Lookalike Audiences

Einfach erklärt

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 Relevanz

Lookalike-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.

Technischer Deep Dive

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-Tests

Exclusions 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:

1. Custom Audience mit Käufern erstellen
2. Lifetime Value als Wert-Spalte hinzufügen
3. 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