Ob Standard, Contextual oder Cookieless Targeting – für jede Kampagne die richtige Zielgruppe: Browse durch über 700 reichweitenstarke und qualitativ hochwertige Segmente und kopiere deine Auswahl gleich in deine genutzte DSP zur einfachen Suche oder Buchung.
So funktioniert’s
Beinhaltet Nutzer, die überdurchschnittlich hohes Interesse an Meditation, Spiritualität und Achtsamkeit aufweisen. Der Nutzer muss in den letzten 14 Tagen mindestens eine Webseite zu dem entsprechenden Thema besucht haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die Kaufinteresse an Musik aufweisen. Die Grundlage zur Hochrechnung bilden Daten von Kleinanzeigen. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die Kaufinteresse an Filmen aufweisen. Die Grundlage zur Hochrechnung bilden Daten von Kleinanzeigen. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die Kaufinteresse an Produkten und Dienstleistungen zum Thema Umzug aufweisen. Die Grundlage zur Hochrechnung bilden Daten von Kleinanzeigen. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die Kaufinteresse an Pferden aufweisen. Die Grundlage zur Hochrechnung bilden Daten von Kleinanzeigen. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die ein überdurchschnittlich hohes Interesse an Finanzprodukten aufweisen. Die Grundlage für die Hochrechnung bilden Informationen aus der Transaktionsdatenbank von AZ DIAS. Durch unterschiedlichste Kooperationspartner hat die AZ Zugriff auf aktuell ca. 320 Millionen Transaktionsdaten. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die ein medienunabhängiges Interesse an Literatur und Autoren, Lesungen und Literaturkritiken, wie e-Books, Biographien, Romanliteratur sowie Sachbücher aufweisen. Der Nutzer muss mindestens zwei Webseiten zu dem entsprechenden Thema besucht haben.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Haushaltstechnik und Elektrogeräte. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema (digitale) Bildung wie z.B. Remote Learning. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Nachhaltige Geldanlagen. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Aktien und Aktienmarkt. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Altersvorsorge und Rente. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Zinsen und Zinsentwicklung. Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Nutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Exchange Traded Funds (ETFs). Der Nutzer muss in den letzten 30 Tagen mindestens 2 Artikel zu dem Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Firmenwagen. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Machine Learning und Künstliche Intelligenz. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema IT Sicherheitstechnik. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse bei Artikeln rund um das Thema Internet of Things. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Wirtschaft. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben.
Verfügbar auf diesen DSPs:Fachnutzer mit einem überdurchschnittlichen Leseinteresse an Artikeln rund um das Thema Wirtschaftspolitik. Der Nutzer muss in den letzten 30 Tagen mindestens zwei Artikel zum Thema aufgerufen haben.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die überdurchschnittlich hohes Kaufinteresse für Elektroautos aufweisen. Der Nutzer muss in den letzten 30 Tagen mindestens 7 Websiten zu dem entsprechenden Thema besucht haben. Die Grundlage zur Hochrechnung bilden Bewegungsdaten von mobile.de. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die überdurchschnittlich hohes Kaufinteresse für die besagte Automarke aufweisen. Der Nutzer muss in den letzten 7 Tagen mindestens 5 Websiten zu dem entsprechenden Thema besucht haben. Die Grundlage zur Hochrechnung bilden Bewegungsdaten. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer im Alter von 18-19. Die Grundlage zur Hochrechnung bilden Informationen über das Geburtsjahr durch die arvato AZ direct Datenbank. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die überdurchschnittlich häufig das Internet nutzen. Der Nutzer muss in den letzten 14 Tagen mindestens 100 Webseiten besucht haben.
Verfügbar auf diesen DSPs:Beinhaltet Nutzer, die Wert auf hochwertigen Genuss von Regionalem, Besuch von Sehenswürdigkeiten und die Nutzung von Wellness-Angeboten legt. Die Zielgruppe befindet sich im Alter zwischen 35-65 Jahren. Meist reisen sie mehrmals pro Jahr und verfügen über ein hohes HHNE. Die Grundlage zur Hochrechnung bilden Daten von adality. Die Hochrechnung erfolgt mittels Lookalike-Modellierung.
Verfügbar auf diesen DSPs: