Programmatische DOOH-Attribution: Screen-Impressions mit Store-Besuchen verbinden 2026

Worauf DOOH-Attribution antworten will

Ein Werbetreibender, der eine programmatische DOOH-Kampagne kauft, will am Ende der Laufzeit eine Sache wissen: Haben die Screens Menschen ins Geschäft gebracht. Die Impressions-Zahl und der Reichweitenwert sagen, wie viele Menschen die Gelegenheit hatten, die Kreation zu sehen. Attribution ist die Ebene, die diese Impressions mit einem messbaren Besuch, einem Verkauf oder einer nachgelagerten Aktion zu verbinden versucht. Es ist die Frage, an deren sauberer Beantwortung programmatische DOOH die letzten fünf Jahre gearbeitet hat, und die Frage, gegen die 2026 mehr Werbetreibende auszugeben bereit sind, sobald die Antwort prüfbar ist.

Dieser Beitrag erklärt, wie Attribution für einen programmatischen DOOH-Einkauf 2026 tatsächlich funktioniert: wie die Daten durch einen Data Clean Room fließen, was deterministisches und probabilistisches Matching innerhalb dieses Flusses leisten, was eine Lift-Studie misst und wie sie aufgebaut ist, welche Attributionsfenster nach Einzelhandelskategorie sinnvoll sind und wo die In-Venue-Zählung in die Kette passt. Er richtet sich an Planer, Messverantwortliche oder das Datenteam des Betreibers, die Attribution auf einem Digital-Signage-Netzwerk spezifizieren oder prüfen, nicht an die Person, die die Kreation schreibt.

Der End-to-End-Attributionsfluss

Ein Attributionsbericht für eine programmatische DOOH-Kampagne stützt sich auf sechs Datenstücke, die durch eine einzige sichere Umgebung fließen. Jedes Stück stammt von einer anderen Partei, sodass die Arbeit vor allem darin besteht, sie unter Bedingungen, die die Juristen unterschreiben, in dieselbe Umgebung zu bekommen.

1. Playout-Log. Die Aufzeichnung des Betreibers darüber, welche Kreation auf welcher Fläche zu welchem Zeitstempel lief. Das ist das Rückgrat jedes Attributionsmodells; alles andere hängt daran.
2. Impression-Audience. Der Reichweitenwert, der mit jedem Abspielen verbunden ist, erzeugt von der Currency-Stelle (GeoPath in den USA, das jeweilige JIC in Europa) oder von einem akkreditierten Messanbieter. Genau das macht aus einem Abspielen eine Impression-Zahl.
3. Exposure-Geografie. Standort und Erfassungsfußabdruck jeder Fläche: wo sie steht und welches Publikum sie plausibel erreicht haben könnte. Das ist die Grundlage, auf der das Modell später eine Exposed-Kohorte und eine Kontrollgruppe definiert.
4. Mobility-Daten. Aggregierte Bewegungspanels auf Geräteebene, von Standortdatenanbietern geliefert, die zeigen, wie sich Gerätegruppen während und nach der Kampagne durch die Exposed- und Kontrollräume bewegten. Das ist der Input, mit dem das Modell entscheidet, ob jemand, der einer Fläche ausgesetzt war, später das Geschäft besucht hat.
5. Visit- oder Sale-Signal. Das nachgelagerte Ereignis, das attribuiert wird: ein Store-Besuch, eine Transaktion, eine Online-Aktion. Für Physical-Retail-Attribution stammt das Visit-Signal in der Regel entweder aus demselben Mobility-Panel oder aus den eigenen First-Party-Daten des Werbetreibenden zu Standorten und Kasse.
6. Identity-Bridge. Welcher Mechanismus auch immer der Clean Room nutzt, um Exposure und Outcome zu matchen, ohne rohe Identifikatoren auszutauschen. Das ist der Teil, der deterministisches Matching dort möglich macht, wo die Daten es zulassen, und auf probabilistisches Matching zurückfällt, wo sie es nicht tun.

Der Data Clean Room: wo Attribution tatsächlich läuft

Ein Data Clean Room ist eine kontrollierte Umgebung, in der zwei oder mehr Parteien eine gemeinsame Analyse auf den Daten der jeweils anderen fahren können, ohne dass eine Partei ihre Rohsätze offenlegt. Der Clean Room setzt einige harte Eigenschaften durch. Eingaben sind im Transit und im Ruhezustand verschlüsselt. Abfragen sind gegen einen vereinbarten Satz von Operationen vorabgenehmigt. Ausgaben werden vor dem Verlassen der Umgebung auf eine Mindest-Kohortengröße aggregiert, was verhindert, dass das Ergebnis einer einzelnen Abfrage eine Person re-identifizierbar macht. Audit-Logs erfassen jede Abfrage und jede Ausgabe. Der Betreiber des Clean Room ist üblicherweise eine neutrale dritte Partei oder eines der Clean-Room-Produkte der großen Cloud-Anbieter.

Für die Attribution programmatischer DOOH ist der Clean Room das, was den Rest des Flusses rechtlich und vertraglich überhaupt möglich macht. Der Betreiber bringt das Playout-Log und die Exposure-Geografie ein. Die Currency-Stelle oder der Messpartner bringt die Audience- und Impressions-Daten ein. Der Mobility-Anbieter bringt das Gerätepanel ein, gejoint gegen den Exposure-Footprint. Der Werbetreibende bringt seine Standortliste und das Visit-Signal ein. Der Clean Room joint die Daten innerhalb seiner sicheren Umgebung, fährt die vereinbarten Attributionsabfragen und gibt aggregierte Ergebnisse an jede Partei zurück. Keine rohen Device-IDs wandern zwischen den Parteien. Keine Kassen-Sätze des Werbetreibenden verlassen seine Seite. Das Ergebnis ist die Attributionszahl, nicht die zugrunde liegenden Daten.

Nach der DSGVO und vergleichbaren Regimen ist das aus zwei Gründen wichtig. Erstens unterstützt die Clean-Room-Architektur eine rechtmäßige Verarbeitung auf gemeinsamer Verantwortlichkeit oder Auftragsverarbeitung, wenn die vertragliche Ebene sauber aufgesetzt ist. Zweitens sind die Aggregationsschwellen der technische Mechanismus, der die Ausgabe daran hindert, personenbezogene Daten zu sein: Ein Ergebnis wird nur in einer Kohorte von N oder größer berichtet, wobei N hoch genug gesetzt ist, dass keine Person aus dem Wert re-identifizierbar ist. Die 2026er-Norm für DOOH-Attribution ist es, den Join in einem Clean Room zu fahren, statt rohe Daten zwischen Anbietern zu verschieben.

Deterministisches vs. probabilistisches Matching

Innerhalb des Clean Room geschieht der Join zwischen Exposure und Outcome auf eine von zwei Arten, und die meisten realen Attributionsmodelle nutzen beide. Die Wahl ist eine Funktion davon, welche Identifikatoren in jedem Datensatz vorliegen und wie verlässlich sie auf einen realen Besuch zurückführen.

Deterministisches Matching

Deterministisches Matching joint zwei Datensätze, wenn sie einen Identifikator teilen, der auf dieselbe Person oder dasselbe Gerät zeigt. Das klassische Beispiel außerhalb von DOOH ist eine gehashte E-Mail, gematcht zwischen dem CRM eines Werbetreibenden und der Logged-in-User-Datei eines Publishers. Für programmatische DOOH ist deterministisches Matching schwieriger, weil das Medium selbst nicht eingeloggt ist. Es gibt am Bildschirm kein DOOH-Pendant zu einem Cookie oder einem eingeloggten Nutzer. Die deterministischen Identifikatoren, die existieren, sitzen in den Panels, die das Attributionsmodell speisen: eine gehashte mobile Werbe-ID im Standortpanel, eine Loyalty-ID in den First-Party-Daten des Werbetreibenden, eine Transaktions-ID, gejoint mit einem Besuch an der Kasse.

Wo deterministisches Matching in der DOOH-Attribution greift, ist auf der Outcome-Seite, nicht auf der Exposure-Seite. Die Exposed-Kohorte wird darüber definiert, dass sie sich während des Abspielfensters im Audience-Footprint des Screens befand, also über eine probabilistische Zugehörigkeit. Die Outcome-Kohorte, also die Menschen, die besucht oder gekauft haben, kann deterministisch definiert werden, wenn der Werbetreibende First-Party-Besuchs- oder Verkaufsdaten in den Clean Room einbringt und sie über einen gehashten Identifikator gegen das Panel matcht. Der Vorteil eines deterministischen Vorgehens auf der Outcome-Seite ist, dass der Bericht schwerer überzeichnet werden kann: Jeder attribuierte Besuch ist mit einem bekannten Gerät verbunden, das das Geschäft tatsächlich betreten hat, nicht allein aus Bewegungsmustern modelliert.

Probabilistisches Matching

Probabilistisches Matching joint Datensätze auf Basis geteilter Muster statt eines geteilten Identifikators. Für DOOH-Attribution erledigt der probabilistische Teil des Modells zwei Dinge. Er entscheidet, welche Geräte im Mobility-Panel einer gegebenen Fläche während des Abspielfensters ausgesetzt waren, anhand ihres Standortmusters relativ zum Erfassungs-Footprint der Fläche und dem Audience-Modell hinter der Impression. Und er extrapoliert vom Panel auf die Gesamtpopulation: Das Panel ist eine Stichprobe, kein Vollerhebung, und der attribuierte Besuchswert muss um die Panelabdeckung im Markt skaliert werden.

Probabilistische Methoden tragen mehr methodisches Gewicht, sind aber nicht per Definition schwächer. Die Impression-Zahlen der Currency-Gremien sind selbst probabilistisch, gerechnet aus Verkehrsmodellen mit Sichtbarkeitskorrekturen. Das Attributionsmodell macht dieselbe Art von Arbeit, angewandt auf die Frage, ob ein Mitglied der Exposed-Audience später ein Geschäft besucht hat. Was zählt, ist die Disziplin, ob Panelgröße, Modellannahmen und Skalierungsfaktoren dokumentiert und prüfbar sind. Ein probabilistischer Attributionswert mit veröffentlichter Methodik ist prüfbar. Einer ohne ist eine Black Box.

Wie beide zusammenkommen

In einem typischen 2026er-DOOH-Attributionsfluss wird Exposure probabilistisch definiert (ein Gerät war während eines Abspielfensters innerhalb des Erfassungs-Footprints der Fläche), und Outcome wird so deterministisch definiert, wie es die Daten des Werbetreibenden zulassen (das Gerät wurde gegen einen First-Party-Besuchs- oder Verkaufssatz gematcht oder, wo das nicht möglich ist, der Besuch wird aus dem Panel selbst abgeleitet). Die Clean-Room-Abfrage joint die beiden Kohorten, wendet die Panelskalierung an und berichtet den Lift gegen eine Kontrollgruppe. Berichte, die einen einzelnen Wert attribuierter Besuche präsentieren, ohne den deterministischen Anteil vom probabilistischen zu trennen, verstecken die Methodik hinter einer aufgeräumten Zahl. Lesen Sie die Aufschlüsselung, nicht nur die Schlagzeile.

Lift-Methodik: was der Bericht eigentlich misst

Attribution für programmatische DOOH meldet nicht nur eine Zahl attribuierter Besuche. Sie meldet einen Lift-Wert: die Differenz in der Besuchsrate zwischen der Audience, die der Kampagne ausgesetzt war, und einer vergleichbaren Audience, die es nicht war. Lift ist der Wert, der für alles kontrolliert, was nicht die Kampagne ist, und das ist der größte Teil der Gründe, aus denen ein Geschäft in einer gegebenen Woche Besuche erhält. Misst man keinen Lift, kann man den Effekt der Kampagne nicht vom zugrunde liegenden Basistakt an Besuchen unterscheiden.

Eine Lift-Studie für DOOH ist genauso aufgebaut wie jede andere Media-Lift-Studie, mit kanalspezifischen Definitionen für die Kohorten.

• Exposed-Kohorte. Geräte im Panel, deren Standortmuster sie während eines Abspielfensters in den Audience-Footprint mindestens einer Kampagnenfläche bringt. Die Inklusionsschwelle (war das Gerät innerhalb von 50 Metern zur Fläche, hat das Gerät mindestens N Sekunden in der Erfassungszone verweilt) wird in der Methodik festgelegt, bevor die Kampagne läuft.
• Kontrollgruppe. Geräte im Panel, die der Exposed-Kohorte in den relevanten Kovariaten gleichen (Geografie, Demografie soweit verfügbar, Basis-Besuchsneigung), die aber während der Laufzeit nicht in Reichweite einer Kampagnenfläche waren. Die Kontrolle gut zu wählen ist der schwierigste Teil des Modells: Eine schlecht gewählte Kontrolle bläht den Lift auf, eine zu enge Kontrolle drückt ihn.
• Visit-Fenster. Der Zeitraum nach der Exposition, während dem ein Besuch als attribuierbar zählt. Das ist das Attributionsfenster, weiter unten separat behandelt.
• Besuchsrate. Besuche pro Gerät in jeder Gruppe, auf eine vergleichbare Basis normalisiert. Lift ist das Verhältnis (oder die absolute Differenz) zwischen den Besuchsraten der Exposed- und der Kontrollgruppe.

Das Ergebnis, das ein Einkäufer sieht, wird üblicherweise auf zwei Arten ausgedrückt. Inkrementeller Lift ist die prozentuale Differenz in der Besuchsrate zwischen Exposed und Kontrolle (eine Exposed-Besuchsrate, die 18 % über der Kontrolle liegt, bedeutet 18 % inkrementellen Lift). Inkrementelle Besuche sind die Anzahl zusätzlicher Besuche, die der Kampagne zugeschrieben werden, abgeleitet aus dem Lift-Wert und der skalierten Exposed-Kohorte. Beide Zahlen sollten mit den Kohortengrößen, der Panelabdeckung und dem Konfidenzintervall ausgeliefert werden; ein Lift-Wert ohne Konfidenzintervall reicht nicht zur Planung.

Attributionsfenster nach Kategorie

Ein Attributionsfenster ist der Zeitraum nach der Exposition, in dem ein Besuch oder Verkauf der Kampagne zugerechnet wird. Wählt man das Fenster zu kurz, zählt die Kampagne ihren realen Effekt zu niedrig; wählt man es zu lang, zählt das Modell schlicht Besuche, die die Kampagne nicht ausgelöst hat. Das richtige Fenster hängt von der Kategorie und vom Einkaufszyklus ab, nicht davon, was der Standardbericht des Betreibers verwendet.

Die Werte unten sind branchentypische Bereiche 2026, keine Werte aus einer bestimmten benannten Studie. Sie sollen die Größenordnung für Planer setzen, die ein Fenster spezifizieren; das tatsächliche Fenster für eine konkrete Kampagne sollte gegen die eigenen Einkaufsdaten des Werbetreibenden festgelegt werden, wo es sie gibt.

• Quick-Service-Restaurants, Convenience, Coffee. Selber Tag bis 48 Stunden. Die Kaufentscheidung ist kurz und nah; löste die Exposition gegenüber einem Screen nahe der Verkaufsstelle einen Besuch aus, fand dieser Besuch kurz nach dem Abspielen statt.
• Lebensmittel und Drogerie. Zwei bis sieben Tage. Die meisten Käufer haben einen wöchentlichen oder zweimal wöchentlichen Zyklus, und ein am Montag an einer Verkehrshaltestelle gesehener Screen kann sich am Mittwoch im Einkaufskorb zeigen.
• Bekleidung und allgemeiner Einzelhandel. Sieben bis vierzehn Tage. Stöberzyklen sind länger; Besuche bündeln sich am Wochenende nach der Exposition.
• Unterhaltungselektronik, Haushaltsgeräte, größere überlegte Käufe. Zwei bis vier Wochen. Der Besuch folgt auf Recherche und Vergleich; Attributionsfenster kürzer als zwei Wochen verfehlen den größten Teil des Effekts.
• Automotive und die längsten überlegten Kategorien. Vier Wochen aufwärts, oft mit dem Brand-Effekt separat gemessen vom Händlerbesuchs-Effekt.
• Entertainment, Attraktionen, zeitlich begrenzte Events. Das Fenster ist das Event-Fenster selbst, durch die Kampagne gesetzt statt durch die Kategorie. Selber Tag für eine Filmvorführung; einige Wochen für eine mehrtägige Ausstellung.

Zwei operative Hinweise. Erstens gilt das Fenster pro Gerät, nicht pro Kampagne: Ein an Tag eins exponiertes Gerät wird gegen Besuche innerhalb des Fensters ab Tag eins gezählt, unabhängig davon, wann die Kampagne endet. Zweitens sollte das Fenster mit dem Referenzzeitraum der Kontrollgruppe übereinstimmen, damit der Besuchsraten-Vergleich auf vergleichbarer Basis erfolgt. Ein Exposed-Fenster von 14 Tagen verglichen mit einem Kontroll-Fenster von 7 Tagen ist ein bedeutungsloser Lift-Wert.

Die Rolle der In-Venue-Zählung

Die Attribution außerhalb des Geschäfts für DOOH stützt sich auf Mobility-Panels und Clean-Room-Joins; das ist der Teil der Kette, der auf Geräten und Daten läuft. Innerhalb der Venue selbst, wo der Screen tatsächlich vor einem realen Publikum spielt, das an ihm vorbeigeht, braucht das Attributionsmodell einen anderen Input. Es muss wissen, wie viele Menschen die Gelegenheit hatten, den Screen zu sehen, wie lange sie in seiner Erfassungszone blieben und wie sich dieses Publikum über den Tag veränderte. Das ist der Input, den die Personenzählung am Bildschirm und über die Venue liefert, und es ist der Teil der Kette, der entscheidet, ob die in das Attributionsmodell eingehende Impression-Zahl real oder modelliert ist.

Es gibt drei Stellen, an denen die In-Venue-Zählung das Attributionsmodell direkt speist.

• Impression-Gewichtung am Bildschirm. Die Opportunity-to-See-Gewichtung, die aus einem Abspielen eine Impression macht, ist präziser, wenn die tatsächliche an der Fläche vorbeiziehende Audience an der Fläche gezählt wird, statt aus Venue-Durchschnitten modelliert zu werden. Für In-Venue-Inventar ersetzt eine Zählung am Bildschirm eine venueweite Schätzung, und die in den Clean Room eingehende Impression-Zahl ist einen Schritt näher an der Realität.
• Verweildauer als Attention-Proxy. Die in der Erfassungszone des Bildschirms verbrachte Zeit ist das In-Venue-Pendant zur Viewability, das am nächsten kommt. Eine von einem schnell vorbeigehenden Publikum gesehene Kreation und eine von einem in einer Warteschlange wartenden Publikum gesehene Kreation erzeugen sehr unterschiedliche Aufmerksamkeitsniveaus, selbst bei gleicher Impression-Zahl. Verweildauer am Bildschirm, ohne irgendjemanden zu identifizieren, speist die Attention-Ebene des Berichts und lässt einen Einkäufer Flächen über mehr als nur Reichweite vergleichen.
• Venue-weite Besuchsdaten. Wo die Venue Personenzählung an ihren Eingängen und über ihre Zonen betreibt, ankert diese Datenbasis das Audience-Modell. Dem Attributions-Clean-Room kann mitgeteilt werden, wie der tatsächliche Venue-Verkehr während der Kampagne aussah, und an dem die Exposure aus dem Gerätepanel skaliert und korrigiert werden kann. Das Panel ist eine Stichprobe von Geräten; der Venue-Zähler ist eine Zählung von Menschen. Beide zu paaren zieht die Attributionszahl enger.

Die 2026er-Erwartung unter sorgfältigeren Einkäufern lautet, dass In-Venue-Inventar venueweite Audience-Daten in den Attributionsfluss tragen sollte, nicht nur ein Roadside-Verkehrsmodell. Die Standardgremien haben in diese Richtung gedrängt (Überarbeitungen der OOH-Richtlinien des MRC, die DOOH-Vorgaben des IAB zu Impression-Definitionen, GeoPaths Place-based-Methodik), und der praktische Effekt ist, dass ein Betreiber mit unverifizierten Audience-Werten beim Einkauf zunehmend im Nachteil ist.

Wie Ariadne hineinpasst

Ariadne liefert die In-Venue-Audience-Ebene, die ein programmatisches DOOH-Attributionsmodell speist. Sie tut das ohne Kameras, ohne Gesichtserkennung und ohne irgendwelche personenbezogenen Daten am Bildschirm zu erfassen.

Ariadne misst dies mit Hybrid Fusion, der patentierten kamerafreien Methode. Time-of-Flight-Tiefensensorik zählt an den Eingängen jeden Besucher und erfasst Geometrie statt Bilder, während die patentierte Signalerfassung die Bewegung im Innenraum verfolgt und die Signale erkennt, die ein Telefon aussendet, selbst im Flugmodus. Der Sensor streamt beide Datenströme an Ariadne, wo Hybrid Fusion sie zu einer Trajektorie pro Besuch zusammenführt und Zählwerte, Verweildauer und Wege berechnet. Die Datenströme tragen keine Identifikatoren: keine MAC-Adresse, keine Geräte-ID, keine biometrischen Daten, und es ist keine Kamera beteiligt. Identifikatoren werden nur gespeichert, wenn ein Besucher ausdrücklich zustimmt, was die Methode datenschutzfreundlich und außerhalb des biometrischen Bereichs hält.

Für ein Attributionsmodell erzeugen diese Hardware und dieses Datendesign drei nützliche Eigenschaften. Die Impression-Gewichtung am Bildschirm ruht auf einer realen Besuchszählung und einem realen Verweildauerwert für die Erfassungszone des Bildschirms, beide während der Kampagne fortlaufend berichtet. Der Audience-Input, der in den Clean Room übergeht, trägt keine personenbezogenen Daten, sodass die vertragliche und datenschutzrechtliche Arbeit zwischen Betreiber, Messpartner und Werbetreibendem einfacher wird. Und die venueweiten Zählungen, die das Modell verankern, werden von derselben Sensoreinheit erzeugt, sodass ein Betreiber, der ein Ariadne-Deployment fährt, aus einer Quelle berichtet, statt zwei abzugleichen. Die Datenverarbeitung und das Design ohne personenbezogene Daten sind in der Datenschutzerklärung beschrieben, und das kampagnenseitige Reporting speist das Visitor-Marketing-Reporting des Betreibers für den Werbetreibenden.

Eine Einkäufer-Checkliste für DOOH-Attribution

Wenn Sie 2026 Attribution auf einem programmatischen DOOH-Einkauf prüfen oder spezifizieren, sind dies die Fragen, die es lohnt, dem Betreiber, dem Messanbieter und dem Clean-Room-Partner schriftlich zu stellen.

1. Wo läuft der Attributions-Join tatsächlich? Er sollte in einer benannten Clean-Room-Umgebung mit einem vereinbarten Abfragesatz und Aggregationsschwellen laufen, nicht auf einem Anbieterlaptop. Lassen Sie sich den Clean-Room-Betreiber und die Schwellenwerte schriftlich geben.
2. Was ist das Panel, und welche Abdeckung hat es? Panelgröße, geografische Abdeckung und bekannte Verzerrungen des Mobility-Anbieters prägen jeden Wert im Bericht. Bitten Sie um die Panelbeschreibung und die Skalierungsfaktoren, mit denen auf den Markt extrapoliert wird.
3. Wie ist die Kontrollgruppe konstruiert? Eine gute Kontrolle ist nach Geografie, Basis-Besuchsneigung und den relevanten Kovariaten gematcht. Fragen Sie, wie die Kontrolle gezogen und wie sie validiert wurde.
4. Welches Attributionsfenster wird berichtet, und warum? Das Fenster sollte den Einkaufszyklus der Kategorie spiegeln, nicht den Default des Betreibers. Bestätigen Sie das Fenster und die Begründung vor dem Kampagnenstart, nicht im Bericht.
5. Wird der Lift-Wert mit Kohortengrößen und einem Konfidenzintervall berichtet? Ein Lift-Wert ohne Intervall ist kein Planungs-Input. Lehnen Sie Berichte ab, die einen einzelnen Prozentwert ohne Stützzahlen präsentieren.
6. Was ist der In-Venue-Audience-Input für Indoor-Inventar? Für digitale Flächen innerhalb einer Venue: Fragen Sie, womit die Besuchs- und Verweildauerwerte am Bildschirm erzeugt werden. Die Antwort sollte keine Kamera sein und kein System, das demografische Kategorien aus Gesichtsmerkmalen ableitet.
7. Welche Identifikatoren, wenn überhaupt, wandern zwischen den Parteien? Das Clean-Room-Design existiert genau deshalb, damit rohe Identifikatoren das nicht tun. Bestätigen Sie, dass der Attributionsfluss mit diesem Design vereinbar ist und dass die Ausgabeschwellen verhindern, dass Ergebnisse re-identifizierbar werden.

FAQ

Braucht die Attribution programmatischer DOOH Kameras am Bildschirm?

Nein. Ariadne zählt mit Hybrid Fusion: Time-of-Flight-Tiefensensorik plus patentierte Signalerfassung, nie mit Kameras. Time-of-Flight erfasst Geometrie statt Bilder, und die Signalerfassung erfasst standardmäßig keine MAC-Adresse, sodass die Messung ohne Video, ohne Gesichter und ohne biometrische Daten auskommt.

Der Audience-Input, den das Attributionsmodell am Bildschirm braucht, ist eine Besuchszählung und ein Verweildauerwert; beides lässt sich ohne Bilder, Gesichter oder biometrische Daten erzeugen. Kamerabasierte Audience Measurement am Bildschirm ist unter DSGVO und EU-KI-Verordnung schwer zu verteidigen, und die Standardarbeit hat sich für In-Venue-Inventar auf kamerafreie Methoden zubewegt.

Was ist der Unterschied zwischen deterministischem und probabilistischem Matching in diesem Kontext?

Deterministisches Matching joint zwei Datensätze, die einen Identifikator teilen, etwa eine gehashte mobile Werbe-ID, die sowohl im Standortpanel als auch in den First-Party-Besuchsdaten des Werbetreibenden vorliegt. Probabilistisches Matching leitet den Join aus Mustern ab, etwa der Entscheidung, dass ein Gerät exponiert war, weil sein Standortmuster es während eines Abspielens in den Erfassungs-Footprint der Fläche platzierte. In der Praxis nutzt DOOH-Attribution beides: Exposure wird probabilistisch gegen den Audience-Footprint definiert, und Outcome wird so deterministisch definiert, wie die Daten des Werbetreibenden es zulassen.

Welches Attributionsfenster sollte ich verwenden?

Das Fenster sollte den Einkaufszyklus der Kategorie spiegeln, festgelegt gegen die eigenen Einkaufsdaten des Werbetreibenden, wo es sie gibt. Branchentypische Bereiche reichen von selbem Tag für Quick-Service-Restaurants und Convenience über eine bis zwei Wochen für allgemeinen Einzelhandel bis zu vier Wochen aufwärts für überlegte Kategorien wie Unterhaltungselektronik und Automotive. Wählen Sie das Fenster vor dem Kampagnenstart, dokumentieren Sie die Begründung und richten Sie den Referenzzeitraum der Kontrollgruppe entsprechend aus.

Ist der Attributionswert DSGVO-konform?

Er kann es sein, und das Design, das ihn dorthin bringt, ist der Clean Room plus Aggregationsschwellen: Jede Partei bringt ihre Daten in eine sichere Umgebung ein, der Join läuft innerhalb dieser Umgebung, rohe Identifikatoren wandern nicht zwischen den Parteien, und die Ausgabe wird auf eine Kohortengröße aggregiert, die Re-Identifikation verhindert. Auf der In-Venue-Audience-Seite verarbeitet eine Zählmethode, die standardmäßig keine Bilder, keine Gesichter und keine Geräte-Identifikatoren erfasst, keine personenbezogenen Daten, was den in den Clean Room einlaufenden Input außerhalb der schwersten DSGVO-Pflichten hält. Klären Sie die Spezifika mit Ihrem Datenschutzbeauftragten und dem Clean-Room-Partner; die Architektur ist 2026 etabliert.