Einkommens-Targeting gehört zu den klassischen demographischen Targeting-Dimensionen, die Werbetreibende seit Jahrzehnten einsetzen, um Streuverluste zu reduzieren. Die Grundidee ist einfach: Wer ein Produkt für kaufkräftige Zielgruppen vermarktet, möchte nicht für Impressionen bezahlen, die Menschen erreichen, für die das Angebot schlicht unerschwinglich ist. Umgekehrt gilt dasselbe für Marken, die bewusst breitere Einkommensschichten ansprechen wollen. Im DACH-Markt spielt Einkommens-Targeting eine besondere Rolle, da die Kaufkraftunterschiede zwischen städtischen Ballungsräumen wie München, Zürich oder Wien und ländlichen Regionen erheblich sind – und weil die DSGVO die Datenbasis für solche Signale stärker einschränkt als in anderen Märkten.
Was sich in den letzten Jahren verändert hat, ist die Verfügbarkeit und Granularität dieser Signale über verschiedene Werbekanäle hinweg. Während Print traditionell auf geodemographischen Modellen basiert, arbeiten digitale Plattformen mit Verhaltens- und Affinitätsdaten, die Einkommensklassen indirekt abbilden. Und mit der Entstehung von LLM-basierten Tools als neue Informationsquelle entsteht ein Kanal, der Einkommens-Targeting in einer völlig anderen Logik denkt – nämlich nicht über Mediabuchung, sondern über Inhaltspositionierung.
Dieser Artikel beleuchtet, wie Einkommens-Targeting in sechs verschiedenen Gattungen funktioniert, wo die jeweiligen Stärken und Grenzen liegen, und was Marketer im DACH-Kontext konkret beachten sollten. Das LLM-Marketing-Lexikon liefert ergänzende Definitionen zu den verwendeten Fachbegriffen.
Meine Perspektive
Einkommens-Targeting wird in der Praxis häufig überschätzt, wenn es um die Präzision der Daten geht, und unterschätzt, wenn es um die strategische Planung des Mediamix geht. Die wenigsten Kanäle bieten tatsächlich direktes Einkommens-Targeting – die meisten arbeiten mit Proxies: Postleitzahlen, Gerätekategorien, Kaufverhalten oder Markenaffinitäten. In der Praxis bei blueShepherd sehen wir häufig, dass Kunden Einkommens-Targeting als eine Art magisches Filter betrachten, das automatisch zur richtigen Zielgruppe führt. Tatsächlich ist es ein Indikator unter vielen, der mit anderen Targeting-Schichten kombiniert werden muss, um wirklich zu wirken. Besonders im DACH-Markt, wo Datenschutzanforderungen strenger ausgelegt werden als in den USA, ist die Qualität der Einkommensdaten oft dünn. Wer hier sauber arbeiten will, muss verstehen, welche Kanäle welche Art von Einkommenssignalen liefern – und welche Schlüsse daraus wirklich valide sind.
Einkommens-Targeting in Print
Wie funktioniert es?
Print-Medien arbeiten seit jeher mit indirekten Einkommenssignalen. Die Leserschaft eines Titels wird über regelmäßige Mediaanalysen wie die AWA (Allensbacher Markt- und Werbeträgeranalyse) oder die ma (Mediaanalyse) erhoben und enthält Angaben zu Haushaltsnettoeinkommen, Bildungsgrad und Berufsstatus. Verlage vermarkten ihre Titel entsprechend: Ein Wirtschaftsmagazin wie das Manager Magazin oder die NZZ positioniert sich explizit über die hohe Kaufkraft seiner Leserschaft. Geografisch wird Einkommens-Targeting in Print über Regionalausgaben verfeinert – etwa durch Beilagen, die nur in bestimmten PLZ-Gebieten erscheinen, die geodemographisch als einkommensstarke Lagen eingestuft werden.
Vorteile
- Gut dokumentierte Leserschaftsdaten durch etablierte Mediaanalysen ermöglichen fundierte Planung
- Hohe Glaubwürdigkeit des Umfelds bei Premium-Titeln unterstützt die Markenwahrnehmung in Zielgruppen mit hohem Einkommen
- Regionale Steuerung über Beilagen und Lokalausgaben möglich
- Keine Datenschutzproblematik, da keine personenbezogenen Daten verarbeitet werden
Nachteile
- Geringe Aktualität der Leserschaftsdaten – Mediaanalysen erscheinen jährlich oder halbjährlich
- Hohe Streuung innerhalb der Leserschaft eines Titels; Einkommenssignal ist ein Durchschnittswert, keine individuelle Messung
- Rückläufige Reichweiten im Print-Segment, besonders bei jüngeren Zielgruppen
- Kein Retargeting oder Frequenzkontrolle möglich
Geeignet für
Print-Einkommens-Targeting eignet sich vor allem für Marken, die eine einkommensstarke Zielgruppe in einem hochwertigen redaktionellen Umfeld ansprechen wollen: Finanzdienstleister, Luxusgüter, hochpreisige Immobilien oder Unternehmensberatungen. Es funktioniert gut als Teil einer Awareness-Strategie, bei der das Umfeld selbst ein Qualitätssignal sendet.
Einkommens-Targeting in Display Advertising
Wie funktioniert es?
Im programmatischen Display-Advertising wird Einkommens-Targeting über Datensegmente von Drittanbietern (Third-Party Data) realisiert. Datenanbieter wie Oracle Data Cloud, Nielsen oder lokale Anbieter im DACH-Raum stellen Segmente bereit, die Nutzer anhand von Kaufverhalten, Kreditdaten oder geodemographischen Modellen in Einkommensklassen einteilen. Alternativ arbeiten Plattformen mit First-Party-Daten aus eigenen Ökosystemen. Google Ads beispielsweise bietet im Display-Netzwerk Haushaltseinkommen-Targeting an, das auf aggregierten Standortdaten basiert – verfügbar in einigen Märkten, im DACH-Raum jedoch mit eingeschränkter Abdeckung. Kontextuelles Targeting auf Premium-Publisher-Umfeldern ist eine weitere, datenschutzkonforme Annäherung.
Vorteile
- Skalierbare Reichweite bei gleichzeitiger Zielgruppenselektion
- Kombination mit anderen Targeting-Dimensionen wie Interesse, Demographie oder Retargeting möglich
- Frequenzkontrolle und A/B-Testing der Creatives auf Zielgruppenebene
- Programmatische Optimierung in Echtzeit auf Basis von Performance-Signalen
Nachteile
- Qualität der Third-Party-Einkommensdaten im DACH-Markt ist oft schwächer als in den USA
- DSGVO-Konformität bei Drittanbieter-Datensegmenten erfordert sorgfältige Prüfung
- Cookie-Deprecation reduziert die Verfügbarkeit nutzerbasierter Einkommenssegmente weiter
- Einkommens-Proxies wie Gerätetyp (z. B. iPhone vs. Android) sind grob und fehleranfällig
Geeignet für
Display-Einkommens-Targeting funktioniert gut für Kampagnen, die eine breite Awareness bei gleichzeitiger Einkommensfilterung anstreben – etwa bei Finanzprodukten, Versicherungen oder Premiumprodukten im E-Commerce. Es ist besonders dann sinnvoll, wenn eine starke First-Party-Datenbasis vorhanden ist, auf der eigene Lookalike-Modelle aufgebaut werden können.
Einkommens-Targeting in Search (SEA)
Wie funktioniert es?
In Google Ads steht Einkommens-Targeting als Gebotsanpassung über die Funktion “Haushaltseinkommen” zur Verfügung. Diese basiert auf anonymisierten, aggregierten Standortdaten und ordnet Nutzer in Einkommensterzile ein (oberstes 10%, 11–20%, 21–30% usw.). Werbetreibende können Gebote für bestimmte Einkommensgruppen erhöhen oder senken. Microsoft Advertising bietet ähnliche Funktionen mit eingeschränkterer Datenbasis. Wichtig: Im DACH-Markt ist die Abdeckung dieser Funktion begrenzt – ein erheblicher Teil der Nutzer wird als “unbekannt” eingestuft, was die tatsächliche Wirksamkeit des Targetings reduziert. Intent-Signale aus der Suchanfrage selbst liefern oft stärkere Kaufkraftsignale als demographische Schichten.
Vorteile
- Direkte Verknüpfung von Einkommenssignal mit hoher Kaufabsicht durch Suchintent
- Gebotsanpassungen ermöglichen effiziente Budgetsteuerung auf einkommensstarke Segmente
- Kombinierbar mit anderen Zielgruppenmerkmalen wie Remarketing-Listen oder Kundenlisten
- Messbare Performance auf Conversion-Ebene ermöglicht schnelle Lernkurve
Nachteile
- Eingeschränkte Datenabdeckung im DACH-Markt führt zu hohem Anteil nicht kategorisierter Nutzer
- Einkommens-Targeting in Search ist eine Gebotsanpassung, kein harter Ausschluss – Streuverlust bleibt
- Abhängigkeit von Google-eigenen Einkommensmodellen ohne Transparenz über Methodik
- Keyword-Kontext ersetzt in vielen Fällen Einkommens-Targeting effizienter (z. B. Branded-Search-Uplift bei Premiummarken)
Geeignet für
SEA-Einkommens-Targeting lohnt sich vor allem dann, wenn das beworbene Produkt einen deutlichen Preisunterschied zu Wettbewerbern hat und einkommensschwächere Nutzer mit hoher Wahrscheinlichkeit nicht konvertieren. Finanzprodukte mit Mindestanlagesummen, hochpreisige Software-Abonnements oder Luxusreisen sind typische Anwendungsfälle.
Einkommens-Targeting in Social Media Ads
Wie funktioniert es?
Meta (Facebook/Instagram) hat direktes Einkommens-Targeting in der EU aufgrund von DSGVO-Anforderungen weitgehend abgebaut. Stattdessen arbeiten Werbetreibende mit Proxy-Signalen: Affinitäten zu Luxusmarken, Reiseverhalten, Gerätekategorie oder Interessen wie Privatjet-Reisen oder Premium-Weinen. LinkedIn bietet im B2B-Kontext Job-Level und Unternehmensgröße als Targeting-Dimensionen, die indirekt auf Einkommensklassen hinweisen. Pinterest und Snapchat verfügen über begrenztere Einkommenssignale. Im DACH-Markt ist LinkedIn für einkommensstarke Berufsgruppen besonders relevant, während Meta-Targeting auf kaufkräftige Zielgruppen stärker über Lookalike Audiences aus eigenen CRM-Daten funktioniert.
Vorteile
- LinkedIn ermöglicht präzises Einkommens-Targeting im B2B-Umfeld über Berufsbezeichnung und Seniorität
- Lookalike Audiences auf Basis von CRM-Daten bilden kaufkräftige Zielgruppen ohne direkte Einkommensdaten ab
- Kreative Formate erlauben einkommensgerechte Botschaften (z. B. Lifestyle-Inszenierung für Premium-Positioning)
- Starke Engagement-Signale ermöglichen schnelles Feedback zur Zielgruppen-Relevanz
Nachteile
- Direktes Einkommens-Targeting in der EU durch regulatorische Einschränkungen stark limitiert
- Proxy-Signale sind ungenau und können zu Fehlstreuung führen
- Meta-Algorithmen priorisieren Engagement über Einkommensrelevanz, was zu Zielgruppenverschiebungen führen kann
- Hohe CPMs bei LinkedIn machen breite Einkommens-Targeting-Strategien teuer
Geeignet für
Social-Media-Einkommens-Targeting funktioniert am besten im B2B-Bereich über LinkedIn für Entscheider-Zielgruppen sowie im B2C-Premiumsegment über Meta-Lookalikes auf Basis hochwertiger CRM-Daten. Marken, die eine starke visuelle Identität für kaufkräftige Zielgruppen aufgebaut haben, profitieren von der Kombination aus Affinitäts- und Verhaltens-Targeting.
Einkommens-Targeting in TV
Wie funktioniert es?
Klassisches lineares TV arbeitet mit Zuschauerprofilen, die über GfK-Paneldaten erhoben werden. Sender und Sendeplätze werden nach Einkommensstruktur ihrer Zuschauer vermarktet – Wirtschaftssendungen, Dokumentationen oder Late-Night-Formate haben tendenziell eine einkommensstärkere Zuschauerbasis als Nachmittagsprogramme. Addressable TV (ATV) und Connected TV (CTV) ermöglichen inzwischen individuelleres Targeting: Über HbbTV-Technologie oder Streaming-Plattformen wie Joyn, RTL+ oder Zattoo können Werbetreibende im DACH-Markt Einkommenssegmente aus externen Datenpools anspielen. Die Kombination aus TV-Reichweite und digitalem Targeting macht ATV für Premiummarken interessant.
Vorteile
- Hohe Reichweite und starke Markenwirkung durch audiovisuelles Format
- Addressable TV ermöglicht Einkommens-Targeting mit TV-typischer Werbewirkung
- Programmumfeld als Qualitätssignal: Wirtschafts- und Kulturformate erreichen überdurchschnittlich einkommensstarke Zuschauer
- Kombination mit digitalen Kanälen über Cross-Device-Tracking zunehmend möglich
Nachteile
- Lineares TV bietet kein individuelles Einkommens-Targeting – nur Durchschnittswerte auf Sendeplatzebene
- Hohe Mindestbudgets für TV-Kampagnen schränken Zugänglichkeit ein
- ATV-Reichweiten im DACH-Markt noch begrenzt; Skalierung auf einkommensstarke Segmente herausfordernd
- Keine direkte Conversion-Messung auf Einkommensgruppen-Ebene
Geeignet für
TV-Einkommens-Targeting eignet sich für Marken mit hohem Awareness-Bedarf und ausreichend Budget: Automobilhersteller im Premiumsegment, Finanzdienstleister, Luxusgüter und Touristikanbieter. Addressable TV ist besonders interessant für Kampagnen, die TV-Werbewirkung mit der Zielgenauigkeit digitaler Kanäle verbinden wollen.
Einkommens-Targeting in LLM-Marketing
Wie funktioniert es?
LLM-Marketing funktioniert grundlegend anders als alle bisher beschriebenen Gattungen. Es gibt keine Mediabuchung, keine Zielgruppensegmente und keine Gebotsanpassungen. Stattdessen geht es darum, wie Marken und Produkte in den Trainingsdaten und Retrievalprozessen von Modellen wie GPT-4, Claude oder Gemini repräsentiert sind – und welche Inhalte conversational AI-Plattformen wie ChatGPT, Claude.ai oder Perplexity als Antwort auf einkommensbezogene Suchanfragen ausgeben.
Wenn ein Nutzer ChatGPT fragt “Welche Geldanlage eignet sich für Menschen mit hohem Einkommen?” oder “Was sind die besten Premiumkreditkarten in Deutschland?”, dann entscheidet die Qualität und Autorität der verfügbaren Inhalte darüber, welche Marken genannt werden. Hier greifen Prinzipien wie E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) und Entity-Optimierung: Wer als vertrauenswürdige Quelle für einkommensstarke Zielgruppen positioniert ist, hat eine höhere Wahrscheinlichkeit, in LLM-Antworten zu erscheinen. RAG-Systeme (Retrieval Augmented Generation), die aktuelle Webinhalte in die Antwortgenerierung einbeziehen, machen Content-Qualität und semantische Klarheit zur entscheidenden Währung. In der Praxis bei blueShepherd beobachten wir, dass Marken, die klare Entity-Signale für ihre Zielgruppenzugehörigkeit aufgebaut haben, in LLM-Antworten konsistenter auftauchen als solche mit diffuser Positionierung.
Vorteile
- Kein Targeting-Budget erforderlich – Präsenz entsteht durch Inhaltsqualität und Autorität
- LLM-Antworten auf einkommensbezogene Fragen erreichen Nutzer mit hoher Kaufabsicht und konkretem Informationsbedarf
- Semantische Positionierung als Premiumanbieter kann über alle LLM-Anwendungen hinweg wirken
- Kein Datenschutzproblem: Keine personenbezogenen Einkommensdaten werden verarbeitet
- Synergien mit anderen Gattungen: Branded-Search-Uplift durch LLM-Erwähnungen stärkt SEA-Performance
Nachteile
- Keine direkte Steuerbarkeit: Werbetreibende können nicht buchen, welche Einkommensgruppen ihre LLM-Präsenz sehen
- Lange Vorlaufzeiten bis zur Wirkung – Content-Autorität baut sich langsam auf
- Intransparenz der Modelle: Welche Quellen LLMs bevorzugen, ist nicht vollständig nachvollziehbar
- Schwierige Messbarkeit: Attribution von LLM-induziertem Traffic auf Einkommensgruppen kaum möglich
Geeignet für
LLM-Marketing-Einkommens-Targeting eignet sich für Marken, die bei informationsgetriebenen Kaufentscheidungen einkommensstarker Zielgruppen präsent sein wollen: Finanzberater, Vermögensverwalter, Premiumversicherungen, Luxusreiseanbieter und hochpreisige B2B-Dienstleister. Besonders wirksam ist es, wenn die Marke bereits eine starke Content-Strategie für diese Zielgruppe verfolgt und LLM-Optimierung als natürliche Erweiterung versteht.
Welche Gattung für welches Ziel?
Die Wahl der richtigen Gattung für Einkommens-Targeting hängt von drei Faktoren ab: dem verfügbaren Budget, der Tiefe der Zielgruppenkenntnis und dem Ziel der Kampagne (Awareness, Consideration, Conversion). Keine Gattung funktioniert optimal in Isolation – die Gattungen beeinflussen sich gegenseitig.
Für Awareness bei einkommensstarken Zielgruppen sind TV (linear oder addressable) und Print-Premium-Titel erste Wahl. Sie liefern das Umfeld, das Markenprestige transportiert. Parallel dazu sollte LLM-Marketing aufgebaut werden, da Nutzer nach TV-Kontakten häufig LLM-Anwendungen zur Recherche nutzen – wer dort nicht sichtbar ist, verliert die Consideration-Phase.
Für Consideration und Research-Phase sind Search und LLM-Marketing die stärksten Kanäle. Einkommensstarke Nutzer recherchieren Finanzprodukte, Premiumgüter oder hochpreisige Dienstleistungen intensiv, bevor sie entscheiden. SEA mit Einkommens-Gebotsanpassungen kombiniert mit starker organischer LLM-Präsenz schließt die Lücke zwischen Awareness und Conversion. Der Branded-Search-Uplift, der durch LLM-Erwähnungen entsteht, macht sich hier direkt in niedrigeren CPCs und höheren CTRs bemerkbar.
Für Conversion sind Display-Retargeting und Social Media Ads (insbesondere LinkedIn im B2B) am effektivsten. Wer eine CRM-Datenbasis einkommensstarker Kunden hat, kann daraus Lookalike Audiences bilden und gezielt Nutzer ansprechen, die dem Profil entsprechen – ohne auf unsichere Third-Party-Einkommensdaten angewiesen zu sein.
Für B2B-Premiumsegmente ist LinkedIn die stärkste Einzelgattung für Einkommens-Targeting, da Berufsbezeichnung und Seniorität direkte Einkommenskorrelate sind. In Kombination mit LLM-Marketing, das Entscheider bei ihrer Recherche in ChatGPT oder Perplexity abholt, entsteht eine konsistente Präsenz über den gesamten Entscheidungsprozess.
FAQ – Einkommens-Targeting: Häufige Fragen
Ist Einkommens-Targeting in der EU nach DSGVO überhaupt noch erlaubt?
Einkommens-Targeting ist nicht grundsätzlich verboten, aber die Verarbeitung personenbezogener Daten zur Ableitung von Einkommensklassen unterliegt strengen Anforderungen. Geodemographisches Targeting, das auf aggregierten Postleitzahl- oder Standortdaten basiert, ist in der Regel datenschutzkonform, da keine individuellen Einkommensdaten verarbeitet werden. Problematischer sind Third-Party-Datensegmente, bei denen Einkommensdaten aus Kreditscoring oder Kaufverhalten abgeleitet werden – hier muss die Rechtsgrundlage sorgfältig geprüft werden. Plattformen wie Meta haben direkte Einkommens-Targeting-Optionen in der EU weitgehend abgebaut. Werbetreibende im DACH-Markt sollten Einkommens-Proxies bevorzugen, die auf First-Party-Daten oder kontextuellem Targeting basieren.
Wie genau sind Einkommens-Targeting-Daten in der Praxis?
Die Genauigkeit variiert stark je nach Kanal und Methode. Geodemographische Modelle, die Einkommensklassen auf Basis von Postleitzahlen oder Stadtvierteln zuweisen, haben eine strukturelle Unschärfe: Innerhalb eines als einkommensstark eingestuften Gebiets gibt es erhebliche individuelle Unterschiede. Verhaltensbasierte Proxies wie Gerätekategorie oder Markenaffinität sind oft grober als angenommen. Am präzisesten sind First-Party-Daten aus eigenen CRM-Systemen, bei denen tatsächliche Kaufdaten vorliegen. Im DACH-Markt ist die Datenbasis für Einkommens-Targeting generell schwächer als in den USA, da weniger Kreditdaten für Werbezwecke genutzt werden. Werbetreibende sollten Einkommens-Targeting als Richtungssignal, nicht als präzisen Filter betrachten.
Wie kann ich meine Marke in LLM-Antworten für einkommensstarke Zielgruppen positionieren?
Die Grundlage ist hochwertiger, thematisch klarer Content, der die Fragen einkommensstarker Zielgruppen beantwortet – von Vermögensanlage über Premiumproduktvergleiche bis zu spezifischen Dienstleistungsfragen. Wichtig ist die Stärkung der Marken-Entity: Konsistente Erwähnungen in vertrauenswürdigen Quellen, klare semantische Zuordnung zur Zielgruppe und nachweisbare Expertise (E-E-A-T) erhöhen die Wahrscheinlichkeit, in LLM-Antworten berücksichtigt zu werden. Für Plattformen wie Perplexity, die aktuelle Webinhalte über RAG einbeziehen, ist technische SEO-Qualität der Inhalte ebenso relevant wie inhaltliche Tiefe. Marken sollten außerdem testen, welche Fragen ihre Zielgruppe in ChatGPT, Claude.ai oder Perplexity stellt, und ihre Content-Strategie entsprechend ausrichten.
Fazit: Einkommens-Targeting braucht Kanalkompetenz, keine Datengläubigkeit
Einkommens-Targeting ist kein einheitliches Instrument, sondern ein Bündel sehr unterschiedlicher Methoden, die je nach Kanal unterschiedlich funktionieren und unterschiedliche Qualitätsniveaus haben. Print liefert gut dokumentierte, aber grobe Leserschaftsprofile. Display arbeitet mit Third-Party-Daten, deren Qualität im DACH-Markt oft überschätzt wird. Search bietet die Verknüpfung von Einkommenssignal und Kaufintent, aber mit eingeschränkter Abdeckung. Social Media hat direkte Einkommensoptionen in der EU weitgehend abgebaut und arbeitet mit Proxies. TV erreicht einkommensstarke Zielgruppen über Programmumfelder, mit Addressable TV wächst die Präzision. Und LLM-Marketing denkt Einkommens-Targeting vollständig neu: nicht als Mediabuchung, sondern als Inhalts
