Abschnitt 1
Unser Ansatz
Rascasse nimmt in der Forschungslandschaft eine besondere Position ein: Behavioral Audience Intelligence. Wir sind weder ein Anbieter von Social Listening noch ein Anbieter von Umfrageforschung. Stattdessen analysieren wir systematisch beobachtbares digitales Verhalten aus verschiedenen Quellen, um Zielgruppenprofile zu erstellen, die auf dem basieren, was Menschen tun, und nicht auf dem, was sie sagen.
Dieser Unterschied ist von Bedeutung. Die Diskrepanz zwischen selbstberichteten Einstellungen und tatsächlichem Verhalten – die „Say-Do-Lücke“ – ist sowohl in der wissenschaftlichen Literatur als auch in der Branchenpraxis gut dokumentiert. Choi und Varian haben gezeigt, dass digitales Suchverhalten reale wirtschaftliche Aktivitäten genauer vorhersagt als traditionelle Umfrageinstrumente.1 Kosinski et al. haben nachgewiesen, dass digitale Aufzeichnungen menschlichen Verhaltens persönliche Eigenschaften mit bemerkenswerter Genauigkeit vorhersagen können.2
Die Marktforschungsbranche selbst erkennt diese Herausforderung zunehmend an. Auf der IIeX North America 2025 präsentierte Qrious Insights Ergebnisse, die auf Fehlerquoten von etwa 80 % bei selbstberichteten Daten zum Medienkonsum hindeuten.{{methodology.toc_item_14}} Der Bericht „State of Survey Fraud 2025“ von Rep Data analysierte 4,1 Milliarden Umfrageversuche und stellte fest, dass 33 % betrügerisch und 27 % unaufmerksam waren – womit etwa die Hälfte der gesammelten Antworten tatsächlich verwertbar ist.{{methodology.toc_item_15}}
Unser Ansatz steht im Einklang mit dem, was der ICC/ESOMAR International Code (5. Auflage, 2025) nun offiziell anerkennt: die legitime Rolle des „Forschers als Datenkurator“ – Fachleute, die Erkenntnisse aus bestehenden Datenquellen ableiten, anstatt Primärdaten durch direkten Kontakt mit den Teilnehmern zu generieren.5
Auf der ESOMAR Reimagine 2025 stellte Heineken ein Risikorahmenwerk für synthetische und imputierte Daten vor. Innerhalb dieses Rahmenwerks wird die Methodik von Rascasse als „Schritt 1: Datenimputation“ klassifiziert – die Kategorie mit dem geringsten Risiko, da sie Schlussfolgerungen aus realen Verhaltenssignalen zieht, anstatt synthetische Daten zu generieren.{{methodology.toc_item_17}}
Grundprinzipien
- Triangulation aus mehreren Quellen: Jeder Datenpunkt wird anhand unabhängiger Quellen validiert. Keine einzelne Quelle dominiert das Ergebnis.
- Aggregierte, nicht personenbezogene Daten: Wir verarbeiten Verhaltensmuster auf Bevölkerungsebene. Keine individuelle Nachverfolgung, keine Verarbeitung personenbezogener Daten – von Grund auf DSGVO-konform.
- Beobachtbares Verhalten vor angegebenen Präferenzen: Suchanfragen, Interaktionsmuster und Konsumverhalten liefern zuverlässigere Daten als selbst gemeldete Umfrageantworten.
- Transparenz hinsichtlich Unsicherheiten: Wo Daten lückenhaft sind, melden wir unzureichende Daten statt imputierter Werte.
Abschnitt 2
Datenarchitektur & Unabhängigkeit
Die Datenarchitektur von Rascasse ist bewusst konservativ gestaltet. Wir haben unseren Betrieb ohne ein einziges Quellverbot, eine API-Sperrung, eine Unterlassungsaufforderung oder einen Verstoß gegen die Nutzungsbedingungen geführt. Dies ist kein Zufall – es ist beabsichtigt. Unsere Architektur basiert auf öffentlich beobachtbarem Verhalten, das keinen privilegierten API-Zugriff, keine Benutzerauthentifizierung und keine Partnerschaften mit Dritten erfordert, die widerrufen werden können.
Keine Abhängigkeit von Cookies von Drittanbietern
Während ein Großteil des Ökosystems der digitalen Werbung mit Störungen durch die Abschaffung von Cookies konfrontiert ist – Googles Privacy Sandbox, Safaris ITP, Firefox’ ETP –, ist die Methodik von Rascasse vollständig cookieunabhängig. Wir verfolgen keine einzelnen Nutzer über Websites hinweg. Unsere Datenpunkte sind aggregierte Verhaltensmuster: Suchvolumina, Engagement-Metriken und Daten zur öffentlichen Interaktion. Keines davon stützt sich auf Tracking-Mechanismen auf Browserebene.
Keine Kundendaten erforderlich
Rascasse erfordert keinen Zugriff auf KundenCRMssysteme, First-Party-Daten, Kundendatenbanken oder sonstige geschützte Informationen. Unsere Erkenntnisse stammen vollständig aus öffentlich zugänglichen Verhaltensdaten. Das bedeutet: keine Datenverarbeitungsvereinbarungen (DPAs) über die Standard-SaaS-Bedingungen hinaus, kein Risiko der Vermischung von Kundendaten mit Daten aus Drittquellen, keine Verzögerungen bei der Datenintegration und vollständige DSGVO-Konformität von Grund auf.
Quellenunabhängigkeit
Im Gegensatz zu Wettbewerbern, die von der API einer einzigen Quelle abhängig sind – wie beispielsweise der Twitter/X Decahose oder der Marketing-API von Meta –, stellt die Multi-Source-Architektur von Rascasse sicher, dass keine Änderung einer einzelnen Quelle unsere Datenpipeline stören kann. Wenn Drittanbieter den API-Zugriff einschränken, wie es Twitter/X im Jahr 2023 getan hat oder wie Meta seine Marketing-API regelmäßig anpasst, bleibt unsere Methodik davon unberührt.
| Risikofaktor | Umfragebasiert | Sozialer Graph | Verhaltensbasiert (Rascasse) |
|---|---|---|---|
| Abhängigkeit von Quell-APIs | Panel-Anbieter | Twitter/X Decahose | Keine (öffentliche Daten) |
| Cookie-Abhängigkeit | Tracking-Pixel | Keine | Keine |
| Kundendaten erforderlich | Keine | Keine | Keine |
| Risiko einer Sperrung der Quelle | Risiko von Panelbetrug | Risiko der API-Sperrung | Keine (kein Verstoß gegen die Nutzungsbedingungen) |
| Datenverarbeitung gemäß DSGVO | Einwilligung des Panels erforderlich | Einwilligung zur Nutzung sozialer Daten | Es werden keine personenbezogenen Daten verarbeitet |
Die ESOMAR-Richtlinie zur passiven Datenerhebung, Beobachtung und Aufzeichnung erkennt ausdrücklich die Legitimität von Forschung auf der Grundlage öffentlich beobachtbarer Daten an, sofern diese den Grundsätzen der Transparenz und Verhältnismäßigkeit entspricht – beides Anforderungen, die die Architektur von Rascasse von Grund auf erfüllt.7
Abschnitt 3
Datenquellen
Rascasse erfasst Verhaltensdaten aus mehreren unabhängigen Kategorien. Jede Kategorie erfasst einen bestimmten Aspekt des digitalen Verhaltens, und keine einzelne Quelle dominiert das Endergebnis. Dieser Multi-Source-Ansatz folgt den von Ipsos MediaCT beschriebenen Prinzipien der Datenfusion: Die Kombination unabhängiger Datenströme führt zu Schätzungen, die keine einzelne Quelle allein liefern könnte.8
| Kategorie | Was wir erfassen | Datentyp |
|---|---|---|
| Suchverhalten | Suchvolumen, saisonale Muster, regionale Verteilung | Absichtsdaten |
| Soziale Kanäle | Follower-Diagramme, Interaktionsraten, Interaktion mit Inhalten | Interessedaten |
| Video & Streaming | Aufrufzahlen, Verhalten bei Wiedergabelisten, Kanalabonnements | Nutzungsdaten |
| Öffentliche Aufzeichnungen | TV-Einschaltquoten, Verkaufscharts, Preisverleihungsdatenbanken, Wikipedia | Validierungsdaten |
| Veröffentlichte Primärforschung | Veröffentlichte Umfrageergebnisse, Volkszählungsdaten, Pew-Studien | Kalibrierungsdaten |
| Standortdaten | POI-Datenbanken, Check-in-Muster, Daten aus Store Locators | Räumliche Daten |
Jedes Profil wird aus mehreren unabhängigen Datenquellen erstellt. Datenpunkte, die nicht durch mindestens zwei unabhängige Quellen bestätigt werden können, werden mit reduzierten Konfidenzwerten gekennzeichnet.
Abschnitt 4
Datenpunkt-Profiling
Ein Datenpunkt im System von Rascasse ist jedes einzelne kulturelle, kommerzielle oder soziale Objekt, das messbares digitales Verhalten erzeugt. Das System erstellt derzeit Profile für über 500.000 Datenpunkte in fünf Kategorien: Marken, Personen, Veranstaltungen, Medienund Themen.
Aufbau von Datenpunkten
Jeder Datenpunkt wird durch eine kuratierte Sammlung von Suchbegriffen, Aliasnamen und Kategorizierungen definiert. Diese Kuratierung ist unerlässlich: Dieselbe oberflächliche Suchanfrage kann sich auf unterschiedliche Datenpunkte beziehen (z. B. „Jaguar“ als Automarke im Gegensatz zu „Jaguar“ als Tier), und die Disambiguierung erfordert Fachwissen in der jeweiligen Domäne in Verbindung mit algorithmischer Validierung.
Größe des Datenpunkts
Die Datenpunktgröße ist eine normalisierte Kennzahl, die Suchvolumen mit Daten zum sozialen Engagement kombiniert. Sie liefert ein vergleichbares Maß für den gesamten digitalen Fußabdruck eines Datenpunkts und ermöglicht so Vergleiche über Kategorien und Länder hinweg. Die Datenpunktgröße ist typenspezifisch: Eine Marke wird anders gewichtet als eine Person oder ein Ereignis, was die unterschiedlichen Verhaltensmuster widerspiegelt, die jeder Typ erzeugt.
Qualitätsfaktor (QualFactor)
Jeder Datenpunkt verfügt über einen QualFactor-Wert, der aus der Kreuzvalidierung zwischen suchbasierten und engagementbasierten Verhaltensdaten abgeleitet wird. Ein hoher QualFactor weist auf konsistente Muster über unabhängige Quellen hinweg hin; ein niedriger QualFactor löst eine manuelle Überprüfung oder Datenanreicherung aus.
Die Datenpunkt-Profilierung deckt 200+ Länder ab. Neue Datenpunkte können innerhalb von Tagen und nicht erst nach Monaten integriert werden – ein erheblicher Vorteil gegenüber umfragebasierten Systemen, die für jede Erweiterung eine neue Fragebogenerstellung und Feldarbeit erfordern.
Abschnitt 5
Aufbau von Zielgruppen
Zielgruppen in Rascasse werden anhand von Datenpunkten unter Einbeziehung von Fachexperten erstellt – nicht durch algorithmisches Clustering. Diese bewusste Designentscheidung gewährleistet semantische Kohärenz: Eine Zielgruppe namens „Premium-Automobilenthusiasten“ wird von Experten zusammengestellt, die wissen, welche Marken, Medienangebote, Veranstaltungen und Influencer dieses Segment definieren.
Zielgruppen auf Basis einzelner Datenpunkte
Der einfachste Zielgruppentyp konzentriert sich auf einen einzelnen Datenpunkt. „Fans von FC Bayern München“ erfasst das gesamte digitale Verhalten im Zusammenhang mit FC Bayern München – Suchmuster, Interaktion in sozialen Medien, Konsum von Inhalten und damit verbundene Markenaffinitäten.
Zielgruppen mit mehreren Datenpunkten
Komplexe Zielgruppen kombinieren mehrere Datenpunkte mithilfe logischer Verknüpfungen (UND, ODER, NICHT). Eine Zielgruppe „Nachhaltige Mode“ könnte beispielsweise auf Nachhaltigkeit ausgerichtete Marken, Medien für ethische Mode und relevante Influencer kombinieren – während Fast-Fashion-Marken ausgeschlossen werden.
Gewichtete Aggregation
Bei der Erstellung von Zielgruppen mit mehreren Datenpunkten werden die einzelnen Datenpunkte nach Relevanz gewichtet. Eine Zielgruppe „Amerikanische Hip-Hop-Fans“ könnte Künstler stärker gewichten als Medienkanäle, was das stärkere Verhaltensmuster widerspiegelt, das durch die Interaktion mit Künstlern entsteht.
Im Gegensatz zu umfragebasierten Anbietern, bei denen Forscher Zielgruppen über Fragebogenlogik definieren müssen, oder Social-Listening-Tools, die auf der Übereinstimmung von Schlüsselwörtern in Gesprächen beruhen, werden Zielgruppen bei Rascasse von Fachexperten erstellt, die die semantischen Beziehungen zwischen Marken, Personen und Objekten verstehen. Dies führt zu differenzierteren und kulturell genaueren Segmenten.
Abschnitt 6
Demografische Modellierung
Demografische Daten lassen sich aus Suchdaten nicht direkt ableiten. Stattdessen wenden wir einen Schätzansatz unter Verwendung mehrerer Quellen an, bei dem mehrere unabhängige demografische Indikatoren zu einer zusammengesetzten Schätzung kombiniert werden. Jeder Indikator liefert einen Teil der Evidenz; das endgültige demografische Profil ergibt sich aus der Konvergenz dieser unabhängigen Eingaben.
Das Bayes'sche Rahmenwerk, auf dem die Indikatoren 2 und 5 basieren, folgt etablierten Methoden der Marketingwissenschaft, wie sie von Rossi, Allenby und McCulloch (2005)9 beschrieben und von Google Research (2017)10
Die Komponente der visuellen demografischen Analyse baut auf der DEX-Architektur (Deep EXpectation) zur Schätzung des sichtbaren Alters anhand von11 sowie auf umfassenderen Arbeiten zur maschinell lernbasierten demografischen Erkennung in sozialen Medien auf.12
Kanalspezifische demografische Verteilungen werden anhand der laufenden Studien des Pew Research Center zu Nutzungsmustern in sozialen Medien über verschiedene demografische Gruppen hinweg kalibriert.13
Demografische Schätzungen sind mit einer gewissen Unsicherheit behaftet. Wir geben Konfidenzintervalle an und kennzeichnen Datenpunkte, an denen demografische Signale spärlich sind. Wo nicht genügend Daten vorliegen, um eine zuverlässige Schätzung zu erstellen, zeigen wir „unzureichende Daten“ anstelle von imputierten Werten an. Diese Transparenz ist grundlegend für unsere Methodik: Wir ziehen Genauigkeit der Abdeckung vor.
Abschnitt 7
Affinitäts- und psychografische Modellierung
Affinitätswerte
Die Affinität misst die relative Stärke der Verbindung zwischen einer Zielgruppe und einer Marke, einer Person oder einem Objekt. Der Referenzwert beträgt 1,0 und entspricht dem Marktdurchschnitt. Ein Affinitätswert über 1,0 deutet auf ein überdurchschnittliches Interesse hin; ein Wert unter 1,0 auf ein unterdurchschnittliches Interesse. Dieser indexbasierte Ansatz – der in der Medienplanung üblich ist – ermöglicht einen direkten Vergleich zwischen Datenpunkten und Zielgruppen.
Die Berechnung der Affinität stützt sich auf Techniken aus dem kollaborativen Filtern und der Matrixfaktorisierung, wie sie von Koren, Bell und Volinsky (2009) im Zusammenhang mit Empfehlungssystemen beschrieben wurden.14 Die zentrale Erkenntnis: Muster der gemeinsamen Vorkommen in Verhaltensdaten offenbaren latente Präferenzen, die einzelne Datenpunkte allein nicht erfassen können.
Psychografische Profilierung (28 Merkmale)
Rascasse schätzt 28 psychografische Merkmale für jede Zielgruppe, gegliedert nach Dimensionen wie Nachhaltigkeitsorientierung, Technologieakzeptanz, Luxusaffinität, Gesundheitsbewusstsein und kulturelles Engagement.
Jedes Merkmal wird anhand von Marker-Datenpunktenbewertet: Marken, Personen und Eigenschaften, die als starke Indikatoren für eine bestimmte psychografische Dimension dienen. Das Merkmal „Nachhaltigkeit“ stützt sich beispielsweise auf Interaktionsmuster mit Marken wie Patagonia, Medienberichten über den Klimawandel und Veranstaltungen mit Schwerpunkt auf Umweltthemen. Der Merkmalswert gibt an, inwieweit eine Zielgruppe bei diesen Marker-Datenpunkten im Vergleich zur Allgemeinbevölkerung über- oder unterdurchschnittlich abschneidet.
Dieser Ansatz stützt sich auf Forschungsergebnisse zur Vorhersage psychologischer Merkmale anhand des digitalen Verhaltens2 sowie auf das Schwartz Values Framework, das eine theoretisch fundierte Taxonomie menschlicher Werte bereitstellt.15 Boyd et al. (2015) zeigten, dass Wertorientierungen zuverlässig aus digitalen Verhaltensmustern abgeleitet werden können.16
Alle psychografischen Werte werden anhand des Marktdurchschnitts normiert. Eine Zielgruppe mit einem Nachhaltigkeitswert von 1,4 ist um 40 % nachhaltigkeitsorientierter als die allgemeine Bevölkerung – nicht „hochgradig nachhaltig“ im absoluten Sinne. Diese relative Darstellung verhindert übertriebene Behauptungen.
Abschnitt 8
Location Intelligence
Rascasse bietet standortbezogene Informationen für 200+ Länder, über 100.000 Städte und mehr als 250.000 Postleitzahlen. Die Standortdaten werden aus der geografischen Verteilung des Suchverhaltens in Kombination mit einer räumlichen Analyse von Points of Interest (POIs) abgeleitet.
Standortaffinität
Die Standortaffinität misst, wie stark eine Marke oder eine Immobilie in einer bestimmten Region im Vergleich zum nationalen Durchschnitt ankommt. Sie kombiniert die Verteilung des Suchvolumens mit Interessensmustern und folgt dabei der regionalen Analysemethodik, die erstmals von Choi und Varian (2012) beschrieben wurde.1
Datenbank für Points of Interest (POI)
Das System unterhält eine Datenbank mit über 8 Millionen Points of Interest, die aus offenen geografischen Datenbanken stammen – darunter Veranstaltungsorte, Einzelhandelsgeschäfte, kulturelle Einrichtungen und Sportanlagen. POIs werden der Stadt- und Regionstaxonomie von Rascasse zugeordnet, was räumliche Analysen ermöglicht, die digitales Verhalten mit der Präsenz in der physischen Welt verknüpfen.
Erkennung von Ausreißern
Nicht jeder geografische Datenpunkt ist aussagekräftig. Das System nutzt eine Nachbarvalidierung, um echte lokale Trends von Datenartefakten zu unterscheiden: Eine Stadt, die eine ungewöhnlich hohe Affinität aufweist, wird anhand ihrer Nachbarstädte und regionaler Muster validiert. Isolierte Spitzenwerte ohne regionale Bestätigung werden als potenzielle Artefakte gekennzeichnet und nicht als Erkenntnisse gemeldet.
Abschnitt 9
Share of Search
Der Suchanteil misst den Anteil einer Marke am gesamten Suchvolumen nach Marken innerhalb einer definierten Wettbewerbsgruppe. Die Kennzahl wurde erstmals 2017von Les Binet auf der IPA EffWorks Global vorgestellt und hat sich seitdem als zuverlässiger Indikator für den Marktanteil bewährt.
Der IPA Think Tank unter der Leitung von James Hankins analysierte 30 Studien aus 12 Kategorien und 7 Ländern und stellte fest, dass der Suchanteil etwa 83 % der Schwankungen des Marktanteils ausmacht. Entscheidend18 , dass Veränderungen des Suchanteils in der Regel Veränderungen des tatsächlichen Marktanteils vorausgehen , was ihn zu einem Frühindikator für Wettbewerbsdynamiken macht.
Rascasse Implementierung
- Flexible Kategoriedefinition: Wettbewerbsgruppen werden je nach Anwendungsfall definiert – sie sind nicht auf vorgefertigte Taxonomien beschränkt. Eine Gruppe „Premium-Automobil“ in Deutschland kann sich von demselben Konzept in den Vereinigten Staaten unterscheiden.
- Monatliche Erfassung: Der Suchanteil wird monatlich mit Vorjahresvergleichen berechnet, was eine Trenderkennung jenseits saisonaler Schwankungen ermöglicht.
- Granularität auf Länderebene: Jeder Markt wird unabhängig analysiert, da sich die Wettbewerbsdynamik je nach Region unterscheidet.
- Normalisierung: Die Rohdaten der Suchvolumina werden normalisiert, um saisonale Schwankungen sowie Wachstum oder Rückgang auf Kategorieebene zu berücksichtigen.
„Share of Search“ baut auf den umfassenderen Erkenntnissen von Choi und Varian (2012) auf, wonach Suchanfragen Vorhersagen über die reale Wirtschaftstätigkeit enthalten. Binets Beitrag bestand darin, dies für die Wettbewerbsanalyse auf Markenebene zu formalisieren – und damit den Übergang von der Wirtschaftsprognose zur Marketingstrategie zu vollziehen.
Abschnitt 10
Validierung & Grenzen
Validierungs-Framework
Rascasse nutzt mehrere Validierungsmechanismen, um die Qualität der Ergebnisse sicherzustellen:
- Quellenübergreifende Konsistenz: Datenpunkte müssen von mindestens zwei unabhängigen Quellen bestätigt werden, bevor sie mit hoher Zuverlässigkeit gemeldet werden. Datenpunkte aus einer einzigen Quelle werden entsprechend gekennzeichnet.
- Zeitliche Stabilität: Die Ergebnisse werden über Zeitreihen validiert, um Störsignale einzelner Monate herauszufiltern. Plötzliche, unbestätigte Verschiebungen lösen eine Überprüfung aus, anstatt automatisch gemeldet zu werden.
- Benchmark Abgleich mit öffentlichen Daten: Profile werden regelmäßig mit extern verfügbaren Daten abgeglichen – TV-Einschaltquoten, veröffentlichte Umsatzzahlen, demografische Daten aus Volkszählungen und öffentlich zugängliche Marktforschungsergebnisse.
- Qualitätsfaktor-Bewertung: Jeder Datenpunkt verfügt über einen QualFaktor, der die Konsistenz und Breite der zugrunde liegenden Daten widerspiegelt. Datenpunkte mit niedrigem QualFaktor werden in der Benutzeroberfläche gekennzeichnet.
Bekannte Einschränkungen
Wir sind der Ansicht, dass Transparenz hinsichtlich der Einschränkungen für die methodische Glaubwürdigkeit unerlässlich ist. Im Folgenden sind die bekannten Einschränkungen unseres Ansatzes aufgeführt:
Unsere Daten spiegeln die Online-Bevölkerung wider. Demografische Segmente mit geringer digitaler Präsenz – ältere Bevölkerungsgruppen in Entwicklungsmärkten, Gemeinschaften mit eingeschränktem Internetzugang – sind in unseren Profilen möglicherweise unterrepräsentiert. Wir nehmen keine Hochrechnungen auf die Offline-Bevölkerung vor, es sei denn, dies wird ausdrücklich angegeben.
Nicht alle digitalen Quellen bieten den gleichen Datenzugang. Die Abdeckung variiert je nach Quelle und Region. In Märkten, in denen marktbeherrschende Dienste den öffentlichen Datenzugang einschränken, ist unsere Quellenvielfalt eingeschränkt, und die Konfidenzintervalle weiten sich entsprechend aus.
Demografische Daten werden abgeleitet und nicht direkt beobachtet. Die Zuverlässigkeit variiert je nach Art des Datenpunkts und der Datenverfügbarkeit. Datenpunkte mit ausgeprägten kanalspezifischen Interaktionsmustern liefern zuverlässigere demografische Schätzungen als Datenpunkte mit begrenzter oder einheitlicher Kanalpräsenz.
Die meisten Datenpunkte werden monatlich oder vierteljährlich aktualisiert, nicht in Echtzeit. Diese Vorgehensweise ist beabsichtigt – sie priorisiert Stabilität und Validierung gegenüber Unmittelbarkeit. Für Anwendungsfälle, die Echtzeit-Updates erfordern, empfehlen wir, die Daten von Rascasse durch kanalspezifische Monitoring-Tools zu ergänzen.
Eine vollständige Liste der wissenschaftlichen Referenzen, auf denen diese Methodik basiert, finden Sie in unserer Literaturverzeichnis.