Das Problem klassischer Zielgruppenarbeit ist eben strukturell: Die Werkzeuge, die wir seit Jahrzehnten verwenden, waren für eine langsamere Welt gebaut. In einem Umfeld, das sich schneller verändert und in dem Menschen schwerer in Schubladen passen, reicht das nicht mehr.
Die guten Neuigkeiten: Es gibt heute ein neues Werkzeug, das viele der alten Probleme zumindest beschleunigt: virtuelle Personas, also simulierte Zielgruppen, die auf Basis von Sprachmodellen und realen Datensätzen abgebildet werden. Bei superspring arbeiten wir regelmäßig mit virtuellen Personas und haben sie als neueres Tool beim Formulieren von Zielgruppen-Insights schätzen gelernt.
Definitionssache: Personas vs. Zielgruppen
In den meisten Marketing-Teams existiert beides: die Zielgruppe als strategischer Rahmen, die Persona als operatives Werkzeug. Der Unterschied ist allerdings viel größer, als er auf den ersten Blick wirkt.
Eine Zielgruppe beschreibt eine Gruppe nach messbaren Merkmalen — Alter, Einkommen, Region. Das ist nützlich für Mediaplanung und Reichweite. Es erklärt allerdings nicht, wie die Menschen in dieser Gruppe denken, was sie antreibt, was sie zurückhält.
Eine Persona geht weiter: Sie modelliert einen idealisierten Vertreter einer Bedürfnisgruppe — mit konkretem Kontext, erkennbaren Kaufmotiven und den Stellen, an denen Kommunikation tatsächlich greift.
Der Unterschied liegt vor allem im Erkenntnisziel. Eine Zielgruppe beschreibt, wer in einem Markt vorhanden ist. Eine Persona erklärt, wie eine Person in diesem Markt tatsächlich entscheidet oder entscheiden würde.
Das Persona-Problem
Der häufigste Fehler in der Zielgruppenarbeit: Das falsche Ziel wird verfolgt. Eine Persona soll Entscheidungen ermöglichen — über Kommunikation genauso wie über Preis und Produkt. Wenn sie das nicht tut, ist sie wertlos, egal wie detailliert sie ausgearbeitet ist.
Vergangenheitsdaten
Klassische Personas basieren fast immer auf Vergangenheitsdaten. Umfragen, Interviews, CRM-Auswertungen — das alles beschreibt, wer die Kundschaft gestern war. Eine Persona, die auf Forschung von vor 18 Monaten basiert, ist eine Beschreibung der Vergangenheit, keine Hypothese über die Gegenwart.
Zu statisch
Eine Persona ist ein Dokument. Sie kann nicht gefragt werden. Man kann ihr keine neue Kampagne zeigen und beobachten, wie sie reagiert — kein Preistest, kein Botschaftsvergleich, kein Szenario.
Was als Annahme in einem Workshop entstand, bleibt als Annahme bestehen, bis jemand aktiv widerspricht. Sie beschreibt einen Menschen, ohne ihn simulieren zu können.
Die Granularitätsfalle ⚠️
Je mehr Personas ein Unternehmen entwickelt, desto weniger Entscheidungen werden damit getroffen. Fünfzehn Personas klingen nach Gründlichkeit und führen zu Lähmung — weil niemand entscheiden kann, welche Persona jetzt gilt.
Das Ergebnis: alle Personas existieren, keine wird wirklich verwendet. Drei bis vier scharf definierte Kernsegmente, klar priorisiert, sind nützlicher als zwanzig Mikrocluster.
Alle drei Probleme haben eine gemeinsame Ursache: Personas werden oft gebaut, bevor das strategische Fundament steht, auf dem sie aufbauen sollten.
Segmentierung, Targeting, Positionierung
Bevor Personas überhaupt eine Rolle spielen können, braucht es einen sauberen Rahmen. Das STP-Modell ist alt, aber robust: Segmentierung → Targeting → Positionierung. Drei Entscheidungen, die in der Praxis häufig zusammengezogen werden, obwohl sie grundlegend verschieden sind.
Segmentierung ist analytische Arbeit: Welche Gruppen lassen sich nach relevanten Merkmalen unterscheiden? Ein Segment ist nur dann brauchbar, wenn es messbar ist, groß genug, erreichbar — und intern kohärent, also so beschaffen, dass die Menschen in ihm tatsächlich ähnlich reagieren.
Targeting ist die strategische Entscheidung: Für wen wollen wir die beste Wahl sein? Diese Entscheidung schließt aus. Wer alle ansprechen will, spricht niemanden wirklich an. Das klingt banal. Trotzdem passiert es in jedem zweiten Projekt.
Positionierung ist die Konsequenz: Wie differenzieren wir uns so, dass das gewählte Segment uns bevorzugt? Ohne klare Segmentierungsentscheidung lässt sich keine belastbare Positionierung entwickeln. Das ist auch die Grundlage jeder funktionierenden Kommunikationsstrategie: nicht Botschaft zuerst, sondern Segment zuerst.
Bleibt die Frage: Wonach segmentiert man sinnvoll? Die klassische Antwort lautete jahrzehntelang: nach Demografie.
Demografie erklärt keine Kaufentscheidungen
Demografische Merkmale — Alter, Geschlecht, Einkommen, Region — waren Jahrzehnte lang der Standard. Sie sind messbar, verfügbar, skalierbar. Das Problem: Sie erklären Kaufverhalten kaum.
Zwei Menschen mit fast identischem demografischen Profil können vollkommen unterschiedlich auf dieselbe Kampagne reagieren, weil ihre Werte, ihre aktuelle Lebenssituation und ihre Kaufmotive grundlegend verschieden sind. Demografische Daten sagen, wer jemand ist. Sie sagen selten, warum er kauft.
Der Individualismus verschärft das: Lebensstile, Werte und Kaufmotive korrelieren heute weniger mit Alter oder Einkommen als noch vor zwanzig Jahren. Innerhalb einer Zielgruppe finden sich Persönlichkeiten, die sich grundlegend voneinander unterscheiden — und die auf dieselbe Botschaft vollkommen verschieden reagieren. Modernere Segmentierungsansätze versuchen genau das einzufangen — über Bedürfniszustände statt Bevölkerungsmerkmale.
Need States und Jobs to be done
Need-State-Segmentierung fragt nach dem Bedürfniszustand, in dem sich jemand beim Kauf befindet. Derselbe Mensch kann sich je nach Situation in vollkommen unterschiedlichen Need States befinden.
Das Jobs-to-be-done-Framework bringt es auf den Punkt: Menschen beauftragen ein Produkt für eine bestimmte Aufgabe in ihrem Leben. Wer diese Aufgabe versteht, versteht die Kaufentscheidung.
B2B: Mehrere Personen, mehrere Motive
Im B2B-Marketing ist das besonders relevant. Buying-Center-Entscheidungen werden von mehreren Personen mit unterschiedlichen Motiven getroffen:
- 💼 Die CFO will Kostenkontrolle und messbaren Return.
- 🎯 Die CMO will strategische Beweglichkeit und Markenwirkung.
- 🔄 Der Einkauf will Prozesssicherheit und klare Schnittstellen.
Eine Persona für alle drei reicht nicht. Das sind die Grenzen des klassischen Werkzeugkastens: zu wenig Aktualität, keine Befragbarkeit, kein echtes Verhaltensmodell. Genau hier setzt das neuere Werkzeug an — und es kommt aus einer unerwarteten Richtung.
Was virtuelle Personas leisten
Diese Lücke schließen virtuelle Personas. Dahinter steckt kein Marketingtrend: Sie sind simulierte Zielgruppen auf Basis von Sprachmodellen und kalibrierten Trainingsdaten — ein Ansatz aus der Sprachmodellforschung und der computergestützten Sozialwissenschaft. Inzwischen sind sie ein Forschungsfeld mit wachsender empirischer Basis.
Die Datenlage
Aktuelle Arbeiten zeigen: Sauber kalibrierte Modelle erreichen Übereinstimmungsraten von bis zu 90 % mit realen Survey-Daten, bei Konzept- und Pricing-Studien rund 85 %. Was früher Wochen dauerte, lässt sich in unter 24 Stunden abbildbar machen.
💡 Was das konkret bedeutet
Der entscheidende Unterschied zu klassischen Personas: Virtuelle Personas können befragt werden. Botschaften, Konzepte und Preispunkte lassen sich vorab testen, Szenarien durchspielen, die im echten Feld zu teuer oder zu aufwendig wären. Und das Ergebnis geht über Skalenwerte hinaus: Textbegründungen, die erklären, warum jemand kauft oder was ihn bremst.
Bei superspring setzen wir virtuelle Personas in der frühen Konzeptphase ein. Nicht als Ersatz für echte Forschung, sondern als Werkzeug, um Hypothesen schnell zu bilden und gegen Konzepte zu testen, bevor echtes Feldbudget eingesetzt wird.
Abonnieren Sie unseren Newsletter
Der superspring Newsletter mit unserem Blick auf das, was Marketing und Markenführung gerade verändert. Kommt regelmäßig und kann natürlich jederzeit abbestellt werden.
Was echte Befragungen leisten
Wer virtuelle Personas als vollständigen Ersatz für Marktforschung versteht, versteht sie falsch. Repräsentative Befragungen mit realen Menschen leisten etwas, das kein Modell reproduzieren kann.
Externe Validität
Echte Surveys liefern reale Verteilungen — inklusive Ausreißern und Widersprüchen, die Modelle glätten würden. Direkt hochrechenbar auf eine Grundgesamtheit, sofern das Sampling stimmt.
Sie bilden das ab, was tatsächlich in einem Markt vorhanden ist, inklusive der Widersprüche, Inkonsistenzen und Antwortmuster, die Menschen eben so haben. Diese externe Validität ist für viele Entscheidungen nicht verhandelbar.
Dazu kommt ein praktischer Aspekt: Survey-Daten sind in Unternehmen, Politik und Wissenschaft als Entscheidungsbasis etabliert. Viele Governance-Prozesse verlangen echte Datenpunkte von realen Personen. Wer vor Stakeholdern oder Aufsichtsgremien Rechenschaft ablegen muss, kann das nicht mit Outputs virtueller Personas tun.
Die Grenzen virtueller Personas
Die bekannten Schwächen virtueller Personas sind empirisch gut dokumentiert. Weil sie aus historischen Daten abgeleitet werden, bilden sie ab, was bisher war — nicht, was neu entsteht. Gruppen, die in den Trainingsdaten unterrepräsentiert sind, bleiben es auch im Modell.
Wo Trainingsdaten dünn sind — bei neuen Märkten oder unterrepräsentierten Gruppen — ist die Prognosekraft deutlich schwächer. Außerdem besteht das Risiko, dass virtuelle Zielgruppen komplexe, situative menschliche Reaktionen glätten und damit Unsicherheit unterschätzen.
Die richtige Kombination
Die produktivste Nutzung ist nicht entweder/oder. Es ist eine Frage des richtigen Einsatzes in der richtigen Phase.
Eine bewährte Logik: Reale Befragungen liefern die Referenzverteilungen, mit denen virtuelle Modelle trainiert und kalibriert werden. Danach können virtuelle Personas für schnelle Iterationen genutzt werden — Konzepttests und Botschaftsvergleiche, die im echten Feld zu aufwendig wären. Ausgewählte Ergebnisse werden anschließend im nächsten echten Feld rückvalidiert.
Bei Fragen in der frühen Entwicklungsphase können virtuelle Zielgruppen Zeit und Kosten massiv sparen. Sobald eine Entscheidung Pricing, Markteintritt oder gesellschaftliche Reichweite berührt, ist ein reales Sample keine Absicherung mehr, sondern Pflicht.
Seriöse Anbieter in diesem Bereich betonen das ausdrücklich: Virtuelle Outputs müssen laufend gegen echte Survey-, Experiment- oder Marktdaten gebenchmarkt werden. Wer das nicht tut, optimiert auf ein Modell, nicht auf die Realität. Das klingt nach Mehraufwand — ist aber die Voraussetzung dafür, dass die Methode funktioniert.
Strategie bleibt Menschenarbeit
Virtuelle Personas beschleunigen die Erkenntnisgewinnung. Was sie nicht leisten: zu entscheiden, welches Segment eine Marke adressieren will — und welches sie bewusst aufgibt.
Diese Fragen sind normativ. Sie setzen voraus, dass jemand weiß, welche Positionierung die Marke einnehmen soll, welche Werte sie trägt, wo sie sich differenziert. Modelle optimieren auf das, was man ihnen beibringt zu optimieren. Sie haben keine Meinung darüber, welche Marke die Welt braucht. Die muss man selbst entwickeln.
Die Entscheidung, was man aus Ergebnissen schließt, welche Botschaft weiterentwickelt wird, welches Segment priorisiert wird — das bleibt menschliches Urteil. Schnelle Werkzeuge brauchen gute Fragen. Sonst beschleunigt man die falsche Richtung.
Eine funktionierende Marketingstrategie denkt beides zusammen: die Methoden, die Erkenntnisse liefern, und die strategische Klarheit, die entscheidet, was mit diesen Erkenntnissen passiert.
Fazit
Virtuelle Personas sind kein Ersatz für Marktforschung, sondern ein Werkzeug für die frühe Phase: wenn Hypothesen noch geformt werden, Konzeptvarianten schnell durchgespielt werden sollen und echtes Feldbudget noch zu früh käme. Wer sie ohne reale Kalibrierungsdaten betreibt, optimiert auf ein Modell — nicht auf die Realität.
Was dabei oft unterschätzt wird: Die Methode ist nur so gut wie die Fragen, die man ihr stellt. Virtuelle Personas liefern präzise Antworten auf unpräzise Fragen — und das kann in die Irre führen. Der eigentliche Engpass ist selten das Werkzeug. Er ist die fehlende Klarheit darüber, wen man adressieren will und warum.
Genau hier liegt, was superspring in solchen Projekten beisteuert: die strategische Verortung vor dem Modell. Welches Segment priorisiert wird und welche Positionierungshypothese sich zu testen lohnt — das sind Fragen, die kein Modell beantwortet. Erst wenn diese Klarheit besteht, ergibt ein sauberes Setup Sinn. Was ein Ergebnis danach für eine konkrete Entscheidung bedeutet, ist die letzte und schwierigste Aufgabe.
Bessere Werkzeuge beantworten das nicht. Sie stellen schärfere Fragen — vorausgesetzt, jemand stellt sie richtig. Das strategische Urteil darüber, wen man wirklich erreichen will, bleibt eine menschliche Aufgabe. Wer das gemeinsam angehen möchte, spricht uns gerne an.
