Vom Prompt zum Kauf: Die digitale Customer Journey wird unsichtbar – so machen wir sie messbar

Wie Murmuras mit App-Daten von 3.000 Smartphone-Nutzenden die gesamte Customer Journey abbildet: von der Social-Media-Ad über den KI-Chat bis zum Kassenbon.#

Wer heute eine Kaufentscheidung trifft, durchläuft eine Reise, die immer schwerer zu fassen ist. Sie beginnt vielleicht mit einer Instagram-Ad, führt über eine Frage an ChatGPT, mündet in einem Preisvergleich auf idealo und endet mit einem Coupon in der Lidl-App. Klassische Trackingmethoden erfassen bestenfalls Ausschnitte davon. Was fehlt, ist der Blick auf die gesamte Journey.

Genau diesen Blick liefert Murmuras: Auf Basis eines datenschutzkonformen Smartphone-Panels mit 3.000 Probanden erfassen wir – mit expliziter Einwilligung der Teilnehmenden – reales digitales Verhalten. Nicht Befragungsdaten, nicht Paneldaten aus Browsern, sondern das, was Menschen tatsächlich auf ihren Smartphones tun: welche Werbung und Inhalte sie in sozialen Medien sehen, welche Websites sie besuchen, was sie KI-Assistenten fragen, welche Coupons sie aktivieren – und was am Ende auf dem Kassenbon steht.

In diesem Artikel zeigen wir, welche Datentypen unser Panel erfasst, wie sie zusammenwirken und welche Business Fragen sich damit beantworten lassen.

Viele Datenquellen, eine Journey#

Das Murmuras-Panel umfasst insgesamt 3.000 Smartphone-Nutzende in Deutschland, rekrutiert über qualitätsgeprüfte Panelanbieter (Bilendi, Horizoom, Trend Research) und ausgewählt nach breiten sozio-ökonomischen Kriterien. Davon bilden 1.500 Teilnehmende ein online-repräsentatives Teilpanel. Für jeden Teilnehmenden erfassen wir – passiv und kontinuierlich – verschiedene Dimensionen des mobilen Alltags. Zusammen ergeben sie ein dichtes Bild der Customer Journey:

Dimension	Was wir erfassen	Business Frage
GenAI-Konversationen	Vollständige Chats in ChatGPT, Gemini, Google AI Mode	Welche Marken werden in KI-Dialogen erwähnt? Empfiehlt die KI aktiv Produkte?
Social-Media-Content	Werbeanzeigen und organische Inhalte in Facebook, TikTok, Pinterest, YouTube, Instagram, LinkedIn	Welche Marken erreichen welche Zielgruppen – über Ads und organischen Content?
Webseiten-Besuche	Aufgerufene Domains und URLs auf dem Smartphone	Welche Shops, Vergleichsportale und Marken-Websites werden besucht?
App-Nutzungsdaten	Nutzungsdauer aller Apps pro User und Tag	Welche Apps dominieren den Alltag? Wie viel Zeit verbringen Nutzende in welchen Kategorien?
Retail App-Angebote & Coupons	Digitale Coupons und Angebote in Retailer-Apps wie Lidl Plus, Mein dm oder der EDEKA-App	Welche Angebote werden gesehen vs. aktiviert? Welche Marken fördern Promotions?
Kassenbondaten	Einzelne Artikelpositionen aus digitalen Kassenbons	Was wird tatsächlich gekauft – und zu welchem Preis? Wie hoch waren die App-Ersparnisse?
Soziodemografie	Alter, Geschlecht, PLZ, Einkommen, Familienstand u. a. (aus Befragungen)	Welche Zielgruppen zeigen welches Verhalten? Segmentierung nach sozioökonomischen Merkmalen

Entscheidend: Alle Datenquellen sind über eine gemeinsame User-ID verknüpfbar. Das ermöglicht es, für dieselbe Person zu analysieren, wie die gesamte mobile Customer Journey aussehen kann.

Was die Daten sichtbar machen: Ein fiktiver Case#

Um das Zusammenspiel der Datenquellen greifbar zu machen, skizzieren wir eine fiktive, aber auf Basis unserer Datenstruktur realistische Customer Journey. Stellen Sie sich einen Nutzenden vor, Ende 20, der im März einen neuen Staubsauger sucht:

Phase 1: Aufmerksamkeit – Social-Media-Ad#

Anfang März taucht in seinem Instagram-Feed eine Anzeige von Dyson auf. In unseren Daten sehen wir: Plattform, Advertiser und Datum. Wir sehen nicht, ob er die Ad bewusst wahrgenommen hat, aber wir sehen, dass sie da war.

Phase 2: Recherche – GenAI-Chat#

Einige Tage später fragt er ChatGPT: „Welcher kabellose Staubsauger ist der beste für Tierhaare?" Die KI vergleicht Dyson, Shark und Bosch und empfiehlt ein konkretes Modell. In unseren Daten sehen wir die vollständige Konversation, die erwähnten Marken und ob die KI eine aktive Empfehlung ausspricht.

Phase 3: Vertiefung – Webseiten-Besuch#

Am selben Abend besucht er amazon.de und mediamarkt.de, sucht gezielt nach dem empfohlenen Modell, liest Bewertungen. Die Weblink-Daten zeigen die besuchten Domains und den zeitlichen Zusammenhang zur KI-Recherche.

Phase 4: Promotion – Coupon#

In der Kaufland-App erscheint ein Coupon für Haushaltsgeräte. In unseren Daten sehen wir das Angebot, ob es aktiviert wurde, und können die zeitliche Nähe zur Recherche-Phase einordnen.

Phase 5: Kauf – Kassenbon#

Ende März erscheint ein Staubsauger auf seinem digitalen Kassenbon bei MediaMarkt. In unseren Daten sehen wir Produkt, Preis und Händler und können diesen Kauf rückblickend den vorherigen Touchpoints zuordnen.

Wichtig: Transparenz über Grenzen#

Dieses Beispiel zeigt, welche Analyse möglich ist – nicht, dass jede einzelne Journey so vollständig beobachtbar ist. Nicht jede Person im Panel nutzt alle Datenquellen gleich intensiv. Nicht jede Ad führt zu einer Recherche, nicht jede Recherche zu einem Kauf. Die Stärke liegt in der Aggregation: Über viele Nutzende und Wochen hinweg werden Muster sichtbar, die keine einzelne Datenquelle allein zeigen kann. Genau deshalb verstehen wir unsere Daten als Kompass, nicht als Vollerhebung: Sie zeigen Richtungen und Zusammenhänge auf, die mit anderen Methoden unsichtbar bleiben.

Welche Business Fragen lassen sich beantworten?#

Die Kombination dieser Datenquellen öffnet Business Fragen, die mit klassischen Methoden kaum zugänglich sind:

Für Brand Manager#

• Markensichtbarkeit in GenAI: Wie oft wird meine Marke in KI-Dialogen erwähnt? Empfiehlt die KI meine Marke – oder die Konkurrenz?

• Marken-Sichtbarkeit entlang der Journey: Taucht meine Marke bereits im Relevant Set der Nutzenden auf, bevor sie die KI befragen? Und wie beeinflusst die KI-Antwort die weitere Recherche auf Websites und in Shops?

• Wettbewerbspositionierung: Welche Marken werden als Alternative genannt, wenn ein User nach meiner Marke fragt?

Für Media- und Kampagnenverantwortliche#

• Cross-Channel-Reichweite: Auf welchen Plattformen (Facebook, TikTok, YouTube) erreiche ich welche Zielgruppen und wie verhält sich das zur organischen Markenerwähnung in GenAI?

• Coupon-Effektivität: Welche Promotions werden aktiviert und führen sie zu tatsächlichen Käufen?

Für Marktforschende#

• Behavioral vs. Declared: Wie unterscheidet sich das beobachtete Verhalten (Ad-Kontakte, Webseitenbesuche, Käufe) von dem, was Menschen in Befragungen angeben?

• Longitudinale Muster: Wie verändern sich Markensichtbarkeit und Kaufverhalten über Wochen und Monate?

• GenAI als neuer Kanal: Wie ordnet sich KI-Nutzung in die bestehende Mediennutzung ein? Ergänzt oder ersetzt sie die Google-Suche?

Ein Blick in die Daten: Erste Kennzahlen#

Um einen Eindruck von der Datengrundlage zu vermitteln, zeigen wir einige ausgewählte Kennzahlen aus unserem Panel (März 2026):

Kennzahl	Wert
GenAI-Konversationen	11.654 Konversationen, 757 aktive Nutzende
GenAI-Apps	ChatGPT (48 %), Gemini (29 %), Google AI Mode (23 %)
Social-Media-Ads: Top-Advertiser	Amazon, TEMU, eBay, OTTO, Booking.com, Samsung
Webseiten-Besuche	628.000+ besuchte URLs
Digitale Coupons	287.000+ Coupons in Retail-Apps (Lidl Plus, Mein dm, EDEKA-App u. a.)
Kassenbondaten	153.000+ Artikelpositionen

Diese Zahlen stammen aus einem einzigen Monat mit 3.000 Probanden und zeigen bereits die Dichte des Datenmaterials. Durch die kontinuierliche Erfassung wachsen die Analyseoptionen mit jedem Monat – insbesondere für Langzeitbetrachtungen und Kampagnenmessungen.

Im Zeitalter der KI: Von komplexen Daten zu schnellen Insights#

Die Breite und Tiefe dieser Daten ist nur so wertvoll wie die Fähigkeit, sie auszuwerten. Hier profitieren wir von derselben Entwicklung, die wir beobachten: Dieselben KI-Modelle, die das Konsumentenverhalten verändern, revolutionieren auch die Analyse. Was Analystinnen und Analysten früher tagelang manuell auswerten mussten, erledigen moderne Sprachmodelle in Minuten. Sie klassifizieren Tausende GenAI-Konversationen nach Themen, Marken und Empfehlungstypen, verknüpfen Touchpoints entlang der Journey und identifizieren Zielgruppen-Cluster in den Verhaltensdaten. Das Ergebnis: Komplexe Datensätze wie In-App-Daten werden in kürzester Zeit zu aussagekräftigen Insights-Berichten, die Markenverantwortliche und Forschende direkt nutzen können.

Ausblick: Die Journey verstehen – nicht nur zählen#

Die Digitalisierung der Customer Journey schreitet voran. KI-Assistenten werden zum Beratungskanal, Social-Media-Ads zum Impulsgeber, digitale Coupons zum Kaufanreiz. Wer verstehen will, wie Konsumenten heute Entscheidungen treffen, braucht mehr als Befragungsdaten oder Cookie-basiertes Tracking.

Murmuras liefert diesen Blick: verhaltensbasiert, passiv erhoben, datenschutzkonform – und über die gesamte Journey hinweg verknüpfbar. Wir arbeiten kontinuierlich daran, die Datenabdeckung zu erweitern und die Analysetiefe zu erhöhen.

Mehr erfahren? Qais Kasem präsentiert im Rahmen der Woche der Marktforschung am 16. Juni 2026 (30 Min.) einen konkreten Case, der zeigt, wie die Verknüpfung von GenAI-, Web- und Kassendaten in der Praxis funktioniert.

Vortrag: Vom Prompt zum Kauf – Die digitale Customer Journey neu vermessen. 16. Juni 2026 | 30 Minuten | Woche der Marktforschung. Anmeldung und Details auf marktforschung.de.

Für individuelle Analysen, Marken-Insights oder eine Panelpartnerschaft kontaktieren Sie uns unter info@murmuras.com.

Über Murmuras#

Murmuras betreibt ein datenschutzkonformes Smartphone-Panel mit 3.000 Teilnehmenden in Deutschland, rekrutiert über qualitätsgeprüfte Panelanbieter (Bilendi, Horizoom, Trend Research). Das Unternehmen erfasst mit Einwilligung der Nutzenden reales digitales Verhalten – von Social-Media-Content über GenAI-Interaktionen bis hin zu Kassenbondaten. Die Kombination dieser Datenquellen ermöglicht eine ganzheitliche Messung der digitalen Customer Journey. murmuras.com