Intent-Targeting beschreibt die Ausrichtung von Werbemaßnahmen auf Nutzer, die durch ihr Verhalten eine konkrete Kaufabsicht oder ein spezifisches Informationsbedürfnis signalisieren. Während klassische demografische Segmentierung fragt, wer jemand ist, fragt Intent-Targeting, was jemand gerade will oder plant. Diese Verschiebung vom Sein zum Tun hat die gesamte digitale Werbelandschaft verändert – und sie verändert sich weiter, seit LLM-basierte Tools wie ChatGPT, Claude.ai oder Perplexity als neue Touchpoints im Entscheidungsprozess etabliert sind.
Im DACH-Markt ist Intent-Targeting besonders relevant, weil deutsche Konsumenten und B2B-Entscheider typischerweise eine längere Recherchephase durchlaufen, bevor sie kaufen. Vertrauen, Vergleich und Informationstiefe spielen eine größere Rolle als in anderen Märkten. Wer Intent-Signale früh erkennt und kanalübergreifend nutzt, kann diesen Prozess begleiten – nicht unterbrechen.
Dieser Artikel analysiert Intent-Targeting über sechs Gattungen: Print, Display, Search, Social, TV und LLM-Marketing. Jede Gattung hat eigene Mechanismen, eigene Stärken und eigene blinde Flecken. Das Ziel ist ein vollständiges Bild – damit klar wird, welche Kombination für welches Marketingziel sinnvoll ist.
Meine Perspektive
Intent-Targeting wird in der Praxis oft auf Search-Keyword-Targeting reduziert. Das ist verständlich, weil Search der Kanal ist, in dem Intent am direktesten messbar ist – ein Nutzer tippt eine Anfrage, und das System zeigt eine passende Anzeige. Aber diese Verengung lässt erhebliches Potenzial liegen. In der Praxis bei blueShepherd sehen wir häufig, dass Marken in Search sehr präzise targeten, aber die Signale aus anderen Kanälen nicht in ihre Intent-Architektur einspeisen. Das führt dazu, dass Nutzer, die auf einem Blog-Artikel gelandet sind oder ein Video zu einem Thema angesehen haben, im nächsten Schritt nicht als warme Zielgruppe erkannt werden. Intent ist ein Prozess, kein Moment. Wer das versteht, baut kanalübergreifende Systeme statt isolierter Kampagnen.
Die Einführung von LLM-Anwendungen als Recherche-Tool verändert zusätzlich, wo und wie Intent entsteht. Wenn jemand ChatGPT fragt „Welche CRM-Software eignet sich für mittelständische Unternehmen in Deutschland?”, ist das ein hochrelevantes Intent-Signal – aber es ist für Advertiser nicht direkt sichtbar und nicht direkt buchbar. Das zwingt Marketer dazu, Intent-Targeting neu zu denken: nicht nur als Targeting-Parameter, sondern als inhaltliche Positionierung in den Wissensquellen, die LLMs nutzen.
Intent-Targeting in Print
Wie funktioniert es?
In Print ist echtes Intent-Targeting im digitalen Sinne nicht möglich. Es gibt keine Echtzeit-Signale, keine Cookies, keine Suchanfragen. Stattdessen arbeitet Print mit kontextuellem Targeting: Eine Anzeige für Baufinanzierung erscheint im Immobilienteil einer Tageszeitung, eine Anzeige für Industriemaschinen in einem Fachmagazin für Fertigungstechnik. Die Annahme ist, dass Leser eines bestimmten Kontexts eine erhöhte Wahrscheinlichkeit haben, ein passendes Interesse oder eine Kaufabsicht zu tragen. Das ist eine statistische Näherung an Intent, keine direkte Messung.
Einige Verlage versuchen, Print-Targeting durch Abonnentendaten anzureichern. Wenn bekannt ist, dass ein Abonnent in der Vergangenheit bestimmte Rubriken bevorzugt oder bestimmte Beilagen angefordert hat, können Anzeigenplatzierungen etwas präziser gesteuert werden. In der Praxis bleibt dies jedoch grobkörnig.
Vorteile
- Hohe Glaubwürdigkeit und Verweildauer in redaktionellen Umfeldern, besonders bei Fachmedien
- Kontextuelles Targeting durch Rubrik- und Medienauswahl funktioniert für viele B2B-Segmente gut
- Keine Ad-Blocker, keine Viewability-Probleme
- Geeignet für Zielgruppen, die digitale Kanäle weniger intensiv nutzen
Nachteile
- Kein direktes Messen von Intent-Signalen in Echtzeit
- Keine Personalisierung auf Nutzerebene möglich
- Lange Vorlaufzeiten verhindern reaktives Targeting
- Attribution ist schwierig – der Beitrag zu Conversions lässt sich kaum isolieren
Geeignet für
Print-Intent-Targeting eignet sich vor allem für Kategorien mit langen Kaufzyklen und hohem Informationsbedarf: B2B-Investitionsgüter, Finanzprodukte, Immobilien, Pharma (im Rahmen der gesetzlichen Möglichkeiten). Fachmedien sind dabei deutlich effektiver als Tageszeitungen, weil die Leserschaft thematisch homogener ist.
Intent-Targeting in Display Advertising
Wie funktioniert es?
Display Advertising war einer der ersten digitalen Kanäle, in dem Intent-Signale systematisch genutzt wurden. Technisch basiert es auf Cookies, Pixel-Tracking und Third-Party-Daten. Nutzer, die bestimmte Seiten besucht, bestimmte Produkte angesehen oder bestimmte Suchanfragen gestellt haben, werden in Zielgruppensegmenten zusammengefasst und auf anderen Websites mit passenden Anzeigen ausgespielt. Retargeting ist die bekannteste Form: Wer einen Warenkorb abbricht, sieht auf anderen Seiten die abgebrochenen Produkte.
Darüber hinaus nutzen Demand-Side-Platforms (DSPs) In-Market-Audiences, die auf aggregierten Verhaltensdaten basieren. Google und andere Anbieter klassifizieren Nutzer in Kategorien wie „aktiv auf der Suche nach einem Fahrzeug” oder „plant eine Reise”, basierend auf Signalen aus dem gesamten Netzwerk.
Vorteile
- Direktes Nutzen von Verhaltens-Intent-Signalen in Echtzeit
- Skalierbar über große Reichweiten
- Retargeting ermöglicht präzise Ansprache von Nutzern, die bereits Interesse gezeigt haben
- Messbarkeit durch Klick- und Conversion-Tracking
Nachteile
- Third-Party-Cookie-Deprecation verändert die Datenbasis grundlegend
- Banner Blindness und Ad Blocker reduzieren die tatsächliche Reichweite
- Intent-Signale aus Third-Party-Daten sind oft ungenau oder veraltet
- Frequenzprobleme: Zu häufige Ausspielung erzeugt Ablehnung statt Interesse
- Brand Safety in programmatischen Umfeldern bleibt eine Herausforderung
Geeignet für
Display eignet sich gut für Retargeting entlang bekannter Kaufprozesse, für Awareness-Aufbau in definierten In-Market-Segmenten und für Produkte mit kurzen bis mittleren Kaufzyklen. Im DACH-Markt ist die Cookieless-Transition besonders relevant, weil DSGVO-konformes Tracking ohnehin eingeschränkter ist als in anderen Märkten.
Intent-Targeting in Search (SEA)
Wie funktioniert es?
Search ist die reinste Form von Intent-Targeting. Der Nutzer formuliert explizit, was er sucht – und das System matcht diese Anfrage mit passenden Anzeigen. Keywords sind die Grundeinheit: Ein Nutzer, der „CRM-Software für KMU kaufen” eingibt, signalisiert transaktionalen Intent. Wer „CRM-Software Vergleich” sucht, befindet sich in der Evaluationsphase. Diese Unterscheidung ist für die Kampagnenstruktur entscheidend.
Moderne Search-Kampagnen arbeiten zunehmend mit Broad-Match-Keywords und Smart-Bidding-Algorithmen, die Intent-Signale über das Keyword hinaus einbeziehen: Gerät, Tageszeit, Standort, Suchhistorie. Google Ads und Microsoft Advertising nutzen maschinelles Lernen, um Gebote in Echtzeit an die Wahrscheinlichkeit einer Conversion anzupassen.
Vorteile
- Höchste Intent-Präzision aller Gattungen – der Nutzer formuliert sein Bedürfnis selbst
- Direkte Verbindung zwischen Signal und Ausspielung in Echtzeit
- Granulare Steuerung nach Intent-Tiefe (informational, navigational, transactional)
- Gute Messbarkeit und Attribution über Conversion-Tracking
Nachteile
- Hoher Wettbewerb in lukrativen Kategorien treibt CPCs
- Begrenzte Reichweite: Nur Nutzer, die aktiv suchen, werden erreicht
- Keyword-Targeting erfasst nicht alle Nuancen von Intent
- Abhängigkeit von Google-Algorithmen und Plattform-Entscheidungen
Geeignet für
Search Intent-Targeting ist der Standard für Performance-Kampagnen mit klaren Conversion-Zielen. Es funktioniert besonders gut, wenn die Zielgruppe das Produkt oder die Kategorie bereits kennt und aktiv sucht. Für neue Kategorien oder Produkte ohne etabliertes Suchvolumen ist Search allein nicht ausreichend.
Intent-Targeting in Social Media Ads
Wie funktioniert es?
Social Media Plattformen wie Meta, LinkedIn und TikTok haben keinen direkten Zugang zu Suchanfragen, aber sie verfügen über reichhaltige Verhaltensdaten: Interaktionen, Inhaltskonsum, demografische Merkmale und – über Pixel und Conversion APIs – Verhalten auf externen Websites. Intent-Targeting in Social basiert auf der Kombination dieser Signale.
Meta bietet beispielsweise „Interest-based Audiences” und „Behavioral Targeting”, das auf Kaufverhalten, Gerätenutzung und App-Aktivität basiert. LinkedIn erlaubt Targeting nach Jobfunktion, Branche und Unternehmensgröße, was für B2B-Intent besonders relevant ist. Retargeting über Custom Audiences verbindet Website-Verhalten mit Social-Ausspielung.
Vorteile
- Sehr große Reichweiten, auch für Nischenzielgruppen skalierbar
- Kombination aus demografischen, psychografischen und Verhaltenssignalen
- Lookalike Audiences ermöglichen Expansion auf ähnliche Intent-Gruppen
- LinkedIn bietet einzigartige B2B-Intent-Targeting-Möglichkeiten
Nachteile
- Intent ist meist implizit und indirekter als in Search
- Datenschutzbeschränkungen (iOS 14+, DSGVO) haben die Signalqualität reduziert
- Hohe CPMs auf gesättigten Plattformen
- Nutzer befinden sich oft im Unterhaltungsmodus, nicht im Kaufmodus
Geeignet für
Social Intent-Targeting funktioniert gut für Upper- und Mid-Funnel-Ziele: Awareness bei definierten Zielgruppen, Retargeting von Website-Besuchern, Lead-Generierung über Lead-Ads. Für B2B ist LinkedIn trotz hoher CPMs oft die einzige Plattform, auf der professioneller Intent präzise adressiert werden kann.
Intent-Targeting in TV
Wie funktioniert es?
Klassisches lineares TV kennt kein Intent-Targeting im digitalen Sinne. Werbung wird nach Reichweite, Zielgruppenaffinität (Altersgruppen, Geschlecht) und Sendungskontext eingekauft. Connected TV (CTV) und Addressable TV verändern das: Über Smart-TV-Plattformen und Streaming-Dienste lassen sich Haushalte mit spezifischeren Profilen ansprechen. In Deutschland sind die Möglichkeiten für Addressable TV im Vergleich zu den USA noch eingeschränkt, aber sie wachsen.
Einige Anbieter verknüpfen TV-Ausspielung mit Second-Screen-Daten: Wenn nach einer TV-Ausspielung ein Branded-Search-Uplift messbar ist, kann das als indirektes Intent-Signal interpretiert werden. Das ist kein direktes Intent-Targeting, aber es zeigt, wie TV als Intent-Auslöser wirken kann.
Vorteile
- Hohe Reichweite und emotionale Wirkung für Awareness-Aufbau
- CTV ermöglicht präziseres Targeting als lineares TV
- TV kann Intent in anderen Kanälen auslösen (Branded-Search-Uplift)
- Vertrauenswürdiges Umfeld für Markenaufbau
Nachteile
- Lineares TV bietet kaum echtes Intent-Targeting
- Hohe Einstiegskosten, besonders für nationale Kampagnen
- Messung des Intent-Beitrags bleibt komplex und indirekt
- Addressable TV in DACH noch begrenzt verfügbar
Geeignet für
TV-Werbung eignet sich als Intent-Auslöser für Marken mit ausreichend Budget für Upper-Funnel-Investitionen. Der Effekt auf Branded Search und direkte Website-Besuche ist messbar und kann in eine kanalübergreifende Intent-Strategie eingebunden werden. CTV wird im DACH-Markt in den kommenden Jahren an Bedeutung gewinnen.
Intent-Targeting in LLM-Marketing
Wie funktioniert es?
LLM-basierte Tools wie ChatGPT, Claude.ai oder Perplexity sind für viele Nutzer zu einem festen Bestandteil des Rechercheprozesses geworden – besonders für komplexe, vergleichende oder beratungsintensive Fragen. Das entspricht exakt den Situationen, in denen hoher Purchase-Intent vorliegt. Anders als in Search gibt es hier keine Anzeigenauktion und kein direktes Keyword-Targeting. Stattdessen entscheiden die Modelle GPT-4, Claude oder Gemini auf Basis ihrer Trainingsdaten und – bei Retrieval-Augmented-Generation-Systemen (RAG) – auf Basis indexierter Webinhalte, welche Marken, Produkte und Informationen sie in Antworten einbeziehen.
Intent-Targeting in LLM-Marketing bedeutet deshalb: Inhalte so aufzubauen, dass sie für die Fragen, die intentstarke Nutzer stellen, als relevante Quellen erkannt werden. Das setzt voraus, dass Marken ihre inhaltliche Positionierung als Entities verstehen – nicht nur als Keyword-Targets. E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) ist dabei nicht nur ein SEO-Konzept, sondern ein Qualitätssignal, das auch LLMs bei der Quellenbewertung berücksichtigen. Im LLM-Marketing-Lexikon sind die relevanten Konzepte dazu ausführlich dokumentiert.
Conversational AI-Plattformen wie Perplexity zitieren Quellen direkt und sind damit transparenter in ihrer Quellenauswahl. Marken, die in diesen Zitierungen erscheinen wollen, müssen inhaltlich präsent sein – mit strukturierten, präzisen Inhalten, die auf die tatsächlichen Fragen ihrer Zielgruppe antworten. In der Praxis bei blueShepherd zeigt sich, dass Unternehmen, die ihre FAQ-Inhalte und Produktbeschreibungen konsequent auf reale Nutzerfragen ausrichten, in LLM-Antworten häufiger als Referenz auftauchen als solche mit rein SEO-optimierten Texten.
Vorteile
- Erreicht Nutzer in hochintentionalen Recherchephasen ohne direkten Werbedruck
- Einmal gut positionierte Inhalte wirken dauerhaft, ohne CPCs
- Stärkt Entity-Präsenz und E-E-A-T-Signale, die auch für klassische Search relevant sind
- Perplexity und ähnliche RAG-basierte Tools zitieren direkt – sichtbare Quellennennung für die Marke
- Besonders wirksam für komplexe B2B-Entscheidungen und beratungsintensive Produkte
Nachteile
- Kein direktes Targeting oder Gebotssteuerung möglich
- Wirkung ist indirekt und schwer auf einzelne Conversions zu attribuieren
- LLMs können Informationen auch falsch darstellen oder veralten lassen
- Keine Kontrolle darüber, in welchem Kontext die Marke erwähnt wird
- Messbarkeit ist noch nicht standardisiert – Branded-Search-Uplift als Proxy ist ein Ansatz, aber kein vollständiges Bild
Geeignet für
LLM-Marketing-Intent-Targeting eignet sich besonders für Kategorien mit hohem Informationsbedarf: Software, Finanzprodukte, Medizintechnik, Industriegüter, Beratungsdienstleistungen. Überall dort, wo Nutzer komplexe Fragen stellen, bevor sie kaufen, ist die Präsenz in LLM-Antworten ein relevanter Touchpoint. Es ist kein Ersatz für Search oder Display, aber ein eigenständiger Kanal mit eigener Logik.
Welche Gattung für welches Ziel?
Die Gattungen sind keine Alternativen, sondern Ebenen eines Gesamtsystems. TV und Print lösen Intent aus oder verstärken ihn – sie erzeugen Branded-Search-Uplift, der in Search und Display abgeerntet werden kann. Display und Social halten Nutzer in der Consideration-Phase präsent, die durch einen ersten Kontakt in Search oder über LLM-Anwendungen entstanden ist. Search konvertiert expliziten Intent in Conversions. LLM-Marketing beeinflusst, welche Marken überhaupt in die Consideration-Phase gelangen.
Für Awareness und Intent-Auslösung sind TV (bei ausreichend Budget), Social und – zunehmend – die Präsenz in LLM-Antworten relevant. Wer nicht in den Antworten von ChatGPT oder Perplexity auftaucht, wenn seine Zielgruppe nach Lösungen sucht, verliert einen wachsenden Teil der frühen Recherchephase.
Für Consideration und Evaluation sind Display-Retargeting, Social-Retargeting und inhaltliche Präsenz in LLM-basierten Tools wichtig. Nutzer, die eine Kategorie bereits kennen und Anbieter vergleichen, werden durch relevante Inhalte in Evaluationsprozessen beeinflusst.
Für Conversion und transaktionalen Intent ist Search der effektivste Kanal. Wer in diesem Moment nicht präsent ist, verliert an Wettbewerber, die es sind.
Eine praktische Empfehlung für DACH-Unternehmen: Beginne mit einer Intent-Analyse, die alle Gattungen einbezieht. Welche Fragen stellt deine Zielgruppe in welcher Phase? Welche dieser Fragen werden in LLM-Anwendungen gestellt, welche in Google, welche in sozialen Netzwerken? Die Antworten bestimmen, wo inhaltliche und werbliche Investitionen den größten Hebel haben.
FAQ – Intent-Targeting: Häufige Fragen
Was ist der Unterschied zwischen Intent-Targeting und demografischem Targeting?
Demografisches Targeting segmentiert Nutzer nach festen Merkmalen wie Alter, Geschlecht oder Wohnort. Intent-Targeting segmentiert nach aktuellem Verhalten und Absichten: Was sucht jemand gerade? Welche Seiten hat er besucht? Welche Fragen stellt er in LLM-Anwendungen? Die Kombination beider Ansätze ist oft effektiver als jeder Ansatz allein, weil demografische Merkmale den Kontext liefern, während Intent-Signale die aktuelle Kaufbereitschaft anzeigen.
Wie verändert die Abkehr von Third-Party-Cookies das Intent-Targeting in Display?
Third-Party-Cookies waren die Grundlage für viele Display-Intent-Targeting-Ansätze, insbesondere für Retargeting und In-Market-Audiences. Ihre schrittweise Abschaffung – in DACH durch DSGVO ohnehin bereits eingeschränkt – zwingt Advertiser, stärker auf First-Party-Daten zu setzen: eigene CRM-Daten, Newsletter-Listen, Login-basierte Segmentierung. Kontextuelles Targeting erlebt eine Renaissance, weil es ohne personenbezogene Daten auskommt. Für Intent-Targeting bedeutet das insgesamt eine Verschiebung hin zu Kanälen und Methoden, die weniger von Drittdaten abhängig sind – darunter auch LLM-Marketing.
Wie kann man messen, ob eine Marke in LLM-Anwendungen als Quelle für intentstarke Anfragen erscheint?
Eine direkte Messung ist aktuell nicht standardisiert. Praktikable Ansätze umfassen: manuelle Stichproben durch systematisches Testen relevanter Fragen in ChatGPT, Claude.ai und Perplexity; Monitoring von Branded-Search-Uplift als indirektem Signal (wenn mehr Nutzer nach einer Marke suchen, nachdem LLM-Nutzung in einer Kategorie gestiegen ist); Analyse von Referral-Traffic aus Perplexity und ähnlichen Plattformen in Web-Analytics-Tools. Tools zur automatisierten LLM-Visibility-Messung sind im Entstehen, aber noch nicht flächendeckend etabliert.
Fazit: Intent ist kanalunabhängig – die Infrastruktur dafür nicht
Intent-Targeting ist kein einzelnes Werkzeug, sondern eine Denkweise. Die Frage, was ein Nutzer gerade will oder plant, ist in jeder Gattung anders beantwortbar – und jede Gattung hat andere Möglichkeiten, diese Antwort in werbliche Relevanz zu übersetzen. Print nähert sich Intent über Kontext, Display über Verhaltenshistorie, Search über explizite Anfragen, Social über aggregierte Signale, TV über Reichweite und Auslösung, LLM-Marketing über inhaltliche Positionierung in Rechercheprozessen.
Was sich verändert hat: Die Recherchephase, in der Intent entsteht und geformt wird, findet zunehmend in conversational AI-Plattformen statt. Wer dort nicht präsent ist, wird in der frühen Entscheidungsphase nicht berücksichtigt – unabhängig davon, wie gut die Search- oder Display-Kampagnen aufgestellt sind. Das macht inhaltliche Qualität und Entity-Aufbau zu einem Teil der Intent-Targeting-Strategie, nicht nur zu einem SEO-Thema.
Für Marketer im DACH-Markt bedeutet das konkret: Intent-Targeting-Strategien sollten alle sechs Gattungen berücksichtigen, die Wechselwirkungen zwischen ihnen verstehen und die wachsende Rolle von LLM-Anwendungen im Rechercheprozess einplanen. Nicht als zusätzliche Aufgabe, sondern als integraler Bestandteil der Frage: Wo und wie erreichen wir Menschen, die gerade kaufbereit sind?
