Wie Native-Ad-Targeting funktioniert (Kontextuell, Interessen & Post-Cookie)

Native-Anzeigen targeten Nutzer durch eine Mischung aus kontextuellen Signalen (der Seite und Kategorie, die sie gerade lesen), First-Party-Zielgruppendaten, die das Netzwerk bereits besitzt (Gerät, Geo, Browserverlauf innerhalb seines eigenen Publisher-Netzwerks), und werbetreibendeigenen Eingaben wie Retargeting-Pixeln und Lookalike-Segmenten, die durch eine Echtzeitauktion und nicht durch einen festen Platzierungskauf laufen. Es gibt keinen einzigen "Native-Targeting"-Mechanismus; es ist ein Stapel überlappender Optionen, und wie stark jede gewichtet wird, hängt vom Netzwerk und dem Kampagnenziel ab.

Kontextuelles Targeting: die älteste Schicht, jetzt die widerstandsfähigste#

Jedes Native-Netzwerk ermöglicht es Ihnen, nach Inhaltskategorie und Keyword zu targeten: Finanzartikel, Gesundheitsinhalte, Autobewertungen und so weiter. Dies ist die am wenigsten invasive Form des Targetings, da sie nichts über den einzelnen Nutzer wissen muss, sondern nur, was er gerade liest. Sie ist auch die Schicht mit der größten Beständigkeit, da Third-Party-Cookies eingeschränkt werden, denn kontextuelles Targeting beruht überhaupt nicht auf standortübergreifenden Identifikatoren.

Kontextuelles Targeting in Native-Netzwerken geht normalerweise tiefer als eine breite Kategorie. Taboola und Outbrain bieten beide Site- und Section-Level-Targeting, sodass Sie gezielt auf die Gesundheitsvertikale eines Publishers oder dessen persönliche Finanzrubrik bieten können, anstatt auf dessen gesamte Domain. Diese Granularität ist oft ein besserer Hebel als Audience-Targeting für Werbetreibende in regulierten Kategorien, da sie das Adjazenzrisiko direkt steuert.

Interessen- und verhaltensbasiertes Targeting#

Über den Kontext hinaus bauen Netzwerke Interessenprofile aus dem Surfverhalten über ihren eigenen Publisher-Footprint auf (was ein Nutzer auf den Websites des Netzwerks liest, anklickt und bei dem er verweilt). Dies ist aus Sicht des Netzwerks First-Party-Daten, auch wenn es sich über viele Publisher-Domains erstreckt, da es unter der eigenen Tracking-Beziehung des Netzwerks mit diesen Websites erhoben wird. Sie werden verwendet, um breite Interessensegmente (Auto-Interessenten, Reiseforscher, Gesundheitsinhalte-Leser) aufzubauen, die Werbetreibende zusätzlich zum kontextuellen und Geo-Targeting einsetzen können.

Retargeting: pixelbasiert und immer noch der Hebel mit der höchsten Absicht#

Platzieren Sie ein Pixel eines Netzwerks auf Ihrer Website und Sie können Besucher, die nicht konvertiert haben, mit Native-Platzierungen retargeten, während sie anderswo im Angebot dieses Netzwerks surfen. Dies bleibt einer der stärksten Hebel in Native, da es auf einer direkten First-Party-Beziehung (Ihr eigenes Pixel, Ihr eigener Besucher) aufbaut, nicht auf einem Third-Party-Cookie-Graphen. Das ist auch der Grund, warum Native-Retargeting vergleichsweise immun gegen die Cookie-Abschaffungsdebatten war, die Display und Social am härtesten getroffen haben.

Geo, Gerät und Dayparting#

Dies sind Grundvoraussetzungen in jedem Netzwerk: Länder- und oft regions-/städtisches Geo-Targeting, Gerätetyp (Desktop, Mobil, Tablet) und Betriebssystem, Verbindungstyp auf Mobilgeräten sowie Tageszeit-/Wochentagsplanung. Nichts davon hängt von Identitätsauflösung ab, was ein Grund dafür ist, dass Native-Kampagnen tendenziell weniger anfällig für Identifikatorverluste sind als programmatische Display-Käufe, die auf Bid-Stream-Daten setzen.

Was "Post-Cookie" hier tatsächlich ändert#

Die Teile des Native-Targetings, die am stärksten von der Abschaffung der Third-Party-Cookies betroffen waren, waren immer die dünnste Schicht: standortübergreifende Verhaltensprofile, die außerhalb der eigenen Daten eines einzelnen Netzwerks zusammengestellt wurden. Native-Netzwerke waren von Anfang an weniger darauf angewiesen als Open-Web-Display-Programmatic, weil so viel vom Native-Targeting-Stack (Kontext, netzwerkeigene Interessensdaten, Werbetreibenden-Pixel, Geo/Gerät) nie einen gemeinsamen Third-Party-Identifikator benötigte. Das ist ein Grund, warum Native als Kanal Bestand hatte, während manches Display- und Social-ID-basierte Targeting lauter geworden ist. Kohortenbasierte und probabilistische Ansätze füllen verbleibende Lücken, aber die ehrliche Antwort ist, dass die meisten Native-Käufer ihr Targeting-Playbook bei weitem nicht so stark ändern mussten wie programmatische Display-Käufer.

Zielgruppen-Marktplatzsegmente und Third-Party-Datenpartnerschaften#

Einige Netzwerke fügen Third-Party-Zielgruppensegmente durch Partnerschaften mit Datenmanagement-Plattformen hinzu, sodass Werbetreibende Kategorien wie "auf dem Markt für Autoversicherung" oder "kürzlich nach Reiseangeboten gesucht" targeten können, die von externen Datenanbietern und nicht von der eigenen First-Party-Beobachtung des Netzwerks aufgebaut wurden. Diese Segmente sind tendenziell teurer und, ehrlich gesagt, unbeständiger als die kontextuellen und Retargeting-Tools des Netzwerks, da die zugrunde liegende Methodik je nach Anbieter variiert und nicht immer im Detail offengelegt wird. Behandeln Sie Third-Party-Segmente als testbare Zusatzschicht, nicht als Grundlage; führen Sie einen Kontrolltest gegen reines kontextuelles Targeting durch, bevor Sie ein nennenswertes Budget dafür bereitstellen.

Lesen des Targetings eines Wettbewerbers von außen#

Sie können die genauen Segment-Einstellungen eines Wettbewerbers nicht sehen, aber Sie können viel aus dem ableiten, was tatsächlich läuft: in welchen Geos und Geräten eine Anzeige erscheint, auf welche Publisher-Vertikalen sie sich konzentriert und wie lange sie überlebt, was normalerweise ein Indikator dafür ist, ob Targeting und Creative auf eine funktionierende Zielgruppe hinarbeiten – ein Muster, das in unserem Leitfaden zum Media Buying für Native-Anzeigen vertieft wird. Unsere netzwerkspezifischen Leitfäden zu wie Taboola-Anzeigen funktionieren, wie Outbrain funktioniert und wie MGID Native-Anzeigen funktionieren schlüsseln das spezifische Targeting-Menü und die Auktionsmechanik jedes Netzwerks auf, und unser Beitrag zur Skalierung auf neue Geos behandelt, wie sich Geo-Targeting-Entscheidungen ändern, wenn eine Kampagne in Tier-2- und Tier-3-Märkte expandiert.

Der Ad Intelligence-Index von OpenAdLibrary verfolgt den Geo-, Geräte- und Vertikalfußabdruck jedes erfassten Creatives, sodass Sie anstatt über die Targeting-Strategie eines Wettbewerbers zu raten, das tatsächliche Muster sehen können: in welchen Ländern eine Anzeige live ist, ob sie nur mobil oder überall läuft und wie sich das seit ihrem ersten Erscheinen verändert hat.

Lookalike- und ähnliche Zielgruppen-Targeting#

Sobald ein Retargeting-Pixel oder eine benutzerdefinierte Zielgruppenliste genügend Volumen hat, können die meisten Netzwerke ein Lookalike-Segment daraus aufbauen: Nutzer, deren Surfverhalten Ihren Konvertern ähnelt, ohne dass ihre Identität einzeln aufgelöst werden muss. Hier beginnt Native Targeting dem zu ähneln, was soziale Plattformen seit Jahren anbieten, nur dass die Saatdaten meist kleiner sind (Pixel-Feeds aus dem Traffic eines einzelnen Werbetreibenden) anstatt plattformweiter Verhaltensgraphen. Lookalikes funktionieren am besten als Skalierungshebel, nachdem Sie bereits eine konvertierende Kernzielgruppe durch Kontext und Retargeting definiert haben; wenn sie als Kaltakquise-Werkzeug mit einer dünnen Saatliste verwendet werden, sind sie oft schlechter als einfaches kontextuelles Targeting.

Wie Targeting mit der Auktion interagiert, nicht nur mit der Reichweite#

Es ist leicht, Targeting rein als Zielgruppenfilter zu betrachten, aber in Native-Netzwerken verändert es auch Ihre effektiven Kosten. Engeres, relevanteres Targeting (eine bestimmte Publisher-Sektion, ein warmer Retargeting-Pool) bedeutet normalerweise, dass Sie gegen weniger andere Werbetreibende um denselben Impression konkurrieren, was Ihren effektiven CPC senken kann, noch bevor die Creative-Qualität berücksichtigt wird. Breites Targeting erreicht mehr Menschen, wirft Sie aber in ein größeres Auktionspool, oft mit Werbetreibenden, die auf Volumen statt auf Relevanz bieten. Dies ist ein Grund, warum enge kontextuelle und Retargeting-first-Strategien auf reiner ROAS-Basis häufig breit angelegte Kampagnen übertreffen, auch wenn das rohe Impressionsvolumen auf dem Papier kleiner aussieht.

Wo Werbetreibende beim Targeting Fehler machen#

Zwei Fehler treten in Native-Konten immer wieder auf. Der erste ist, zu viele restriktive Schichten gleichzeitig in einer neuen Kampagne zu stapeln: enges Geo, ein schmales Interessensegment und eine kleine Publisher-Whitelist zusammen, was dem Algorithmus nicht genügend Volumen zum Lernen gibt und die Kosten auf unbestimmte Zeit hoch hält. Der zweite ist das Gegenteil: von Anfang an auf allen Dimensionen breit zu laufen, weil "wir später optimieren werden", was Budget für eindeutig irrelevante Platzierungen verbrennt, bevor das Konto überhaupt ein Signal hat, mit dem es arbeiten kann. Die bessere Reihenfolge ist normalerweise zuerst Geo und Gerät (billig, richtig zu machen, teuer, falsch zu machen), dann Kontext, und dann Retargeting und Interessensausweitung, sobald Sie eine Basislinie echter Leistungsdaten haben, auf die Sie reagieren können.

Die praktische Erkenntnis#

Native-Targeting ist kein einzelner Regler, sondern fünf oder sechs unabhängige (Kontext, netzwerkeigene Interessensdaten, Ihr eigenes Pixel, Geo, Gerät, Zeitplan), die Sie zusammenstellen, und die Gewinnerkombination ist für jede Vertikale anders. Gesundheits- und Finanzwerbetreibende setzen am stärksten auf sektionsbezogenes kontextuelles Targeting, weil dort Adjazenz und Compliance wichtiger sind. E-Commerce setzt stärker auf Retargeting und Lookalikes, weil Kaufabsicht mit einem Pixel leichter zu erfassen ist. Beginnen Sie mit Kontext und Geo, um eine sichere Basislinie zu schaffen, fügen Sie Retargeting hinzu, sobald Ihr Pixel genügend Volumen hat, und behandeln Sie Interessensegmente als Reichweitenhebel, sobald der Kern bereits konvertiert.