Anzeige:
42 Millionen Kassenbons: Was Marken aus dem Datenschatz von DeutschlandCard ablesen können

Euer Geschäftsmodell sind Daten respektive die Auswertung unzähliger Kassenbons. Wie relevant ist es für Marketer, wenn zum Beispiel vormittags mehr Schokolade gekauft wird als nachmittags? 

Unser Geschäftsmodell umfasst ein B2C- und B2B-Produkt, die aufeinander aufbauen. Für unsere Endkunden bündeln wir in der DeutschlandCard App relevante Services rund um den Einkauf: Von der Inspiration über die Planung bis hin zum Punkte sammeln und einlösen. Dabei sind sie nicht an einen Händler gebunden, sondern können online wie offline bei vielen Anbietern sparen – ein Thema, das angesichts der stark gestiegenen Lebensmittelpreise hochrelevant ist. Und dieses Angebot wird gerne genutzt.

So wurden 2025 schon mehr als 42 Millionen Kassenbons mit der DeutschlandCard App gescannt. Werbetreibende können von diesen Insights profitieren und mit unserer Commerce Media Plattform ihre Zielgruppen datenbasiert und händlerübergreifend adressieren. Natürlich sehen wir auch, wann mehr Schokolade gekauft wird. Der Mehrwert geht aber deutlich darüber hinaus. Wir wissen, bei welchem Händler ein Produkt am häufigsten gekauft wird, welche Produkte gemeinsam im Warenkorb landen, wie viele Neukunden erreicht werden und noch vieles mehr. Zusätzlich sehen wir großes Interesse an weiterführenden Insights wie Share of Wallet pro Händler oder Kategorie, Wechselbereitschaft zwischen Marke und Eigenmarke, optimale Rabattmechaniken oder geo- und soziodemografischen Potenzialanalysen.

Welche Daten erhebt ihr konkret, wie granular sind diese Informationen? 

Aus dem Kassenbon-Scanner gewinnen wir Einblicke in das Kaufverhalten der Verbraucher, händlerübergreifend und auf Artikelebene. Diese Informationen kombinieren wir mit Prospektklicks, Online-Käufen sowie Preis- und Produktsuchen. Dabei haben wir mehr als 200 Attribute pro Nutzer-ID, die wir anwenden können. Dazu zählen soziodemographische Daten, Käuferdaten, Präferenzen und Affinitäten, Geodaten[ES1.1] sowie Käufersegmente aus Foodpräferenzen oder Shopperbehaviour. Somit haben wir einen sehr breiten Blick auf Kunden, der über die Insights einzelner Händler hinausgeht und spannende Targetingoptionen ermöglicht. Dabei unterscheiden wir drei Ebenen: Käufer von Produktgruppen und Produkten, Käufer einzelner Brands sowie mehr als 100 verschiedene Segmente wie zum Beispiel vegetarisch/vegan lebende Personen oder Familien mit Kindern. 

Wie funktioniert bei euch der „Closed Loop“: also der direkte Abgleich zwischen einem Werbekontakt und dem tatsächlichen Kauf? 

Nehmen wir ein Beispiel: Ein Hersteller von Bio-Nudeln möchte seine Produkte bei gesundheitsaffinen Nutzern bewerben und die Abverkäufe mit einer Onsite Kampagne und Sponsored Coupons steigern. Dabei gehört aufgrund verschiedener Indikatoren auch die bioaffine Lena in die Zielgruppe und erhält einen Coupon über 60 Punkte für Bio-Penne. Diese kann sie je nach Vorliebe bei einem beliebigen Supermarkt, Discounter oder in der Drogerie kaufen. Um die Punkte zu erhalten, lädt sie ihren Kassenbon in der DeutschlandCard App hoch. Durch die eindeutige Zuordnung des Bons zur Kampagne erhalten Werbetreibende einen belastbaren Kaufnachweis und damit eine vollständige Closed-Loop-Messbarkeit vom Kampagnen-Kontakt bis zum Abverkauf.

Auch Offsite können wir die relevanten Zielgruppen zum Beispiel über einen Data-Cleanroom datenschutzkonform anhand verschiedener IDs oder Matching-Verfahren adressieren – etwa auf Social Media oder Streamingportalen – und erzielen dabei sehr gute Matchingquoten von bis zu 60 Prozent. Hier können wir ebenfalls Anzeigen sowie Coupons ausspielen, die auf unsere Plattform führen und zum Kauf sowie Upload des Bons anregen. Bei Awareness-Kampagnen liefern Brand Uplift Studies den „Proof of Data“ und zeigen beispielsweise, dass 75 Prozent der Zielgruppe die Produktkategorie tatsächlich bereits gekauft haben. 

Ihr verbindet Signale aus sehr unterschiedlichen Handelsumfeldern. Wie gelingt es euch, daraus ein konsistentes, markenrelevantes Bild des Konsumverhaltens zu formen, ohne dass es beliebig wird?

Mehr Informationen bedeuten nicht automatisch bessere Insights. Wir haben den Vorteil, dass wir auf 18 Jahre Erfahrung in der Erhebung und Analyse von Daten zurückblicken und ein sehr erfahrenes Expertenteam beschäftigen. Zudem fokussieren wir uns stark auf einkaufsrelevante Daten und das mit Schwerpunkt LEH und Drogerie, da wir hier die meisten Informationen erhalten. Diese Daten werten wir über komplexe Analysen aus und überführen sie in unsere Datenbanken, die dann die Grundlage für weitere Kampagnen bilden. KI-Modelle spielen hier natürlich eine Rolle, um die großen Datenmengen zu verknüpfen sowie schnell und zielgerichtet nutzbar zu machen. So können wir brandbezogen sehr relevante Aussagen zum Konsumverhalten machen.

Beim W&V Summit hast du auch über die Weiterentwicklung von Retail und Commerce Media gesprochen. Was ist aus deiner Sicht gerade die größte Hürde für den Markt?

Wir erleben im deutschen Markt bei neuen Werbeformen leider oft eine große Skepsis. Vor zehn Jahren hat das DOOH betroffen, heute Commerce Media. In den USA sehen wir schon deutlich höhere Umsätze und Wachstumsraten – dort herrscht aber eine viel größere Bereitschaft, neue Dinge auszuprobieren. Am Ende führt kein Weg an Test & Learn sowie Test & Fail vorbei. So gewinnt man die besten Erkenntnisse und kann auch mit kleinen Kampagnen anfangen, bis man für sich die beste Option gefunden hat. Denn die Möglichkeiten, die diese Werbeformen bieten, sind enorm.