Lookalike Audience

Eine Lookalike Audience ist eine Gruppe neuer Nutzer, die eine Ad-Plattform generiert, indem sie eine bestehende Seed-Liste analysiert – typischerweise vergangene Konverter oder eine hochgeladene Liste hochwertiger Kunden – und andere Nutzer findet, die statistisch ähnliche Merkmale und Verhaltensweisen aufweisen. Anstatt Targeting-Parameter wie Alter, Interessen oder Geografie manuell auszuwählen, übergibt ein Werbetreibender der Plattform eine Liste von Personen, die bereits konvertieren, und lässt den Algorithmus weitere, ähnliche Personen finden.

Wie die Modellierung auf hoher Ebene funktioniert#

Die Plattform analysiert die Seed-Liste im Vergleich zu ihrer breiteren Nutzerbasis und sucht nach Mustern im Surfverhalten, demografischen Signalen sowie Geräte- oder App-Nutzung, die die Seed-Audience von der Allgemeinbevölkerung unterscheiden. Anschließend bewertet sie den Rest ihrer Nutzerbasis nach Ähnlichkeit zu diesem Muster. Ein Werbetreibender kann meist einstellen, wie eng oder breit der Match sein soll, oft ausgedrückt als Prozentsatz der gesamten Nutzerbasis der Plattform in einem bestimmten Land. Ein kleinerer Prozentsatz bedeutet eine engere Übereinstimmung mit dem Seed, ein größerer tauscht Präzision gegen Reichweite.

Woher die Seed-Liste kommt#

Die Seed-Qualität beeinflusst die Lookalike-Qualität stärker als fast jeder andere Input. Ein Seed aus tatsächlichen Käufern oder Kunden mit hohem LTV erzeugt tendenziell eine stärkere Lookalike Audience als einer aus allen Website-Besuchern, unabhängig davon, ob sie konvertiert haben. Das Modell ist nur so gut wie das Muster in den Daten, die es erhält. Werbetreibende mit einer soliden First-Party-Data-Pipeline und sauber mit Kaufwert verknüpften Pixel-Konversionsereignissen erhalten im Allgemeinen nützlichere Lookalikes als solche, die von dünnen oder verrauschten Listen ausgehen.

Lookalike Audiences vs. Retargeting#

Die beiden werden verwechselt, weil beide auf bestehenden Daten basieren, aber sie lösen entgegengesetzte Probleme. Retargeting spricht Personen erneut an, die bereits direkt mit der Marke interagiert haben. Lookalike-Targeting nutzt dieselben Interaktionsdaten als Trainings-Seed, findet aber völlig neue Personen, die noch nie mit der Marke in Kontakt gekommen sind, und erweitert so die Reichweite, statt sie zurückzugewinnen. Ein Funnel, der nur retargeted, wird irgendwann keinen Pool mehr haben, mit dem er arbeiten kann. Lookalike-Targeting ist eine der Standardmethoden, um diesen Funnel kontinuierlich mit neuen Interessenten zu versorgen.

Wo Native- und Content-Plattformen hineinpassen#

Lookalike-Modellierung wird am stärksten mit Social- und Suchplattformen assoziiert, die umfangreiche First-Party-Verhaltensdaten zu Nutzern besitzen. Dieselbe Logik findet sich jedoch auch im Native Advertising über Demand-Side Platforms und Data Management Platforms, in die Native-Kampagnen für Audience-Erweiterung eingebunden werden können. Ein Werbetreibender, der ein Affiliate-Angebot über Taboola oder Outbrain schaltet und Lookalike-ähnliche Erweiterung möchte, muss dieses Targeting typischerweise über eine angeschlossene DMP- oder DSP-Schicht steuern, statt sich auf die eigenen Audience-Tools des Native Networks zu verlassen. Denn Native-Plattformen setzen historisch stärker auf kontextuelles und Geo-Targeting als auf First-Party-Lookalike-Modellierung.

Praktische Ratschläge zur Größe#

Mit einem engeren Lookalike-Prozentsatz und einem klar definierten, hochwertigen Seed zu beginnen und nur bei zu geringem Volumen für Ausgaben zu erweitern, schneidet tendenziell besser ab als ein breiter Start mit anschließender Eingrenzung. Ein zu Beginn breit angelegter Lookalike-Lauf verbrennt oft Budget, um ein schwaches Muster zu etablieren, das ein engerer Seed von vornherein vermieden hätte. Zu prüfen, welche Werbetreibenden bereits einen bestimmten Ansatz skalieren, ist ein nützlicher Realitätscheck, bevor ernsthaftes Budget für eine neue Lookalike-Erweiterung verpflichtet wird.