Definition

Identitätsgraph

Ein Identitätsgraph ist eine Datenbank, die mehrere Identifikatoren wie Geräte-IDs, gehashte E-Mails und Cookies mit einer einzelnen Darstellung einer Person oder eines Haushalts verknüpft, um Targeting und Messung zu ermöglichen.

Das OpenAdLibrary-TeamAd Intelligence & Native Advertising Research

21. Oktober 2026 · 2 Min. Lesezeit

Redaktionelle Abbildung: Identitätsgraph

Ein Identitätsgraph ist eine Datenbank, die mehrere Identifikatoren – Geräte-IDs, gehashte E-Mails, Cookies, Mobile Advertising IDs – mit einer einzigen Repräsentation einer Person oder eines Haushalts verknüpft, sodass ein Werbetreibender oder eine Plattform dieselbe Person über Geräte und Sitzungen hinweg erkennen kann, anstatt jeden Identifikator als separaten, nicht verbundenen Nutzer zu behandeln.

Deterministisches versus probabilistisches Matching#

Identitätsgraphen werden auf zwei Arten aufgebaut, oft kombiniert. Deterministisches Matching verknüpft Identifikatoren auf Basis einer direkten, bestätigten Verbindung: Jemand loggt sich auf demselben Publisher-Konto auf seinem Telefon und Laptop ein, sodass der Graph beide Geräte-IDs sicher einer Person zuordnen kann. Probabilistisches Matching leitet dagegen eine wahrscheinliche Verbindung aus Mustern ab, z. B. ein Telefon und ein Laptop, die sich nachts konsequent von derselben IP-Adresse und demselben Standort aus verbinden, ohne eine bestätigte Anmeldung, die sie verbindet. Deterministische Matches sind zuverlässiger, erfordern aber eine Form authentifizierter Identität, wie Unified ID 2.0, das aus einer gehashten E-Mail aufgebaut wird; probabilistische Matches skalieren weiter, bergen aber ein höheres Risiko einer falschen Verknüpfung.

Warum Plattformen sie aufbauen#

Ein Identitätsgraph ist die Schicht, die es einer Demand-Side-Plattform oder einer Data-Management-Plattform ermöglicht, Dinge zu tun, die kein einzelner Identifikator allein kann: eine Anzeige über das Telefon und den Desktop einer Person hinweg zu frequency-cappen, anstatt sie zwei scheinbar getrennten Fremden zu zeigen, einen Attributionspfad zusammenzufügen, der auf Mobilgeräten beginnt und auf dem Desktop konvertiert, oder eine Lookalike-Zielgruppe, die aus bekannten Werbetreibenden-Kunden aufgebaut wurde, auf neue Prospects auszuweiten, die genügend übereinstimmende Merkmale aufweisen, oft weiter verfeinert durch Geo-Targeting innerhalb der relevantesten Zielmärkte.

Ohne eine Form der Identitätsauflösung sieht jedes Gerät und jeder Browser wie ein isolierter, anonymer Besucher aus – genau der Zustand, in den der Signalverlust einen Großteil der Branche drängt, da Third-Party-Cookies im offenen Web immer unzuverlässiger werden.

Wo Identitätsgraphen an Grenzen stoßen#

Die Zuverlässigkeit eines Identitätsgraphen hängt vollständig von der Qualität der zugrunde liegenden Matches ab, und probabilistische Verknüpfungen verschlechtern sich in Haushalten mit gemeinsam genutzten Geräten, in öffentlichen Netzwerken oder überall dort, wo die Verhaltensmuster, auf die sich ein Graph stützt, verrauscht werden. Datenschutzbestimmungen schränken zudem ein, was rechtlich in einen Identitätsgraphen eingespeist werden darf, insbesondere bei der Kombination von Daten aus verschiedenen Quellen ohne klare Einwilligung – das ist einer der Gründe, warum Data Clean Rooms existieren: damit zwei Parteien einen Teil der Vorteile gematchter Identität erhalten, ohne dass eine Seite einen vollständigen kombinierten Graphen aufbaut.

Wenn Ihre Priorität darin besteht, zu verstehen, was ein bestimmter Werbetreibender gerade schaltet, anstatt zu modellieren, wer seine Zielgruppe ist, ist das ein einfacheres Problem als Identitätsauflösung – und eines, das der Ad Intelligence-Index von OpenAdLibrary direkt löst, indem er das aktuelle Creative selbst verfolgt.

Ein praktischer Vorbehalt#

Die Abdeckung variiert stark nach Vertikale und Geo, und ein Graph, der hauptsächlich aus dem eingeloggten Traffic einer Region aufgebaut wurde, lässt sich nicht zwangsläufig sauber auf einen Markt mit anderen Login-Gewohnheiten oder Gerätemustern übertragen. Betrachten Sie die angegebene Match-Rate eines Anbieters als Ausgangspunkt für Tests, nicht als Garantie, die gleichmäßig auf jede Zielgruppe anwendbar ist, die Sie ansprechen möchten.

Häufig gestellte Fragen

Was ist der Unterschied zwischen deterministischem und probabilistischem Identity Matching?

Deterministisches Matching verknüpft Identifikatoren auf Basis einer bestätigten Verbindung, wie derselbe Login auf verschiedenen Geräten. Probabilistisches Matching leitet eine wahrscheinliche Verbindung aus Verhaltensmustern ab, wie gemeinsame IP und Standort, ohne eine bestätigte Verbindung – das ist schneller skalierbar, aber weniger sicher.

Funktionieren Identitätsgraphen über Unternehmensgrenzen hinweg?

Das hängt von der Datenweitergabevereinbarung ab. Manche Identitätsgraphen werden vollständig aus den eigenen Daten eines Unternehmens aufgebaut; andere werden durch Partnerschaften, Data Clean Rooms oder gemeinsame Identifikatoren wie einwilligungsbasierte E-Mail-IDs über mehrere Unternehmen hinweg erweitert.

Ist ein Identitätsgraph dasselbe wie eine Kundendatenbank?

Nicht genau. Eine Kundendatenbank enthält in der Regel Datensätze über bekannte Kunden. Ein Identitätsgraph konzentriert sich speziell darauf, mehrere Identifikatoren zu verknüpfen, um eine Person oder einen Haushalt abzubilden – oft einschließlich anonymer oder teilweise bekannter Identifikatoren, nicht nur bestätigter Kunden.

Wie wirkt sich Signalverlust auf Identitätsgraphen aus?

Da Third-Party-Cookies und andere passive Tracking-Signale zurückgehen, sind Identitätsgraphen zunehmend auf deterministische, einwilligungsbasierte Identifikatoren wie Logins und gehashte E-Mails angewiesen, was die Abdeckung im Vergleich zu den breiteren, cookiegestützten Graphen schrumpfen lässt, die Plattformen zuvor aufbauen konnten.