Abschnitt 1
Unser Ansatz
Rascasse nimmt in der Forschungslandschaft eine besondere Position ein: VerhaltensAudience Intelligence. Wir sind weder eine Social-Listening-Plattform noch ein Anbieter von Umfrageforschung. Stattdessen analysieren wir systematisch beobachtbares digitales Verhalten über mehrere Plattformen hinweg, um Zielgruppenprofile zu erstellen, die auf dem basieren, was Menschen tun, und nicht auf dem, was sie sagen.
Dieser Unterschied ist entscheidend. Die Kluft 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.3 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 – sodass etwa die Hälfte der gesammelten Antworten tatsächlich verwertbar war.4
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 Risikokonzept für synthetische und imputierte Daten vor. Im Rahmen dieses Konzepts 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.6
Grundprinzipien
- Triangulation aus mehreren Quellen: Jeder Datenpunkt wird anhand unabhängiger Quellen validiert. Keine einzelne Plattform dominiert die Ergebnisse.
- Aggregierte, nicht personenbezogene Daten: Wir verarbeiten Verhaltensmuster auf Bevölkerungsebene. Keine individuelle Nachverfolgung, keine Verarbeitung personenbezogener Daten – von Grund auf DSGVO-konform.
- Beobachtbare Signale statt angegebener Präferenzen: Suchanfragen, Interaktionsmuster und Konsumverhalten liefern zuverlässigere Signale als selbst gemeldete Umfrageantworten.
- Transparenz bei Unsicherheiten: Wo Daten lückenhaft sind, melden wir unzureichende Daten statt imputierter Werte.
Abschnitt 2
Datenarchitektur und Unabhängigkeit
Die Datenarchitektur von Rascasse ist bewusst konservativ gehalten. Wir haben bisher ohne eine einzige Plattformsperre, API-Sperrung, Unterlassungsaufforderung oder Verletzung der Nutzungsbedingungen gearbeitet. Das ist kein Zufall – es ist beabsichtigt. Unsere Architektur basiert auf öffentlich einsehbaren Signalen, die keinen privilegierten API-Zugriff, keine Benutzerauthentifizierung und keine Plattformpartnerschaften erfordern, die widerrufen werden können.
Keine Abhängigkeit von Drittanbieter-Cookies
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 Signale sind aggregierte Verhaltensmuster: Suchvolumina, Engagement-Metriken und öffentliche Interaktionsdaten. Keines davon stützt sich auf Tracking-Mechanismen auf Browserebene.
Keine Kundendaten erforderlich
Rascasse benötigt keinen Zugriff auf KundenCRMssysteme, First-Party-Daten, Kundendatenbanken oder sonstige geschützte Informationen. Unsere Erkenntnisse stammen vollständig aus öffentlich zugänglichen Verhaltenssignalen. 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.
Plattformunabhängigkeit
Im Gegensatz zu Wettbewerbern, die von der API einer einzigen Plattform abhängig sind – wie beispielsweise der Twitter/X Decahose oder der Marketing-API von Meta –, stellt die Multi-Source-Architektur von Rascasse sicher, dass keine einzelne Plattformänderung unsere Datenpipeline stören kann. Wenn Plattformen 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 Plattform-APIs | Panel-Anbieter | Twitter/X Decahose | Keine (öffentliche Signale) |
| Cookie-Abhängigkeit | Tracking-Pixel | Keine | Keine |
| Kundendaten erforderlich | Keine | Keine | Keine |
| Risiko einer Plattformsperre | Risiko von Panel-Betrug | 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 Verhaltenssignale aus mehreren unabhängigen Datenkategorien. 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, um Schätzungen zu erstellen, die keine einzelne Quelle allein liefern könnte.8
| Kategorie | Was wir erfassen | Signaltyp |
|---|---|---|
| Suchverhalten | Suchvolumen, saisonale Muster, regionale Verteilung | Absichtssignale |
| Soziale Plattformen | Follower-Grafiken, Interaktionsraten, Interaktion mit Inhalten | Interessen-Signale |
| Video & Streaming | Aufrufzahlen, Playlist-Verhalten, Kanalabonnements | Nutzungsverhalten |
| Öffentliche Aufzeichnungen | TV-Einschaltquoten, Verkaufscharts, Preisverleihungsdatenbanken, Wikipedia | Validierungssignale |
| Veröffentlichte Primärforschung | Veröffentlichte Umfrageergebnisse, Volkszählungsdaten, Pew-Studien | Kalibrierungssignale |
| Standortdaten | POI-Datenbanken, Check-in-Muster, Daten aus Store Locators | Räumliche Signale |
Jedes Profil wird aus mehreren unabhängigen Datenquellen erstellt. Signale, 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 messbare digitale Verhaltenssignale erzeugt. Das System erstellt derzeit Profile für über 320.000 Datenpunkte in fünf Kategorien: Marken, Personen, Veranstaltungen, Medien und 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 vs. „Jaguar“ als Tier), und die Disambiguierung erfordert Fachwissen in der jeweiligen Domäne in Kombination mit algorithmischer Validierung.
Größe des Datenpunkts
Die Datenpunktgröße ist eine normalisierte Metrik, die Suchvolumen mit Signalen zur Plattforminteraktion 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 Signalen und Signalen zur Plattforminteraktion abgeleitet wird. Ein hoher QualFactor weist auf konsistente Signale über unabhängige Quellen hinweg hin; ein niedriger QualFactor löst eine manuelle Überprüfung oder Datenanreicherung aus.
Die Datenpunkt-Profilierung deckt 172 Länder ab. Neue Datenpunkte können innerhalb von Tagen statt Monaten integriert werden – ein erheblicher Vorteil gegenüber umfragebasierten Systemen, die für jede Ergänzung eine neue Fragebogenerstellung und Feldarbeit erfordern.
Abschnitt 5
Zielgruppenaufbau
Zielgruppen in Rascasse werden anhand von Datenpunkten unter Einbeziehung von Fachexperten zusammengestellt – nicht durch algorithmisches Clustering. Diese bewusste Designentscheidung gewährleistet semantische Kohärenz: Eine Zielgruppe namens „Premium Automotive Enthusiasts“ 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 einzigen Datenpunkt. „Fans von FC Bayern München“ erfasst alle digitalen Verhaltenssignale, die mit FC Bayern München in Verbindung stehen – Suchmuster, Social-Media-Interaktion, Content-Konsum und damit verbundene Markenaffinitäten.
Zielgruppen mit mehreren Datenpunkten
Komplexe Zielgruppen kombinieren mehrere Datenpunkte unter Verwendung boolescher Logik (AND, OR, NOT). 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 Verhaltenssignal widerspiegelt, das das Engagement der Künstler liefert.
Im Gegensatz zu umfragebasierten Plattformen, 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 nicht direkt aus Suchdaten ableiten. Stattdessen verwenden wir einen Ansatz zur Schätzung anhand mehrerer Signale, bei dem mehrere unabhängige demografische Indikatoren zu einer zusammengesetzten Schätzung kombiniert werden. Jedes Signal liefert einen Teil der Evidenz; das endgültige demografische Profil ergibt sich aus der Konvergenz dieser unabhängigen Signale.
Das Bayes'sche Rahmenwerk, das den Signalen 2 und 5 zugrunde liegt, folgt etablierten Methoden der Marketingwissenschaft, wie sie von Rossi, Allenby und McCulloch (2005)9 beschrieben und von Google Research (2017)10 auf die Medienmix-Modellierung angewendet wurden.
Die Komponente der visuellen demografischen Analyse baut auf der DEX-Architektur (Deep EXpectation) zur Schätzung des sichtbaren Alters anhand von Gesichtsbildern11 sowie auf umfassenderen Arbeiten zur maschinell lernbasierten demografischen Erkennung in sozialen Medien auf.12
Plattformspezifische demografische Verteilungen werden anhand der laufenden Studien des Pew Research Center zu Nutzungsmustern in sozialen Medien über 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 vorhanden sind, 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 Basiswert ist 1,0 und entspricht dem Marktdurchschnitt. Ein Affinitätswert über 1,0 deutet auf überdurchschnittliches Interesse hin; unter 1,0 auf unterdurchschnittliches Interesse. Dieser indexbasierte Ansatz – in der Medienplanung üblich – 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 Auftretenshäufigkeit von Verhaltenssignalen offenbaren latente Präferenzen, die einzelne Signale 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 Markerdatenpunkten bewertet: 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, Medien zum Klimawandel und Veranstaltungen mit Umweltbezug. Der Merkmalswert gibt an, inwieweit eine Zielgruppe bei diesen Markerdatenpunkten 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 bietet.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 Einordnung verhindert übertriebene Behauptungen.
Abschnitt 8
Standortanalysen
Rascasse bietet standortbezogene Informationen für 172 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
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 mit 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 eine räumliche Analyse ermöglicht, die digitale Verhaltenssignale mit der Präsenz in der physischen Welt verknüpft.
Erkennung von Ausreißern
Nicht jedes geografische Signal ist aussagekräftig. Das System nutzt 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 markiert und nicht als Erkenntnisse gemeldet.
Abschnitt 9
Suchanteil
Der Suchanteil misst den Anteil einer Marke am gesamten Suchvolumen nach Marken innerhalb einer definierten Wettbewerbsgruppe. Die Kennzahl wurde erstmals 2017 von Les Binet bei 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 im Marktanteil ausmacht. Entscheidend ist, dass Veränderungen im Suchanteil tendenziell Veränderungen im tatsächlichen Marktanteil vorausgehen, was ihn zu einem Frühindikator für Wettbewerbsdynamiken macht.
Rascasse Implementierung
- Flexible Kategoriedefinition: Wettbewerbsgruppen werden pro Anwendungsfall definiert – und 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 und Einschränkungen
Validierungs-Framework
Rascasse nutzt mehrere Validierungsmechanismen, um die Qualität der Ergebnisse sicherzustellen:
- Plattformübergreifende Konsistenz: Signale müssen von mindestens zwei unabhängigen Datenquellen bestätigt werden, bevor sie mit hoher Zuverlässigkeit gemeldet werden. Signale aus einer einzigen Quelle werden entsprechend gekennzeichnet.
- Zeitliche Stabilität: Die Ergebnisse werden über Zeitreihen validiert, um Rauschen 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 ist mit einem QualFaktor versehen, 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 bekannte 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 extrapolieren nicht auf die Offline-Bevölkerung, ohne dies ausdrücklich zu vermerken.
Nicht alle digitalen Plattformen bieten den gleichen Datenzugang. Die Abdeckung variiert je nach Plattform und Region. In Märkten, in denen dominante Plattformen den öffentlichen Datenzugang einschränken, ist unsere Signaldiversität reduziert, und die Konfidenzintervalle weiten sich entsprechend aus.
Demografische Daten werden abgeleitet und nicht direkt beobachtet. Die Konfidenz variiert je nach Art des Datenpunkts und der Datenverfügbarkeit. Datenpunkte mit starken plattformspezifischen Interaktionsmustern liefern zuverlässigere demografische Schätzungen als Datenpunkte mit begrenzter oder einheitlicher Plattformpräsenz.
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-Signale erfordern, empfehlen wir, die Daten von Rascasse durch plattformspezifische Überwachungstools zu ergänzen.
Eine vollständige Liste der wissenschaftlichen Referenzen, auf denen diese Methodik basiert, finden Sie in unserer Bibliografie.