Wie personalisiert man Werbung für Menschen, über die man nichts weiß? Die ehrliche Antwort: auf Personenebene gar nicht. Man kann aber sehr wohl die Menschen verstehen, die sich für eine Kategorie interessieren, und neue Nutzer anhand weniger Signale einer passenden Persona zuordnen. Das ist der Kern einer tragfähigen Cold-Start-Strategie.
Wie intensiv die Branche nach Alternativen zu klassischen Zielgruppendaten sucht, zeigt eine aktuelle Recherche von Digiday: Synthetische Zielgruppen wandern vom Experiment in die tägliche Planungs- und Strategiearbeit. Aveeno Body hat mit der synthetischen Forschung von Vurvey die Zeit für ein Strategie-Briefing von rund 30 Tagen auf drei verkürzt. Goodway Group nutzt die „synthetische Bevölkerung“ von Arima mit Konsumenten aus den USA, Großbritannien und Deutschland für die Mediaplanung.
Was ist das Cold-Start-Problem in der Werbung?
Der Begriff stammt aus der Welt der Empfehlungssysteme. Ein System, das aus Verhalten lernt, braucht Verhalten, um zu lernen – und ein neuer Nutzer hat noch keins. Also zeigt das System Durchschnittliches: Bestseller, generische Botschaften, die Anzeige, die bei allen ein bisschen funktioniert und bei niemandem richtig.
In der Werbung verschärft sich das Problem. Mehrere Browser blockieren Drittanbieter-Cookies standardmäßig, Einwilligungsbanner gehören in Deutschland zum Alltag, und nicht jeder klickt auf „Alle akzeptieren“. Der klassische Ausweg, zugekaufte Segmente, ist datenschutzrechtlich heikler geworden und verrät ohnehin wenig darüber, warum jemand kauft. Im DSGVO-geprägten DACH-Raum ist „Wir kaufen einfach Daten dazu“ keine Strategie mehr.
Warum mehr Daten das Problem nicht lösen
Die Datenqualitätsforschung hat dafür eine nüchterne Formel: Daten sind so gut, wie sie für ihren Zweck taugen. Genauigkeit allein reicht nicht; Daten müssen relevant, aktuell und für die konkrete Frage geeignet sein. In der Fachliteratur heißt das „fitness for use“.
Ein zugekauftes Segment wie „Frauen, 25 bis 34, Interesse Beauty“ ist präzise formuliert. Für die Frage „Was bringt diese Person dazu, unser Produkt auszuprobieren?“ ist es dennoch nahezu wertlos. Es beschreibt Merkmale, keine Motive. Engagement entsteht aus Verständnis, nicht aus Zahlen.
Für den Cold Start heißt das: Die entscheidende Ressource ist nicht die Historie des einzelnen Nutzers, sondern ein belastbares Bild der Motive, Sorgen und Sprache in der Kategorie. Und dieses Bild lässt sich aus öffentlich verfügbaren Inhalten gewinnen.
Wie entstehen Personas aus öffentlichen Inhalten?
Menschen erzählen öffentlich erstaunlich viel darüber, warum sie kaufen oder eben nicht: in Kommentaren unter Markenposts, in Produktbewertungen, in Creator-Videos, in Forenthreads. Diese Inhalte lassen sich sammeln, nach Themen und Spannungen clustern und zu Personas verdichten – mit echten Zitaten statt ausgedachter Steckbriefe.
Der Unterschied zur klassischen Persona aus dem Workshop: Sie beruht auf dem, was Menschen tatsächlich sagen, nicht auf dem, was ein Team über sie vermutet. Digiday beschreibt einen verwandten Ansatz: Limitless Labs wertet für die Marke Sacheu Tausende TikTok- und Instagram-Videos aus deren Creator-Umfeld aus, um daraus Personas zu bilden.
Wichtig für den deutschen Markt: Solche Personas arbeiten auf der Ebene von Mustern und Gruppen. Sie brauchen kein Profil einzelner Nutzer, um eine erste Botschaft zu wählen. Die rechtliche Bewertung Ihres konkreten Setups bleibt trotzdem Sache Ihrer Datenschutzberatung.
Welche Ansätze gegen den Cold Start gibt es?
| Ansatz | Datenbasis | Stärke | Schwäche |
|---|---|---|---|
| Zugekaufte Drittanbietersegmente | Externe Profile, Cookies | Schnell verfügbar | Wenig Wissen über Motive, datenschutzrechtlich heikel |
| Kontextuelles Targeting | Umfeld, Zeit, Ort, Gerät | Kommt ohne Personendaten aus | Sagt wenig über Beweggründe |
| Zero-Party-Daten | Antworten aus Quiz oder Onboarding | Direkt und einwilligungsbasiert | Nur von denen, die mitmachen; Reibung im Funnel |
| Synthetische Zielgruppen | Modelle auf Basis von Umfrage-, Statistik- und Paneldaten | Schnelle Simulation von Reaktionen | Neigung zum Durchschnitt; Qualität hängt an den Eingangsdaten |
| Personas aus öffentlichen Inhalten | Kommentare, Bewertungen, Creator-Content, Wettbewerber-Anzeigen | Echte Motive und Sprache der Kategorie | Braucht Signale, um einzelne Nutzer zuzuordnen |
Kein Ansatz löst das Problem allein. In der Praxis liefern Personas aus öffentlichen Inhalten die Hypothesen, kontextuelle Signale die Zuordnung und First-Party-Daten die Bestätigung.
Wie setzen Sie Cold-Start-Personalisierung in sechs Schritten um?
- Kategorie-Gespräche sammeln. Kommentare, Bewertungen, Creator-Inhalte und Wettbewerber-Anzeigen der letzten Monate – nicht nur zur Marke, sondern zur ganzen Kategorie.
- Personas und Spannungen bilden. Clustern Sie die Inhalte nach Motiven und Sorgen. Drei bis fünf klar unterscheidbare Personas reichen für den Anfang.
- Pro Persona eine Hypothese formulieren. Welche Botschaft, welcher Hook, welches Angebot passt? Entwickeln Sie für jede Persona mindestens eine eigene Creative-Variante.
- Zuordnungssignale festlegen. Einstiegsseite, Suchbegriff, Umfeld, Kampagnenquelle, die ersten Klicks: Definieren Sie, welches Signal auf welche Persona hindeutet.
- Mit Exploration ausspielen. Reservieren Sie einen Teil der Auslieferung für Varianten, die nicht zur vermuteten Persona passen. So lernt das System dazu, statt nur die eigene Annahme zu bestätigen.
- First-Party-Daten zurückspielen. Jede Interaktion verfeinert die Zuordnung. Aktualisieren Sie die Personas regelmäßig, denn Gespräche verändern sich.
Was taugen synthetische Zielgruppen für den Cold Start?
Einiges – wenn man ihre Grenzen kennt. In der Digiday-Recherche formulieren selbst Beteiligte Vorbehalte: Vurvey-CEO Chad Reynolds sagt, große Sprachmodelle lieferten die Spitze der Glockenkurve, also die häufigste Antwort. Julie Clark von TransUnion warnt vor Personas, die auf schlechten Eingangsdaten beruhen. Und Stef Hoffman von Code & Theory bringt es auf den Punkt: Die Ergebnisse informieren das Urteil, ersetzen es aber nicht.
Genau hier liegt der Wert öffentlicher Inhalte. Sie sind keine Simulation, sondern Belege. Wenn eine Persona behauptet, dass Menschen in Ihrer Kategorie vor allem Fehlkäufe fürchten, sollten Sie die Posts sehen können, aus denen diese Aussage stammt. Eine Persona, die sich nicht zurückverfolgen lässt, ist eine Behauptung.
Defy Monitor geht diesen Weg: Zielgruppen-Inhalte werden automatisch zu Personas und Spannungen gebündelt, geplant wird aus echten Gesprächen statt aus Demografie. Das ist ein Baustein der Defy-Plattform, die unabhängigen Agenturen dieselben Analysefähigkeiten an die Hand gibt, die sich große Netzwerke für viel Geld aufgebaut haben.
Woran erkennen Sie, dass Ihre Cold-Start-Strategie funktioniert?
Vergleichen Sie die persona-basierten Varianten mit einer generischen Kontrollgruppe. Aussagekräftig sind vor allem die frühen Kennzahlen neuer Nutzer: Interaktion mit der ersten Anzeige, Tiefe des ersten Besuchs, Zeit bis zur ersten Conversion. Liegen die Persona-Varianten nicht vorn, ist das kein Scheitern, sondern ein Hinweis: Entweder stimmen die Personas nicht, oder die Zuordnungssignale sind zu schwach.
