Bevor wir die Perspektiven im Detail unterscheiden, lohnt sich eine begriffliche Einordnung. Wenn im Markt von Zielgruppen, Audiences oder Targeting die Rede ist, sind damit nicht immer dieselben Ebenen gemeint. Zielgruppen beschreiben meist die strategische Definition, also wen eine Marke grundsätzlich erreichen will. Audiences sind die datenbasierten Segmente, die daraus gebildet und in technischen Systemen verfügbar gemacht werden. Das Targeting schließlich bezeichnet die konkrete Aktivierung dieser Segmente in der Aussteuerung. Es geht im Folgenden um das Zusammenspiel dieser Ebenen und natürlich um die dafür notwendige Datengrundlage.

Wenn man in den Markt hineinhorcht, scheint sich das Targeting-Verständnis zwar nicht abrupt, aber doch spürbar zu verändern. “Der Fokus verschiebt sich deutlich weg von der Identifizierung einzelner Personen und Geräte hin zu Räumen, Situationen und Kontexten“, sagt zumindest Richard Wagner, Head of Sales bei Beintoo, das zur Mediaset-Gruppe gehört. Aus der Sicht des Location-Profis sei „der geografische Raum eine besonders stabile Datengrundlage“. Über fein aufgelöste Gebiete ließen sich Zielgruppenmerkmale und Haushaltsstrukturen datenschutzkonform abbilden. Ergänzt um anonymisierte Bewegungsdaten werde sichtbar, „wie Menschen sich tatsächlich verhalten und welche Orte sie aufsuchen, wie sie Medien nutzen und wo sich relevante Kaufsituationen ergeben“.

Der Gedanke dahinter ist nachvollziehbar. Räume und reale Verhaltensmuster verändern sich langsamer als beispielsweise an Gerätekennungen geknüpfte Online-Bewegungen. Sie sind weniger anfällig für technische Brüche. Auch Mustafa Mussa, CEO und Gründer des High-Impact-Spezialisten Adtron, teilt diese Einschätzung. „Targeting bewegt sich weg von Profilen hin zu Situationen. Entscheidend ist weniger, wer jemand ist, sondern wann Markenrelevanz entsteht.“ Er nennt Kontext, Attention-Signale und Interaktionen als künftige Basis für Audiences. Sie seien transparenter, vergleichbarer und unabhängiger von geschlossenen Plattformen.

Rui de Freitas, Gründer und CEO vom Contextual-Anbieter C Wire, macht in diesem Zusammenhang auf einen neuen Denkansatz aufmerksam. „Targeting wird sich weg vom reinen Tracking von Personen bewegen – hin zum Verständnis von Momenten: Was tut jemand gerade? In welchem Umfeld?“ Für die Beantwortung dieser Fragen seien On-Page-Signale, angereichert mit synthetischen Daten und realen Business-Resultaten relevant. Zielgruppen würden nicht mehr über Identitäten gebaut, „sondern auf Basis hochwertiger Signale aus vertrauenswürdigen Umfeldern prognostiziert.”

Die Argumentation scheint klar: Relevanz entsteht situativ. Dabei kann der Kontext besser helfen als eine ID. So eindeutig ist die Bewegung weg von Identity im Targeting allerdings nicht.

„Ich denke nicht, dass der Fokus sich weg von IDs verschiebt. Diese werden weiterhin die präzisere und effektivere Form des Targetings bleiben und werden daher bevorzugt“, versichert Sabrina Büchel, Executive Director Digital Media beim Vermarkter BCN. Mit starken deterministischen Identifiern lasse sich ein Nutzer im eigenen Netzwerk sogar deutlich persistenter erkennen als über den klassischen Third-Party-Cookie, auch cross-browser und cross-device. Dadurch sei eine effektivere Nutzeransprache möglich.

Dennoch räumt sie ein, dass Kontext Vorzüge habe. „Kontext hat den Vorteil, dass es überall funktioniert. Ohne Consent, ohne User IDs, über alle Ökosysteme hinweg.“ Durch KI werde er zudem dynamischer. Neben Keywords könnten weitere Signale in Echtzeit verarbeitet werden, um Kaufinteressen vorherzusagen. Die Fronten verlaufen also weniger zwischen Alt und Neu, sondern zwischen unterschiedlichen Vorstellungen von Skalierbarkeit. Doch auf welchen Datenfundamenten setzen die Targeting-Modelle künftig überhaupt auf?

Unabhängig davon, ob ID-basiert oder kontextuell gearbeitet wird, rücken stabile Datengrundlagen stärker in den Vordergrund. Richard Wagner nennt First-Party-Daten als strategischen Ausgangspunkt. „CRM-, Sales- und Kampagnendaten definieren, welche Kundentypen wirklich wertvoll sind.“ Ergänzt würden sie durch Geo- und Verhaltensdaten sowie TV- und CTV-Nutzungsdaten, die Haushaltsstrukturen, Kaufkraft und reale Mediennutzung abbildeten. Zielgruppen entstünden dann aus „Lebensumfeldern und Nutzungssituationen“.

Der geografische Raum dient hier nicht als Ersatz für IDs, sondern als stabiler Referenzpunkt. Aufenthaltsorte und Mediennutzung im Raum gelten als belastbarer als flüchtige Gerätebeziehungen. Noch deutlicher betont David Luchtenberg, General Manager Germany des Location-Spezialisten Adsquare, die Bedeutung der Offline-Welt. „Wir betrachten Offline-Daten als wichtige Datenquelle und als das wichtigste strategische Signal.“ Gemeint sind Bewegungsmuster in der realen Welt, Ladenbesuche und idealerweise Offline-Transaktionen.

Mit dieser Perspektive verändert sich nicht nur die Datengrundlage, sondern auch der Bewertungsmaßstab. „Derzeit legen Marketingentscheider zu viel Wert auf leicht messbare Online-Ergebnisse“, so Luchtenberg. Die Kombination aus Offline- und Online-Daten ermögliche einen ganzheitlichen Überblick über das Kundenverhalten. Damit geht es nicht mehr nur darum, ob eine Anzeige ausgeliefert wurde, sondern was sie tatsächlich bewirkt hat.

So überzeugend neue Signale wirken mögen – am Ende entscheidet die Skalierung. Ellinor Klier, Head of Digital beim Agenturnetzwerk Havas Media Germany, beschreibt die operative Realität. Audiences und Targeting-Optionen rund um Situationen, Kontexte oder Orte seien heutzutage tatsächlich oft sehr granular segmentiert. „Die Namen der Segmente und ihre Potenziale versprechen zwar meist eine optimale Kombination aus Präzision und Reichweite, doch in der Praxis lassen sie sich oft nicht ausreichend skalieren.“ Aus Erfahrung setze man daher häufig wieder auf Umfeld-Targeting. Reichweite bleibe bei Planung und Messung das wichtigste Kriterium.

Die Skalierung entscheidet sich nicht nur an der Qualität eines Modells, sondern auch an seiner Umsetzbarkeit. Kann KI an der Stelle einspringen und unterstützen? Aus Kliers Agentursicht könne KI zwar helfen, Zielgruppen in Echtzeit zu erstellen und Kampagnen schneller zu starten. „Ein Knackpunkt bleibt jedoch: Oft hilft die KI nur dabei, die richtige Audience zu kuratieren, begleitet den Prozess aber nicht bis zu der eigentlichen Auslieferung. Genau an dieser Stelle geht oft die Skalierung verloren.“

Welche neuen Targeting-Konzepte können bis zur Aktivierung durchhalten? Hier herrschen verschiedene Meinungen im Markt vor. So sieht Mustafa Mussa kontextuelle und semantische Ansätze sehr wohl als gut skalierbar an. „KI hat sie deutlich besser gemacht als ihr Ruf.“ Auch Attention-basierte Audiences funktionierten, weil sie Wirkung messen statt Annahmen. Schwieriger seien stark individualisierte Setups, die komplexe Cleanrooms oder sehr granulare Custom Audiences involvieren. „Sie sind spannend, aber im Alltag oft zu langsam oder zu kleinteilig.“

Die Skalierung entscheidet sich also ebenso anhand der Datenarchitektur. David Luchtenberg beobachtet hingegen eine „rasante Verbreitung der Nutzung von Offline-Daten zur Skalierung von Zielgruppen über MAIDs, Clean Rooms und ID-Lösungen“. Sehr spezifische Retargeting-Setups etwa für einzelne Standorte eigneten sich weniger für hohe Reichweiten, lieferten jedoch Erkenntnisse für breitere Zielgruppenmodelle.

Schließlich spielt auch der Kanal selbst eine Rolle. Markus Pins, Geschäftsführer des Contextual-Spezialisten Ablida, sagt: „Kontextuelles Targeting im Allgemeinen skaliert mittlerweile sehr gut. Im CTV ist kontextuelles Targeting aber noch recht neu.“ Hinzu komme, dass im Bid Request in diesem Kanal oft wenige Daten übermittelt würden.

Die Grenze zwischen sinnvoller Anreicherung und “zu kompliziert” ist bei der Zielgruppenansprache schnell erreicht. Mit jeder zusätzlichen Datenquelle steigt die Gefahr, dass Targeting schwerer erklärbar wird. „Die Grenze ist überschritten, sobald ein System so komplex wird, dass der Mediaeinkäufer nicht mehr erklären kann, warum eine bestimmte Impression gekauft wurde“, meint Rui de Freitas. Targeting auf vielen Ebenen von Datenanreicherung und intransparenten Entscheidungssystemen möge theoretisch präzise sein, praktisch verliere man jedoch Vertrauen und Skalierbarkeit. „Im großen Maßstab setzt sich am Ende fast immer die einfachere Lösung durch.“

Seine Faustregel: Anreicherung sei nur dann sinnvoll, wenn sie Performance, Transparenz und Aktivierungsgeschwindigkeit gleichzeitig verbessere. Auch Mustafa Mussa sagt, dass die Grenze überschritten ist, “wenn Setups nicht mehr erklärbar sind.“ Wenn Targeting mehr Aufmerksamkeit binde als das Creative, sei es zu komplex. Gute Audience-Strategien machten Kampagnen schneller, nicht komplizierter.

Markus Pins ergänzt um eine weitere Perspektive: Jeder Targeting-Ansatz habe einen blinden Fleck. Werden mehrere Ansätze seriell kombiniert, bleibe häufig zu wenig sichtbar – obwohl die Schnittmenge eigentlich groß genug wäre. Sein Plädoyer lautet daher, eher parallel als seriell zu arbeiten. “Kontextuelle Targetings können beispielsweise, wenn sie clever gemacht sind, auch soziodemografische Merkmale berücksichtigen.”

Die Diskussion um Audiences dreht sich nicht nur um einzelne Datenquellen, sondern um das Zusammenspiel mehrerer Ebenen. Zielgruppenstrategien verschwinden natürlich nicht, werden aber anders operationalisiert. Aus ihnen entstehen datenbasierte Segmente, die wiederum nur so stark sind wie ihre Aktivierung.

Identity verliert dabei nicht zwangsläufig an Bedeutung, aber der Kontext wird dynamischer. Geo- und Offline-Daten gewinnen an Gewicht, Attention kann als Metrik ergänzende Signale geben. Entscheidend ist, ob sich diese Signale letztlich in belastbare Audiences übersetzen und technisch sauber aktivieren lassen.

Es wird also wichtiger, wann und in welchem Umfeld Relevanz entsteht – und ob sich diese Relevanz skalierbar und erklärbar aktivieren lässt. Zukunftsfähiges Targeting stützt sich demnach nicht auf ein einzelnes Datenfundament. Es entsteht, indem stabile Signale, transparente Modelle und skalierbare Aktivierung zusammenfinden.