Wie man Signalverlust überwindet, indem man eine neue Datenrealität aufbaut

Das Privacy-Zeitalter führt zu einem massiven Verlust an Datensignalen. Das schränkt die Fähigkeiten von Performance-Marketern stark ein, Kampagnen präzise zu targeten, zu messen und zu optimieren. Laut McKinsey steht allein in den USA ein Werbebudget von bis zu 10 Milliarden US-Dollar auf dem Spiel.

Durch schnelle Innovation und Anpassung lässt sich diese Herausforderung jedoch meistern: Bauen Sie eine neue Data Reality auf. Das Fundament dazu: bestehende Datenlücken systematisch schließen und neue Datensignale gezielt erschließen.

In diesem Beitrag erfahren Sie, was zu dieser Entwicklung geführt hat, welche konkreten Auswirkungen Signal Loss auf Ihr Marketing hat und wie Sie die Kontrolle zurückgewinnen.

Was ist Signalverlust?

Signalverlust bezeichnet den Verlust von Datensignalen durch den stetigen Rückgang von Identifiern auf User-Ebene. Diese Kennungen bildeten – und bilden teilweise noch immer – das Fundament für die Messung im performance-getriebenen Marketing. Der Signalverlust stellt somit eine fundamentale Veränderung und eine der größten Herausforderungen in der digitalen Marketinglandschaft dar.

Hintergrund: Was zu dieser Realität geführt hat

In den letzten Jahren haben Gesetzgeber und Verbraucher den Schutz der digitalen Privatsphäre zunehmend verschärft. Neue Richtlinien – darunter die DSGVO, der CCPA sowie der Digital Markets Act (DMA) – setzen den rechtlichen Rahmen.

Im Kern geht es darum, wie Daten auf User-Ebene unternehmenübergreifend geteilt werden und wie die Einwilligung der Nutzer eingeholt und dargestellt werden muss.

Parallel dazu haben Apple und Google technische Mechanismen entwickelt, um Daten auf User-Ebene einzuschränken oder schrittweise abzuschaffen:

• iOS – App Tracking Transparency (ATT): Führte dazu, dass der Anteil der Neuinstallationen mit einer IDFA von ursprünglich 80 % auf nur noch 27 % einbrach (wobei diese Signale für die Modellierung weiterhin essenziell sind).

• Android – Entwertung der Google Advertising ID (GAID): Es ist davon auszugehen, dass Google den Identifier auf User-Ebene unter Android schrittweise entwertet.

• Web – Drittanbieter-Cookies (3rd-Party-Cookies): Nach jahrelang geplantem Cookie-Aus wählte Google eine Kehrtwende: Anstelle einer vollständigen Deaktivierung führt Google in Chrome eine neue Nutzererfahrung ein, bei der Anwender eine informierte Entscheidung treffen. Nutzer entscheiden selbst über ihr Opt-in oder Opt-out.
  Auch wenn Drittanbieter-Cookies nicht flächendeckend blockiert werden, führt der Wegfall der Signale von Nutzern ohne Einwilligung zu einer partiellen Entwertung der Datengrundlage.

Der Verlust von Daten auf User-Ebene ist auf iOS durch ATT längst Realität – und dehnt sich auf Android sowie den Web-Bereich weiter aus. Das betrifft das gesamte Performance-Marketing.

Die Auswirkungen von Signalverlust auf Advertiser

Während dieser Wandel im Ökosystem ein notwendiger Schritt gegen den Missbrauch von Nutzerdaten ist, erfordert er eine harte Umstellung für Performance-Marketer: Ihre etablierten Prozesse für Targeting, Messung und Optimierung basierten bisher vollständig auf Daten auf User-Ebene.

1) Measurement

Der Signalverlust trifft die Messbarkeit hart und stellt Marketer vor zwei zentrale Herausforderungen:

a) Fragmentierte Daten sind seit Jahren eine Herausforderung, haben jedoch seit der Veröffentlichung von iOS 14.5 erheblich zugenommen. Um nur die wichtigen Datenquellen zu nennen:

• MMP Attribution: Deterministische und probabilistische Daten inklusive nachgelagerter In-App-Events
• OS & Stores: SKAN– und spätere Sandbox-Daten sowie verknüpfte In-App-Signale
• SRN Attribution Data: Eigene Daten der Self-Reporting Networks
• iOS Consenting User Data: User-Level-Daten von Nutzern mit Opt-in
• Apple Search Ads Data: Native Kampagnen- und Attributierungsdaten
• Top-down Measurement: Incrementality-Analysen und Marketing Mix Modeling (MMM)
• Cross-Channel: Kanäle außerhalb von Mobile wie CTV, Web, PC & Console sowie Offline-Touchpoints

Und diese Komplexität betrifft bisher nur das iOS-Ökosystem.

Wie lassen sich Daten aus so vielen Quellen und Frameworks zusammenführen, um die Performance realistisch zu bewerten?

b) Limitierte und verzögerte Daten:

SKAN und AdAttributionKit (der Nachfolger von SKAN) liefern Signale bewusst zeitversetzt und beschränken sich auf maximal 64 Conversion Values (sowie lediglich 3 Werte in späteren Postbacks). Trotz der Weiterentwicklungen in AdAttributionKit und den Privacy-Sandbox-Daten, die künftig einen 30-Tage-LTV abdecken sollen, bleiben OS-Daten zeitlich verzögert und stark limitiert. Da Performance-Marketer für die Optimierung auf Echtzeit- und Post-Install-Signale angewiesen sind, stellt diese künstliche Verlangsamung und Verknappung eine erhebliche Hürde dar.

2) Targeting

Fehlen Daten auf User-Ebene, entstehen gravierende Nachteile für das Targeting:

• Eingeschränktes Remarketing: Advertiser können keine Re-Engagement-Segmente erstellen. Bestandskunden lassen sich nicht mehr gezielt ansprechen, was den Cost per Action (CPA) in die Höhe treibt.
• Fehlende Exclusion Lists: Ohne Suppression Lists werden bestehende Nutzer erneut bespielt. Das verbrennt Budget und erhöht den Cost per Acquisition (CAC).
• Verschlechterte Algorithmen: Die Auslieferungsoptimierung der Ad Networks bricht ein, was die Kosten über alle Channels hinweg steigen lässt.

Kurz gesagt: Der Signalverlust durch Privacy-Maßnahmen zerstört die Vollständigkeit der Daten. Das Risiko von Fehlinterpretationen steigt – und damit die Gefahr von falschen Budgetentscheidungen. Die Arbeit im Performance-Marketing und die exakte Messung sind in der Signal Loss Era zehnmal komplexer geworden.

Signalverlust meistern: So sichern Sie die Verlässlichkeit Ihrer Messung

Vor ATT hatten Marketer vollen Einblick mit granularen Daten auf User-Ebene – wie ein gestochen scharfes Bild in Ultra-HD-8K-Auflösung:

Die neue Data Reality mit schwindenden Daten auf User-Ebene ist jedoch Fakt – und es gibt kein Zurück. In dieser Realität gibt es viele Lücken, die den Blick auf das Gesamtbild erheblich erschweren.

Deshalb müssen Performance-Marketer jeden verfügbaren Datensignal-Baustein nutzen und die verschiedenen Datenquellen in einer Single Source of Truth zusammenführen, um ihre Kampagnen weiterhin verlässlich zu messen.

Um dieses neue „Datenbild“ zu zeichnen, müssen Lücken wo immer möglich geschlossen und neue Datensignale erschlossen werden, um den Verlust zu kompensieren. Schauen wir uns an, wie das funktioniert.

 1) Das Schließen der Lücken im bestehenden Datensatz durch Modellierung

Modeling existiert bereits seit Jahren, war in der Vergangenheit jedoch kaum notwendig, da die meisten Daten deterministisch vorlagen. In der heutigen Signal-Loss-Realität wird es jedoch zum absoluten Muss – umsetzbar durch Privacy-First-Modelle, die keinerlei Datenschutzrichtlinien verletzen. Dank moderner KI verbessert sich die Präzision dieser Modelle zudem drastisch.

Modeling schließt die Lücken in folgenden Bereichen:

1. OS Attribution: Da SKAN-Daten verzögert und limitiert einlaufen (was künftig auch für die Sandbox gilt), entstehen Datenlücken. Durch Modeling lassen sich Echtzeit-Signale, Daten auf Geo-Ebene (in SKAN nicht enthalten) sowie LTV-Prognosen für Tag 7, Tag 30 und darüber hinaus bereitstellen.

• Modellierung auf Media-Seite: SKAN-Einschränkungen erschweren die Messung für Self-Reporting Networks. Da diese sich in der Vergangenheit rein auf deterministische Attribution gestützt haben, gehen ihnen Conversions verloren. Durch die Ergänzung deterministischer Daten um probabilistisches Modeling gewinnen sie diesen Credit zurück. Laut unseren Analysen konnte Snap seinen Anteil am iOS-Install-Kuchen dadurch um 138 % steigern und seinen eCPI um 46 % senken. Diese Gewinne basieren auf dem vollständigen SSOT-Ansatz – also der Deduplizierung von Daten über SKAN, Consented Attribution und aggregiertem Kampagnen-Modeling hinweg – und nicht auf der Identifizierung einzelner Nutzer ohne Consent.

Darüber hinaus setzen große Media-Plattformen wie Google und Meta verstärkt auf Modeling, um dem Signalverlust in ihren Werbe- und Marketingstrategien entgegenzuwirken.

Google Ads nutzt beispielsweise Machine-Learning-Modelle zur Optimierung von Bidding-Strategien, während Metas Werbeanzeigenmanager auf Predictive Modeling setzt, um Ad Delivery und Targeting anzupassen. Beide Unternehmen nutzen Data Modeling, um personalisierte Erlebnisse zu schaffen, relevante Zielgruppen zu erreichen und die Kampagnen-Performance zu optimieren.

• Top-down vs. Bottom-up Measurement: Incrementality-Analysen und Marketing Mix Modeling (MMM) bieten eine ergänzende Perspektive auf die Kampagnen-Performance – ganz ohne sich ausschließlich auf Bottom-up-Signale der Last-Touch-Attribution verlassen zu müssen.

Um bei der Metapher des hochauflösenden Bildes zu bleiben: Modeling hilft dabei, wichtige Lücken zu füllen – für das vollständige Gesamtbild reicht es allein jedoch noch nicht aus.

2) Neue Signale nutzen und generieren

1)Top-of-Funnel Creative- und Kampagnen-Signale: Wenn Signale am Ende des Funnels knapper werden, rückt der Top-of-Funnel stärker in den Fokus. Hier steht eine Fülle an Daten rund um Creatives und Kampagnen zur Verfügung. Das umfasst zwei Kernbereiche:

• Creative Data: Granulare Signale lassen sich gewinnen, indem KI-gestützt einzelne Ad-Elemente analysiert werden. Dazu gehören Szenentypen (z. B. User Generated Content, Animationen vs. Reallife-Footage, Opening/Closing) sowie spezifische visuelle Details wie Farbschemata, Hintergründe, Objekte oder Text-Overlays.

• Enriched Engagement Types (EET): Der aktuelle Attributionsstandard, der sich starr auf Clicks oder Views beschränkt, greift zu kurz. Zwischen der ersten Impression und der finalen Conversion existiert eine Vielzahl von Interaktionssignalen, die wertvolle Performance-Daten liefern und die Attributionslogik grundlegend neu definieren.

2) Mehr First-Party-Data: Durch die Einschränkungen beim unternehmensübergreifenden Datenaustausch sinkt der Wert von Third-Party-Data drastisch. Performance-Marketer müssen stattdessen die Erhebung und Nutzung eigener First-Party-Daten priorisieren. Das umfasst:

• Saubere Datenerhebung: Nutzerzentrierte Abfrage von Informationen inklusive rechtssicherer UX und Opt-in-Pfade
• Datenqualität: Sicherstellung von bereinigten, direkt aktivierbaren Datensätzen
• Owned-Media-Aktivierung: Gezielter Einsatz der Daten in eigenen Kanälen
• Paid-Media-Einsatz: Nutzen im Performance Marketing für Retargeting und Commerce Media

Diese Daten müssen keineswegs isoliert im eigenen Ökosystem verbleiben. Eine Data-Collaboration-Plattform dient als vertrauenswürdige Umgebung für First-Party-Data Monetization, Audience Activation und Measurement. Indem Brands diese Daten datenschutzkonform mit Partnern teilen können, schöpfen Performance-Marketer das volle Potenzial ihrer wertvollen Datenressourcen aus.

3) Omni-Channel-Signale: Apps, Web, CTV, PC & Konsole sowie Handelsmediennetzwerke und Außenwerbung bieten einzigartige Möglichkeiten, um digital eine Nutzerbasis zu gewinnen und zu engagieren. Durch die Verbindung der Attribution über Kanäle hinweg können Vermarkter neue Datenpunkte und Nutzerverhalten über ihre verschiedenen Plattformen hinweg verknüpfen, um ein ganzheitliches Verständnis dafür zu bieten, wie plattformübergreifendes Marketing Geschäftsergebnisse beeinflusst.

4) Single Source of Truth (SSOT): Wie bereits beschrieben, hat die Datenfragmentierung zu einer extrem unübersichtlichen Realität geführt, die für Marketer kaum noch steuerbar ist.

Hier setzt die SSOT an: Sie führt Daten aus unterschiedlichsten Quellen in einer zentralen Ansicht zusammen. Durch den Einsatz robuster Technologien werden Duplikate bei den Installs bereinigt und bestehende Datenlücken geschlossen – beispielsweise bei Geo-Informationen, Web-to-App-Funnels, verlängerten LTV-Zeiträumen, Null-CV-Modeling, Organic Uplift oder Remarketing.

Laut unseren Analysen erzielt eine App durch die Konsolidierung ihrer Daten in einer SSOT im Schnitt:

• 29 % mehr attributierte Installs
• 40 % niedrigeren eCPI
• 62 % mehr Umsatz, der eindeutig dem Marketing zugeordnet werden kann

Aktuell konzentriert sich die SSOT-Methodik stark auf iOS, die Ansätze für Web und Android folgen jedoch denselben Prinzipien.

Indem wir neue Datensignale integrieren, gewinnen wir Erkenntnisse, die zuvor nicht greifbar waren – und erhalten ein vollständiges Gesamtbild unserer Marketing-Performance.

Fazit

Der Signalverlust hat ein anspruchsvolles Umfeld für Performance-Marketer geschaffen. Da Daten auf User-Ebene zunehmend schwinden, wird nachhaltiges Wachstum komplexer. Es braucht innovative Lösungsansätze, die bestehende Datenlücken schließen und neue Datensignale erschließen. Nur so gewinnen Performance-Teams die Kontrolle zurück und messen ihre Kampagnen wieder mit voller Verlässlichkeit.