Retail Media: Ranking gesponserter Produktanzeigen & Zielgruppenansprache im eigenen Shop

Händler und Marktplätze verkaufen Werbeflächen in ihren eigenen Shops und Apps. KI entscheidet, welches gesponserte Produkt zu einer Suchanfrage erscheint, wie es mit organischen Ergebnissen gemischt wird, was die Marke zahlt und welche treuebasierten Zielgruppen ein Angebot sehen. Weil der Händler den tatsächlichen Kauf sieht, lassen sich Ergebnisse als zusätzliche Verkäufe messen. In der EU läuft dies auf Erstanbieterdaten mit Einwilligung und in Clean Rooms statt über Cookies von Drittanbietern.

Problem & Nutzen

• Heute: Marken verhandelten früher Trade-Marketing-Budgets und feste Bannerplätze. Händler mit Shop, App oder Kundenbindungsprogramm betreiben inzwischen Self-Service-Werbeplattformen, doch es ist schwierig, gesponserte Artikel zu ranken, ohne das Vertrauen der Kundschaft zu beschädigen, die Werbeflächen profitabel zu verkaufen und den Marken Ergebnisse nachzuweisen.
• KI-Nutzen: bessere Relevanz zwischen Suchanfrage und Anzeige, höhere Erlöse pro Suchergebnisseite ohne Einbußen bei der Conversion, automatisierte Gebote und Budgets für Hunderte kleiner werbetreibender Marken sowie eine Closed-Loop-Messung, die Anzeigenkontakte mit Käufen im Laden und online verknüpft.
• Marktbelege: Fachmedien berichten von europäischen Retail-Media-Ausgaben von rund 13,7 Mrd. EUR bei einem Wachstum von 21,1 % [1]. MediaMarktSaturn hat sein In-Store-Retail-Media-Netzwerk 2026 auf acht europäische Märkte ausgeweitet; die Muttergesellschaft Ceconomy meldet 91 Mio. EUR Retail-Media-Umsatz im Geschäftsjahr 2024/25 [2]. Die Zahlen stammen aus Branchenquellen; prüfen Sie sie, bevor Sie sie in einem Business Case verwenden.

Varianten

• Gesponserte Produkte im Onsite-Bereich: per Auktion gerankte Produktanzeigen in Such- und Kategorieseiten (Kernfall).
• Onsite-Display und App-Platzierungen: Banner, Karussells, gesponserte Marken, Video.
• Offsite-Erweiterung: Händlerzielgruppen werden über Partner im offenen Web ausgespielt (Überschneidung mit REC-007).
• Im Laden / Digital Out-of-Home: Bildschirme am Verkaufsort mit Messung der Umsatzsteigerung [2].
• Marktplatz vs. einzelner Händler: Marktplätze versteigern Angebote von Drittanbietern; einzelne Händler verkaufen die Budgets ihrer Markenlieferanten. Lebensmittel- und Baumärkte betonen Treuedaten; Mode betont Browse-Daten.
• Seite der Werbetreibenden: automatisierte Gebots- und Budget-Agenten für Marken (zum Einkauf im offenen Web siehe REC-007).

So funktioniert es

1. shopper query / page view
2. candidate retrieval (organic ranking from REC-001 search/recommender)
3. ad candidate retrieval (eligible sponsored products, stock, margin, brand rules)
4. relevance model (query-to-product, pCTR, pCVR) + reranker
5. auction (generalised second-price or first-price; bid x quality score) + pacing/budget control
6. blending with organic list (slot rules, ad load cap, "Sponsored" label)
7. impression/click/purchase events
8. streaming pipeline
9. reporting + clean-room measurement (incrementality, new-to-brand)

• Relevanz und Prognose: Gradient-Boosted-Trees oder tiefe Ranking-Modelle sagen die Klick- und Kaufwahrscheinlichkeit voraus; Embeddings plus ein Reranker bringen die Suchabsicht mit Produkttexten und Bildern in Einklang. LLMs dienen dem Verstehen von Suchanfragen, der Anreicherung von Produktattributen und generierten Anzeigentexten.
• Auktion und Pacing: Regelungstechnische oder Reinforcement-Learning-/Bandit-Verfahren für das Pacing verteilen Budgets über den Tag; Mindestpreise und Obergrenzen für den Werbeanteil schützen das Einkaufserlebnis.
• Zielgruppen: Lookalike- und Neigungsmodelle auf Treue- und Kaufdaten mit Einwilligung, die als Segmente an die Werbetreibenden geliefert werden, ohne einzelne Datensätze offenzulegen.
• Messung: Holdout-Tests, Geo-Experimente und Uplift-Modelle schätzen zusätzliche Verkäufe (siehe REC-005).
• Mensch-in-der-Schleife (Human-in-the-Loop): Retail-Media-Manager legen Mindestwerte, gesperrte Kategorien und Regeln zum Werbeanteil fest; Markensicherheit und Rechtsabteilung prüfen sensible Kategorien; Experimentergebnisse werden vor dem Rollout geprüft.

Datenaufbereitung

Das System benötigt Ereignisse der Kundschaft (Suche, Klick, Warenkorb), den Produktkatalog mit Preisen und Lagerbestand, Treue- und Transaktionsdaten mit Einwilligung, Budgets der Werbetreibenden und Filialverkäufe für die Closed-Loop-Messung. Typischerweise liegen diese in der Shop-Plattform und im Web-Analytics-Werkzeug, im ERP-/Warenwirtschaftssystem, in einem CRM oder einer Treuedatenbank und im Kassensystem (POS); sie sind selten verknüpft.

Typische Lücken: uneinheitliche Produkt-IDs über Kanäle hinweg, schwache Katalogattribute und Kategorien, fehlende oder inkonsistente Einwilligungskennzeichen, doppelte Kundendatensätze, Bot-Verkehr in den Klick-Logs und keine Verbindung zwischen Online-Kontakt und Filialverkäufen.

Schritte der Aufbereitung: einen sauberen Produktstamm mit harmonisierten Attributen aufbauen (siehe PREP-011 und PREP-012), das Event-Tracking in einem Schema vereinheitlichen, Identitäten auf dokumentierter Rechtsgrundlage zusammenführen (PREP-025, PREP-022 für pseudonymisierte Clean-Room-Exporte), Bot-Verkehr herausfiltern und Daten aus Altsystemen über Exporte oder Konnektoren extrahieren (PREP-005, DATA-003). Erstellen Sie gemeinsam mit den Merchandisern Evaluationsdatensätze für Relevanz- und Lift-Tests (PREP-018). Typische Werkzeuge sind ein Data Warehouse, dbt, eine Consent-Management-Plattform und ein Clean-Room-Dienst.

Rechnen Sie mit etwa 50 bis 60 Prozent des Gesamtaufwands für die Datenarbeit; Identitätsauflösung und Einwilligung dauern am längsten. Eine Bereitschaftsprüfung (GUIDE-003) vor der Anbieterauswahl vermeidet Überraschungen.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen (Enterprise): B. Ranking- und Auktionslogik sind für das Retail-Media-Geschäft zentral und an den eigenen Katalog und die eigenen Treuedaten gebunden. Ein Aufbau auf Cloud-/ML-Komponenten mit eigener Kontrolle schlägt daher eine geschlossene Blackbox des Anbieters; kaufen (A) nur für die Ad-Server-Ebene, wenn der Umfang klein ist.
• Entwickler: C. Open-Source-Komponenten für Ranking, Feature Store und Streaming (z. B. OpenSearch, Feast, Kafka) laufen selbst betrieben und halten die Kundendaten im eigenen Haus.

Weg A — Kaufen (Standardsoftware; passend für kleinere Händler und Standardbedarf an Ad-Servern)

• Retail-Media-Plattformen: Criteo Commerce Media (in der EU gegründet, Frankreich), Epsilon Retail Media, Pacvue und Skai (Werkzeuge für Werbetreibende), Amazon Ads (Referenz auf Marktplatzseite), Instacart und die eigenen Retail-Media-Einheiten von Zalando zeigen das Modell; Anbieter mit Sitz in der EU sind unter anderem Criteo, One Tech Group (Ad-Server im Netzwerk von MediaMarktSaturn [2]) und Unlimitail (Joint Venture von Carrefour/Publicis, EU). Prüfen Sie Herstellerangaben direkt.
• Clean Rooms: Snowflake, Databricks, AWS Clean Rooms (EU-Regionen), Google Ads Data Hub / BigQuery Data Clean Rooms, LiveRamp; EU-Optionen werden in EU-Regionen dieser Hyperscaler gehostet.
• A wählen, wenn: weniger als einige Millionen Sitzungen pro Monat oder kein Ad-Tech-Team vorhanden ist; die Zeit bis zum Start beträgt Monate, nicht Jahre.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Retrieval und Ranking auf verwalteter Suche (OpenSearch Service, Elastic, Algolia, Vertex AI Search), Modelle trainiert auf SageMaker, Vertex AI oder Azure ML in EU-Regionen, Streaming über Kafka/Kinesis/Pub/Sub.
• LLM-APIs (Mistral als EU-Anbieter oder Claude/Gemini/GPT mit Datenhaltung in der EU) für die Anreicherung des Katalogs, das Umformulieren von Suchanfragen und die Erzeugung von Anzeigentexten; nicht für den Auktionspfad selbst, wo die Latenzbudgets bei einigen zehn Millisekunden liegen.
• Clean-Room-Messung über einen bei einem Hyperscaler gehosteten Dienst.

Weg C — Selbst betreiben (Open Source)

• Ranking: XGBoost/LightGBM, PyTorch mit TorchRec, NVIDIA Merlin; Vespa oder OpenSearch für das Retrieval.
• Auktion/Pacing: eigene Dienste; das Open-Source-Projekt Prebid dient dem Header Bidding von Publishern, nicht dem Onsite-Bereich von Händlern.
• Embeddings/Reranking: offene Modelle wie BGE oder multilinguales E5 und BGE-Reranker.
• Experimente/Kausalität: CausalML, EconML, GrowthBook.
• Hardware: HW2 genügt für Training und Betrieb mittelgroßer Modelle; die eigentliche Einschränkung ist die Infrastruktur für Auslieferung mit niedriger Latenz und das Data Engineering, nicht die GPUs.

Weg D — Eigenes Training

Große Händler trainieren eigene tiefe Multi-Task-Ranking-Modelle und Gebotsstrategien auf Milliarden von Impression-Logs. Das erfordert unverzerrtes Logging (Plätze mit zufälliger Exploration), kontrafaktische Evaluation und ein eigenes Ads-Science-Team. Für Händler im Mittelstand nicht ratsam.

Stand der Technik (2026)

• Ranking: groß angelegte tiefe Ranking-Modelle mit Transformer-basierten Encodern für Nutzersequenzen sind bei führenden Plattformen Standard; generatives Retrieval und LLM-basiertes Produktverständnis nehmen zu.
• Automatisierung für Werbetreibende: zielbasiertes Bieten (Ziel-ROAS) und KI-Kampagnenbaukästen ersetzen manuelles Keyword-Management.
• Datenschutzfreundliche Zusammenarbeit: Clean Rooms und aggregierte Segmente mit Einwilligung ersetzen Cookies von Drittanbietern; die Interoperabilität zwischen Händlern bleibt begrenzt.
• Messung: Inkrementalitätstests sind der Glaubwürdigkeitstest für Marken; der Last-Click-ROAS überzeichnet die Ergebnisse.
• Grenzen und Fehlerbilder: Positions- und Selektionsverzerrung in Klick-Logs; Kaltstart bei neuen Produkten und Werbetreibenden; ein hoher Werbeanteil, der Vertrauen und organische Relevanz mindert; Selbstbevorzugung von Eigenmarken des Händlers; Rauschen bei Inkrementalitätsmessungen mit kleinen Stichproben; Markensicherheit und gefälschte Angebote.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack: Empfehlungs-, Such- und Streaming-Pipelines mit REC-001; Segmentierung und Next-Best-Action mit REC-003 und REC-009; kausale Messung mit REC-005; Einkauf im offenen Web mit REC-007.
• Kombinieren mit: REC-006 (CRM-Kampagnen des Händlers, die als gesponserte Medien verkauft werden), REC-011 (Sichtbarkeit von Produkten in KI-Einkaufsassistenten, in denen sich Anzeigenformate herausbilden).
• Datenplattform: eine Customer Data Platform plus Einwilligungsverwaltung speist Personalisierung, Werbung und Messung.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-6 Monate einschließlich rechtlicher Einrichtung, Anbindung der Einwilligung und Onboarding der Verkäufer.
• Weg B: 6-12 Monate; Kostentreiber sind Data Engineering, Auslieferung mit niedriger Latenz und Personal für den Anzeigenbetrieb.
• Weg C/D: 12+ Monate und ein eigenes Ads-Science-Team.
• Kennzahlen: Werbeerlös pro 1.000 Sitzungen, Werbeanteil, CTR/CVR gesponserter Anzeigen, ROAS der Werbetreibenden und inkrementeller ROAS, Anteil neuer Markenkunden, Conversion und Zufriedenheit der Kundschaft auf Seiten mit Anzeigen im Vergleich zur Holdout-Gruppe, Bindung der Werbetreibenden, Anteil der Self-Service-Ausgaben.

Menschen & Veränderung

Beziehen Sie früh die Geschäftsleitung ein (Budget, Haltung zu Marke und Kundenvertrauen), die Vertriebs- oder Marketingleitung als Prozessverantwortliche, Merchandiser und Category Manager, die die Wirkung gesponserter Plätze spüren, IT und IT-Sicherheit (Integration, Datenflüsse), die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten (Einwilligung, Profiling, DSFA) und die Rechtsabteilung für Verträge mit Werbetreibenden und die DSA-Transparenz bei Anzeigen. Die Datenverantwortlichen für Katalog- und Treuedaten sind von Anfang an dabei.

Betriebsrat: abhängig vom Einzelfall. Das System bewertet überwiegend Kundinnen und Kunden, nicht Beschäftigte. Die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG greift, sobald Dashboards oder Logs eine Leistungs- oder Verhaltenskontrolle von Beschäftigten wie Kampagnenmanagern erlauben, und § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Händler der öffentlichen Hand beteiligen den Personalrat.

Datenschutz: Profiling in großem Umfang macht eine DSFA (Art. 35 DSGVO) wahrscheinlich; schließen Sie mit jedem Auftragsverarbeiter einen AVV. KI-Kompetenz: unterstützen Sie die Beschäftigten mit kurzen, rollenbezogenen Schulungen (Art. 4 KI-Verordnung (AI Act) in der Fassung der Verordnung (EU) 2026/1744), siehe GUIDE-006.

Kommunikation und Pilot: Beginnen Sie mit einer Kategorie oder einer Markengruppe, erklären Sie den Merchandisern, wie organische und gesponserte Ergebnisse gemischt werden, und legen Sie Leitplanken fest (Relevanz-Mindestwerte, Obergrenzen für den Werbeanteil), damit Menschen die Kontrolle über Gebotsregeln und Ausschlüsse behalten. Typische Sorge: Verlust des Vertrauens der Kundschaft; begegnen Sie ihr mit klarer Kennzeichnung der Anzeigen. Siehe GUIDE-008 und GUIDE-009 sowie GUIDE-005 zum Datenschutz.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; keine Kategorie nach Anhang III. Art. 4 (KI-Kompetenz) gilt. Ausnahmen, auf die Sie achten sollten: Art. 5 verbietet manipulative oder ausbeuterische Techniken, die das Verhalten wesentlich verzerren oder Schwächen ausnutzen (Alter, Behinderung, soziale oder wirtschaftliche Situation); zielen Sie nicht anhand abgeleiteter Schutzbedürftigkeit und setzen Sie keine Dark Patterns ein. Generierte Anzeigenmotive und Chatbots können die Transparenzpflicht nach Art. 50 auslösen [3].
• DSGVO und ePrivacy: Profiling für Werbezielgruppen braucht eine Rechtsgrundlage (meist Einwilligung für Tracking und die kontextübergreifende Datennutzung); treuebasierte Zielgruppen brauchen ausdrückliche Programmbedingungen; Widerspruchsrecht gegen Direktwerbung (Art. 21); DSFA bei Profiling in großem Umfang wahrscheinlich; Vereinbarungen zur gemeinsamen Verantwortlichkeit mit Marken in Clean Rooms müssen dokumentiert werden [4].
• Digital Services Act: Online-Plattformen müssen für jede Anzeige kenntlich machen, dass es sich um Werbung handelt, wer bezahlt hat und welche Hauptparameter für die Ausrichtung gelten (Art. 26), und dürfen für Werbung kein Profiling auf Grundlage besonderer Datenkategorien oder von Daten Minderjähriger betreiben (Art. 26 Abs. 3, Art. 28) [5].
• Digital Markets Act: für benannte Torwächter schränkt Art. 5 Abs. 2 die Zusammenführung personenbezogener Daten über Dienste hinweg ohne Einwilligung ein, und Art. 6 Abs. 5 verbietet die Selbstbevorzugung beim Ranking [6].
• Wettbewerb und Plattformfairness: die P2B-Verordnung verlangt die Offenlegung der Ranking-Parameter gegenüber gewerblichen Nutzern, einschließlich der Auswirkungen bezahlter Platzierungen [7].
• Verbraucherrecht: gesponserte Ergebnisse müssen eindeutig gekennzeichnet sein (UWG-Richtlinie über unlautere Geschäftspraktiken (UCPD), Transparenz beim Suchranking nach der Omnibus-Richtlinie).
• Gegenmaßnahmen: Obergrenzen für den Werbeanteil, klare Kennzeichnung, Zielgruppen nur mit Einwilligung, Aggregationsschwellen in Clean Rooms, Ausschluss sensibler Kategorien (Gesundheit, Kinder), Audit-Logs der Auktionsentscheidungen.

Erste Schritte

1. Erstanbieterdaten prüfen: Einwilligungsquoten, Abdeckung der Treue-IDs und Ereignisqualität über Web, App und Filiale.
2. Werberichtlinie festlegen: Platzpositionen, Obergrenze für den Werbeanteil, Gestaltung der Kennzeichnung, verbotene Kategorien, Mindestrelevanz.
3. Gesponserte Produkte über eine Plattform (Weg A) in einer Kategorie mit Holdout-Gruppe starten.
4. Einen Clean Room ergänzen und einen Inkrementalitätstest für die ersten zehn Marken durchführen.
5. Erst danach ein eigenes Ranking und Offsite-Erweiterungen erwägen.

Quellen

1. PPC Land - European retail media spending reaches EUR 13.7 billion - https://ppc.land/european-retail-media-spending-reaches-eu13-7-billion-with-21-1-growth/
2. Flipflow - MediaMarktSaturn expands its retail media strategy to 8 European markets - https://www.flipflow.io/en/blog/mediamarktsaturn-expands-its-retail-media-strategy-to-8-european-markets/
3. Regulation (EU) 2024/1689 (AI Act), Arts. 4, 5, 50 - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
4. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
5. Regulation (EU) 2022/2065 (Digital Services Act) - https://eur-lex.europa.eu/eli/reg/2022/2065/oj
6. Regulation (EU) 2022/1925 (Digital Markets Act) - https://eur-lex.europa.eu/eli/reg/2022/1925/oj
7. Regulation (EU) 2019/1150 (P2B) - https://eur-lex.europa.eu/eli/reg/2019/1150/oj
8. Criteo Commerce Media - https://www.criteo.com/