Wie generative KI das Targeting verändert

Das digitale Marketing durchläuft eine fundamentale Transformation: Traditionelle Targeting-Methoden stoßen zunehmend an ihre Grenzen. Gleichzeitig steigt die Nachfrage nach präziserer und datenschutzkonformerer Werbung. Ein Beispiel: Ein Nutzer liest online einen Artikel über Hundeerziehung, um seiner Nachbarin Tipps zu geben. Obwohl er selbst keine Haustiere besitzt, wird er wochenlang mit Werbung für Hundespielzeug bombardiert.

Dieses fehlerhafte Targeting resultiert aus der eingeschränkten Fähigkeit herkömmlicher Systeme, zwischen oberflächlichen Keywords und tatsächlicher Nutzerintention zu unterscheiden. Was Marketer benötigen, sind Technologien, die sowohl den Inhalt und Kontext einer Website als auch die Intention des Nutzers verstehen. Die Lösung liegt nicht in noch mehr Daten, sondern in einem intelligenteren Verständnis der Nutzerabsicht.

Die Komplexität der Nutzerintention

Die Absicht eines Nutzers bezeichnet das tieferliegende Motiv hinter jeder digitalen Interaktion. Sie offenbart nicht nur, was Nutzer tun, sondern warum sie es tun. Diese Unterscheidung macht einen großen Unterschied. Denn liest ein Nutzer einen Artikel über Laufverletzungen, könnte er hochwertige Sportausrüstung benötigen. Eine Person, die nach "Kopfhörer mit Noice Cancelling” sucht, steht unmittelbar vor einer Kaufentscheidung. Dabei stehen Marketer vor der Herausforderung, diese subtilen Signale zu erkennen und entsprechend zu reagieren.

Die Nutzerabsicht lässt sich in vier wesentliche Kategorien unterteilen, die verschiedene Phasen der Customer Journey repräsentieren. Bei der informativen Absicht möchten Nutzer etwas lernen und suchen nach Antworten, Tutorials oder Bildungsinhalten. Die Suchanfrage beginnt hier oft mit Fragewörtern. Die Nutzer sind noch nicht kaufbereit, sammeln aber grundlegende Informationen zu einem Thema. Die Navigationsabsicht bedeutet, dass die Nutzer bereits wissen, wohin sie wollen und die Suche als direkten Weg zu einer bestimmten Website verwenden. In der kommerziellen Kategorie recherchieren Nutzer Produkte oder Dienstleistungen, vergleichen Optionen und sammeln Informationen für eine bevorstehende Kaufentscheidung, ohne jedoch den Kauf zu tätigen. Die Transaktionsabsicht hingegen signalisiert, dass Nutzer ihre Recherche abgeschlossen haben und bereit sind, konkrete Aktionen wie Käufe oder Anmeldungen auszuführen. Das Verständnis dieser vier Kategorien ist entscheidend, da jede Phase einen spezifischen Ansatz für Inhalte, Messaging und Handlungsaufforderungen benötigt.

Grenzen herkömmlicher Methoden

Traditionelle Targeting-Ansätze haben Schwierigkeiten, die Nutzerabsicht genau zu erfassen. Die Keyword-Analyse ist zu oberflächlich, da identische Suchbegriffe je nach Kontext völlig verschiedene Intentionen signalisieren können. Was fehlt, ist ein Gespür für die feinen Nuancen menschlichen Verhaltens. Eine Eingabe zu "Fliegen" könnte das Verreisen in ein anderes Land, Herrenfliegen für einen Anzug oder Insekten bedeuten. Ebenso problematisch erweist sich die Verhaltensanalyse ohne echtes Motivationsverständnis: Herkömmliche Analysen zeigen zwar Klickpfade und Verweildauer an, aber nicht die dahinterliegenden Beweggründe. So kann eine Verweildauer von drei Minuten auf einer Produktseite tatsächliches Kaufinteresse oder eine beiläufige Recherche bedeuten. Zusätzlich führen demografische Annahmen in die Irre, da Nutzer mit gleichen Alters-, Geschlechts- und Standortmerkmalen durchaus verschiedene Intentionen beim Besuch einer Website haben können.

IntentGPT: Mit generativer KI die Nutzerabsicht entschlüsseln

Um diese Limitationen zu überwinden, haben wir bei RTB House IntentGPT entwickelt. Die generative KI-Technologie analysiert Webseiten auf URL-Ebene und untersucht dabei nicht nur Keywords, sondern den gesamten Seiteninhalt mit all seinen Bedeutungsebenen, strukturellen Elementen und Nutzerinteraktionsmustern. IntentGPT basiert auf Large Language Models. Es „liest“ Webseiten sowie URLs und leitet daraus Erkenntnisse ab, genau wie ein Mensch es tun würde. Gleichzeitig identifiziert es Signale, die auf eine Kaufabsicht hindeuten. Dabei erkennt die Technologie, ob es sich beim Inhalt der Webseite um einen Produktvergleich handelt, der auf eine baldige Kaufentscheidung hindeutet, oder um einen allgemeinen Ratgeber-Artikel.

Ein Schwerpunkt in der Entwicklung von IntentGPT lag in der Workflow-Optimierung: Die Automatisierung sollte den zeitaufwändigen Prozess der manuellen Content-Analyse minimieren und dabei selbstständig jene Faktoren erkennen, die maßgeblich für die Nutzerabsicht sind. Auf der Skalierbarkeit lag ein weiterer Fokus: Ziel war es, die Absichtserkennung auch bei großen Datenmengen zu ermöglichen, die Datenerhebung unmittelbar mit konkreten Handlungsoptionen zu verknüpfen und eine einheitliche Priorisierung der vielversprechendsten Content-Engagement-Möglichkeiten zu etablieren.

Kontext und Absicht: Die Zukunft des Targetings

Die Transformation zu kontext- und absichtsbasiertem Targeting markiert eine fundamentale Evolution in der digitalen Zielgruppenansprache. Marketer, die erkennen, dass das Verständnis der Nutzerintention weitaus wertvoller ist als die demografische Kategorisierung, sind der Konkurrenz einen großen Schritt voraus. Die Zukunft des digitalen Marketings liegt nicht in der Quantität der Daten, sondern in der Qualität des Verstehens. Genau hier eröffnen generative KI-Technologien neue Dimensionen für Contextual Targeting.

Der Autor: Daniel Volož ist Managing Director DACH bei RTB House, einem globalen AdTech-Unternehmen, das Deep-Learning-basierte Programmatic Advertising-Lösungen bietet. Mit über 15 Jahren Erfahrung im Performance Marketing unterstützt er internationale Kunden wie Otto, About You und TUI, mithilfe von Deep Learning und Contextual Targeting relevante Werbeerlebnisse zu schaffen.