuft alles von selbst, wird böse überrascht.

Ein Beispiel: Ein Software-Unternehmen implementierte automatisierte Budget-Optimierung und lehnte sich zurück. Als ein Wettbewerber eine aggressive Preiskampagne startete, reagierte die KI mit Budget-Erhöhungen – technisch korrekt, aber strategisch falsch. Menschliche Intervention war nötig.

So vermeiden Sie es:

• Wöchentliche Algorithmus-Reviews einplanen
• Anomalie-Alerts für ungewöhnliche Budget-Shifts einrichten
• Monatliche Strategie-Checks: Passen KI-Entscheidungen zur Unternehmensstrategie?

Fehler 2: Schlechte Datenqualität ignorieren

„Garbage in, garbage out“ – dieser Grundsatz gilt besonders für KI. Dennoch starten viele Unternehmen mit lückenhaften Tracking-Setups.

Die häufigsten Datenprobleme:

• Cross-Device-Tracking-Lücken: Kunde startet auf Smartphone, kauft am Desktop
• Fehlende Offline-Attribution: Telefonanrufe und persönliche Termine werden nicht erfasst
• Inkonsistente Conversion-Definitionen: Verschiedene Tools messen verschiedene Ereignisse
• GDPR-bedingte Datenlücken: 20-30% der User werden nicht getrackt

Quality Gates vor KI-Implementierung:

1. Tracking-Validierung durch Test-Käufe
2. Data Audit aller Marketing-Tools
3. Attribution-Vollständigkeit prüfen
4. Consent-Management optimieren

Fehler 3: Zu aggressive Automatisierung

Der Reiz ist groß: KI empfiehlt 80% Budget-Shift von Google zu TikTok, und Sie setzen es sofort um. Das kann gut gehen – oder katastrophal enden.

Fehler 4: Seasonalität und externe Faktoren übersehen

KI erkennt Muster – aber nicht immer die richtigen. Ein E-Commerce-Unternehmen ließ im November 2023 die KI das Black Friday Budget optimieren. Die Empfehlung: 90% weniger Budget für Google Shopping, da die Performance schlecht war.

Der wahre Grund: Google hatte ein technisches Problem. Die KI interpretierte den Ausfall als permanente Performance-Verschlechterung.

Checkliste für externe Faktoren:

• Saisonale Events und Feiertage im Kalender markieren
• Wettbewerber-Aktivitäten monitoren
• Platform-Updates und technische Störungen berücksichtigen
• Makroökonomische Trends einbeziehen
• Branchenspezifische Zyklen dokumentieren

Fehler 5: Komplexität unterschätzen

„Wir haben KI eingeführt, warum ist der ROI nicht sofort 50% besser?“ Diese Erwartung führt regelmäßig zu Enttäuschungen.

KI-Optimierung ist ein iterativer Prozess. Realistische Erwartungen:

• Monat 1-2: Learning Phase, minimale Verbesserungen
• Monat 3-4: Erste signifikante Optimierungen (5-15% ROI-Steigerung)
• Monat 5-6: Größere Verbesserungen (15-30% ROI-Steigerung)
• Monat 7+: Kontinuierliche Feinoptimierung

Fehler 6: Team-Schulung vernachlässigen

Die beste KI nutzt nichts, wenn Ihr Team nicht versteht, wie sie funktioniert. Ein Marketing-Manager, der KI-Empfehlungen blind befolgt, ist genauso gefährlich wie einer, der sie kategorisch ablehnt.

Schulungs-Roadmap für Ihr Team:

1. KI-Grundlagen: Wie funktionieren Marketing-Algorithmen?
2. Interpretation: Was bedeuten KI-Empfehlungen wirklich?
3. Qualitätskontrolle: Wann sollte man KI-Entscheidungen hinterfragen?
4. Tool-Training: Praktische Arbeit mit der gewählten Plattform

Investieren Sie in Ihr Team – die beste Technologie ist nur so gut wie die Menschen, die sie bedienen.

Häufige Fragen zur KI-gestützten Budgetverteilung

Wie viel Budget brauche ich mindestens für KI-Optimierung?

Ab etwa 5.000€ monatlichem Marketing-Budget beginnt KI-Optimierung sich zu lohnen. Darunter sind die Datenpunkte meist zu wenig für verlässliche Algorithmen. Bei kleineren Budgets nutzen Sie besser die kostenlosen Google Analytics Intelligence Features.

Wie lange dauert es, bis KI-Optimierung Ergebnisse zeigt?

Erste Verbesserungen sehen Sie nach 4-6 Wochen. Signifikante ROI-Steigerungen (>20%) brauchen meist 3-4 Monate kontinuierlicher Optimierung. B2B-Unternehmen mit längeren Kaufzyklen sollten 6 Monate einplanen.

Kann KI auch Offline-Marketing-Kanäle optimieren?

Ja, aber mit Einschränkungen. KI kann Print-, Radio- oder Messe-Budgets optimieren, wenn Sie Proxy-Metriken wie Website-Traffic, Brand-Search-Volumen oder Sales-Calls attributieren. Die Genauigkeit ist geringer als bei digitalen Kanälen.

Welche Daten braucht KI für gute Empfehlungen?

Minimum: Google Analytics, eine Paid-Media-Plattform und CRM-Daten. Optimal: Alle Touchpoints (E-Mail, Social, PR), Kundenservice-Daten, Offline-Interaktionen und externe Faktoren wie Wetter oder Konkurrenz-Aktivitäten.

Wie teuer sind professionelle KI-Attribution-Tools?

Entry-Level-Lösungen starten bei 500€/Monat. Enterprise-Plattformen kosten 2.000-10.000€/Monat. Als Faustregel: Das Tool sollte maximal 2-5% Ihres Marketing-Budgets kosten. Viele Features sind heute in Google Analytics 4 oder Facebook Analytics kostenfrei verfügbar.

Macht KI-Optimierung Marketing-Manager überflüssig?

Nein, definitiv nicht. KI automatisiert operative Aufgaben und liefert Insights – strategische Entscheidungen, Kreativ-Entwicklung und Kundenverständnis bleiben menschliche Domänen. Gute Marketing-Manager werden durch KI produktiver, nicht ersetzt.

Kann ich KI-Budget-Optimierung auch für B2B nutzen?

Sogar besonders gut. B2B-Unternehmen haben oft komplexe Multi-Touch-Journeys, die manuell schwer zu durchschauen sind. KI erkennt diese Muster und optimiert entsprechend. Wichtig: Längere Messperioden einplanen wegen der längeren Sales Cycles.

Was passiert, wenn die KI falsche Empfehlungen gibt?

Deshalb sind menschliche Kontrollen essentiell. Setzen Sie Guardrails: Maximale Budget-Shifts pro Woche, Mindest-Budgets für strategische Kanäle, Anomalie-Alerts bei ungewöhnlichen Empfehlungen. KI sollte unterstützen, nicht blind gesteuert werden.

Wie erkenne ich, ob meine KI-Optimierung funktioniert?

Vergleichen Sie diese Metriken vor/nach der Implementierung: Overall Marketing ROI, Cost per Acquisition, Marketing Qualified Leads pro Euro, Customer Lifetime Value und Budget-Effizienz-Ratio. Improvement sollte nach 90 Tagen messbar sein.

Benötige ich eine eigene Data Science-Abteilung?

Für die meisten mittelständischen Unternehmen: Nein. Moderne KI-Tools sind benutzerfreundlich und erfordern keine Programmierkenntnisse. Ein Marketing-Manager mit Affinität zu Daten reicht aus. Bei sehr komplexen Anforderungen können Sie externe Spezialisten hinzuziehen.