Targeting (von englisch target = Ziel) bezeichnet die gezielte Ansprache definierter Zielgruppen im Onlinemarketing. Statt Werbung unspezifisch an ein breites Publikum auszuspielen, ermöglichen digitale Technologien eine präzise Steuerung, welche Nutzer welche Werbebotschaft zu sehen bekommen – basierend auf demografischen Merkmalen, Verhalten, Standort, technischen Eigenschaften oder inhaltlichem Kontext. Voraussetzung für erfolgreiches Targeting ist stets eine klare Zielgruppendefinition im Vorfeld einer Kampagne: Wer nicht weiß, wen er erreichen will, kann auch die verfügbaren Targeting-Werkzeuge nicht sinnvoll einsetzen. Targeting ist damit kein einzelnes Verfahren, sondern ein ganzes Instrumentarium unterschiedlicher Methoden, die sich in der Praxis häufig kombinieren lassen.
Soziodemografisches Targeting richtet Werbung nach demografischen Merkmalen wie Alter, Geschlecht, Bildung oder Einkommen aus – gestützt auf Marktforschungsdaten oder Profildaten von Plattformen. Es ist eines der ältesten und am leichtesten verständlichen Verfahren, weil es sich unmittelbar an klassischer Zielgruppendefinition orientiert, wie sie schon in der analogen Mediaplanung üblich war. Die zugrunde liegenden Zielgruppeninformationen stammen häufig aus standardisierten Marktforschungsquellen oder aus selbstberichteten Profildaten auf Werbeplattformen.
Regionales Targeting, auch Geo-Targeting genannt, steuert Werbung anhand des geografischen Standorts eines Nutzers – von der groben Länderebene bis zur präzisen Umkreis-Ansprache rund um einen bestimmten Ort. Technisch basiert das Verfahren meist auf IP-Adressen oder, bei mobilen Geräten, auf deutlich präziseren GPS- und WLAN-Standortdaten. Für lokale Anbieter, die nur in einem begrenzten Einzugsgebiet tätig sind, ist diese Form des Targetings häufig die wirtschaftlich sinnvollste Eingrenzung überhaupt, weil Streuverluste außerhalb des eigenen Liefer- oder Servicegebiets vollständig vermieden werden können.
Technisches Targeting stützt sich auf Geräte- und Verbindungsmerkmale – Browser, Betriebssystem, Bildschirmauflösung oder Verbindungsqualität –, um Werbemittel in einer technisch passenden Form auszuliefern oder bestimmte Gerätegruppen gezielt anzusprechen. Anders als die meisten übrigen Verfahren beantwortet technisches Targeting nicht die Frage, wen eine Kampagne erreichen soll, sondern wie eine Anzeige technisch beschaffen sein muss, damit sie beim erreichten Nutzer überhaupt funktioniert – etwa, indem datenintensive Videowerbung nur bei ausreichender Verbindungsqualität ausgespielt wird.
Contextual Targeting orientiert sich am inhaltlichen Umfeld einer Website, in dem eine Anzeige erscheinen soll – nicht am Nutzer selbst, sondern am Thema der gerade betrachteten Seite. Die klassische Umsetzung arbeitet keyword-basiert: Eine Liste vordefinierter Schlagwörter wird auf einer Seite gesucht, bei Treffer wird die passende Anzeige geschaltet. Ein Sportartikelhersteller lässt seine Werbung so gezielt neben Artikeln über Laufschuhe oder Fitnessstudios erscheinen, ohne dabei irgendetwas über den einzelnen Leser wissen zu müssen.
Der große Vorteil von Contextual Targeting liegt darin, dass es vollständig ohne personenbezogene Daten funktioniert – es analysiert die Seite, nicht den Menschen, der sie liest. Genau diese Eigenschaft hat dem Verfahren in den vergangenen Jahren, mit dem Wegfall von Third-Party-Cookies und wachsenden Datenschutzanforderungen, zu einer Renaissance verholfen.
Semantisches Targeting ist die technische Weiterentwicklung des Contextual Targetings. Statt nur nach einzelnen Schlagwörtern zu suchen, analysiert es mittels Natural Language Processing den gesamten Sinnzusammenhang eines Textes. Das löst ein klassisches Problem des reinen Keyword-Matchings – etwa dass ein Artikel über einen Flugzeugabsturz ebenfalls das Wort „Fluggesellschaft" enthält und trotzdem denkbar ungeeignet für eine Airline-Werbung ist. Semantisches Targeting erkennt solche negativen Kontexte und schließt sie gezielt aus, wodurch sich das Risiko einer Fehlplatzierung gegenüber dem einfachen Contextual Targeting deutlich reduziert.
Behavioral Targeting setzt nicht am Inhalt einer Seite an, sondern am dokumentierten Verhalten eines einzelnen Nutzers über die Zeit und häufig über mehrere Websites hinweg. Erfasst werden typischerweise besuchte Seiten, angeklickte Anzeigen, Verweildauer und wiederkehrende Themeninteressen. Auf Basis dieser Signale bildet ein Algorithmus den Nutzer auf bestimmte Interessensegmente ab – „sportbegeistert", „reiseinteressiert" – und ordnet ihm anschließend Werbemittel zu, die zu diesem Profil passen, unabhängig davon, welchen Inhalt die konkret besuchte Seite gerade hat. Das unterscheidet Behavioral Targeting fundamental von Contextual Targeting: Wer als Sportler eingestuft wurde, sieht Laufschuh-Werbung auch dann, wenn er sich gerade ein Kochrezept ansieht.
Predictive Behavioral Targeting geht über die reine Auswertung vergangenen Verhaltens hinaus und kombiniert Surfverhalten mit zusätzlichen Datenquellen – etwa Befragungsdaten, Registrierungsangaben oder demografischen Zusatzinformationen –, um daraus statistisch fundierte Vorhersagemodelle zu erzeugen. Statt lediglich zu dokumentieren, welche Websites ein Nutzer in der Vergangenheit besucht hat, schätzt das Verfahren, wie wahrscheinlich es ist, dass er zu einer bestimmten Zielgruppe gehört – auch dann, wenn sein bisheriges Verhalten dafür keine eindeutigen, direkten Belege liefert.
Der praktische Nutzen liegt vor allem in der Reichweitenerweiterung: Predictive Behavioral Targeting ermöglicht Zielgruppenansprache mit vergleichsweise geringen Streuverlusten auch auf thematisch fremden Websites, auf denen ein rein kontextuelles oder klassisches Behavioral-Modell an seine Grenzen stoßen würde. Ein Nutzer, der noch nie eine Reiseseite besucht hat, aber aufgrund kombinierter demografischer und verhaltensbezogener Signale statistisch stark einem reiseaffinen Cluster ähnelt, kann so dennoch treffsicher mit Reisewerbung erreicht werden. Die Kehrseite ist eine höhere technische und methodische Komplexität gegenüber dem einfacheren, rein retrospektiven Behavioral Targeting – und eine größere Angreifbarkeit aus Datenschutzperspektive, weil hier tendenziell mehr unterschiedliche Datenquellen miteinander verknüpft werden.
Re-Targeting ist die bekannteste und in der Praxis am häufigsten eingesetzte Sonderform des Behavioral Targeting. Es platziert Werbung gezielt bei Nutzern, die bereits eine konkrete Aktion durchgeführt haben – ein Produkt in den Warenkorb gelegt, eine Produktseite besucht oder auf ein Werbemittel geklickt, ohne dass anschließend eine Conversion zustande kam. Diese Nutzer werden technisch in einer Re-Targeting-Liste geführt und auf anderen, am selben Werbenetzwerk angeschlossenen Websites erneut mit einem passenden, oft sehr konkreten Angebot konfrontiert – etwa genau dem Produkt, das im Warenkorb liegen geblieben ist.
Wie beim allgemeinen Behavioral Targeting spielt auch beim Re-Targeting der zeitliche Faktor eine entscheidende Rolle und stellt ein gewisses Werberisiko dar: Ein Nutzer, der sich gestern noch informiert hat, hat heute möglicherweise bereits bei einem anderen Anbieter gekauft. Ist das der Fall, ist die fortgesetzte Bewerbung des Produkts nicht nur wirkungslos, sondern kann auch als unangenehm aufdringlich wahrgenommen werden. Professionelle Kampagnen begegnen dem mit Frequency Capping zur Begrenzung der Einblendungshäufigkeit sowie mit automatisierten Ausschlusslisten, die Nutzer nach erfolgter Conversion umgehend aus der laufenden Kampagne entfernen.
CRM-Targeting, auch Customer Targeting genannt, nutzt unternehmenseigene Kundendaten aus dem CRM-System, um Werbemittel und Informationen gezielt auf bereits bekannte Kunden zuzuschneiden. Eingesetzt wird es meist in geschützten Kundenbereichen, Onlineshops, Intranets oder Extranets, wo eine Anmeldung ohnehin bereits eine sichere Identifikation des Nutzers ermöglicht. Anders als die meisten übrigen Targeting-Verfahren basiert CRM-Targeting damit vollständig auf First-Party-Daten, die ein Unternehmen im Rahmen einer bestehenden Kundenbeziehung selbst erhoben hat.
Social Targeting kombiniert mehrere der genannten Dimensionen speziell innerhalb sozialer Netzwerke, gestützt auf die dortigen First-Party-Nutzerdaten – Interessen, demografische Angaben, Standort und Interaktionsverhalten, die die Plattform direkt über ihre eigenen Nutzer besitzt. Weil soziale Netzwerke traditionell über besonders umfangreiche und detaillierte Nutzerprofile verfügen, gilt Social Targeting häufig als eines der granularsten verfügbaren Verfahren – auch wenn die tatsächlich nutzbaren Kriterien in den vergangenen Jahren aus Datenschutzgründen auf vielen Plattformen eingeschränkt wurden.
Real-Time-Bidding (RTB) ist selbst kein Targeting-Verfahren im engeren Sinn, sondern die technische Auktionsinfrastruktur, über die viele der genannten Targeting-Kriterien praktisch umgesetzt werden. Sobald ein Nutzer eine Website mit Werbeflächen aufruft, wird in Echtzeit – innerhalb von Millisekunden, noch während die Seite lädt – eine automatisierte Auktion unter zahlreichen Werbetreibenden durchgeführt. Jeder Bieter definiert vorab, welche Zielgruppenkriterien für ihn relevant sind; passt der gerade aufgerufene Werbeplatz zu diesen Kriterien, gibt ein automatisiertes System ein Gebot ab. Der höchste zulässige Bieter gewinnt die Werbefläche, und die passende Anzeige wird ausgeliefert, noch bevor die Seite vollständig geladen ist.
RTB ist damit die Verbindungsschicht zwischen Targeting-Strategie und tatsächlicher Anzeigenauslieferung: Ohne diese automatisierte Infrastruktur müssten Werbeplätze einzeln und manuell verhandelt werden – ein Modell, das bei den heutigen Datenmengen und Auslieferungsgeschwindigkeiten nicht mehr praktikabel wäre. Gerade Re-Targeting-Kampagnen laufen technisch fast immer über RTB: Sobald ein Nutzer aus einer Re-Targeting-Liste auf einer beliebigen angeschlossenen Seite eine Werbefläche aufruft, bietet das System des Werbetreibenden bevorzugt und häufig mit einem höheren Gebot auf genau diese Impression. Über RTB abgewickelte Werbung wird häufig unter dem Begriff Programmatic Advertising zusammengefasst.
Die Präzision individualisierter Targeting-Verfahren hat sich in den vergangenen Jahren spürbar verändert. Die DSGVO verlangt für viele Formen der Datenverarbeitung zu Werbezwecken eine ausdrückliche Einwilligung. Der schrittweise Wegfall von Third-Party-Cookies sowie Apples App Tracking Transparency haben insbesondere geräteübergreifendes Behavioral und Re-Targeting erschwert – Kampagnen dieser Art erreichen seither spürbar weniger Nutzer zuverlässig als noch vor wenigen Jahren. Als Reaktion gewinnen Verfahren, die ohne individuelle Nutzerprofile auskommen – allen voran Contextual und semantisches Targeting sowie aggregierte, nicht-personenbezogene soziodemografische Daten – wieder an relativer Bedeutung. Gleichzeitig setzen Plattformen zunehmend auf KI-gestützte, aggregierte Zielgruppenmodelle, die auch mit eingeschränkter Datengrundlage relativ präzise Ergebnisse liefern, sowie auf First-Party-Datenstrategien für Re-Targeting-Zwecke, die nicht mehr auf plattformübergreifende Cookies angewiesen sind.
In professionellen Kampagnen werden Targeting-Methoden selten isoliert eingesetzt. Eine typische Kombination könnte etwa soziodemografische Eingrenzung (Frauen, 25–45 Jahre) mit regionalem Targeting (Umkreis um bestimmte Städte) und interessenbasiertem Behavioral Targeting verbinden, um eine möglichst präzise, aber nicht zu kleine Zielgruppe zu erreichen. Diese Schichtung mehrerer Kriterien reduziert Streuverluste erheblich, ohne die Reichweite so weit einzuschränken, dass eine Kampagne wirtschaftlich ineffizient wird. Die technische Aussteuerung dieser kombinierten Kriterien erfolgt in der programmatischen Werbung meist über Real-Time-Bidding.
Targeting bezeichnet die gezielte Ansprache definierter Zielgruppen im Onlinemarketing – statt Werbung breit und unspezifisch auszuspielen, wird sie auf Basis demografischer, geografischer, verhaltensbasierter, technischer oder inhaltlicher Kriterien nur an relevante Nutzer ausgesteuert. Ziel ist es, Streuverluste zu minimieren und die Werbewirkung zu maximieren. Voraussetzung für erfolgreiches Targeting ist eine klare Zielgruppendefinition im Vorfeld jeder Kampagne.
Klassisches Contextual Targeting arbeitet keyword-basiert: Es sucht auf einer Seite nach vordefinierten Schlagwörtern und schaltet bei Treffer die passende Anzeige. Semantisches Targeting geht einen Schritt weiter und analysiert mittels Natural Language Processing den gesamten Sinnzusammenhang eines Textes – es erkennt Mehrdeutigkeiten und negative Kontexte, die reines Keyword-Matching übersieht. Beide Verfahren haben gemeinsam, dass sie ohne personenbezogene Nutzerdaten auskommen und ausschließlich den Seiteninhalt analysieren.
Behavioral Targeting analysiert das dokumentierte Surfverhalten eines Nutzers und ordnet ihn auf dieser Grundlage einem Interessensegment zu. Predictive Behavioral Targeting erweitert diesen Ansatz um zusätzliche Datenquellen wie Befragungs- oder Registrierungsdaten und erzeugt daraus statistische Vorhersagemodelle, die auch Nutzer ohne eindeutige Verhaltenshistorie treffsicher einer Zielgruppe zuordnen können. Re-Targeting wiederum ist eine spezielle, sehr verbreitete Ausprägung des Behavioral Targeting: Es spricht ausschließlich Nutzer erneut an, die bereits eine konkrete Handlung auf der eigenen Website vorgenommen haben, etwa den Besuch einer Produktseite oder einen abgebrochenen Warenkorb.
Zwischen dem beobachteten Interesse eines Nutzers und der tatsächlichen Anzeigenausspielung liegt zwangsläufig eine zeitliche Verzögerung. Ein Nutzer, der sich gestern für ein Produkt interessiert hat, kann heute bereits bei einem anderen Anbieter gekauft haben – die weiterhin ausgespielte Werbung ist dann nicht nur wirkungslos, sondern kann auch als aufdringlich empfunden werden. Professionelle Re-Targeting-Kampagnen begegnen diesem Problem mit Frequency Capping zur Begrenzung der Einblendungshäufigkeit und mit automatisierten Ausschlusslisten, die Nutzer nach erfolgter Conversion umgehend aus der Kampagne entfernen.
Real-Time-Bidding (RTB) ist kein eigenes Targeting-Verfahren, sondern die automatisierte Auktionsinfrastruktur, über die viele Targeting-Kriterien technisch umgesetzt werden. Sobald ein Nutzer eine Website mit Werbeflächen aufruft, läuft in Echtzeit – innerhalb von Millisekunden – eine automatisierte Auktion unter Werbetreibenden, deren vordefinierte Zielgruppenkriterien zum jeweiligen Nutzer passen. Besonders Re-Targeting-Kampagnen laufen technisch fast immer über RTB, da hier bei jeder einzelnen Impression in Echtzeit geprüft werden muss, ob der aufrufende Nutzer auf einer Re-Targeting-Liste steht.
CRM-Targeting nutzt unternehmenseigene Kundendaten aus dem eigenen CRM-System, meist in geschützten Kundenbereichen, Onlineshops oder Extranets, wo eine Anmeldung bereits eine sichere Identifikation ermöglicht. Social Targeting hingegen kombiniert mehrere Targeting-Dimensionen speziell innerhalb sozialer Netzwerke, gestützt auf First-Party-Nutzerdaten der jeweiligen Plattform – Interessen, demografische Angaben, Standort und Interaktionsverhalten. Der zentrale Unterschied liegt in der Datenquelle: CRM-Targeting basiert auf eigenen Kundendaten, Social Targeting auf den Daten des Plattformbetreibers.
Die DSGVO, der Wegfall von Third-Party-Cookies und Apples App Tracking Transparency haben individualisiertes, geräteübergreifendes Targeting – insbesondere Behavioral und Re-Targeting – deutlich erschwert. Als Reaktion gewinnen Verfahren, die ohne individuelle Nutzerprofile funktionieren, wieder an Bedeutung: Contextual und semantisches Targeting sowie aggregierte soziodemografische Daten. Gleichzeitig setzen Plattformen verstärkt auf KI-gestützte, aggregierte Zielgruppenmodelle und First-Party-Datenstrategien, um auch mit eingeschränkter Datengrundlage präzise Ergebnisse zu liefern.
Zielgruppe: Die definierte Gruppe potenzieller Kunden, deren Eingrenzung die Grundvoraussetzung für jede Form von Targeting bildet – ohne klare Zielgruppendefinition laufen selbst die präzisesten technischen Verfahren ins Leere.
Streuverluste: Der Anteil einer Werbemaßnahme, der Personen außerhalb der Zielgruppe erreicht – die zentrale Kennzahl, an der sich der Erfolg jedes Targeting-Verfahrens messen lässt.
DSGVO: Die europäische Datenschutz-Grundverordnung, die für datengetriebene Verfahren wie Behavioral- oder Re-Targeting eine ausdrückliche Nutzereinwilligung verlangt und damit den rechtlichen Rahmen für praktisch jede Form individualisierten Targetings absteckt.
Programmatic Advertising: Der Oberbegriff für die automatisierte, datenbasierte Ausspielung von Onlinewerbung – das technische Ökosystem, innerhalb dessen Real-Time-Bidding und die meisten datengestützten Targeting-Verfahren praktisch stattfinden.
Lookalike Audience: Eine algorithmisch generierte Zielgruppe, die bestehenden Kunden in ihren Merkmalen ähnelt – ein Verfahren, das häufig ergänzend zu klassischem Targeting eingesetzt wird, um die Reichweite über die bekannte Zielgruppe hinaus zu vergrößern.
Frequency Capping: Die Begrenzung der Anzeigenhäufigkeit pro Nutzer innerhalb eines Zeitraums – ein technisches Steuerungsinstrument, das bei nahezu allen individualisierten Targeting-Verfahren zum Einsatz kommt, um Werbemüdigkeit zu vermeiden.
letzte Aktualisierung: 2. Juli 2026