Wie Rascasse Zielgruppen misst

Unser Ansatz

Rascasse bewegt sich zwischen den beiden etablierten Methoden zur Analyse der Zielgruppen. Wir sind weder ein Umfrageanbieter noch ein Social-Listening-Tool. Wir beobachten das digitale Verhalten über mehrere unabhängige Quellen hinweg und erstellen Profile der Zielgruppen anhand dessen, was die Menschen tun.

Der Grund dafür ist die Diskrepanz zwischen dem, was gesagt wird, und dem, was getan wird: Was Menschen über sich selbst berichten, weicht oft von dem ab, was sie tatsächlich tun. Choi und Varian zeigten, dass Suchverhalten Informationen über die tatsächliche wirtschaftliche Aktivität enthält, die früher verfügbar sind als offizielle Statistiken.^[1] Kosinski, Stillwell und Graepel zeigten, dass digitale Verhaltensdaten persönliche Merkmale mit hoher Genauigkeit vorhersagen.^[2]

Die Marktforschungsbranche diskutiert dasselbe Problem. Auf der IIeX North America 2025 präsentierte Qrious Insights Ergebnisse, die auf Fehlerquoten von rund 80 % bei selbst angegebenen Mediennutzungsdaten hindeuten.^[3] Der „State of Survey Fraud 2025“-Bericht von Rep Data analysierte 4,1 Milliarden Umfrageversuche und stufte 33 % als betrügerisch und 27 % als unaufmerksam ein.^[4] Umfragen bleiben das richtige Instrument für Einstellungserhebungen. Bei Verhaltensdaten vermeiden beobachtete Signale Erinnerungslücken und Selbstauskünfte.

Drei Wege, eine Zielgruppe zu untersuchen

Der ICC/ESOMAR International Code (5. Auflage, 2025) erkennt die Rolle des Forschers als Datenkurator an: Erkenntnisse aus vorhandenen Daten zu gewinnen, anstatt durch direkten Kontakt mit den Teilnehmern.^[5] In dem von Heineken auf der ESOMAR Reimagine 2025 vorgestellten Risikorahmen für synthetische und imputierte Daten gehört diese Methode zur Stufe mit dem geringsten Risiko, der Datenimputation, da sie Rückschlüsse aus echten Verhaltenssignalen zieht, anstatt synthetische Befragten zu generieren.^[6]

Grundsätze

• Mehrere Quellen, keine davon dominiert. Jedes Profil kombiniert unabhängige Quellen. Keine einzelne Quelle bestimmt das Ergebnis.
• Aggregiert und nicht personenbezogen. Wir arbeiten mit Mustern auf Bevölkerungsebene. Es wird keine einzelne Person nachverfolgt oder profiliert.
• Verhalten statt angegebener Präferenzen. Suchanfragen, Follows, Aufrufe und Besuche – keine Antworten auf Fragen.
• Offenheit gegenüber Unsicherheiten. Wo die Datenlage lückenhaft ist, sagen wir es auch: Schätzungen werden als „modelliert“ oder als „unzureichende Daten“ gekennzeichnet, anstatt als „gemessen“ dargestellt zu werden.

Datenquellen

Die Signale stammen aus mehreren unabhängigen Kategorien. Jede zeigt eine andere Seite des Verhaltens. Die Kombination unabhängiger Datenströme, um Schätzungen zu erstellen, die keine einzelne Quelle allein liefern kann – das ist das Prinzip der Datenfusion, wie es von Ipsos MediaCT beschrieben wird.^[7]

Die Methode ist weder auf Cookies von Drittanbietern noch auf Browser-Tracking angewiesen und hängt auch nicht von der Schnittstelle eines einzelnen Anbieters ab: Wenn eine Quelle ihren Zugriff ändert, übernehmen die anderen das Profil. Die ESOMAR-Richtlinie zur passiven Datenerhebung, Beobachtung und Aufzeichnung legt Transparenz und Verhältnismäßigkeit als Voraussetzungen für die Forschung an beobachteten Daten fest; unser Ansatz befolgt beides.^[8]

Objekte

Alles, was wir messen, ist ein Objekt: eine Marke, eine Person, ein Verein, ein Künstler, eine Veranstaltung, ein Medientitel oder ein Thema, das messbares digitales Verhalten hinterlässt. Darunter befinden sich über 50.000 Marken und über 100.000 Medienkanäle; zusammen beschreiben sie Zielgruppen mit über 500.000 Datenpunkten.

Jedes Objekt wird durch eine kuratierte Sammlung von Schlüsselwörtern, Aliasen und Kategorien definiert. Das ist wichtig, weil ein Suchbegriff verschiedene Bedeutungen haben kann: „Jaguar“ als Automarke ist nicht dasselbe wie „Jaguar“ als Tier. Um sie voneinander zu unterscheiden, braucht es Fachwissen, das durch Algorithmen überprüft wird.

Für jedes Objekt berechnen wir eine Größe, die Such- und Social-Media-Interaktionen kombiniert, sodass Objekte kategorie- und länderübergreifend verglichen werden können, sowie einen Qualitätswert, der sich aus der Übereinstimmung unabhängiger Quellen ergibt. Ein niedriger Wert löst eine Überprüfung aus. Eine neue Marke kann innerhalb von 2 Stunden hinzugefügt werden.

Zielgruppen

Eine Zielgruppe wird durch die Objekte definiert, die sie beschreiben. Die einfachste Zielgruppe besteht aus einem einzigen Objekt: Fans eines Vereins, Hörer eines Künstlers, Kunden einer Marke. Komplexere Zielgruppen kombinieren Objekte mit UND, ODER und NICHT, zum Beispiel nachhaltige Modemarken und Medien, ohne Fast-Fashion-Marken.

Die Komponenten werden danach gewichtet, wie aussagekräftig sie die Zielgruppe beschreiben: Bei Hip-Hop-Fans haben Künstler ein höheres Gewicht als Medientitel. Jede Zielgruppe basiert auf über 100.000 Datenpunkten. Eine neue, von dir definierte Zielgruppe ist innerhalb von 24 Stunden einsatzbereit – ganz ohne neuen Fragebogen oder Feldforschung. Siehe Zielgruppenprofilierung, Segmentierung und Personas.

Demografische Modellierung

Alter, Geschlecht und andere demografische Merkmale lassen sich nicht direkt aus Suchdaten ablesen. Wir schätzen sie anhand mehrerer unabhängiger Indikatoren und kombinieren diese. Jeder Indikator ist ein Anhaltspunkt; das Profil ergibt sich aus den Übereinstimmungen zwischen ihnen.

1. Kanalstruktur. Jeder Social-Media-Kanal hat eine dokumentierte Struktur der Zielgruppen; wir gleichen diese anhand der Studien des Pew Research Center zur Social-Media-Nutzung ab.^[9] Wie stark ein Objekt auf jedem Kanal vertreten ist, bestimmt sein Profil.
2. Übertragung von bekannten Zielgruppen. Wenn Creator mit einem bekannten Zielgruppenprofil eine Affinität zu einer Marke zeigen, wird ein Teil dieser Informationen durch bayessche Aktualisierung übertragen: Das bisherige Profil der Marke plus die Zielgruppe des Creators ergibt eine überarbeitete Schätzung.
3. Veröffentlichte Forschungsergebnisse als Kalibrierungsgrundlage. Veröffentlichte Studien, nationale Statistiken, TV-Einschaltquoten mit bekannten Altersverteilungen und Kategoriedaten dienen als feste Bezugspunkte.
4. Regionale Muster. Regionen weisen bekannte demografische Strukturen auf. Wenn eine Marke überproportional häufig in Universitätsstädten gesucht wird, deutet das auf eine jüngere Zielgruppe hin. Bei der bayesschen Aktualisierung werden nationale A-priori-Werte mit diesen regionalen Mustern kombiniert.

Das bayesianische Rahmenkonzept hinter den Indikatoren 2 und 4 folgt etablierten Methoden der Marketingwissenschaft, wie sie von Rossi, Allenby und McCulloch beschrieben und^[10] von Google Research auf die Medienmix-Modellierung angewendet wurden.^[11]

Affinität und Psychografie

Die Affinität misst, wie stark eine Zielgruppe mit einer Marke, einer Person oder einem Objekt verbunden ist, verglichen mit dem Marktdurchschnitt. Der Referenzwert liegt bei 1,0. Ein Wert über 1,0 bedeutet überdurchschnittliches Interesse, ein Wert unter 1,0 unterdurchschnittliches. Diese in der Mediaplanung übliche Indexform macht Objekte und Zielgruppen vergleichbar. Siehe Affinitätsindex. Die Berechnung nutzt Techniken aus dem kollaborativen Filtern und der Matrixfaktorisierung, wie sie von Koren, Bell und Volinsky beschrieben wurden:^[12] Muster des gemeinsamen Auftretens im Verhalten offenbaren Präferenzen, die einzelne Objekte für sich genommen nicht zeigen.

Psychografische Merkmale wie Nachhaltigkeitsorientierung, Technologieakzeptanz, Luxusaffinität oder Gesundheitsbewusstsein werden anhand von Markerobjekten bewertet: Marken, Personen und Objekte, die starke Indikatoren für ein bestimmtes Merkmal sind. Der Wert zeigt, inwieweit eine Zielgruppe bei diesen Indikatoren über- oder unterdurchschnittlich abschneidet. Der Ansatz stützt sich auf Forschungsergebnisse zur Vorhersage von Merkmalen anhand des digitalen Verhaltens,^[2] auf die Schwartz-Theorie der Grundwerte sowie auf Boyd et al.,^[13] die gezeigt haben, dass sich Wertorientierungen aus dem digitalen Verhalten ableiten lassen.^[14]

Standort

Die Standort-Ergebnisse basieren auf der regionalen Verteilung von Verhaltenssignalen, kombiniert mit Sehenswürdigkeiten aus offenen geografischen Datenbanken: Veranstaltungsorte, Geschäfte, kulturelle Einrichtungen und Sportstätten. Die Ergebnisse reichen bis auf die Ebene von Region, Stadt und Postleitzahl, sofern verfügbar, mit bis zu 10.000 Datenpunkten pro Postleitzahl.

Die regionale Affinität misst, wie stark eine Marke oder ein Objekt an einem Ort im Vergleich zum nationalen Durchschnitt ankommt, und baut dabei auf der von Choi und Varian beschriebenen regionalen Analyse auf.^[1] Nicht jeder lokale Ausschlag ist echt: Eine Stadt mit ungewöhnlich hoher Affinität wird mit benachbarten Städten und ihrer Region abgeglichen. Isolierte Ausschläge ohne regionale Bestätigung werden als mögliche Artefakte behandelt und nicht als Ergebnisse ausgewiesen. Siehe Standortplanung und lokales Targeting und Außenwerbung.

Share of Search

Der „Share of Search“ ist der Anteil einer Marke an allen markenbezogenen Suchanfragen innerhalb eines definierten Wettbewerbsumfelds. Les Binet hat diesen Begriff 2020 auf der IPA EffWorks Global offiziell eingeführt.^[15] Der IPA Think Tank unter der Leitung von James Hankins analysierte 30 Studien aus 12 Kategorien und 7 Ländern und stellte fest,^[16] dass die Share of Search etwa 83 % des Marktanteils ausmacht und dass Veränderungen bei der Share of Search in der Regel vor Veränderungen beim Marktanteil auftreten.

• Deine Wettbewerbsgruppe. Pro Frage definiert, nicht aus einer festen Taxonomie übernommen. „Premium-Autos“ in Deutschland können sich von dem gleichen Begriff in den Vereinigten Staaten unterscheiden.
• Vierteljährlich, mit Zeitreihe. Wird vierteljährlich aktualisiert und umfasst eine Zeitreihe von bis zu zehn Jahren (4 bis 10+ Jahre, je nach Markt), sodass Trends von saisonalen Schwankungen getrennt werden können.
• Jeder Markt für sich. Jedes Land wird separat analysiert, da sich der Wettbewerb von Land zu Land unterscheidet.
• Normalisiert. Die Volumina werden um saisonale Schwankungen sowie um das Wachstum oder den Rückgang der gesamten Kategorie bereinigt.

Siehe Share of Search und Marktanteil.

Validierung

• Übereinstimmung der Quellen. Ein Ergebnis wird nur dann mit hoher Sicherheit ausgewiesen, wenn unabhängige Quellen übereinstimmen. Ergebnisse aus einer einzigen Quelle werden entsprechend gekennzeichnet.
• Langfristige Stabilität. Die Ergebnisse werden über die gesamte Zeitreihe hinweg überprüft. Eine plötzliche Verschiebung ohne Bestätigung durch andere Signale löst eine Überprüfung aus, nicht jedoch eine automatische Meldung.
• Vergleiche mit öffentlich zugänglichen Daten. Die Profile werden, sofern vorhanden, mit externen Zahlen abgeglichen: TV-Einschaltquoten, veröffentlichte Umsatzzahlen, demografische Daten aus Volkszählungen und veröffentlichte Studien.
• Qualitätsbewertung. Jedes Objekt erhält eine Bewertung hinsichtlich der Konsistenz und Breite seiner Daten. Niedrige Bewertungen werden in der Rascasse Solution gekennzeichnet.

Datenschutz

Wir verarbeiten aggregierte, nicht personenbezogene Signale. Keine einzelne Person wird identifiziert, nachverfolgt oder profiliert. Die Methode ist DSGVO-konform, verwendet keine Cookies und benötigt weder CRM- noch First-Party-Daten von dir. Es findet also vor Beginn der Arbeit keine Datenintegration statt und es erfolgt keine Vermischung deiner Kundendaten mit externen Quellen.

Was wir nicht tun

• Keine Umfragen. Wir fragen niemanden etwas. Es gibt kein Panel und keinen Fragebogen.
• Keine Cookies. Keine Tracking-Pixel, kein Tracking auf Browserebene, keine Cookies von Drittanbietern.
• Keine personenbezogenen Daten. Keine Namen, keine E-Mail-Adressen, keine individuellen Profile. Nur aggregierte Muster.
• Es werden keine CRM-Daten benötigt. Du musst keine Kunden- oder First-Party-Daten weitergeben. Wenn du möchtest, kannst du deine eigenen Verkaufsdaten mit unseren Ergebnissen abgleichen.
• Keine fiktiven Befragten. Wir simulieren keine Menschen. Jede Schätzung basiert auf beobachtetem Verhalten.

Grenzen

Eine Methode ist nur so glaubwürdig wie ihre angegebenen Grenzen. Das sind unsere.

• Einstellungen werden nicht gemessen. Wir sehen, was die Leute tun, nicht, was sie denken oder warum sie sagen, dass sie es tun. Angegebene Motivationen, Wahrnehmungen und Kaufabsichten erfordern eine Umfrage. Sieh dir den Vergleich mit YouGov und GWI an.
• Kleine Zielgruppen und kleine Postleitzahlen sind weniger zuverlässig. Je weniger Signale hinter einem Ergebnis stehen, desto größer ist die Unsicherheit. Betrachte Ergebnisse für sehr kleine Zielgruppen als Anhaltspunkt und nicht als genaue Zahl.
• Die Abdeckung variiert je nach Markt. Nicht jede Quelle ist überall gleichermaßen verfügbar. Wo marktbeherrschende Dienste öffentliche Daten einschränken, stehen weniger Quellen zur Verfügung und die Unsicherheit wächst. Auch die Datenhistorie variiert je nach Markt zwischen 4 und mehr als 10 Jahren.
• Online-Bevölkerungsgruppen. Die Daten beziehen sich auf Menschen, die online aktiv sind. Gruppen mit geringer digitaler Präsenz können unterrepräsentiert sein, und wir extrapolieren nicht auf Offline-Bevölkerungsgruppen, ohne dies ausdrücklich zu erwähnen.
• Demografische Daten werden abgeleitet. Sie werden geschätzt, nicht beobachtet, und sind bei Objekten mit eindeutigen Kanalmustern zuverlässiger.
• Vierteljährlich, nicht in Echtzeit. Die Daten werden vierteljährlich aktualisiert. Das priorisiert Stabilität und Überprüfung gegenüber Geschwindigkeit. Für den täglichen Einsatz kombiniere Rascasse mit einem Monitoring-Tool.

Quellen

1. Choi, H. & Varian, H. (2012). Die Gegenwart mit Google Trends vorhersagen. Economic Record, 88(s1), 2–9.
2. Kosinski, M., Stillwell, D. & Graepel, T. (2013). Private Merkmale und Eigenschaften lassen sich anhand digitaler Aufzeichnungen menschlichen Verhaltens vorhersagen. Proceedings of the National Academy of Sciences, 110(15), 5802–5805.
3. Moffatt, A. (2025). Vertrauen in die Forschung wiederaufbauen: Verhaltensdaten als Grundlage. Vorgestellt auf der IIeX North America / Qrious Insights.
4. Snell, S. (2025). Stand des Umfragenbetrugs 2025. Rep Data. Analyse von 4,1 Milliarden Umfragenversuchen.
5. ICC/ESOMAR Internationaler Kodex für Markt-, Meinungs- und Sozialforschung sowie Datenanalyse, 5. Auflage (2025).
6. Costella, T. / Heineken (2025). Synthetic Data Risk Framework. Vorgestellt auf der ESOMAR Reimagine 2025.
7. Ipsos MediaCT (2011). Data Fusion: Ein Whitepaper. Ipsos.
8. ESOMAR-Leitfaden zur passiven Datenerhebung, Beobachtung und Aufzeichnung. ESOMAR.
9. Pew Research Center (2025). Die Nutzung sozialer Medien durch die Amerikaner. Pew Research Center, Washington, D.C.
10. Rossi, P.E., Allenby, G.M. & McCulloch, R. (2005). Bayes’sche Statistik und Marketing. Wiley.
11. Google Research (2017). Bayessche Methoden für die Media-Mix-Modellierung. Google AI Blog.
12. Koren, Y., Bell, R. & Volinsky, C. (2009). Matrixfaktorisierungstechniken für Empfehlungssysteme. IEEE Computer, 42(8), 30–37.
13. Schwartz, S.H. (1992). Universalien im Inhalt und in der Struktur von Werten: Theoretische Fortschritte und empirische Überprüfungen in 20 Ländern. Advances in Experimental Social Psychology, 25, 1–65.
14. Boyd, R. et al. (2015). Werte in Worten: Sprache zur Bewertung und zum Verständnis persönlicher Werte. Tagungsband der Internationalen AAAI-Konferenz zu Web und sozialen Medien (ICWSM).
15. Binet, L. (2020). Share of Search als Prognoseindikator. Vorgestellt auf der IPA EffWorks Global.
16. IPA Think Tank / Hankins, J. (2021). Die Share of Search macht 83 % des Marktanteils aus. IPA Think Tank-Analyse von 30 Studien, 12 Kategorien, 7 Ländern.