Behavioral Targeting ist eine Technik der digitalen Werbung, die Käufern Produkte auf Grundlage ihres tatsächlichen Onlineverhaltens zeigt – aufgerufene Seiten, in den Warenkorb gelegte Artikel, frühere Käufe, wiederholte Suchen –, statt sich auf grobe demografische Annahmen zu stützen. Werbeplattformen und Retargeting-Tools erfassen diese Browsing- und Interaktionsdaten und entscheiden damit, welche Produkte aus dem Katalog eines Händlers einem bestimmten Besucher gezeigt werden, während er sich durch das Web bewegt. Bei feedbasierter Werbung ist dies die Ebene, die aus einem statischen Produktkatalog ein reaktionsfähiges, personalisiertes Erlebnis macht.
Warum Behavioral Targeting für feedbasierte Werbung wichtig ist
Ein Produktfeed liefert nur den Rohkatalog – Titel, Preis, Bild, Verfügbarkeit –, doch erst Behavioral Targeting entscheidet, welcher dieser Tausenden Artikel einem bestimmten Käufer tatsächlich angezeigt wird. Ohne präzise Verhaltenssignale liefert selbst ein perfekt optimierter Feed allen dasselbe generische Sortiment aus, verschwendet Impressionen für Produkte, die ein Käufer bereits verworfen hat, und verpasst offensichtliche Chancen – etwa einen Warenkorbabbrecher, der nur einen kleinen Anstoß braucht. Deshalb schneiden Remarketing-Kampagnen bei den Kosten pro Akquisition oft besser ab als Prospecting: Sie kombinieren Feed-Daten mit realen Engagement-Kennzahlen aus dem Shop, sodass die angezeigte Anzeige zur nachgewiesenen Kaufabsicht passt statt auf einer bloßen Vermutung zu beruhen. Damit das gelingt, müssen die Produkt-IDs im Feed und der im Shop ausgelöste Tracking-Code eng aufeinander abgestimmt sein. Passen beide nicht zusammen, reißt die Verbindung ab, und ein Ansichts- oder Warenkorbereignis lässt sich keinem verkaufbaren Artikel mehr zuordnen.
Wie Behavioral Targeting funktioniert
Plattformen bilden verhaltensbasierte Zielgruppen, indem sie Besucher mit Ereignissen markieren – Produkt angesehen, in den Warenkorb gelegt, gekauft –, die jeweils mit einer bestimmten Artikel-ID aus dem Feed verknüpft sind. Sieht derselbe Käufer später eine Anzeige, gleicht die Engine für dynamische Anzeigen der Plattform seinen Ereignisverlauf mit dem aktuellen Feed ab und lädt das passende Produkt samt aktuellem Preis und Lagerstatus, statt ein statisches Creative auszuspielen. Händler kombinieren dies oft mit einer feineren Segmentierung und teilen Zielgruppen nach Kategorie, Preisspanne oder Aktualität des Kaufs auf, damit ein Kunde, der sich Laufschuhe angesehen hat, keine Anzeigen für einen völlig anderen Teil des Katalogs sieht. Verhaltensdaten fließen auch in Nischen-Targeting ein: Ein Händler kann eine kleine, aber kaufbereite Gruppe isolieren – etwa Käufer, die sich wiederholt eine bestimmte Limited-Edition-Linie angesehen haben – und ihr eine eigene Kampagne ausspielen, statt sie in einen breiten Remarketing-Pool zu integrieren.
Beispiel: Behavioral Targeting in einem Produktfeed
<item>
<g:id>SKU-77120</g:id>
<title>Trail Running Shoe - Slate Grey, Men's 10</title>
<link>https://example-shop.com/products/trail-running-shoe-slate-10</link>
<g:price>129.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_0>cart_abandoner_7d</g:custom_label_0>
<g:custom_label_1>viewed_not_purchased</g:custom_label_1>
</item>Die custom_label-Felder ändern hier nichts an der organischen Darstellung des Produkts. Sie dienen dazu, den Feed in verhaltensbasierte Kampagnengruppen zu filtern, sodass der Werbetreibende eine Anzeigengruppe für Warenkorbabbrecher aufbauen kann, die nur so markierte Artikel enthält – mit Preis und Bestand vom Stand der letzten Feed-Aktualisierung.
Verwandte Begriffe
Behavioral Targeting funktioniert am besten auf Basis einer übergeordneten Segmentierung, denn Zielgruppensegmente legen die Pools fest, innerhalb derer Verhaltenssignale angewendet werden. Häufig wird es weiter zu Nischen-Targeting verfeinert, wenn ein Händler eine bestimmte, besonders wertvolle Gruppe isolieren möchte, statt alle engagierten Käufer gleich zu behandeln. Nichts davon funktioniert jedoch ohne verlässliche Engagement-Kennzahlen, die überhaupt erst in das System einfließen – ohne diese vorgelagerten Daten gibt es kein Verhalten, auf das sich das Targeting stützen könnte.
