Sofortantwort
Lookalike Audiences einfach erklärt
Algorithmische Zielgruppen basierend auf bestehenden Kunden oder Segmenten.
- Kurz gesagt
- Algorithmus findet Nutzer, die deinen Bestandskunden ähneln
- Typischer Einsatz
- Neukundengewinnung, Kampagnen-Skalierung, Internationale Expansion
- Wichtig zu wissen
- Skaliert erfolgreiche Kampagnen über die bekannte Zielgruppe hinaus
Lookalike Audiences im Überblick
Lookalike Audiences lassen Werbeplattformen neue Nutzer finden, die einer definierten Seed Audience ähneln. Du gibst etwa Käufer oder wertvolle Leads als Seed vor, und der Algorithmus sucht ähnliche Profile innerhalb der Plattformdaten.
Wie funktioniert es?
1. Du stellst eine Seed Audience bereit
2. Plattform analysiert verfügbare gemeinsame Signale:
- demografische und geografische Signale
- Interessen und Verhaltensmuster
- Kauf- oder Engagement-Signale, sofern verfügbar
3. Algorithmus findet Nutzer mit ähnlichem Profil
4. Du testest kalte Nutzer mit höherer erwarteter RelevanzLookalike-Größen:
| Größe | Reichweite | Ähnlichkeit | Einsatz |
|---|---|---|---|
| klein | geringer | oft höher | Performance testen |
| mittel | moderat | mittel bis hoch | Balance testen |
| groß | hoch | breiter | Skalierung testen |
| sehr groß | sehr hoch | niedriger relativ | Reichweite testen |
Warum ist das so effektiv?
Statt nur manuell nach Interessen zu targeten, nutzt du vorhandene Kunden- oder Intent-Signale. Der Algorithmus kann Muster finden, die manuell schwer erkennbar sind, und Zielgruppen mit höherer erwarteter Relevanz erreichen.
Technisch betrachtet
Seed Audience Strategien
Hierarchie der Seed-Qualität:
| Seed | Qualität | Warum |
|---|---|---|
| High-Value-Käufer | sehr hoch | kann wertvolle Muster liefern |
| Alle Käufer | hoch | starkes Kaufsignal |
| Repeat-Käufer | hoch | Loyalitätssignal |
| Leads (MQL/SQL) | mittel bis hoch | Intent, aber nicht immer Conversion |
| Newsletter-Abonnenten | mittel | Interesse gezeigt |
| Website-Besucher | variabel | abhängig von Intent und Segment |
| Engagers (Social) | variabel | Interesse, aber nicht zwingend Kaufabsicht |
Best Practice:
- Mehrere Lookalikes testen (Käufer vs. High-Value vs. Leads)
- Seed regelmäßig aktualisieren (frische Daten)
- Ausreichend große und saubere Seed pro Plattformanforderung nutzen
Lookalike-Stacking
Kombiniere mehrere Lookalikes für bessere Ergebnisse:
Kampagne 1: enger Lookalike von Käufern
Kampagne 2: enger Lookalike von High-Value-Käufern
Kampagne 3: breiterer Lookalike von Käufern zur Skalierung
Kampagne 4: Lookalike von Leads für Funnel-Top-TestsExclusions nicht vergessen:
- Bestehende Kunden ausschließen
- Retargeting-Audiences ausschließen
- Andere Lookalikes ausschließen (kein Overlap)
Plattform-Unterschiede
Meta (Facebook/Instagram):
- umfangreiche Lookalike- und Advantage-Zielgruppenfunktionen
- verschiedene Ähnlichkeits- und Erweiterungsoptionen je nach Markt
- Value-Based Audiences können nach Kundenwert gewichtet werden
- Conversions API kann Datenqualität verbessern
Google Ads:
- ähnliche Zielgruppenfunktionen werden je nach Produkt über optimiertes Targeting, Audience Expansion oder Kampagnenautomatisierung abgebildet
- Performance-basierte Kampagnentypen nutzen Signale automatisiert
LinkedIn:
- Lookalikes für B2B
- Basiert auf Firmografischen Daten
- Kleinere Reichweite, aber präziser für B2B
TikTok:
- Lookalike-Funktionen je nach Markt und Konto verfügbar
- stark plattformspezifische Interessen- und Engagement-Signale
- besonders relevant, wenn die Zielgruppe auf der Plattform aktiv ist
Value-Based Lookalikes
Einige Plattformen ermöglichen wertbasierte Lookalikes oder ähnliche Zielgruppen:
Statt: "Finde Leute wie alle Käufer"
Gezielter: "Finde Leute ähnlich zu wertvollen Käufersegmenten"Setup:
- Custom Audience mit Käufern erstellen
- Lifetime Value als Wert-Spalte hinzufügen
- Lookalike erstellen → Algorithmus gewichtet nach Wert
Mögliche Effekte:
- höherer durchschnittlicher Bestellwert
- besserer ROAS
- mehr Repeat-Käufer, wenn Seed und Angebot passen
Lookalikes in der Cookieless-Ära
Herausforderungen:
- Weniger Tracking-Daten
- Kleinere Seed Audiences
- Attribution schwieriger
Lösungen:
- First-Party-Data maximieren (E-Mail, CRM)
- Conversions API implementieren
- Server-Side-Tracking
- Plattform-eigene Signale nutzen, sofern datenschutzkonform verfügbar
Conversions API Setup:
Website → Server → Conversion API
↓
robustere Seed-Daten
bessere Modellierung möglich