COMPARE/Markin vs. Optimizely
Markin vs. Optimizely: Tests durchführen vs. entscheiden, was getestet werden soll
+ 17–35 % ARPU gegenüber holdoutBeobachteter Bereich über Markin-Deployments hinweg, gemessen an behandelten Kohorten.
Optimizely ist eine Experimentier- und Feature-Management-Plattform: Es liefert Varianten, weist Traffic zu und meldet statistische Ergebnisse. Markin entscheidet, was überhaupt getestet werden soll, bemisst jede Hypothese in Umsatz, vermittelt diese gegeneinander und beweist die Gewinner gegen ein randomisiertes holdout.
Kurz gesagt
- Optimizely: Which variant performs better on this surface? Output: Delivered variants, feature gates and statistical readouts.
- Markin: Which hypothesis is worth traffic, for whom, and what is it worth? Output: A prioritised experiment queue and a decision per customer, executed through your stack.
- Nichts dimensioniert einen Test im Umsatz, bevor er Traffic verbraucht.
- Markin füllt und ordnet die Warteschlange, führt dann die Aktionen aus, wo immer die Oberfläche existiert, einschließlich Optimizely, und liest jedes Ergebnis gegenüber einer control group.
Zuletzt aktualisiert: . Behauptungen über andere Anbieter verweisen auf die Quelle, aus der sie stammen.
Die kurze AntwortZuletzt aktualisiert: August 2026
Experimentierplattformen haben die technischen Kosten des Testens beseitigt. Die verbleibende Einschränkung ist menschlich: Jemand muss die Hypothese erfinden, dafür argumentieren und sie entwerfen. Markin beseitigt diese Einschränkung, und Optimizely bleibt ein ausgezeichneter Ort, um den resultierenden Test auf Web- und Produktoberflächen zu liefern.
01
Optimizely
Experimente und Feature-Management über Web, App und Server hinweg, mit Traffic-Allokation, Targeting, Statistik-Engine und Rollout-Kontrollen.
Wähle es, wenn Ingenieure und Produktteams eine zuverlässige Methode benötigen, um Varianten sicher bereitzustellen und zu messen.
- Führt den Test aus
- Feature Flags
- Statistik-Engine
02
Markin
Ein autonomes growth-science-Team, das entscheidet, welche Hypothesen Traffic verdienen, diese bemisst, kanalübergreifend startet und inkrementellen ARPU meldet.
Wähle es, wenn die Testwarteschlange wenig Ideen zum Testen hat, nicht wenig Lieferkapazität.
- Schreibt die Warteschlange
- Größen in Umsatz
- Kundenindividuelle Entscheidungen
Zeile für Zeile
Dieselben zehn Fragen, für beide beantwortet.
| Dimension | Markin | Optimizely |
|---|---|---|
| Was es ist | Ein autonomes Growth-Science-Team: Es untersucht, warum der Umsatz pro Kunde stagniert, und handelt nach dem, was es findet. | Eine Experimentation- und Feature-Management-Plattform. |
| Was es entscheidet | Welche Umsatzchance diese Woche für jeden Kunden bestehen sollte, was sie wert ist und wann die richtige Antwort ist, nichts zu tun. | Welche Variante ein Besucher sieht und wann ein Feature eingeführt wird. |
| Woher Hypothesen kommen | Von Markin aus Kunden-, Produkt-, Preis- und technischen Gesundheitsdaten generiert und bewertet, bevor etwas implementiert wird. | Verfasst von Produktmanagern, Ingenieuren und CRO-Spezialisten. |
| Handlungsspielraum | Marketing-, Produkt-, Preis- und technische Gesundheits-Hypothesen, die in einer Warteschlange gegeneinander abgewogen werden. | Web-, App- und serverseitige Oberflächen, die das Team instrumentiert. |
| Wie die Arbeit den Kunden erreicht | In die Systeme, die du bereits verwendest, zurückgeschrieben, als Attribute, Ereignisse oder API-Aufrufe. Markin fügt keine neue kundenorientierte Oberfläche hinzu. | Liefert Varianten und steuert Funktionen direkt, was es sehr gut kann. |
| Wie der Impact bewiesen wird | Ein randomisierter holdout bei jeder Entscheidung. Die gemeldete Zahl ist der inkrementelle Umsatz und ARPU, nicht zugeschriebene Conversions. | Strenge Statistiken zu den Tests, die du durchführen möchtest. |
| Wo die Daten liegen | Liest Kontext dort, wo er bereits vorhanden ist: Data Warehouse, CDP, Produkt- und Abrechnungssysteme. Kein neues System of Record. | Experiment-Exposure- und Outcome-Ereignisse, plus Warehouse-Export. |
| Governance und Kontrolle | Jede Aktion beinhaltet ihre Hypothese, ihren erwarteten Wert, ihre Leitplanken und ihre control group, überprüfbar vor dem Start. | Rollout-Sicherheit, Targeting-Regeln und Flag-Lebenszyklus-Management. |
| Time to a verified number | Ein Umsatzthema, ein Kanal, ein holdout: eine verteidigbare inkrementelle Zahl innerhalb von 90 Tagen. | Schnell pro Test; der Gesamtdurchsatz wird durch die Hypothesenversorgung und die Designzeit begrenzt. |
| Beste Passung | Große B2C-Basen, bei denen die Einschränkung darin besteht, wie viele gute Hypothesen getestet werden, nicht wie viele Nachrichten gesendet werden. | Teams mit den Ideen und der Engineering-Kapazität, diese zu testen. |
Was auf dem Spiel steht
Eine decision layer ist kein Einzelposten im Werkzeugkasten. Sie steigert den ARPU der gesamten Basis, jeden Monat.
Installierte Basis
2.0M
customers at $24 ARPU / month
Ansprechbarer Umsatz
$259.2M
pro Jahr, erreichbare Basis
Verifizierte ARPU-Steigerung
+ 17 % bis + 35 % ARPU
bei behandelten Kohorten, gegen holdout
Was das wert ist
$44.1M – $90.7M
Inkrementeller Umsatz pro Jahr
Gemessen an behandelten Kohorten gegen einen randomisierten holdout, über ein vollständiges Messfenster hinweg gelesen und nicht nur über die ersten Wochen. Anonymisierter Bereich über Markin-Implementierungen in großen B2C-Basen; Ihr eigener holdout ist die entscheidende Zahl. Die obigen Zahlen wenden diesen Bereich auf den erreichbaren Anteil der Basis auf Grundlage der Annahmen dieser Seite an; sie sind arithmetisch, keine Prognose für dein Unternehmen.
Auf den eigenen Zahlen ausführenDer ungelöste Teil
Die Testwarteschlange ist der Engpass
Die meisten Organisationen können weitaus mehr Experimente durchführen, als sie entwerfen können. Der Rückstand ist nicht voll von dimensionierten, glaubwürdigen Hypothesen; er ist voll von Meinungen, geordnet danach, wer am lautesten gefragt hat.
- Nichts dimensioniert einen Test im Umsatz, bevor er Traffic verbraucht.
- Tests auf der Oberfläche können nicht gegen eine Botschaft, einen Preis oder eine Service-Aktion abwägen.
- Erfolge werden als Lift einer Metrik gemeldet, selten als inkrementeller Umsatz pro Kunde.
- Das Ausmustern eines "Gewinners", der nicht mehr funktioniert, ist ein manueller, leicht zu vergessender Schritt.
Hypothesenraum
Alles, was ein menschlicher Wachstumswissenschaftler betrachten würde.
Die meisten Wachstumsprobleme sind keine Kommunikationsprobleme. Markin ist nicht auf die Kampagnenoberfläche beschränkt: Wenn etwas ARPU zurückhält, ist es im Umfang und wird auf die gleiche Weise getestet.
Marketing
Die klassische Oberfläche, aber kundenspezifisch statt segmentbasiert gewählt und immer gegen einen holdout.
- Welches Angebot dieser spezifische Kunde wert ist
- Kanal und Zeitpunkt pro Person, nicht pro Kampagne gewählt
- Kontaktdruck und Ermüdung, die über jedes Programm hinweg ausgeglichen werden
- Win-back-Ökonomie: Wer einen Rabatt wert ist und wer nicht
Produkt
Wo der Kunde tatsächlich den Wert erlebt und wo der größte stille Umsatzverlust auftritt.
- Onboarding-Schritte, die Kunden vor dem ersten Wert verlieren
- Ein Feature mit hoher Retentionskorrelation, das die Hälfte der Basis nie entdeckt.
- Platzierung von Paywall und Upgrade-Prompt
- In-Produkt-Oberflächen als Behandlungsarm verwendet, nicht nur E-Mail und Push
Kommerziell
Preisgestaltung, Paketierung und die Form des Angebots selbst, getestet statt diskutiert.
- Plan- und Bündelstruktur nach Kohorte
- Rabatt-Tiefe gegenüber Marge, nicht nur gegenüber Konversion
- Jährliche versus monatliche Rahmengebung pro Kunde
- Mahn- und unfreiwillige Churn-Recovery-Sequenzen
Technische Gesundheit
Anomalien, nach denen niemand suchen sollte. Dies ist die Kategorie, die keine Entscheidungsengine abdeckt.
- Eine gestiegene Fehlerquote beim Checkout auf einem Gerät und in einer Region.
- Zahlungsausfälle konzentriert auf einen einzigen Emittenten oder eine einzelne Methode
- Ein defekter Deeplink, der unbemerkt eine hochwertige Customer Journey beeinträchtigt
- Latenz- oder Zustellungsbeeinträchtigung, die die Konversion vor jeder Nachricht beeinträchtigt
Stell dir Markin als ein data science und growth team vor, das niemals schläft: Es untersucht, bildet Hypothesen, implementiert sie in deinem eigenen Stack und beweist jede einzelne gegen eine Kontrollgruppe, in einem Umfang, den kein menschliches Team erreichen kann.
Job to be done
Dieselbe Arbeit, bei einem anderen Durchsatz.
Nichts von dem Folgenden benötigt ein Tool, das es nicht gibt. Es muss die Arbeit kontinuierlich statt nur einmal im Quartal erfolgen und gegen einen holdout bewiesen statt diskutiert werden.
| Job to be done | With optimizely alone | Mit Markin |
|---|---|---|
| Beachte, dass der Umsatz pro Kunde in einem Segment driftet | Jemand entdeckt es bei einer Dashboard-Überprüfung, Wochen nachdem es begonnen hat. | Als Signal erkannt an dem Tag, an dem der Drift das Rauschen beseitigt, wobei das Segment bereits dimensioniert ist. |
| Erkläre, warum es passiert | Ein Analyst wird für eine zweiwöchige Untersuchung von der Roadmap abgezogen. | Eine Untersuchung läuft automatisch ab und liefert die Treiber mit ihren Beweisen. |
| Hypothesen entwickeln, die es wert sind, getestet zu werden | Ein Workshop liefert die wenigen Ideen, die dem Raum zufällig einfielen. | Hypothesen werden kontinuierlich über marketing, product, pricing und den technischen Zustand geschrieben. |
| Entscheide, welche Hypothesen Budget verdienen | Priorisiert nach Seniorität und Bauchgefühl, ohne Größenangabe. | Jede einzelne wird nach Umsatz bewertet und eingestuft, bevor irgendetwas gebaut wird. |
| Wähle die Next Best Action für einen Kunden | Segment-Regeln und Kampagnenkalender entscheiden, aktualisiert, wenn jemand Zeit hat. | Pro Kunde, pro Moment, gegenüber allem anderen ausgewählt, das um diesen Kunden konkurriert. |
| Tatsächlich starten | Ein Ticket für das Lifecycle-Team, dann ein Slot im Kalender des nächsten Monats. | Ausgeführt in den Systemen, die du bereits betreibst, ohne einen neuen Kanal einzuführen. |
| Beweisen, dass es den Umsatz verursacht hat | Wenn überhaupt, gegen Nicht-Qualifikanten oder einen globalen holdout gemeldet. | Jede Entscheidung beinhaltet eine randomisierte control group; der uplift wird dagegen gelesen. |
| Eliminiere, was nicht funktioniert | Programme überleben, weil niemand dafür verantwortlich ist, sie einzustellen. | Wenn der Control nicht geschlagen wird, wird das Programm automatisch beendet. |
| All dies nächste Woche wiederholen | Kapazitätsgebunden: vier bis acht Tests pro Quartal. | Hunderte von Hypothesen gleichzeitig, kontinuierlich, in Bearbeitung. |
Ehrliche Einschätzung
Was Optimizely leistet Besseres.
Ein Vergleich, der nur eine Seite schmeichelt, ist nicht lesenswert. Dies sind die Fälle, in denen wir dir sagen würden, du sollst bleiben, wo du bist.
Lieferung und Sicherheit sind eine eigene Disziplin
Feature Flags, progressive Rollouts, Kill-Switches und Targeting auf SDK-Ebene sind komplexe technische Probleme. Markin bietet diese nicht an und sollte dies auch nicht tun.
Statistische Genauigkeit direkt auf der Oberfläche
Sequenzielles Testen, Erkennung von Stichprobenverhältnis-Diskrepanzen (sample ratio mismatch) und Varianzreduzierung im Web-Traffic sind in Optimizely ausgereift. Es ist ein guter Ort, um einen Test zu lesen.
Engineering-Vertrauen
Wenn deine Teams bereits jede Veröffentlichung hinter flags absichern, ist dieser Workflow schützenswert. Markin sollte ihn speisen, nicht bekämpfen.
Wo Markin passt
Kein Ersatz. Ein Growth-Science-Team obenauf.
Markin füllt und ordnet die Warteschlange, führt dann die Aktionen aus, wo immer die Oberfläche existiert, einschließlich Optimizely, und liest jedes Ergebnis gegenüber einer control group.
Hypothesen mit Preisschild
Der Erwartungswert entscheidet, was Traffic erhält.
Standardmäßig kanalübergreifend
Ein Web-Test konkurriert mit einer Nachricht und einer Preisänderung.
Skalieren oder einstellen
Jeder Gewinner wird erneut gelesen, und veraltete Gewinner werden zurückgezogen.
Warum Markin gewinnt
Mächtiger als alles auf dieser Seite.
Jedes Tool, mit dem Markin verglichen wird, wurde für eine Aufgabe entwickelt, die endet, bevor sich der Umsatz bewegt: die Nachricht übermitteln, die Daten vereinheitlichen, den Lead bewerten. Markin wurde für ein Ergebnis entwickelt, den ARPU zu steigern, und es besitzt den vollständigen Kreislauf, der dorthin führt: untersuchen, Hypothese aufstellen, starten, messen und skalieren, über marketing, Produkt, Preisgestaltung und technische Gesundheit hinweg.
Ultraschnelles Lernen, by design
Markin Growth Science durchläuft den gesamten Zyklus aus Beobachtung, Hypothese, Experiment und Auswertung in Tagen, mit Hunderten von holdout-gestützten Experimenten parallel. Das System steigert das Lernen in einem Tempo, das kein menschliches Team und kein Kampagnentool erreichen kann.
growth operations, effizient gestaltet
Sizing, Segment Design, Build, Launch und Measurement waren früher vier Teams und ein Sprint. In Markin sind sie ein System, sodass die gleiche growth operation mehr Umsatzaktionen mit einem Bruchteil der Koordinationskosten liefert.
Ein Ergebnis: ARPU
Jede Hypothese wird im erwarteten Umsatz pro Kunde bemessen, jede Aktion wird gegen einen randomisierten holdout beurteilt, und alles, was die Kontrolle schlägt, skaliert automatisch über die Basis. Nichts anderes auf dieser Seite wird auf diese Weise gemessen.
Wenn das Ziel darin besteht, den ARPU durch extrem schnelles Lernen zu steigern und growth operations effizienter zu gestalten, ist Markin die Wahl.
Evidenzstandard
Der größte Teil dieser Kategorie meldet ihren eigenen Lift.
Keiner der großen Anbieter von Engagement, CDP oder Personalisierung veröffentlicht eine unabhängig überprüfte Uplift-Zahl für sein Entscheidungsfindungsprodukt. Wo Zahlen existieren, stammen sie aus von Anbietern in Auftrag gegebenen Studien oder Fallstudien einzelner Kunden ohne offengelegte holdout-Methodik. Die strengste öffentliche Forschung in dieser Kategorie ist für niemanden schmeichelhaft, uns eingeschlossen, genau deshalb bauen wir darauf auf.
BCG berichtet, dass Organisationen, die eine rigorose Inkrementalitätstestung einführen, typischerweise feststellen, dass 20% bis 40% ihrer aktiven Next Best Action-Programme einen marginalen bis negativen Lift liefern.
Unabhängige ForschungBCG, Wie sich die Messung bei Next Best Action entwickelt (2026)Dieselbe Untersuchung weist auf Neuheitseffekte hin; neue Programme zeigen überhöhte frühe Ergebnisse und es werden 8 bis 12 Wochen empfohlen, bevor Schlussfolgerungen gezogen werden.
Unabhängige ForschungBCG, Wie sich die Messung bei Next Best Action entwickelt (2026)Globale holdout- und programmbezogene ROI-Messungen überschätzen oft die Auswirkungen durch Halo-Effekte, Pull-Forward-Effekte und Experiment-Kontamination.
Unabhängige ForschungBCG, Wie sich die Messung bei Next Best Action entwickelt (2026)
Wie Markin sich daran hält
- Jede Entscheidung, die Markin trifft, beinhaltet eine control group. Der uplift wird gegen diesen holdout gemeldet, nicht gegen Kunden, die sich nicht qualifiziert haben.
- Die Ergebnisse werden über ein vollständiges Messfenster und nicht in den ersten Wochen abgelesen, sodass Neuheit nicht mit Wirkung verwechselt wird.
- Programme, die den Kontrollwert nicht übertreffen, werden automatisch eingestellt. Das Beenden von Entscheidungen, die sich nicht auszahlen, ist Teil des Regelkreises, nicht einer jährlichen Überprüfung.
- Die einzige Zahl, die wir über uns selbst nennen, ist eine Spanne, keine Durchschnittszahl: +17% bis +35% ARPU bei behandelten Kohorten im Vergleich zu einem randomisierten holdout, über Markin-Implementierungen in großen B2C-Basen hinweg. Wir veröffentlichen keine Branchen-Benchmarks, weil wir keine finden konnten, die wir bereit wären zu verteidigen. Ihr holdout ist die Zahl, die zählt.
Time to value
90 Tage bis zu einer Zahl, die einen holdout überlebt hat.
Kein Replatforming, keine Datenmigration, kein Neuaufbau der Kanäle, die du bereits betreibst. Wenn die ersten Kohorten die Kontrolle nicht übertreffen, skaliert nichts und du hast ein Quartal verloren, keine Roadmap.
Wochen 0–2
Lese den Kontext, den du bereits hast
Markin verbindet sich mit den Daten und Kanälen, die du heute betreibst, optimizely inklusive. Keine Migration, kein Replatforming, keine neue Quelle der Wahrheit.
Wochen 3–6
Erste bezifferte Chancen im Test
Opportunities werden nach erwartetem Wert geordnet, Behandlungen pro Kunde ausgewählt, und die ersten Kohorten gehen mit einem zugehörigen randomisierten holdout live.
Wochen 7–12
Erster verifizierter inkrementeller Umsatz
Die Ergebnisse werden über ein vollständiges Messfenster abgelesen. Was die Kontrolle schlägt, wird skaliert; was nicht, wird eingestellt. Nichts skaliert auf einer Zahl, die keinen holdout überlebt hat.
Welche du auswählen solltest.
Wähle Markin, wenn
- Deine Test-Velocity wird durch Ideen begrenzt, nicht durch die Infrastruktur.
- Du möchtest jede Hypothese in Umsatz bewertet haben, bevor sie Traffic erhält.
- Tests müssen kanalübergreifend erfolgen, nicht nur auf On-Site-Oberflächen.
- Du möchtest eine per-customer decision, nicht eine Variante pro Besucher.
- Board-Reporting benötigt inkrementellen ARPU, nicht Lift auf einer Seite.
Auswählen Optimizely allein if
- Du brauchst Feature Flags und sicheres Rollout vor allem anderen.
- Das Testen ist auf Web- und Produktoberflächen beschränkt.
- Dein Team produziert bereits mehr gute Hypothesen, als es ausführen kann.
- Engineering ist für den Experimentations-Workflow von Anfang bis Ende verantwortlich.
- Die Traffic-Volumina machen On-Site-Tests zum schnellsten Weg zu Antworten.
Wann du Markin nicht brauchst.
- Du brauchst Feature-Flags und Rollout-Tools: Markin bietet diese nicht.
- Das Testen ist auf eine einzelne Seite und eine einzelne Metrik beschränkt.
- Das Traffic-Aufkommen ist zu gering für kontrollierte Messungen auf jeder Ebene.
Im Produkt ansehen
Sehen Sie, wie es entscheidet, experimentiert und ausführt, bevor Sie mit jemandem sprechen.
Eine geführte Tour durch den Markin-Workspace an einem Demo-Kunden, ohne Verkaufsgespräch, ohne Setup.
Fragen, die Käufer stellen.
Ersetzt Markin Optimizely?
Nein. Optimizely bleibt ein guter Ort, um On-Surface-Tests durchzuführen und zu analysieren. Markin entscheidet, welche Tests existieren sollen, dimensioniert sie und wendet dieselbe Disziplin auf Kanäle an, die Optimizely nicht berührt.
Wie unterscheidet sich dies von einer Experimentier-Roadmap?
Eine Roadmap ist ein menschliches Artefakt, das vierteljährlich aktualisiert wird. Markin generiert und dimensioniert die Warteschlange kontinuierlich aus Daten neu, einschließlich Hypothesen, die niemand vorgeschlagen hat.
Was macht Optimizely besser?
Variantenlieferung, Feature Flags, sichere Einführung und oberflächliche statistische Genauigkeit.
Können beide zusammen laufen?
Ja. Markin kann eine ausgewählte Behandlung zur Auslieferung an Optimizely übergeben und das Ergebnis zusammen mit jeder anderen Aktion, die der Kunde erhalten hat, auslesen.
Wie unterscheidet sich Markin vom decisioning oder der KI, die bereits in optimizely enthalten ist?
Eine decisioning-Engine ordnet Aktionen ein, die ein Mensch bereits definiert hat, innerhalb der vorgegebenen Kampagnenoberfläche. Markin bildet die Hypothesen selbst, sei es marketing, product, pricing oder eine technische Anomalie, die growth zurückhält, bewertet diese, führt sie innerhalb optimizely und deiner Produktoberflächen aus und liest jede einzelne gegen einen randomisierten holdout aus. Es verhält sich wie ein data science- und growth-Team, nicht wie ein Optimierer.
Testet Markin nur Nachrichten und Angebote?
Nein. Alles, was ein menschlicher growth scientist untersuchen würde, ist im scope enthalten: onboarding-Reibung, Feature adoption, pricing und packaging, Dunning und technische Gesundheitsprobleme wie eine Checkout error rate oder ein fehlerhafter Deeplink, der stillschweigend die Konversion tötet. Marketing ist eine von vier Hypothese-Domänen, nicht die Grenze.
Was ist the business case for adding Markin on top of optimizely?
On a large B2C base, Eine kleine Bewegung im ARPU ist absolut gesehen eine große Zahl, da sie jeden Monat auf die gesamte installierte Basis angewendet wird und nicht nur auf eine Kampagne. Bei Markin-Implementierungen liegt der verifizierte Bereich auf behandelten Kohorten bei +17 % bis +35 % ARPU gegenüber einem randomisierten holdout. Es geht nicht um mehr Nachrichten: Es geht darum, die wertvollste Aktion pro Kunde zu finden, sie zu starten und sie vor der Skalierung gegenüber der Kontrolle zu beweisen.
Wie lange dauert es, bis es sich amortisiert?
Erste bewertete Umsatzchancen sind innerhalb von sechs Wochen im Test und das erste durch holdout verifizierte Ergebnis liegt innerhalb von 90 Tagen vor. Die Amortisation hängt von deiner Basis, Marge und den Programmkosten ab. Der Rechner auf dieser Seite berechnet sie anhand deiner eigenen Zahlen, nachdem der von BCG festgestellte Abzug von 20 % bis 40 % angewendet wurde, wenn Next Best Action Programme inkrementell getestet werden.
Als Nächstes lesen
Hintergrundlektüre darüber, wie next best action decisioning funktioniert, aus den Anleitungen hinter diesem Vergleich.
Next best action marketing: was es ist und wie es 2026 funktioniert
Next best action marketing erklärt: wie es funktioniert, reale B2C-Beispiele, wie es sich von Segmentkampagnen und marketing automation unterscheidet und was es auf einer Basis von 2 Mio. wert ist.
CMOs über den Wandel von kreativem Volumen zu Entscheidungsvolumen
Vier CMO-Gespräche darüber, was sich ändert, wenn die Einschränkung vom Erstellen kreativer Assets zum Routen des richtigen Assets an den richtigen Kunden verlagert wird.
Opportunity Feed, jetzt mit Hypothesen-Herkunft
Jede Kandidatenaktion im Markin Opportunity Feed trägt nun das Signal, das Segment und das frühere Experiment, denen sie entstammt. Ein Klick zum Prüfen oder Ausliefern.