Lookalike Audiences erklärt: Der komplette Guide um deine besten Kunden auf Google und Meta zu finden

Was sind Lookalike Audiences?

Hast du dir jemals gewünscht, deine besten Kunden klonen zu können und tausende weitere Menschen zu finden, die genauso sind wie sie? Dann hast du Glück. Genau dafür sind Lookalike Audiences (oder Similar Audiences) gemacht. Sie gehören zu den mächtigsten Werkzeugen im digitalen Advertising, aber viele Marketer verstehen entweder nicht vollständig, wie sie funktionieren, oder nutzen ihr volles Potenzial nicht aus.

In diesem Guide lüften wir den Vorhang über Lookalike Audiences. Wir behandeln, was sie sind, wie du sie auf Google und Meta einrichtest, ihre Vorteile und Grenzen, und dann gehen wir richtig technisch ran und schauen uns an, was unter der Haube passiert. Am Ende wirst du nicht nur verstehen, wie man sie benutzt, sondern auch warum sie so funktionieren, wie sie funktionieren.

Was sind Lookalike Audiences?

Im Kern ist eine Lookalike Audience eine Gruppe von Menschen, die ähnliche Eigenschaften mit einer bestehenden Gruppe deiner Kunden oder engagierten Nutzer teilen. Stell es dir so vor, als würdest du die Werbeplattform bitten, deine besten Kunden zu studieren, herauszufinden was sie ausmacht, und dann andere Menschen in ihrem Netzwerk zu finden, die ähnlich aussehen und sich ähnlich verhalten.

Hier eine einfache Analogie: Stell dir vor, du betreibst ein Café und bemerkst, dass deine besten Kunden alle kreative Freiberufler zu sein scheinen, die von zu Hause arbeiten, in der Nähe des Ladens wohnen und tendenziell am Vormittag vorbeikommen. Du kannst nicht persönlich an jede Tür in deiner Gegend klopfen und nach ähnlichen Leuten suchen, aber mit Lookalike Audiences macht die Werbeplattform genau das in großem Maßstab. Sie analysiert Muster in deinen bestehenden Kundendaten und findet neue Menschen, die diesen Mustern entsprechen, selbst wenn sie noch nie von deinem Unternehmen gehört haben.

Das Konzept gibt es seit Facebook (jetzt Meta) es 2013 eingeführt hat, und es ist seitdem zum Industriestandard auf den meisten großen Werbeplattformen geworden, einschließlich Google, LinkedIn, Snapchat und TikTok.

Wofür sind Lookalike Audiences eigentlich gedacht?

Lookalike Audiences sind primär für Prospecting gedacht, also das Finden von neuen potenziellen Kunden, die noch nicht mit deinem Unternehmen interagiert haben, aber wahrscheinlich interessiert sind. Sie liegen in der Mitte zwischen zwei anderen gängigen Ansätzen:

Interest-based Targeting ist, wenn du manuell Demografien, Interessen und Verhaltensweisen auswählst, von denen du glaubst, dass dein idealer Kunde sie haben könnte. Das ist ein bisschen fundiertes Raten.

Retargeting konzentriert sich auf Menschen, die bereits deine Website besucht oder mit deiner Marke interagiert haben. Großartig für Conversions, aber begrenzt in der Reichweite.

Lookalike Audiences schließen diese Lücke. Sie helfen dir, kalte Zielgruppen zu erreichen (Menschen, die dich noch nicht kennen), aber mit einer viel höheren Wahrscheinlichkeit, interessiert zu sein, als bei zufälligem Targeting. Du rätst nicht, wie dein idealer Kunde aussieht; du verwendest echte Daten von echten Kunden, um das Targeting zu informieren.

Häufige Anwendungsfälle umfassen das Skalieren erfolgreicher Kampagnen, um mehr potenzielle Käufer zu erreichen, das Erschließen neuer geografischer Märkte mit bestehenden Kundendaten als Vorlage, das Launchen neuer Produkte für Zielgruppen, die ähnlich wie Käufer verwandter Produkte sind, und den Aufbau von Markenbekanntheit bei den richtigen Demografien, anstatt an alle zu senden.

Lookalike Audiences auf Meta einrichten (Facebook und Instagram)

Metas Lookalike Audiences gibt es am längsten und sie bleiben eine der ausgereiftesten Implementierungen. Hier erfährst du, wie du sie einrichtest und was du wissen musst.

Voraussetzungen

Bevor du eine Lookalike Audience auf Meta erstellen kannst, brauchst du eine Source Audience (auch Seed Audience genannt). Diese muss mindestens 100 Personen aus einem einzigen Land enthalten. Meta empfiehlt jedoch, zwischen 1.000 und 5.000 Personen in deiner Source für beste Ergebnisse zu haben. Je mehr Daten der Algorithmus zur Verfügung hat, desto besser kann er bedeutungsvolle Muster identifizieren.

Deine Source Audience kann aus verschiedenen Quellen stammen: eine Kundenliste, die du hochlädst (E-Mail-Adressen, Telefonnummern, Adressen), Website-Besucher, die über das Meta Pixel getrackt werden, App-Nutzer und ihre Aktivitäten, Menschen, die mit deinem Facebook- oder Instagram-Content interagiert haben, Video-Zuschauer, Lead-Formular-Einreichungen oder Menschen, die mit deinem Shopping-Katalog interagiert haben.

Du brauchst außerdem Admin- oder Advertiser-Berechtigungen für das Werbekonto und, wenn du Pixel-Daten verwendest, Admin-Zugang zu diesem Pixel.

Schritt-für-Schritt-Einrichtung

Melde dich zuerst im Meta Ads Manager an und gehe zum Bereich Audiences (du findest das unter Alle Tools oder innerhalb der Meta Business Suite). Klicke auf Audience erstellen und wähle Lookalike Audience aus dem Dropdown.

Wähle als Nächstes deine Source. Das ist die wichtigste Entscheidung, die du treffen wirst. Meta bevorzugt wertbasierte Sources (bei denen du Kaufwerte über das Pixel übergeben hast), aber du kannst auch Custom Audiences verwenden. Wenn du eine wertbasierte Source verwendest, wähle dein Pixel und das relevante Event (Purchases funktionieren am besten).

Wähle dann die Länder oder Regionen aus, in denen du ähnliche Menschen finden möchtest. Interessanterweise brauchst du niemanden aus diesen Standorten in deiner Source Audience; Meta findet ähnliche Muster unabhängig davon.

Wähle schließlich deine Audience-Größe mit einer Prozentskala von 1% bis 10%. Dieser Prozentsatz repräsentiert den Anteil der Gesamtbevölkerung an deinem ausgewählten Standort. Eine 1% Lookalike in den USA repräsentiert ungefähr 2 Millionen Menschen. Kleinere Prozentsätze (1-2%) bedeuten höhere Ähnlichkeit zu deiner Source, aber kleinere Reichweite. Größere Prozentsätze (5-10%) geben dir mehr Reichweite, aber weniger Präzision.

Du kannst mehrere Lookalike Audiences auf verschiedenen Prozentstufen gleichzeitig erstellen, was praktisch zum Testen ist. Nach der Erstellung kann es zwischen sechs und 24 Stunden dauern, bis deine Lookalike Audience fertig ist.

Lookalike Audiences auf Google einrichten

Googles Ansatz für Lookalike Audiences hat sich erheblich weiterentwickelt. Das ursprüngliche Feature, genannt Similar Audiences (oder Similar Segments), wurde im August 2023 eingestellt. An seiner Stelle bietet Google jetzt Lookalike Segments an, aber mit einigen wichtigen Unterschieden zum alten System und zu Metas Implementierung.

Voraussetzungen

Lookalike Segments auf Google sind ausschließlich für Demand Gen Kampagnen verfügbar. Wenn du versuchst, sie in anderen Kampagnentypen wie Search oder Display zu verwenden, werden sie als "Eligible - Limited" angezeigt und sind nicht effektiv.

Du brauchst eine Seed-Liste mit mindestens 100 aktiven gematchten Personen (Googles Dokumentation erwähnt manchmal 1.000 als ideal). Das kann aus Customer Match Listen (hochgeladene Kundendaten), Remarketing-Listen von deiner Website oder App, YouTube-Kanal-Interaktionen oder deinen bestehenden Datensegmenten stammen.

Anders als die alten Similar Segments, die automatisch generiert wurden, musst du Lookalike Segments selbst manuell erstellen.

Schritt-für-Schritt-Einrichtung

Erstelle oder öffne eine Demand Gen Kampagne. Bearbeite innerhalb deiner Anzeigengruppe dein Audience Targeting und suche nach der Option "+ Neues Segment" unter dem Lookalike Segment-Bereich des Audience Builders.

Gib deinem Lookalike Segment einen beschreibenden Namen, der Details über die Seed-Liste, Standorte und Reichweitenlevel enthält. Das macht es später viel einfacher, mehrere Segmente zu verwalten.

Wähle deine Seed-Liste. Ziele auf hochwertige, engagierte Nutzer wie Käufer, aktive App-Nutzer oder YouTube-Abonnenten, anstatt auf breite Website-Besucher.

Wähle deinen Zielstandort. Anders als bei Meta verlangt Google, dass du Länder spezifizierst, und du kannst mehrere Länder im selben Segment einschließen.

Wähle dein Reichweitenlevel. Google bietet drei Optionen: Narrow (ungefähr 2,5% der Nutzer an deinem Zielstandort, höchste Ähnlichkeit), Balanced (ungefähr 5% der Nutzer, die Standardoption) und Broad (ungefähr 10% der Nutzer, größte Reichweite, aber weniger ähnlich).

Speichere dein Segment. Google empfiehlt, dein Lookalike Segment zwei bis drei Tage vor dem Start deiner Kampagne zu erstellen, da es Zeit braucht, um sich zu füllen. Das Segment wird dann automatisch alle ein bis zwei Tage basierend auf aktualisierten Kundendaten aktualisiert.

Ein wichtiger Tipp: Wenn du Lookalike Segments verwendest, schalte optimiertes Targeting in den Anzeigengruppen-Einstellungen aus. Das stellt sicher, dass deine Anzeigen nur Nutzer in deinem Lookalike Segment targeten, anstatt Google zu erlauben, darüber hinaus zu expandieren.

Die Vorteile von Lookalike Audiences

Es gibt mehrere überzeugende Gründe, warum Lookalike Audiences zu einem Grundpfeiler digitaler Werbestrategien geworden sind.

Besserer ROI bei kaltem Traffic: Wenn du Menschen targetest, die Eigenschaften mit deinen bestehenden Kunden teilen, sind die Conversion-Raten bei kalten Zielgruppen tendenziell deutlich höher. Einige Studien haben gezeigt, dass 1% Lookalikes etwa 26% niedrigere Cost-per-Acquisition liefern im Vergleich zu Interest-based Targeting, wenn Creative und Budget konstant gehalten werden.

Kein Raten mehr: Anstatt manuell Interessenkategorien auszuwählen und zu hoffen, dass sie mit Kaufabsicht korrelieren, verwendest du echte Kundenverhaltens-Daten. Der Algorithmus findet Muster, die du selbst vielleicht nie identifiziert hättest.

Skalierbarkeit: Sobald du gefunden hast, was mit einer engen Lookalike funktioniert, kannst du progressiv auf größere Prozentsätze expandieren. Das gibt dir einen klaren Weg zum Skalieren von Kampagnen bei gleichbleibender Relevanz.

Automatische Updates: Sowohl Google als auch Meta aktualisieren Lookalike Audiences automatisch basierend auf deinen neuesten Kundendaten, was bedeutet, dass dein Targeting aktuell bleibt ohne manuelles Eingreifen.

Funktioniert produktübergreifend: Du kannst verschiedene Lookalike Audiences aus verschiedenen Kundensegmenten erstellen. Käufer von Produkt A könnten anders aussehen als Käufer von Produkt B, und du kannst die Lookalikes jeder Gruppe entsprechend targeten.

Flexibilität bei Ähnlichkeit vs. Reichweite: Die Prozentkontrollen geben dir die Möglichkeit, Präzision gegen Skalierung abzuwägen, abhängig von deinen Kampagnenzielen und deinem Budget.

Die Grenzen, die du kennen musst

Lookalike Audiences sind nicht perfekt, und ihre Grenzen zu verstehen ist entscheidend, um sie effektiv zu nutzen.

Qualität rein, Qualität raus: Deine Lookalike Audience ist nur so gut wie deine Source Audience. Wenn deine Seed-Liste eine zufällige Mischung aus Kunden enthält, die nichts Bedeutungsvolles gemeinsam haben, wird der Algorithmus Schwierigkeiten haben, kohärente Muster zu finden. Ein fokussierter Seed von 1.000 hochengagierten Nutzern produziert typischerweise bessere Ergebnisse als eine breite Liste von 50.000 gemischten Kontakten.

Datenschutzbeschränkungen haben die Effektivität reduziert: Das ist der Elefant im Raum. Apples App Tracking Transparency (ATT), eingeführt mit iOS 14.5, hat die Qualität von Lookalike Audiences auf Meta erheblich beeinträchtigt. Mit etwa 90% der iOS-Nutzer, die das Tracking ablehnen, gibt es einfach weniger Verhaltensdaten, um genaue Modelle zu erstellen. Die Zeiten hyperpräziser Lookalikes basierend auf umfangreichem Cross-App-Tracking sind für iOS-Nutzer größtenteils vorbei.

Plattform-Limitierungen: Googles Lookalike Segments funktionieren nur in Demand Gen Kampagnen. Metas Lookalikes funktionieren über ihre Anzeigenformate hinweg, sind aber auf ihre Plattformen beschränkt. Du kannst eine Lookalike Audience nicht exportieren, um sie anderswo zu nutzen.

Black-Box-Algorithmen: Du kannst die Größe deiner Lookalike Audience und einige grundlegende Demografien sehen, aber du kannst nicht genau sehen, welche Kriterien der Algorithmus verwendet hat. Das macht die Fehlersuche bei schlechter Performance schwierig.

Audience Fatigue: Die Performance sinkt typischerweise im Laufe der Zeit, wenn du kontinuierlich dieselbe Lookalike Audience targetest. Du musst Source Audiences regelmäßig mit neuen Kundendaten aktualisieren und zwischen verschiedenen Lookalike-Basen rotieren.

Mindestgrößen-Anforderungen: Wenn dein Unternehmen neu ist oder in einem Nischenmarkt operiert, könntest du Schwierigkeiten haben, die minimale Seed-Größe zu erreichen (100 Personen, wobei 1.000+ empfohlen wird). Ohne genug Daten können die Algorithmen keine bedeutungsvollen Muster identifizieren.

Potenzial für Bias: Wenn deine aktuelle Kundenbasis in irgendeiner Weise verzerrt ist (vielleicht aufgrund deines historischen Marketing-Targetings), wird deine Lookalike diese Verzerrung fortsetzen, anstatt dir zu helfen, wirklich neue Demografien zu erreichen.

Unter der Haube: Wie Lookalike Modelling wirklich funktioniert

Jetzt lass uns in die technischen Details eintauchen. Zu verstehen, was hinter den Kulissen passiert, hilft sowohl die Macht als auch die Grenzen von Lookalike Audiences zu erklären.

Der grundlegende Prozess

Lookalike Modelling ist im Grunde eine Machine-Learning-Technik, die in mehreren Phasen arbeitet.

Phase 1: Datensammlung und Anreicherung. Wenn du eine Seed Audience hochlädst oder eine aus Pixel-Daten erstellst, reichert die Plattform diese mit ihren eigenen First-Party-Daten an. Meta zum Beispiel verwendet über 200 Faktoren, um Nutzerverhalten zu verstehen. Das umfasst demografische Informationen (Alter, Geschlecht, Standort, Bildung, Jobtitel), Verhaltenssignale (Kaufhistorie, Browsing-Muster, App-Nutzung, Gerätetypen), Interessenindikatoren (gelikte Seiten, beigetretene Gruppen, Content mit dem interagiert wurde) und Netzwerkinformationen (mit wem Nutzer verbunden sind, Community-Überschneidungen).

Phase 2: Feature Engineering. Der Algorithmus identifiziert, welche Eigenschaften am prädiktivsten dafür sind, zu deiner Seed Audience zu gehören. Hier passiert die Magie. Anstatt alle Datenpunkte gleich zu behandeln, lernt das Modell, welche Kombinationen von Features deine Audience am besten definieren. Zum Beispiel könnte es entdecken, dass deine Kunden nicht nur "Frauen im Alter von 25-34" sind, sondern spezifischer "Frauen im Alter von 25-34, die mit Fitness-Content interagiert haben, Apple-Geräte besitzen und zuvor bei Abo-basierten Services gekauft haben."

Phase 3: Ähnlichkeits-Scoring. Sobald das Modell versteht, was deine Seed Audience auszeichnet, bewertet es die breitere Bevölkerung danach, wie nah jeder Nutzer diesem Profil entspricht. Das verwendet typischerweise Distanzfunktionen oder statistische Modelle, um einen Ähnlichkeitsscore für jeden Nutzer in der Zielgeografie zu berechnen. Nutzer werden von am ähnlichsten bis am wenigsten ähnlich gerankt.

Phase 4: Audience-Generierung. Wenn du einen Prozentsatz auswählst (sagen wir 1%), nimmt die Plattform die Top 1% der bewerteten Nutzer und erstellt deine Lookalike Audience. Eine 5% Lookalike umfasst einen größeren Pool, enthält aber notwendigerweise Nutzer mit niedrigeren Ähnlichkeitswerten.

Die Machine-Learning-Algorithmen

Während die genauen Algorithmen, die von Google und Meta verwendet werden, proprietär sind, verwendet Lookalike Modelling typischerweise mehrere Machine-Learning-Techniken.

Logistische Regression ist ein grundlegender Ansatz, der die Wahrscheinlichkeit vorhersagt, dass ein Nutzer zur Seed-Gruppe gehört, basierend auf gewichteten Feature-Kombinationen. Sie ist recheneffizient und interpretierbar.

Random Forests kombinieren mehrere Entscheidungsbäume, um die prädiktive Genauigkeit zu verbessern. Sie sind besonders gut im Umgang mit großen Datensätzen mit vielen Features und können komplexe, nicht-lineare Beziehungen zwischen Variablen erfassen.

Neuronale Netze werden zunehmend für anspruchsvollere Modellierung verwendet. Sie können Muster über Hunderte von Variablen gleichzeitig identifizieren und hierarchische Repräsentationen von Nutzerverhalten lernen.

K-Nearest Neighbours (KNN) ist ein weiterer gängiger Ansatz, der Nähe verwendet, um Vorhersagen zu machen. Er identifiziert die 'k' Nutzer aus der allgemeinen Bevölkerung, die den Mitgliedern deiner Seed Audience am nächsten (am ähnlichsten) sind.

Support Vector Machines (SVMs) funktionieren, indem sie die Grenze finden, die deine Seed Audience am besten von der allgemeinen Bevölkerung trennt. Nutzer nahe deiner Seite der Grenze werden zu deiner Lookalike Audience.

Ein kritischer technischer Punkt: Die meisten Lookalike-Modelle werden mit sogenanntem PU Learning (Positive-Unlabelled Learning) trainiert. Das bedeutet, das Modell hat nur bestätigte positive Beispiele (deine Seed Audience), aber keine bestätigten negativen Beispiele (Menschen, von denen du weißt, dass sie definitiv nicht ähnlich sind). Das unterscheidet sich von traditioneller Klassifikation, wo du sowohl positive als auch negative Trainingsdaten hast.

Dieser PU-Learning-Ansatz macht Lookalike-Modelle einfach zu verwenden (du brauchst nur deine Kundenliste), führt aber auch potenziellen Bias ein. Wenn deine Seed Audience eine Eigenschaft teilt, die irrelevant für die tatsächliche Kaufabsicht ist (vielleicht haben sie sich alle während einer bestimmten Werbeaktion angemeldet), könnte das Modell sich auf diese Eigenschaft stürzen und eine Lookalike basierend darauf erstellen, obwohl sie zukünftige Conversions nicht gut vorhersagen wird.

Wie Metas Algorithmus speziell funktioniert

Metas System analysiert deine Source Audience und extrahiert Daten über Demografien, Aktivitäten, Verhaltensweisen und Interessen. Es versucht dann, eine ähnliche Audience zu generieren, indem es Nutzer auf Facebook und Instagram findet, die übereinstimmende Muster zeigen.

Wichtig ist, dass während deine Lookalike Audience nach der Erstellung fixiert bleibt, Metas Ad-Delivery-System innerhalb dieser Audience weiterlernt. Wenn Menschen mit deinen Anzeigen interagieren, priorisiert der Algorithmus diejenigen, die wahrscheinlicher konvertieren, und verfeinert die Performance, ohne die Audience-Definition selbst zu ändern. Deshalb sind Creative-Qualität und Angebotsstärke immer noch enorm wichtig, selbst bei großartigem Targeting.

Für wertbasierte Lookalikes berücksichtigt Meta auch Kaufbeträge, was es ermöglicht, Nutzer zu priorisieren, die deinen wertvollsten Kunden ähnlich sind, nicht nur irgendeinem Kunden.

Wie Googles Algorithmus sich unterscheidet

Googles Ansatz hat sich seit der Einstellung von Similar Audiences erheblich verschoben. Die neuen Lookalike Segments konzentrieren sich stark auf First-Party-Daten aus Kanälen, die du kontrollierst (Website-Traffic, CRM-Daten, YouTube-Engagement), anstatt sich auf Third-Party-Daten zu verlassen.

Google analysiert deine Seed-Liste und identifiziert gemeinsame Eigenschaften, dann findet es Nutzer, die diese Eigenschaften teilen. Die drei Reichweitenlevel (Narrow, Balanced, Broad) entsprechen verschiedenen Ähnlichkeitsschwellen und targeten 2,5%, 5% oder 10% der Nutzer an deinem ausgewählten Standort, die deiner Seed am ähnlichsten sind.

Weil Googles System jetzt speziell an Demand Gen Kampagnen gebunden ist, kann es über YouTube, Discover und Gmail-Platzierungen optimieren, während das Lookalike-Targeting beibehalten wird.

Die Privacy-Revolution: Warum Lookalikes nicht mehr das sind, was sie mal waren

Die Effektivität von Lookalike Audiences wurde durch Privacy-Änderungen grundlegend verändert, und das zu verstehen ist entscheidend für moderne Werbetreibende.

Apples App Tracking Transparency, eingeführt mit iOS 14.5, verlangt von Apps, um Erlaubnis zu fragen, bevor sie Nutzer über die Apps und Websites anderer Unternehmen hinweg tracken. Die Opt-out-Rate war verheerend für Werbetreibende, mit etwa 88% der iOS-Nutzer weltweit, die sich entscheiden, Tracking nicht zu erlauben (96% in den USA).

Für Lookalike Audiences bedeutet das, dass Meta deutlich weniger Cross-App-Verhaltensdaten für iOS-Nutzer hat. Die Fähigkeit, hochgranulare Custom Audiences und Lookalikes basierend auf detailliertem Nutzerverhalten über Apps und Websites hinweg zu erstellen, ist für dieses große Nutzersegment erheblich weniger effektiv geworden.

Ähnlich reduziert das Auslaufen von Third-Party-Cookies (bereits in Safari und Firefox verschwunden, Chrome folgt) die verfügbaren Verhaltenssignale für webbasiertes Tracking.

Die praktische Auswirkung: Werbetreibende brauchen jetzt viel größere Audience-Größen als zuvor. Während eine Audience von 50.000 bis 200.000 Nutzern einst ausreichend für effektive Facebook-Kampagnen war, solltest du jetzt mindestens 500.000 Nutzer anstreben, um dem Algorithmus genug Daten zum Arbeiten zu geben. Kampagnen mit kleineren Audiences riskieren, endlos in der Lernphase stecken zu bleiben.

Anpassung an die neue Realität

Mehrere Strategien können helfen, die Lookalike-Effektivität in dieser Privacy-First-Welt aufrechtzuerhalten.

Priorisiere First-Party-Daten: Sammle Kundendaten direkt über deine Website, E-Mail-Anmeldungen und Treueprogramme. Diese Daten sind von Tracking-Beschränkungen nicht betroffen und erstellen hochgezielte Lookalikes, ohne sich auf Third-Party-Tracker zu verlassen.

Nutze Metas Conversions API (CAPI): Das sendet Conversion-Daten direkt von deinem Server zu Meta und umgeht Browser-Level-Beschränkungen. Es bietet robusteres Daten-Matching durch Einbeziehung von gehashten E-Mail-Adressen, Telefonnummern und anderen Identifiern neben Conversion-Events.

Nutze plattformeigenes Engagement: Custom Audiences, die aus Metas eigenen Quellen erstellt werden (Video-Zuschauer, Lead-Formulare, Instagram-Engagement, Facebook-Page-Interaktionen), sind von ATT-Beschränkungen nicht betroffen. Diese sind hervorragende Seeds für Lookalikes.

Teste breiteres Targeting: Metas Advantage+ Kampagnen und Googles optimiertes Targeting nutzen zunehmend Machine Learning, um Konvertierer ohne traditionelle Audience-Definitionen zu finden. Einige Werbetreibende stellen fest, dass diese genauso gut oder besser performen als traditionelle Lookalikes.

Praxisbeispiel: Wie wir präzise Lookalikes für einen Automotive-Marktplatz aufgebaut haben

Theorie ist gut und schön, aber schauen wir uns an, wie das in der Praxis aussieht. Wir haben kürzlich an einem Projekt für Auto-Prammer.at gearbeitet, einem österreichischen Automotive-Marktplatz, wo wir ziemlich clever mit eventbasiertem Audience-Building und Lookalike-Targeting wurden. Die Ergebnisse waren beeindruckend, und der Ansatz zeigt, wie granular du werden kannst, wenn du kreativ mit deinen Daten umgehst.

Die Herausforderung

Autokäufer sind keine homogene Gruppe. Jemand, der nach einem Audi A3 sucht, ist ein komplett anderer Interessent als jemand, der sich einen BMW X5 oder einen Volkswagen Transporter ansieht. Sie haben unterschiedliche Budgets, unterschiedliche Prioritäten und reagieren auf unterschiedliche Botschaften. Die Herausforderung war, über generisches "Autokäufer"-Targeting hinauszugehen und hyperspezifische Audiences basierend auf tatsächlichem Browsing-Verhalten zu erstellen, um dann diese zu nutzen, um ähnliche Interessenten in großem Maßstab zu finden.

Der clevere Teil: Eventbasierte Audience-Architektur

Anstatt einfach nur Seitenaufrufe zu tracken, haben wir ein ausgeklügeltes Event-Tracking-System aufgebaut, das bedeutungsvolle Intent-Signale erfasst. Hier wird es interessant.

Markenspezifisches Browsing: Wir haben Custom Events erstellt, die feuerten, wenn Nutzer Fahrzeuge von bestimmten Herstellern ansahen. Jemand, der sich drei verschiedene Audi-Inserate ansah, wurde als "Audi Interested"-Nutzer getaggt. Genauso für BMW, Mercedes, Volkswagen und jede andere Marke auf der Plattform.

Scroll-Tiefe als Intent-Signal: Hier wurden wir richtig clever. Ein Seitenaufruf sagt dir nicht viel, aber die Scroll-Tiefe sagt dir alles. Wir trackten, wie weit Nutzer auf einzelnen Fahrzeug-Inseraten scrollten. Jemand, der auf einer Audi A3-Seite landet und sofort abspringt, ist sehr anders als jemand, der durch alle Fotos scrollt, die komplette Spezifikationsliste liest und Zeit im Finanzierungsbereich verbringt. Wir setzten Schwellenwerte: Nutzer, die über 75% eines Inserats scrollten, wurden als "High Intent" für diesen spezifischen Fahrzeugtyp markiert.

Modell-Level-Granularität: Wir hörten nicht auf der Markenebene auf. Das System trackte Interesse auch auf Modellebene. Nutzer, die tiefes Engagement mit Audi A3-Inseraten zeigten, wurden Teil einer "Audi A3 High Intent"-Audience, getrennt von "Audi Q5 High Intent" oder "Audi A6 High Intent". Das gab uns unglaublich spezifische Segmente.

Preisklassen-Segmentierung: Wir haben auch Preissensitivität eingebaut. Nutzer, die konsistent Fahrzeuge im Bereich von €15.000 bis €25.000 ansahen, wurden anders kategorisiert als solche, die sich €50.000+ Inserate ansahen. Das verhinderte, dass wir Premium-Fahrzeug-Anzeigen budgetbewussten Käufern zeigten und umgekehrt.

In die Tat umsetzen: Retargeting trifft Prospecting

Mit diesen granularen Audiences aufgebaut, konnten wir zwei mächtige Dinge gleichzeitig tun.

Präzisions-Retargeting: Wenn jemand High Intent auf Audi A3-Inseraten zeigte (mehrere Aufrufe, tiefe Scroll-Tiefe, Zeit auf der Seite), konnten wir sie spezifisch mit Audi A3-Inventar-Anzeigen retargeten. Keine generischen "Schau dir unsere Autos an"-Botschaften, sondern "Neue Audi A3-Inserate passend zu deiner Suche" mit Creative, das genau dieses Modell zeigte. Die Relevanz war sofort erkennbar, und die Klickraten spiegelten das wider.

Lookalike-Prospecting nach Fahrzeugtyp: Hier passierte die echte Magie. Wir nahmen unsere "Audi A3 High Intent"-Audience und erstellten eine 1% Lookalike daraus. Denk darüber nach, was das bedeutet: Wir fanden nicht nur Menschen, die ähnlich wie "Autokäufer" waren. Wir fanden Menschen, die Eigenschaften mit Nutzern teilten, die spezifisches, tiefes Interesse an Audi A3-Fahrzeugen gezeigt hatten. Diesen Lookalikes wurden Audi A3-fokussierte Anzeigen gezeigt, wodurch wir kalte Interessenten erreichten, die die Seite nie besucht hatten, aber dem Profil engagierter Audi A3-Käufer entsprachen.

Wir wiederholten dieses Muster über die beliebtesten Fahrzeugtypen auf der Plattform. BMW 3er Lookalikes bekamen BMW 3er Anzeigen. Mercedes C-Klasse Lookalikes bekamen Mercedes C-Klasse Anzeigen. Die Botschaft passte zum Intent-Signal, das die ursprüngliche Seed Audience qualifiziert hatte.

Warum dieser Ansatz so gut funktioniert

Die Schönheit dieses Setups kommt auf Seed-Audience-Qualität und -Konsistenz zurück, was, wie wir im technischen Abschnitt besprochen haben, alles für Lookalike-Performance ist.

Durch die Verwendung von Scroll-Tiefe und Engagement-Zeit anstelle von einfachen Seitenaufrufen stellten wir sicher, dass unsere Seed Audiences wirklich interessierte Nutzer enthielten, keine versehentlichen Klicks oder abgesprungene Besucher. Der Algorithmus hatte saubere, hochwertige Signale zum Arbeiten.

Durch Segmentierung auf Marken- und Modellebene hielten wir jede Seed Audience intern konsistent. Jeder in der "Audi A3 High Intent"-Audience hatte die gleiche Art von Verhalten auf der gleichen Art von Content gezeigt. Es gab keine Signal-Verwässerung durch Mischen von SUV-Käufern mit Schrägheck-Käufern oder Luxus-Käufern mit Budget-Jägern.

Und indem wir das Creative zur Lookalike-Source matchten, behielten wir Relevanz durch den gesamten Prozess bei. Die Interessenten in unserer Audi A3 Lookalike sahen Audi A3 Anzeigen, weil das war, wofür Menschen wie sie Interesse gezeigt hatten. Der gesamte Funnel war kohärent.

Die Ergebnisse

Der granulare Ansatz übertraf generisches Automotive-Targeting deutlich. Die Cost per Lead sank, weil wir keine Impressions an schlecht passende Interessenten verschwendeten. Die Conversion-Raten verbesserten sich, weil die Reise von der Anzeige zum Inserat nahtlos und relevant wirkte. Und wir konnten jede Fahrzeugkategorie unabhängig skalieren, mehr Budget hinter Lookalikes stecken, die gut performten, und solche pausieren, die es nicht taten.

Vielleicht am wertvollsten: Wir haben ein System gebaut, das sich kontinuierlich selbst verbessert. Je mehr Nutzer mit der Seite interagieren, desto mehr wachsen und aktualisieren sich die Seed Audiences. Neue High-Intent-Nutzer fließen in die Lookalike-Modelle und halten sie aktuell. Es ist ein Schwungrad-Effekt: Besseres Targeting bringt besseren Traffic, was bessere Seed Audiences schafft, was bessere Lookalikes ermöglicht.

Wichtige Erkenntnisse für deine eigene Implementierung

Wenn du einen E-Commerce-Betrieb mit diversen Produktkategorien führst, lässt sich dieser Ansatz direkt übertragen. Denke darüber nach, welche Verhaltenssignale echtes Interesse in deinem Kontext anzeigen. Seitenaufrufe sind Standard; Scroll-Tiefe, Zeit auf der Seite, Konfigurator-Interaktionen, Größenauswahl-Nutzung, Farbfeld-Klicks, Zur-Wunschliste-Hinzufügen-Aktionen: Das sind die Intent-Signale, die Browser von Käufern trennen.

Baue deine Audience-Architektur um Produktkategorien herum auf, die bedeutungsvoll unterschiedliche Kundenprofile haben. Mische sie nicht. Erstelle separate Seeds und separate Lookalikes für jede und matche dein Creative entsprechend.

Die Extra-Setup-Arbeit zahlt sich aus. Generische Lookalikes von "allen Website-Besuchern" werden immer schlechter performen als handgefertigte Lookalikes von "High-Intent-Besuchern spezifischer Produktkategorien." Der Algorithmus ist nur so schlau wie die Daten, die du ihm fütterst, und durchdachte Event-Architektur gibt ihm viel bessere Daten zum Arbeiten.

Best Practices für maximale Ergebnisse

Basierend darauf, wie Lookalike-Algorithmen funktionieren, hier praktische Tipps für die besten Ergebnisse.

Starte mit deinen besten Kunden, nicht allen Kunden: Eine Seed-Liste deiner Top 20% der Kunden nach Lifetime Value wird bessere Lookalikes produzieren als deine gesamte Kundendatenbank. Der Algorithmus braucht klare Muster zum Identifizieren, und das Mischen von High-Value- und Low-Value-Kunden verwässert diese Muster.

Halte Seed Audiences konsistent: Wenn du ein E-Commerce-Business mit mehreren Produktkategorien bist, erstelle separate Lookalikes für jede Kategorie, anstatt alle Käufer zusammenzumischen. Jemand, der Gartenartikel kauft, sieht sehr anders aus als jemand, der Elektronik kauft, und sie zu mischen produziert eine verwirrte Lookalike.

Teste Prozentstufen: Geh nicht davon aus, dass 1% immer am besten ist. Manchmal performen 5% oder sogar 10% Lookalikes besser als engere, besonders wenn deine Seed Audience klein ist oder dein Produkt breite Anziehungskraft hat. A/B-teste immer verschiedene Level.

Aktualisiere regelmäßig: Update deine Source Audiences monatlich mit neuen Kundendaten. Erstelle neue Lookalikes basierend auf kürzlichen Conversions. Rotiere zwischen verschiedenen Lookalike-Basen, um Audience Fatigue zu bekämpfen.

Layer durchdacht: Du kannst Lookalike Audiences mit zusätzlichem Targeting wie Altersgruppen oder geografischen Einschränkungen kombinieren. Das ist nützlich, wenn du weißt, dass dein Produkt wirklich nicht zu bestimmten Demografien passt, aber sei vorsichtig, nicht zu stark einzuschränken und deine Audience auf eine unbrauchbare Größe zu reduzieren.

Schließe bestehende Kunden aus: Wenn du Prospecting-Kampagnen mit Lookalikes fährst, schließe deine bestehende Kundenliste und kürzliche Website-Besucher aus. Du willst nicht dafür bezahlen, Menschen zu erreichen, die dich bereits kennen.

Gib Kampagnen Zeit zum Lernen: Beurteile Performance nicht nach 24 Stunden. Die Algorithmen brauchen Zeit (typischerweise 3-7 Tage), um zu lernen, welche Nutzer innerhalb deiner Lookalike am wahrscheinlichsten konvertieren. Frühe Ergebnisse sind oft irreführend.

Die Zukunft von Lookalike Audiences

Die Werbebranche passt sich an eine Privacy-First-Welt an, und Lookalike Audiences entwickeln sich damit weiter.

Metas Andromeda-Update repräsentiert eine Verschiebung darin, wie ihr Werbesystem funktioniert. Der Schwerpunkt hat sich von präzisem Audience-Targeting zu Creative-Diversifizierung als primärem Hebel zum Finden relevanter Audiences verschoben. Der Algorithmus belohnt jetzt Vielfalt im Ad Creative und bestraft enges Targeting und kleine Anzeigenvariationen.

Googles Ersetzung von Similar Audiences durch Lookalike Segments (begrenzt auf Demand Gen Kampagnen) und die zunehmende Abhängigkeit von Features wie Optimised Targeting signalisiert eine ähnliche Richtung. Die Plattformen sind zunehmend zuversichtlich, dass ihr Machine Learning Konvertierer ohne explizite Audience-Definitionen finden kann, solange sie ausreichend First-Party-Daten und Creative-Signale zum Arbeiten haben.

Für Werbetreibende ist die Botschaft klar: Lookalike Audiences bleiben wertvoll, aber sie sind ein Werkzeug unter vielen, nicht mehr die Silberkugel, die sie einmal waren. Erfolg hängt zunehmend von der Qualität deiner First-Party-Daten, der Stärke deiner Creatives und deiner Bereitschaft ab, Algorithmen innerhalb breiterer Parameter optimieren zu lassen.

Zusammenfassung

Lookalike Audiences bleiben eine der effektivsten Methoden, neue Kunden zu finden, die wahrscheinlich an deinem Business interessiert sind. Indem sie Muster in deinen bestehenden Kundendaten analysieren und ähnliche Nutzer in großem Maßstab finden, schließen sie die Lücke zwischen zufälligem Targeting und der begrenzten Reichweite von Retargeting.

Die wichtigsten Punkte zum Merken: Deine Seed-Audience-Qualität bestimmt deine Lookalike-Qualität; starte mit engagierten, wertvollen Kunden; teste verschiedene Prozentstufen; und aktualisiere deine Audiences regelmäßig, um Fatigue zu bekämpfen.

Die Privacy-Landschaft hat das Spiel verändert. iOS 14.5 und der Tod von Third-Party-Cookies haben die verfügbaren Verhaltensdaten für den Aufbau präziser Lookalikes reduziert. Passe dich an, indem du First-Party-Datensammlung priorisierst, serverseitiges Tracking wie Conversions API verwendest und plattformeigene Engagement-Quellen nutzt.

Das Machine Learning hinter Lookalike Modelling zu verstehen hilft, sowohl ihre Macht als auch ihre Grenzen zu erklären. Diese Algorithmen finden Muster, die du manuell nie identifizieren würdest, aber sie können sich auch an irrelevante Eigenschaften klammern, wenn deine Seed-Daten nicht sorgfältig kuratiert sind.

Ob du Googles Lookalike Segments in Demand Gen Kampagnen verwendest oder Metas Lookalike Audiences über Facebook und Instagram: Das grundlegende Prinzip ist dasselbe: Gib dem Algorithmus hochwertige Daten über deine besten Kunden, und er wird mehr Menschen wie sie finden. In einer zunehmend automatisierten Werbelandschaft ist diese Datenqualität dein Wettbewerbsvorteil.