Eine Lookalike Audience ist eine Zielgruppe, die eine Werbeplattform aus einer eigenen Quellliste ableitet: Du lieferst, wer bereits Kunde ist, und die Plattform sucht in ihrem Bestand nach Profilen, die diesen Menschen ähneln. Je nach Anbieter heißt das ähnliches Segment, Lookalike Audience oder Audience Extension — die Mechanik ist dieselbe.
Wie die Ableitung funktioniert
Der Ablauf hat drei Schritte:
Quellliste übergeben. Meist gehashte E-Mail-Adressen aus dem CRM, oder eine über das Werbekonto gebildete Liste wie Käufer der letzten 90 Tage. Gehasht bedeutet: Die Adressen werden vor der Übermittlung in eine nicht rückrechenbare Zeichenfolge umgewandelt, die Plattform gleicht nur Hashes ab.
Modellbildung. Die Plattform prüft, welche Merkmale die Menschen in der Liste überzufällig teilen — Interessen, Verhaltensmuster, demografische Größen, Gerätenutzung, Kaufsignale.
Suche im Bestand. Anhand dieses Modells werden Profile identifiziert, die dem Muster entsprechen, aber noch nicht in der Liste sind.
Der entscheidende Punkt: Die Qualität des Ergebnisses hängt fast vollständig an Schritt eins. Ein Modell kann nur so scharf sein wie das Muster, das es lernen darf.
Homogenität schlägt Menge
Das ist der am häufigsten übersehene Zusammenhang. Zwei Beispiele machen ihn greifbar.
Eine Liste mit 50.000 Newsletter-Abonnenten aus fünf Jahren enthält Interessenten, Bestandskunden, ehemalige Kunden, Wettbewerber, Bewerber und Menschen, die einmal ein Whitepaper wollten. Das Modell findet in dieser Mischung kaum ein tragfähiges Muster — das statistisch Auffälligste ist womöglich, dass alle deutschsprachig sind.
Eine Liste mit 800 Käufern eines bestimmten Produkts aus den letzten zwölf Monaten ist klein, aber in sich stimmig. Das Modell hat einen klaren Anker.
Praktische Folge: Segmentiere vor dem Upload. Die Kundensegmentierung ist damit nicht nur ein Analyse-, sondern ein direkter Aussteuerungshebel — und wer Segmente hat, kann mehrere Lookalikes gegeneinander testen.
Die Ähnlichkeitsgröße richtig wählen
Die meisten Plattformen bieten eine Skala von 1 bis 10 Prozent. Der Wert beschreibt den Anteil des Nutzerbestands eines Landes:
| Größe | Passung | Reichweite | Typischer Einsatz |
|---|---|---|---|
| 1–2 % | sehr hoch | gering | Erstkontakt in engen Nischen, B2B |
| 3–5 % | mittel | mittel | Standardfall für Leadgenerierung |
| 6–10 % | schwächer | hoch | Bekanntheit, breite Sortimente |
Die verbreitete Annahme, klein sei immer besser, greift zu kurz: Bei 1 Prozent kann die Zielgruppe so klein sein, dass die Auslieferung stockt und die Frequenz auf wenige Personen zu hoch läuft. Der belastbare Weg ist ein Test über zwei oder drei Stufen.
Lookalike gegen Retargeting
Beide arbeiten mit eigenen Daten, verfolgen aber unterschiedliche Ziele. Retargeting spricht Menschen an, die schon Kontakt hatten — es holt bestehende Nachfrage ab. Lookalike sucht Menschen ohne vorherigen Kontakt und erzeugt damit neue Nachfrage.
Daraus folgt, dass die beiden Zielgruppen sich nicht überschneiden sollten: Die bestehenden Kontakte gehören aus der Lookalike-Kampagne ausgeschlossen, sonst zahlt man für Reichweite bei Menschen, die man ohnehin erreicht — und die Kennzahlen der Neukundenkampagne werden von leicht erreichbaren Bestandskontakten beschönigt.
Was die Plattformen unterschiedlich machen
Die Mechanik ist überall dieselbe, die Umsetzung nicht — und die Unterschiede entscheiden über die Erwartung.
Google nennt das Ergebnis ähnliche Segmente und leitet sie aus Remarketing-Listen und Kundenlisten ab. Google gibt keine Prozentskala vor, sondern bestimmt die Ausdehnung selbst; steuerbar ist es nur über die Wahl der Quellliste. In den automatisierten Kampagnentypen wirkt die Liste ohnehin nur als Signal, nicht als Begrenzung.
Meta bietet die klassische Prozentskala von 1 bis 10 und erlaubt mehrere Stufen gleichzeitig als getrennte Zielgruppen — die für Tests praktikabelste Umsetzung.
Im Programmatic-Umfeld über eine DSP heißt es meist Audience Extension und arbeitet mit Daten des jeweiligen Anbieters. Die Modellqualität hängt hier stärker vom Datenbestand des Dienstleisters ab, und die Nachvollziehbarkeit ist geringer als in den geschlossenen Plattformen.
Praktische Folge: Ergebnisse sind zwischen Plattformen nicht vergleichbar. Eine Lookalike, die bei Meta auf 2 Prozent gut läuft, hat kein Gegenstück bei Google, das man einfach einstellt.
Messbarkeit und Erwartungshaltung
Lookalike-Kampagnen zielen auf Menschen ohne vorherigen Kontakt. Das hat zwei Folgen für die Bewertung, die man vorher festlegen sollte.
Erstens liegen die Conversion-Raten strukturell unter denen von Retargeting — nicht weil die Zielgruppe schlechter ist, sondern weil sie am Anfang der Entscheidung steht. Wer Lookalike gegen Retargeting auf dieselbe Kennzahl misst, wird sie immer abschalten und dabei den Aufbau neuer Nachfrage einstellen.
Zweitens braucht die Wirkung ein längeres Fenster. Bei Entscheidungszyklen von Wochen ist die Bewertung nach sieben Tagen bedeutungslos. Sinnvoll sind Zeiträume, die zum Kaufprozess passen, und eine Kennzahl, die den Zwischenschritt abbildet — etwa qualifizierte Erstkontakte statt Abschlüsse.
Datenschutz: vor dem Upload klären
Der Hash-Abgleich verhindert, dass die Plattform Klartextadressen sieht. Er macht die Übermittlung aber nicht zu einer datenschutzfreien Handlung: Es bleibt eine Verarbeitung personenbezogener Daten, für die eine Rechtsgrundlage nötig ist.
Der kritische Punkt ist der Zweck. Eine Einwilligung zum Newsletter ist keine Einwilligung, die Adresse an eine Werbeplattform zu übermitteln, damit dort ähnliche Menschen gesucht werden. Wer den Zweck nicht abgedeckt hat, sollte die Liste nicht hochladen — unabhängig davon, wie gut das Modell wäre. Und wer Einwilligungen führt, muss auch den Widerruf durchreichen können: Ein Widerspruch muss dazu führen, dass die Kennung aus der Quellliste verschwindet.
Wie sich das mit sauberen First-Party-Daten und einer belastbaren Einwilligungslage verbinden lässt, ist der Ausgangspunkt jeder ernsthaften Zielgruppenarbeit — und der Grund, warum die Datenbasis vor der Kampagne kommt.
Woran es in der Praxis scheitert
Vier Muster wiederholen sich:
- Zu heterogene Quellliste — das Modell findet keinen Anker.
- Veraltete Liste — sie beschreibt eine Kundschaft von vor drei Jahren.
- Zu weite Ähnlichkeitsgröße — bei 10 Prozent entspricht die Zielgruppe fast dem gesamten Markt, die Ableitung verliert ihren Sinn.
- Botschaft passt nicht — die Aussteuerung trifft, aber Anzeige und Zielseite sprechen zu Menschen, die die Marke noch nicht kennen, in der Sprache von Bestandskunden.
Der vierte Punkt ist der unterschätzte: Eine Lookalike-Zielgruppe besteht definitionsgemäß aus Menschen ohne vorherigen Kontakt. Eine Anzeige, die Vorwissen voraussetzt, verpufft dort — egal wie gut das Modell ist.
