Prospecting

Definition: Prospecting bezeichnet im Display und Programmatic Advertising die gezielte Ansprache neuer, potenzieller Kunden, die noch keinen Kontakt mit einer Marke oder Website gehabt haben – im Gegensatz zum Retargeting, das bereits bekannte Nutzer erneut anspricht. Prospecting ist die Upper-Funnel-Funktion programmatischer Kampagnen: Es füllt den Marketing-Funnel mit frischen Nutzern, die als relevant für das beworbene Angebot eingestuft werden, aber bislang weder die Website besucht noch eine Interaktion mit der Marke gezeigt haben. Die Ansprache im Prospecting erfolgt auf Basis von Targeting-Signalen, die keine direkte Markeninteraktion erfordern: demografische Merkmale (Alter, Geschlecht, Haushaltseinkommen), geografische Parameter, Interessen und Verhaltensweisen (Third-Party-Audience-Segmente), kontextuelle Signale (Thema der Seite auf der die Anzeige erscheint), Lookalike Audiences (algorithmisch erzeugte Zwillings-Zielgruppen auf Basis von Bestandskunden) sowie In-Market-Segmente (Nutzer, die aktuell aktiv Kaufabsicht in einer Produktkategorie zeigen). Im programmatischen Ökosystem wird Prospecting über DSPs wie DV360, The Trade Desk oder Amazon DSP durchgeführt, die Zugang zu hunderten von Publisher-Websites und Milliarden von Impressionen pro Tag bieten. Da Prospecting-Nutzer keine Vorkenntnis der Marke haben, sind Conversion Rates grundsätzlich niedriger als im Retargeting – der Erfolg wird daher nicht primär an direkten Conversions gemessen, sondern an Reichweite, Markenbekanntheit, Erstbesuchen auf der Website und langfristiger Funnel-Befüllung.

Erläuterung

Prospecting ist die notwendige Voraussetzung für nachhaltiges Wachstum im Performance-Marketing: Ohne konstante Neuzuführung von Nutzern in den oberen Funnel erschöpft sich jede Retargeting-Kampagne mit der Zeit, da die verfügbare Retargeting-Audience schrumpft. Das optimale Verhältnis zwischen Prospecting- und Retargeting-Budget hängt von der Funnel-Größe, dem Wachstumsziel und der Konversionsrate ab – typischerweise werden 60–80 % des Programmatic-Budgets für Prospecting und 20–40 % für Retargeting eingesetzt, wobei der Retargeting-Anteil bei etablierten Unternehmen mit großer Website-Audience höher sein kann.

Targeting-Methoden im Prospecting

• Lookalike Audiences: Algorithmisch erzeugte Zielgruppen auf Basis der Charakteristika von Bestandskunden oder Website-Besuchern; DSP-Algorithmus analysiert Merkmale der Seed-Audience (Konverter der letzten 90 Tage) und findet ähnliche Nutzer im verfügbaren Inventar; Skalierbarkeit: je nach Seed-Audience-Größe und Ähnlichkeitsgrad 10x–100x Skalierung möglich; Qualitätsabfall mit wachsender Ähnlichkeitsdistanz; Cookieless-Herausforderung: Lookalike-Modelle leiden unter Cookie-Verlust, da Seed-Audience-Matching eingeschränkt wird; Alternative: First-Party-CRM-Daten als Seed via Customer Match
• Third-Party-Audience-Segmente: Vorgefertigte Zielgruppensegmente von Datenprovider (Oracle Data Cloud, Experian, IRI): Demografie, Interessen, Kaufabsicht, Einkaufsverhalten; In-Market Audiences (Google): Nutzer die aktiv nach Produktkategorie suchen (maschinelles Lernen auf Basis von Suchverhalten und Kaufsignalen); Custom Affinity/Custom Intent (DV360): selbst definierte Interessen und Such-Keywords als Audience-Signal; Einschränkung: Third-Party-Segmente verlieren durch Cookie-Abschaffung an Qualität und Reichweite
• Kontextuelles Targeting: Anzeige auf Seiten mit thematisch relevantem Content (ohne Nutzerdaten); Beispiele: Finanzprodukte auf Wirtschaftsnachrichten-Seiten; Sportartikel auf Sport-Content; Reisen auf Reise-Blogs; DSGVO-konform ohne Consent-Anforderung; Renaissance des kontextuellen Targetings durch Cookie-Verlust; KI-basierte semantische Analyse (Peer39, IAS Context Control) für präziseres inhaltliches Matching
• Demografisches und geografisches Targeting: Basisform des Prospectings: Alter, Geschlecht, Standort; einfach umzusetzen, breite Reichweite; geringere Präzision als verhaltensbasierte Methoden; für massenmarktfähige Produkte und lokale Kampagnen geeignet; Kombination mit anderen Targeting-Methoden erhöht Präzision

Messung und KPIs für Prospecting-Kampagnen

• Upper-Funnel-KPIs: Unique Reach: wie viele verschiedene Nutzer wurden erreicht (ohne Doppelzählung); Frequency: durchschnittliche Kontakthäufigkeit pro Nutzer; Viewability: Anteil viewbarer Impressionen (MRC-Standard); Brand Recall / Aided Awareness: Steigerung der Markenbekanntheit (Lift-Studie erforderlich); Erstbesuche auf Website: unmittelbar messbar via Pixel
• Mid-Funnel-Brücken-KPIs: View-Through-Rate (VTR) bei Video: Anteil vollständig gesehener Video-Prospecting-Ads; Post-View Site Visits: Website-Besuche nach Anzeigen-Exposure ohne direkten Klick; Engagement Rate: Interaktionen mit Rich-Media-Formaten; Time on Site erster Besuch: Qualitätssignal für Relevanz des Prospecting-Targetings
• Inkrementalitätsmessung: Holdout-Test (Geo-Split oder User-Split): Testgruppe sieht Prospecting-Anzeigen, Kontrollgruppe nicht; Vergleich Website-Besuche und Conversions beider Gruppen quantifiziert echte Werbewirkung (Inkrementalität); wichtig, da Prospecting-Konversionen oft falsch auf andere Kanäle (SEO, Direct) attribuiert werden

Prospecting in der Cookieless-Ära

• Auswirkungen des Cookie-Verlusts: Third-Party-Audience-Segmente verlieren Qualität und Reichweite (Cookie-basiertes Behavioral Targeting eingeschränkt); Lookalike-Modelle werden weniger präzise; CPMs können durch geringere Targeting-Effizienz steigen; Kontextuelles Targeting gewinnt an Bedeutung als cookielose Alternative
• Zukunftssichere Prospecting-Strategien: First-Party-Daten-basierte Lookalikes via Customer Match und CRM-Onboarding; Publisher-First-Party-Daten-Deals (Premium-Publisher mit eingeloggten Nutzern); Contextual Intelligence mit KI-basierter semantischer Analyse; Privacy-Sandbox-APIs (Topics API) als zukünftige Ergänzung; Attention-basiertes Targeting: Inventar mit hoher Aufmerksamkeitswahrscheinlichkeit priorisieren