Lookalike Audiences erklärt: mehr von deinen besten Kunden finden, bei Google und Meta

Eine Lookalike Audience ist ein Modell deiner besten Kunden

Eine Lookalike Audience ist eine Gruppe von Menschen, von denen die Werbeplattform glaubt, dass sie einer Gruppe ähneln, die du schon hast. Du gibst ihr deine besten Kunden, sie untersucht, was diese gemeinsam haben, quer durch alles, was sie über ihre eigenen Nutzer weiß, und sie findet mehr Menschen mit denselben Merkmalen. Die Menschen, die sie findet, haben meist noch nie von dir gehört.

Facebook hat Lookalike Audiences im März 2013 angekündigt, als Ergänzung zu Custom Audiences, seinem Werkzeug zum Hochladen eigener Kundendaten.¹ Google, LinkedIn, TikTok und andere haben seitdem eigene Varianten gebaut. Die Idee hat ein Jahrzehnt voller Änderungen beim Datenschutz überlebt, aber die Einstellungen haben sich stark verändert, und einiges, was die frühere Fassung dieses Artikels gesagt hat, stimmt nicht mehr. Ich sage es in jedem Abschnitt dazu.

Durch den ganzen Text begleitet uns ein erfundenes Unternehmen. Isarlicht ist ein Onlineshop für Kerzen in München, geführt von Maren, zu finden unter isarlicht.example. Er hat 9.000 Kunden, 1.200 davon haben mehr als einmal bestellt, und er gibt rund 3.000 € im Monat für Anzeigen aus. Niemand davon ist echt, und jede Zahl in den Beispielen ist ausgedacht, damit jeder Schritt sichtbar wird.

Rechenbeispiel: was du klonen lässt

Maren könnte der Plattform alle 9.000 Kunden geben. Sie könnte ihr auch die 1.200 Wiederkäufer geben. Die erste Liste ist größer. Die zweite beschreibt die Kunden, von denen sie wirklich mehr will: Menschen, die wiederkamen, ohne dass man ihnen hinterherlaufen musste. Eine Lookalike kopiert jedes Muster, das im Seed steckt, also stellt die zweite Liste die richtige Frage. Der Rest dieses Artikels arbeitet mit diesen 1.200.

Lookalikes liegen zwischen Interessen Targeting und Retargeting

Es gibt drei gängige Wege, auszuwählen, wer eine Anzeige sieht, und Lookalikes füllen die Lücke zwischen den beiden anderen.

Beim Interessen Targeting wählst du Demografie, Interessen und Verhaltensweisen, die du deinem Kunden zuschreibst. Das ist begründetes Raten, und geraten hast du.

Retargeting zeigt Anzeigen Menschen, die deine Website schon besucht oder mit deiner Marke interagiert haben. Es konvertiert gut, aber der Topf ist nur so groß wie dein Traffic.

Eine Lookalike erreicht kalte Kontakte, wie das Interessen Targeting, aber die Beschreibung, nach wem gesucht wird, stammt von echten Kunden statt aus deiner Vermutung. Das macht sie zu einem Werkzeug für die Neukundengewinnung. Typische Einsätze sind: eine Kampagne skalieren, die schon funktioniert, mit den bestehenden Kunden als Vorlage in eine neue Region gehen, ein Produkt bei Menschen einführen, die Käufern eines verwandten Produkts ähneln, und Bekanntheit bei den richtigen Leuten aufbauen statt bei allen.

Ein Beispiel: Maren will eine neue Reihe Bienenwachskerzen verkaufen. Interessen Targeting hieße, auf "Wohnen und Einrichten" und "nachhaltig leben" zu tippen. Retargeting erreichte die etwa 30.000 Menschen, die ihre Seite in letzter Zeit besucht haben. Eine Lookalike ihrer Wiederkäufer erreicht Menschen, die sie nie getroffen hat und die sich verhalten wie die, die immer wiederkommen.

Wie groß eine Lookalike ist: ein Anteil an einer Bevölkerung

Beide Plattformen bemessen eine Lookalike als Anteil der Menschen, die sie in deinen gewählten Regionen erreichen können. Die Rechnung ist ein Prozentsatz von einer Gesamtzahl:

$$N = r \times P$$

Dabei ist $N$ die Zahl der Menschen in der Lookalike, $r$ der Anteil, den du wählst, als Dezimalzahl geschrieben (1 % ist $0{,}01$), und $P$ die Zahl der Menschen, die die Plattform in den Zielregionen erreichen kann. Je kleiner $r$, desto näher sind die Menschen an deinem Seed, weil die Plattform nur die mit den höchsten Werten behält. Grundlagen: Prozent

Rechenbeispiel: wie groß Marens Lookalikes sind

Angenommen, nur für dieses Beispiel, die Plattform erreicht in Deutschland 40 Millionen Menschen. Die echte Zahl unterscheidet sich je nach Plattform und ändert sich ständig, Maren würde ihre also an der Schätzung der Reichweite in ihrem Konto ablesen.

Eine Lookalike von 1 % umfasst $0{,}01 \times 40.000.000 = 400.000$ Menschen.

Eine Lookalike von 5 % umfasst $0{,}05 \times 40.000.000 = 2.000.000$ Menschen.

Bei Google zielt ein enges Segment auf 2,5 % der Nutzer in der Zielregion, also unter derselben Annahme $0{,}025 \times 40.000.000 = 1.000.000$ Menschen. Die Variante mit 5 % hat die fünffache Reichweite, und jeder zusätzliche Mensch ähnelt dem Seed ein wenig weniger als der davor.

Eine Lookalike bei Meta einrichten

Die Lookalikes von Meta gibt es am längsten, und sie sind noch immer die flexibelsten.

Der Seed, bei Meta Quellzielgruppe oder Ursprungszielgruppe genannt, braucht mindestens 100 Mitglieder, und mindestens 100 davon aus einem einzigen Land. Erreicht kein Land 100, erlaubt eine Einstellung namens allow_international_seeds Meta, das Minimum in einem anderen Land zu suchen.² Der Seed kann jede Custom Audience dieser Größe sein, auch eine Kundenliste, eine Website Zielgruppe aus dem Meta Pixel oder eine App Zielgruppe.²

Die Größe ist ein Verhältnis. Die Entwicklerdokumentation von Meta nennt eine Spanne von 1 % bis 20 % in Schritten von 1 %, oder stattdessen zwei vorgegebene Typen: Similarity, die obersten 1 %, und Greater Reach, die obersten 5 %.² Eine neue Lookalike braucht eine bis sechs Stunden, bis sie gefüllt ist, und Meta aktualisiert ihre Mitglieder alle drei Tage, solange sie zu einer Anzeigengruppe gehört.²

Zwei Korrekturen an der früheren Fassung dieses Artikels. Dort stand, eine Lookalike sei nach sechs bis 24 Stunden bereit. Metas Dokumentation sagt inzwischen eine bis sechs Stunden. Außerdem stand dort, du sollst die Länder an der Lookalike selbst auswählen. Seit Version 27.0 der Marketing API nimmt Meta beim Anlegen einer Lookalike kein Land und keinen Ort mehr an. Die Lookalike liefert in die Regionen aus, auf die die Anzeigengruppe zielt, und eine Anzeigengruppe ohne Ortsangabe gibt einen Fehler zurück.² Zwei Zahlen aus dem alten Text habe ich gestrichen: dass Meta Seeds von 1.000 bis 5.000 Menschen empfiehlt, und dass eine Lookalike von 1 % in den USA etwa zwei Millionen Menschen umfasst. Keine davon konnte ich in Metas Dokumentation in ihrer heutigen Fassung bestätigen.

Es gibt einen besseren Seed als eine schlichte Liste. Eine wertbasierte Lookalike lässt dich jeder Person in einer Kundenliste eine Zahl mitgeben, etwa ihren bisherigen Umsatz, und Meta sucht damit nach Menschen, die deinen wertvollsten Kunden ähneln, statt irgendeinem Kunden. Der Seed braucht weiterhin 100 Menschen, jeder Datensatz trägt einen LOOKALIKE_VALUE, und jedes Werbekonto, das ihn nutzt, muss Metas Bedingungen für die Funktion akzeptieren.³

Eine neuere Grenze: seit dem 2. September 2025 schränkt Meta Custom Audiences ein, die auf Gesundheitszustände oder die finanzielle Lage schließen lassen. Solche Zielgruppen werden markiert, können keine Anzeigen ausspielen und nicht als Seed für eine Lookalike dienen.² Eine Liste namens "Kunden, die unseren Ratgeber zur Schuldnerberatung gekauft haben" ist die Art Seed, die jetzt abgelehnt wird.

Rechenbeispiel: Marens wertbasierter Seed

Maren exportiert ihre 1.200 Wiederkäufer mit ihrem Gesamtumsatz. Sven, Kunde seit 2023, hat 410 € ausgegeben. Petra hat 95 € ausgegeben. Im Upload trägt Svens Zeile einen LOOKALIKE_VALUE von 410, Petras von 95. Die Lookalike neigt sich jetzt zu Menschen, die Sven ähneln. Im Werbeanzeigenmanager öffnet sie Zielgruppen, wählt Zielgruppe erstellen, dann Lookalike Audience, nimmt die wertbasierte Liste als Quelle und wählt 1 %. Den Ort Deutschland setzt sie an der Anzeigengruppe, nicht an der Lookalike.

Advantage+ Zielgruppe macht deine Lookalike zu einem Vorschlag

Das ist die wichtigste Änderung seit der früheren Fassung dieses Artikels, und sie ändert, was eine Lookalike bei Meta bedeutet.

Mit der Advantage+ Zielgruppe darf Metas Auslieferungssystem über das Targeting hinaus suchen, das du ihm vorgibst. Metas Entwicklerdokumentation beschreibt das so: der Topf, in dem das System suchen kann, wird erweitert, mit Grenzen, die es nicht überschreitet, nämlich Ort, Mindestalter, Sprache und ausgeschlossene Custom Audiences.⁴ Seit Version 23.0 der Marketing API wird eine neue Anzeigengruppe mit Standard oder gelockertem Targeting automatisch eingeschlossen, und für alles andere muss die Option ausdrücklich an oder aus gesetzt werden.⁵

"Gelockert" ist das entscheidende Wort. Ist die Advantage+ Zielgruppe an, wird eine Lookalike oder Custom Audience, die du einschließt, als eine markiert, über die Meta hinausgehen darf.⁴ Deine sorgfältig gebaute Lookalike von 1 % wird also zu einem Hinweis, wo die Suche anfangen soll, nicht zu einem Zaun. Ausschlüsse bleiben fest, und deshalb funktioniert es weiterhin, bestehende Kunden auszuschließen.

Rechenbeispiel: den Zaun behalten oder fallen lassen

Maren will testen, ob ihre Lookalike von 1 % Metas eigene Suche wirklich schlägt. Sie fährt zwei Anzeigengruppen. In der ersten schaltet sie die Advantage+ Zielgruppe aus, die Lookalike ist also eine harte Grenze:

{
  "geo_locations": { "countries": ["DE"] },
  "custom_audiences": [{ "id": "<lookalike_audience_id>" }],
  "excluded_custom_audiences": [{ "id": "<all_customers_id>" }],
  "targeting_automation": { "advantage_audience": 0 }
}

In der zweiten schaltet sie sie ein und markiert die Lookalike als gelockert, sie wird also zum Vorschlag:

{
  "geo_locations": { "countries": ["DE"] },
  "custom_audiences": [{ "id": "<lookalike_audience_id>" }],
  "excluded_custom_audiences": [{ "id": "<all_customers_id>" }],
  "targeting_automation": { "advantage_audience": 1 },
  "targeting_relaxation_types": { "lookalike": 1, "custom_audience": 1 }
}

Beide schließen ihre bestehenden Kunden aus, weil Ausschlüsse zu den Grenzen gehören, die Meta nicht erweitert. Gewinnt die zweite Anzeigengruppe, war die Lookalike als Startsignal nützlich, aber nicht als Grenze. Das ist eine völlig brauchbare Antwort.

Google hat Similar Audiences 2023 abgeschafft

Googles Geschichte ist kürzer und unordentlicher. Die ursprüngliche Funktion, Similar Audiences, wurde automatisch aus deinen Remarketing Listen erzeugt. Im Mai 2023 hat Google aufgehört, neue Segmente dieser Art anzulegen, und im August 2023 hat es sie aus allen Kampagnen entfernt, die historischen Berichte aber behalten.⁶

Ersetzt hat Google sie nicht durch eine einzelne Funktion. Es hat jeden Kampagnentyp woandershin verwiesen: optimiertes Targeting für die damaligen Kampagnen für Discovery, Display und Videoaktionen, Zielgruppenerweiterung für Videokampagnen mit Reichweite und Erwägung, und Smart Bidding mit deinen eigenen Daten für Suche und Shopping.⁶ Lookalike Segmente kamen später als eigenes Werkzeug dazu, darum geht es im nächsten Abschnitt.

Kundenlisten bringen bei Google noch eine Hürde mit. Customer Match Listen für das Targeting zu nutzen, setzt 90 Tage Historie in Google Ads und mehr als 50.000 US Dollar Gesamtausgaben voraus. Konten darunter, die bei Richtlinien und Zahlungen in gutem Stand sind, können Listen weiterhin für Ausschlüsse und zur Beobachtung nutzen.⁷ Googles Seiten zu Lookalikes nehmen Kundenlisten als Seed an, sagen aber nicht, wie diese Schwelle für sie gilt, prüf das also in deinem eigenen Konto, bevor du einen Plan darauf baust. Wie die Listen selbst vorbereitet und aktuell gehalten werden, steht in Ads von Email Aktivität triggern und umgekehrt, und was die Schwelle für die Werkzeuge eines kleinen Shops bedeutet, in ein Unified Campaign Automation Stack.

Ein Lookalike Segment bei Google einrichten

Googles Lookalike Segmente funktionieren in Demand Gen Kampagnen und, seit Kurzem, in Videokampagnen für die Marke. Woanders eingesetzt, steht das Segment auf "Berechtigt, eingeschränkt" und tut nichts.⁸⁹ Die frühere Fassung dieses Artikels sagte, nur Demand Gen, und das stimmte, als sie geschrieben wurde.

Demand Gen läuft auf YouTube, auch in Shorts, in Discover, in Gmail und auf Placements im Google Displaynetzwerk.¹⁰ Die Seed Listen müssen zusammen mehr als 100 aktive abgeglichene Menschen enthalten, du kannst bis zu zehn davon nutzen, und eine Liste mit Kennungen mobiler Geräte ist nicht erlaubt. Seeds können Websitebesucher sein, App Nutzer, Kundenlisten, Zielgruppen aus Google Analytics oder YouTube Zielgruppen.⁸ Der frühere Artikel schwankte zwischen 100 und 1.000. Googles Hilfeseiten und seine API Dokumentation sagen heute beide 100.⁸¹¹

Die Reichweite gibt es in drei Stufen. Eng zielt auf 2,5 % der Nutzer in der Zielregion der Anzeige, Ausgewogen auf 5 % und Breit auf 10 %, wobei Ausgewogen die Voreinstellung ist.⁸⁹ Ein neues Segment braucht etwa 72 Stunden, bis es gefüllt ist, Google empfiehlt, es zwei bis drei Tage vor dem gewünschten Start der Anzeigen anzulegen, und es aktualisiert sich automatisch alle ein bis zwei Tage.⁸

Die Schritte: leg eine Demand Gen Kampagne an, füge auf Ebene der Anzeigengruppe eine Zielgruppe hinzu, wähl Neue Zielgruppe, öffne die Option für Lookalike Segmente und wähl Neues Segment. Gib ihm einen Namen, wähl bis zu zehn Seed Listen, trag die Länder ein, stell den Regler ein und speichere.⁸ Schreib Seed, Land und Reichweitenstufe in den Namen, weil du die Definition eines Segments später aus der Zielgruppenliste heraus nicht mehr bearbeiten kannst.

Rechenbeispiel: Marens erstes Segment bei Google

Marens Google Konto ist 14 Monate alt und hat insgesamt etwa 22.000 € ausgegeben. Das liegt weit unter 50.000 US Dollar, sie kann also nicht mit Kundenlisten targeten, und sie stützt sich nicht auf ihre Kundenliste als Seed. Stattdessen nimmt sie ihre Zielgruppe aus Google Analytics mit den Käufern der letzten 180 Tage, 2.100 Menschen, bequem über 100. Sie nennt das Segment "LAL Käufer 180 Tage, DE, eng", setzt das Land auf Deutschland und den Regler auf eng. Unter der Annahme des Beispiels von 40 Millionen Nutzern zielt das auf etwa eine Million Menschen. Sie legt es an einem Montag an, für eine Kampagne, die am Donnerstag startet.

Seit 2026 ist auch Googles Regler ein Vorschlag

Google hat denselben Schritt gemacht wie Meta. Im Lauf des Jahres 2026 führt es in Demand Gen das ein, was es Lookalike als Vorschlag nennt. Der Regler mit eng, ausgewogen und breit wirkt nicht mehr als Grenze für das Targeting. Er wird zu einem Signal, das das System nutzt, während es nach Conversions jagt, und die Änderung ist standardmäßig aktiv.¹² Werbetreibende können sich seit März 2026 abmelden, über ein Formular, dessen Bearbeitung etwa drei Tage dauert, und Einstellungen in der Oberfläche sind für später im Jahr versprochen. Abgemeldete Anzeigengruppen behalten das alte Verhalten, bei dem der Regler die Grenzen von 2,5 %, 5 % und 10 % einhält.¹² Lookalike Segmente in Videokampagnen für die Marke sind nicht betroffen.¹²

Das optimierte Targeting ist der andere Regler. In Demand Gen nutzt es Googles Modelle, um über die Zielgruppen hinauszuschauen, die du gewählt hast, und die Google Signale nennt.¹⁰ Sind beide eingeschaltet, wandert laut Google der größte Teil der gemeldeten Zuwächse in die Zeile der Lookalike, das optimierte Targeting kann aber trotzdem Menschen jenseits der Reichweite des Vorschlags erreichen.¹²

Das korrigiert einen Tipp aus der früheren Fassung dieses Artikels, nach dem das Abschalten des optimierten Targetings deine Anzeigen innerhalb der Lookalike hält. 2026 reicht das nicht mehr. Willst du eine harte Grenze, muss die Anzeigengruppe zusätzlich vom Vorschlagsmodus abgemeldet sein.

Rechenbeispiel: Kosten pro Bestellung vergleichen

Maren testet zuerst bei Meta, weil ihr Google Konto klein ist. Drei Anzeigengruppen, je 1.000 € über vier Wochen, identische Anzeigen, Advantage+ Zielgruppe aus. Sie vergleicht die Kosten pro Bestellung, also die Ausgaben geteilt durch die Bestellungen:

$$\text{CPA} = \frac{S}{O}$$

Dabei ist $\text{CPA}$ die Kosten pro Akquisition (Cost per Acquisition), hier pro Bestellung, $S$ die Ausgaben der Anzeigengruppe und $O$ die Zahl der Bestellungen, die sie gebracht hat. Es ist eine Rate wie jede andere, Geld pro Ereignis. Grundlagen: Quoten und Raten

Die Lookalike von 1 % bringt 36 Bestellungen: $\frac{1.000}{36} = 27{,}78$ €.

Die Lookalike von 3 % bringt 32 Bestellungen: $\frac{1.000}{32} = 31{,}25$ €.

Die Lookalike von 5 % bringt 25 Bestellungen: $\frac{1.000}{25} = 40{,}00$ €.

Jede Säule ist eine Anzeigengruppe, und die senkrechte Achse zeigt, was eine Bestellung in Euro gekostet hat. In diesem erfundenen Test steigen die Kosten, je breiter die Lookalike wird, weil jede breitere Zielgruppe Menschen hinzufügt, die dem Seed weniger ähneln. Die enge gewinnt bei den Kosten, aber ihr gehen auch als Erstes die neuen Menschen aus, die richtige Antwort hängt also davon ab, wie viel Maren ausgeben will. Bei 36 gegen 25 Bestellungen ist der Abstand groß genug, um ihn ernst zu nehmen, aber klein genug, um einen zweiten Monat zu verdienen, bevor sie das Budget darauf setzt.

Was Lookalikes gut können

Sie sind besser als kalter Traffic. Menschen, die Merkmale mit deinen Kunden teilen, konvertieren meist besser als Menschen, die nach Gefühl ausgewählt wurden. Die frühere Fassung dieses Artikels zitierte "einige Studien" mit 26 % niedrigeren Kosten pro Akquisition für Lookalikes von 1 %. Die Studie habe ich nicht gefunden, also ist die Zahl weg. Teste es in deinem eigenen Konto, so wie Maren.

Sie nehmen dir das Raten ab und finden Kombinationen von Merkmalen, die du nie von Hand auswählen würdest. Und sie skalieren in Stufen: eine enge Lookalike, die funktioniert, lässt sich verbreitern, während du die Kosten pro Bestellung im Blick hast.

Sie bleiben aktuell. Meta aktualisiert die Mitglieder alle drei Tage, solange die Lookalike genutzt wird, Google alle ein bis zwei Tage.²⁸

Sie lassen sich pro Produkt bauen. Käufer einer Reihe sehen womöglich ganz anders aus als Käufer einer anderen, also kann jede ihren eigenen Seed und ihre eigene Lookalike bekommen.

Die Grenzen, die du kennen musst

Was reingeht, kommt raus. Ein Seed aus Menschen, die nichts Wesentliches gemeinsam haben, gibt dem Modell nichts Stimmiges zu finden. Ein fokussierter Seed aus 1.000 engagierten Käufern schlägt meist eine gemischte Liste mit 50.000 Kontakten.

Apple hat einen großen Teil der Daten weggenommen. Seit iOS 14.5 muss eine App über App Tracking Transparency um Erlaubnis fragen, bevor sie eine Person über die Apps und Websites anderer Unternehmen hinweg verfolgt, und bis die Person zustimmt, besteht die Werbekennung des Geräts nur aus Nullen.¹³ Die frühere Fassung dieses Artikels sagte, etwa 88 % der iOS Nutzer weltweit und 96 % in den USA lehnten ab. Das waren frühe Tageswerte, berichtet im Mai 2021. Flurry, auf dessen Daten sie beruhten, berichtete im selben Monat, dass die Zustimmungsrate über alle Apps von 11 % auf 15 % gestiegen war und bei Apps, die die Abfrage tatsächlich gezeigt hatten, um ein Viertel lag.¹⁴ So oder so hat die Mehrheit der iPhone Nutzer nein gesagt, und Meta hat über sie weit weniger appübergreifende Daten als 2020.

Cookies von Drittanbietern sind nicht gestorben. Die frühere Fassung sagte, Chrome folge Safari und Firefox und entferne sie. Das tut es nicht. Google ist dabei geblieben, Nutzern in Chrome eine Wahl über Cookies von Drittanbietern zu lassen, und hat im Oktober 2025 angekündigt, die meisten Technologien der Privacy Sandbox einzustellen, darunter Topics und Protected Audience, mit Verweis auf die geringe Nutzung.¹⁵ Die Signale aus dem Browser sind trotzdem dünner als früher, vor allem wegen der Einwilligungsbanner und Safari, aber die Cookie Apokalypse wurde abgesagt.

Das Modell ist eine Black Box. Du siehst die Größe und ein wenig darüber, wer in der Zielgruppe ist, nie die Merkmale, die das Modell genutzt hat. Das macht schwache Ergebnisse schwer zu diagnostizieren.

Zielgruppen ermüden. Dieselben Menschen sehen dieselben Anzeigen und reagieren weniger. Erneuere Seed und Motive, und wechsle zwischen Seeds.

Kleine Unternehmen erreichen das Minimum womöglich nicht. Hundert abgeglichene Menschen klingt nach wenig, aber eine Liste mit 300 Mailadressen gleicht womöglich weit weniger als 300 ab.

Lookalikes kopieren Verzerrungen. Sind deine Kunden durch die Art, wie du früher geworben hast, einseitig, kopiert die Lookalike diese Einseitigkeit, statt dir zu helfen, neue Arten von Käufern zu erreichen.

Gestrichen habe ich außerdem eine Behauptung aus der früheren Fassung, nach der Zielgruppen heute mindestens 500.000 Menschen brauchen, um aus der Lernphase zu kommen. Keine Dokumentation einer Plattform sagt das, und bei Meta ist die Frage ohnehin weitgehend zur Advantage+ Zielgruppe gewandert.

Unter der Haube: ein Klassifikator, der nur aus Positiven lernt

Google und Meta veröffentlichen ihre Lookalike Modelle nicht. Was folgt, ist, wie die Modellierung von Lookalikes allgemein funktioniert, in vier Stufen.

Lies es von oben nach unten. Zuerst wird dein Seed mit den Nutzern der Plattform abgeglichen, und jeder erkannte Mensch bringt alles mit, was die Plattform weiß: Demografie, Geräte, womit er interagiert, was er kauft. Zweitens lernt ein Modell, welche Kombinationen dieser Merkmale deinen Seed von allen anderen unterscheiden. Drittens bekommt jeder Nutzer in der Zielregion einen Wert dafür, wie sehr er dem Seed ähnelt. Viertens werden die Nutzer sortiert, und der oberste Anteil wird deine Zielgruppe. Wählst du 1 %, wählst du, wo in dieser Rangfolge der Schnitt liegt.

Das Bewertungsmodell kann alles sein, von einer logistischen Regression bis zu einem neuronalen Netz. Die logistische Regression lässt sich am leichtesten bei der Arbeit beobachten, weil sie eine gewichtete Summe von Merkmalen in eine Wahrscheinlichkeit verwandelt:

$$p = \frac{1}{1 + e^{-z}}, \quad z = \beta_0 + \beta_1 x_1 + \beta_2 x_2$$

Dabei ist $p$ die geschätzte Wahrscheinlichkeit, dass eine Person zum Seed passt, $e$ die Basis des natürlichen Logarithmus, etwa $2{,}718$, und $z$ der gewichtete Wert. $\beta_0$ ist der Ausgangspunkt, wenn kein Merkmal vorliegt, $x_1$ und $x_2$ sind zwei Merkmale, jeweils 1, wenn die Person es hat, und 0, wenn nicht, und $\beta_1$ und $\beta_2$ sind die Gewichte, die das Modell für sie gelernt hat. Die logistische Funktion presst jeden Wert in eine Wahrscheinlichkeit zwischen 0 und 1. Grundlagen: Regression

Rechenbeispiel: zwei Fremde bewerten

Angenommen, das Modell hat für Marens Seed einen Ausgangspunkt $\beta_0 = -4$ gelernt, ein Gewicht $\beta_1 = 1{,}5$ für "hat online Raumduft gekauft" und $\beta_2 = 0{,}8$ für "interagiert mit Inhalten über Einrichtung". Alles ausgedacht.

Person A hat beide Merkmale: $z = -4 + 1{,}5 \times 1 + 0{,}8 \times 1 = -1{,}7$, also $p = \frac{1}{1 + e^{1{,}7}} = \frac{1}{1 + 5{,}474} = 0{,}154$.

Person B hat nur das zweite: $z = -4 + 1{,}5 \times 0 + 0{,}8 \times 1 = -3{,}2$, also $p = \frac{1}{1 + e^{3{,}2}} = \frac{1}{1 + 24{,}53} = 0{,}039$.

Person A liegt etwa viermal so hoch. Bewerte so 40 Millionen Menschen, behalte die obersten 400.000, und du hast eine Lookalike von 1 %. Echte Modelle nutzen weit mehr Merkmale, aber das Prinzip ist dasselbe.

In diesem Aufbau steckt ein Haken. Die Plattform hat bestätigte Positive, deinen Seed, aber keine bestätigten Negative. Niemand hat ihr gesagt, wer deinen Kunden ganz sicher nicht ähnelt. Statistiker nennen das Lernen aus positiven und unbeschrifteten Daten, kurz PU Learning, und es ist ein eigenes Forschungsfeld.¹⁶ Genau das macht Lookalikes einfach zu benutzen, weil eine Kundenliste alles ist, was du brauchst. Und genau das macht sie leicht zu täuschen. Teilt dein Seed ein Merkmal, das mit dem Kaufen nichts zu tun hat, lernt das Modell es fröhlich mit.

Ein Beispiel: Maren hat im Dezember ein großes Gewinnspiel auf Instagram veranstaltet, und 400 ihrer 1.200 Wiederkäufer kamen zuerst darüber. Das Modell lernt womöglich "nimmt an Gewinnspielen teil" als prägendes Merkmal und füllt die Lookalike mit Gewinnspielfans. Die Lösung liegt im Seed, nicht im Modell: lass die Kohorte aus dem Gewinnspiel weg, oder gib ihr einen eigenen Seed.

Meta und Google lernen aus verschiedenen Dingen

Meta gleicht deinen Seed mit der Aktivität der Menschen auf Facebook und Instagram ab. Die Mitglieder der Lookalike werden alle drei Tage aktualisiert, und davon getrennt lernt das Auslieferungssystem innerhalb der Zielgruppe weiter und bringt die Anzeigen zu den Menschen, die am wahrscheinlichsten reagieren.²⁴ Deshalb zählen Motiv und Angebot auch mit einem großartigen Seed. Seit Ende 2024 läuft die Anzeigenauswahl bei Meta über ein System namens Andromeda, gebaut, um aus einer schnell wachsenden Zahl von Anzeigen auszuwählen, viele davon mit Metas generativen Werkzeugen erstellt.¹⁷ In der Praxis erledigt Vielfalt bei den Motiven heute einen Teil der Arbeit, die früher enge Zielgruppen gemacht haben.

Google baut Lookalikes aus Seeds, die du kontrollierst: deine Website und App Zielgruppen, deine Kundenlisten, deine YouTube Zielgruppen und Zielgruppen aus Google Analytics.⁸ Weil sie in Demand Gen und in Videokampagnen für die Marke leben, laufen sie über YouTube, Discover, Gmail und Displayplacements.⁹¹⁰

Rechenbeispiel: Seeds aus Kaufabsicht für einen Automarkt

Die frühere Fassung dieses Artikels erzählte die Geschichte eines echten Marktplatzes, an dem ich gearbeitet habe. Die Namen sind weg, und das Beispiel unten ist erfunden, aber das Muster ist das, das ich dort gebaut habe: Seeds aus dem, was Menschen auf einer Seite getan haben, nicht nur daraus, welche Seite sie gesehen haben. In jenem Projekt schnitten die feinen Seeds bei den Kosten pro Lead und bei der Conversion Rate besser ab als allgemeines Targeting auf Autokäufer.

Der Rheinauen Automarkt ist ein erfundener Marktplatz für Gebrauchtwagen in Köln, zu finden unter rheinauen.example. Er hat rund 40.000 Besucher im Monat. Autokäufer sind keine einheitliche Zielgruppe. Wer sich einen Familienkompakten für 14.000 € ansieht, ist ein anderer Interessent als jemand, der sich einen Kombi für 45.000 € ansieht, mit einem anderen Budget und anderen Sorgen.

Erster Schritt: Events, die etwas bedeuten

Ein Seitenaufruf sagt wenig. Also schickt die Seite Events, die etwas bedeuten, und nur für Besucher, die Werbetags zugestimmt haben, ein Punkt, auf den der Abschnitt zur Einwilligung unten zurückkommt:

• ein Markenblick, wenn jemand drei oder mehr Inserate derselben Marke angesehen hat,
• ein gründliches Lesen, wenn jemand ein Inserat über 75 % hinaus scrollt, durch die Fotos, die Ausstattung und den Abschnitt zur Finanzierung,
• Modell und Preisklasse jedes so gelesenen Inserats.

// Fires once per listing, only after the visitor accepted advertising tags
const listing = { make: 'Ford', model: 'Focus', priceBand: '12k-20k' }
let sent = false
window.addEventListener('scroll', () => {
  const depth = (window.scrollY + window.innerHeight) / document.body.scrollHeight
  if (!sent && depth >= 0.75 && window.consent?.advertising === true) {
    fbq('trackCustom', 'ListingDeepRead', listing)
    sent = true
  }
})

Zweiter Schritt: Seeds nach Modell und Preis

In einem Monat sehen sich 1.800 Besucher drei oder mehr Inserate für einen Ford Focus an, und 600 davon lesen mindestens eines über 75 % hinaus. Diese 600 werden zur Zielgruppe "Focus, gründlich gelesen, 12.000 € bis 20.000 €". Das liegt über Metas Minimum von 100, und jeder darin hat dasselbe mit derselben Art Auto getan. Ein Käufer von Kombis für 45.000 € wird nie beigemischt.

Dritter Schritt: zwei Einsätze für eine Zielgruppe

Retargeting: die 600 sehen Anzeigen für Focus Inserate in ihrer Preisklasse, kein allgemeines "stöbere in unseren Autos". Neukundengewinnung: eine Lookalike von 1 % der 600 sieht dieselben Focus Anzeigen. Sie erreicht Menschen, die nie da waren, aber denen ähneln, die ein Focus Inserat bis zum Ende gelesen haben. Dasselbe Muster wiederholt sich für die beliebtesten Modelle, jedes mit eigenem Seed, eigener Lookalike und eigenen Anzeigen.

Warum es funktioniert

Der Seed ist sauber, weil das gründliche Lesen versehentliche Klicks herausfiltert. Der Seed ist stimmig, weil niemand darin nach einer anderen Art Auto gesucht hat. Und die Anzeige passt zum Seed, also ergibt der Weg von der Anzeige zum Inserat Sinn. Wächst der Traffic, erneuern sich die Seeds, und die Lookalikes ziehen nach.

Für einen Shop funktioniert dasselbe Denken mit anderen Events: Größenauswahl benutzt, Farbfeld angeklickt, auf die Wunschliste gesetzt.

Einwilligung und Listenupload in Deutschland

Unter jeder Lookalike liegen zwei Regelwerke, eines für den Browser und eines für die Liste.

Die Browserseite regelt § 25 des Telekommunikation Digitale Dienste Datenschutz Gesetzes (TDDDG). Informationen auf dem Endgerät zu speichern oder dort gespeicherte Informationen auszulesen, ist nur mit Einwilligung erlaubt, ausgenommen sind nur die Übertragung einer Nachricht und das, was unbedingt erforderlich ist, um einen vom Nutzer ausdrücklich gewünschten Dienst bereitzustellen.¹⁸ Werbung gehört nicht dazu, und die deutschen Datenschutzbehörden stellen in ihrer Orientierungshilfe zu digitalen Diensten klar, dass wirtschaftliche Notwendigkeit für ein Geschäftsmodell keine Ausnahme begründet.¹⁹ Ein Pixel, das Website Zielgruppen aufbaut, also das Rohmaterial der meisten Lookalike Seeds, feuert deshalb erst nach einem Ja. Wie das geht, ohne die Messung zu verlieren, steht in meinem Artikel zu Event Tracking und Consent Mode.

Die Listenseite regelt die Datenschutz Grundverordnung (DSGVO). Eine Kundenliste hochzuladen ist eine Verarbeitung personenbezogener Daten, du brauchst also eine Rechtsgrundlage. Auf dem Papier kommt neben der Einwilligung das berechtigte Interesse in Frage, denn nach Erwägungsgrund 47 kann Direktwerbung ein berechtigtes Interesse sein, aber nur nach einer Abwägung, die auf die vernünftigen Erwartungen der Betroffenen abstellt.²⁰ Genau an dieser Abwägung ist der Abgleich von Kundenlisten in Deutschland schon gescheitert. Das Bayerische Landesamt für Datenschutzaufsicht (BayLDA) untersagte einem Onlinehändler, eine Custom Audience über die Kundenliste ohne Einwilligung einzusetzen, und das Verwaltungsgericht Bayreuth bestätigte das 2018.²¹ Das BayLDA hält diese Linie auch unter der DSGVO für maßgeblich, weil Kunden nicht damit rechnen, dass ihre Mailadresse an eine Werbeplattform geht, und Hashen die Daten nicht anonymisiert.²² Die sichere Grundlage für den Upload ist in Deutschland also die Einwilligung.

Dazu kommt der Widerspruch. Gegen Direktwerbung kann jeder jederzeit widersprechen, und danach dürfen seine Daten dafür nicht mehr verarbeitet werden.²⁰ Metas Bedingungen für Kundenlisten lassen dich zusichern, dass du eine Rechtsgrundlage hast und dass die Liste niemanden enthält, der einer solchen Nutzung widersprochen hat, und sie sagen, dass Meta die abgeglichenen Daten nach dem Abgleich löscht, sofern du keine optionalen Funktionen gewählt hast.²³ Halte deine Sperrliste aktuell und prüf sie vor jedem Upload. Die Einzelheiten zum Hashen, zu den Einwilligungsfeldern, zum Takt der Aktualisierung und zur bayerischen Entscheidung stehen in Ads von Email Aktivität triggern und umgekehrt.

Server Side Tracking hilft bei der Datenqualität, nicht bei der Einwilligung. Metas Conversions API verbindet deinen Server, deine App oder dein CRM direkt mit Meta.²⁴ Sie sorgt dafür, dass die Daten, die du senden darfst, zuverlässiger ankommen. Daten, die du nicht senden darfst, macht sie nicht zulässig.

Gewohnheiten, die Lookalikes besser machen

Fang mit deinen besten Kunden an, nicht mit allen Kunden. Ein Seed aus deinem obersten Fünftel nach Kundenwert beschreibt die Käufer, die du willst. Wer Kunden mit hohem und niedrigem Wert mischt, verwischt das Muster.

Halte Seeds stimmig. Eigene Lookalikes pro Kategorie schlagen eine Lookalike aus allen, die je irgendetwas gekauft haben.

Teste die Größe. Geh nicht davon aus, dass 1 % immer gewinnt. Mit einem kleinen Seed oder einem Produkt mit breiter Anziehung können 5 % oder 10 % besser abschneiden. Teste es ordentlich, mit den Methoden aus dem kompletten Leitfaden zu digitalen Marketing Testmethoden.

Erneuere den Seed. Füge monatlich die neuen Käufer hinzu und bau neue Lookalikes aus den jüngsten Conversions.

Schließ aus, wen du schon hast. Schließ bei Kampagnen zur Neukundengewinnung bestehende Kunden und kürzliche Besucher aus. Bei Meta halten Ausschlüsse auch mit eingeschalteter Advantage+ Zielgruppe.⁴

Gib ihr Zeit. Der erste Tag einer neuen Anzeigengruppe sagt fast nichts. Beurteile sie nach Wochen, nicht nach Stunden.

Teste den Zaun gegen den Vorschlag. Fahr auf beiden Plattformen eine Variante mit der Lookalike als Grenze und eine, in der die Plattform sie als Vorschlag behandelt, so wie Maren. Meistens wollen die Plattformen, dass du die zweite wählst, also lass sie sich das verdienen.

Wohin sich Lookalikes entwickeln

Die Richtung ist auf beiden Plattformen dieselbe. Meta faltet Lookalikes in die Advantage+ Zielgruppe ein, als ein Signal unter vielen. Google hat seinen Regler zum Vorschlag gemacht und setzt auf optimiertes Targeting. Beide wetten darauf, dass ihre Modelle Käufer besser finden als deine Grenzen, solange sie gute Daten und abwechslungsreiche Motive bekommen. Für das größere Argument, wie man mit diesen automatisierten Kampagnen arbeitet, lies den Shift zu Black Box KI Campaigns.

Nutzlos werden Lookalikes dadurch nicht. Der Wert wandert von der Targeting Einstellung zum Seed. Ein gut gebauter Seed aus deinen besten Kunden ist noch immer das Klarste, was du einer Plattform darüber sagen kannst, wen du willst. Geändert hat sich, dass die Plattform ihn jetzt als Rat nimmt statt als Befehl. Gib ihr hochwertige Daten über deine besten Kunden, und sie findet mehr Menschen wie sie, egal wie die Einstellung in diesem Jahr heißt.

Footnotes

1. Emil Protalinski, Facebook announces Lookalike Audiences, lets advertisers target potential customers similar to current ones, The Next Web, 19. März 2013, https://thenextweb.com/news/facebook-announces-lookalike-audiences-lets-advertisers-target-potential-customers-similar-to-current-ones

2. Meta, Lookalike Audiences, Marketing API documentation, Meta for Developers, aktualisiert am 7. Oktober 2026, https://developers.facebook.com/docs/marketing-api/audiences/guides/lookalike-audiences

3. Meta, Value Based Lookalikes, Marketing API documentation, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/audiences/guides/value-based-lookalike-audiences

4. Meta, Advantage+ Audience, Marketing API reference, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/audiences/reference/targeting-expansion/advantage-audience/

5. Meta, Marketing API: Changes to Advantage+ audience behaviours, Meta for Developers Blog, 13. Juni 2025, https://developers.facebook.com/blog/post/2025/06/13/marketing-api-changes-to-advantage-plus-audience-behaviors/

6. Google, Building more durable and effective audience strategies in Google's ads platforms, Google Ads Hilfe, 1. November 2022, https://support.google.com/google-ads/answer/12929853

7. Google, Customer Match policy, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/6299717

8. Google, Use Lookalike segments in Demand Gen campaigns as a Targeting Constraint, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/16902001

9. Google, Use Lookalike segments in Video campaigns to grow your audience, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/17219920

10. Google, Demand Gen Frequently Asked Questions, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/14509385

11. Google, Lookalike audience segments, Google Ads API documentation, Google for Developers, 2026, https://developers.google.com/google-ads/api/docs/remarketing/audience-segments/lookalike-audiences

12. Google, Use Lookalike segments to grow your audience, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/13541369

13. Apple, User Privacy and Data Use, App Store, Apple Developer, 2026, https://developer.apple.com/app-store/user-privacy-and-data-use/

14. Flurry, iOS 14 Opt in Rate: Behind the Numbers, Flurry Blog, 20. Mai 2021, https://flurry.com/blog/ios14-opt-in-rate

15. Anthony Chavez, Update on Plans for Privacy Sandbox Technologies, Google Privacy Sandbox Blog, 17. Oktober 2025, https://privacysandbox.google.com/blog/update-on-plans-for-privacy-sandbox-technologies

16. Jessa Bekker und Jesse Davis, Learning from positive and unlabeled data: a survey, Machine Learning, 2020, https://arxiv.org/abs/1811.04820

17. Meta, Meta Andromeda: Supercharging Advantage+ automation with the next gen personalized ads retrieval engine, Engineering at Meta, 2. Dezember 2024, https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/

18. Bundesministerium der Justiz, Telekommunikation Digitale Dienste Datenschutz Gesetz (TDDDG), § 25 Schutz der Privatsphäre bei Endeinrichtungen, Absätze 1 und 2, Gesetze im Internet, https://www.gesetze-im-internet.de/ttdsg/__25.html

19. Konferenz der unabhängigen Datenschutzaufsichtsbehörden des Bundes und der Länder (DSK), Orientierungshilfe der Aufsichtsbehörden für Anbieter:innen von digitalen Diensten (OH Digitale Dienste), Version 1.2, November 2024, https://www.datenschutzkonferenz-online.de/media/oh/OH_Digitale_Dienste.pdf

20. Verordnung (EU) 2016/679 (Datenschutz Grundverordnung), Artikel 6 Absatz 1 Buchstabe f, Erwägungsgrund 47 und Artikel 21 Absätze 2 und 3, EUR-Lex, https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:32016R0679

21. Bayerisches Landesamt für Datenschutzaufsicht, Pressemitteilung: Verwaltungsgericht Bayreuth bestätigt, Facebook Custom Audience ohne Einwilligung unzulässig, 15. Juni 2018, https://www.lda.bayern.de/media/pm2018_09.pdf

22. Bayerisches Landesamt für Datenschutzaufsicht, 8. Tätigkeitsbericht für die Jahre 2017 und 2018, Abschnitt 8.7 Facebook Custom Audience über die Kundenliste, Seiten 58 und 59, 2019, https://www.lda.bayern.de/media/baylda_report_08.pdf

23. Meta, Customer List Custom Audiences Terms, Meta, 2026, https://www.facebook.com/legal/terms/customaudience

24. Meta, Conversions API, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/conversions-api