Lookalike Audiences sind Zielgruppen, die Werbeplattformen auf Basis statistischer Ähnlichkeit zu einer bestehenden Kundengruppe erstellen. Du lieferst der Plattform eine Quellzielgruppe — etwa deine besten Kunden, deine Newsletter-Abonnenten oder deine Website-Besucher — und der Algorithmus sucht in seiner Nutzerdatenbank nach Personen, die diesen Vorlagen in ihrem Verhalten, ihren Interessen und ihren demografischen Merkmalen ähneln. Das Ergebnis ist eine neue Zielgruppe aus Menschen, die dein Produkt noch nicht kennen, aber mit hoher Wahrscheinlichkeit dafür empfänglich sind. Lookalike Audiences überbrücken damit die Lücke zwischen Retargeting — das nur bereits bekannte Nutzer anspricht — und breitem Targeting, das Streuverluste erzeugt. Sie sind einer der wirkungsvollsten Mechanismen im modernen Programmatic Advertising.
Wie Lookalike Audiences technisch funktionieren
Der Prozess läuft in mehreren Schritten ab, die je nach Plattform leicht variieren, aber einem gemeinsamen Prinzip folgen.
Schritt 1: Quellzielgruppe definieren. Du stellst der Plattform eine sogenannte Seed Audience oder Custom Audience zur Verfügung. Das kann eine Liste von E-Mail-Adressen sein, die du aus deinem CRM exportierst, ein Pixel-basiertes Segment von Website-Besuchern, die eine bestimmte Aktion ausgeführt haben, oder ein In-App-Event wie ein Kauf oder eine Registrierung. Die Qualität dieser Quellzielgruppe bestimmt massgeblich die Qualität der resultierenden Lookalike Audience.
Schritt 2: Matching und Profilerstellung. Die Plattform gleicht die gelieferten Datenpunkte — etwa E-Mail-Adressen — mit ihren eigenen Nutzerprofilen ab. Dieser Matching-Prozess variiert in seiner Trefferquote: Bei Meta liegt die Match Rate typischerweise zwischen 50 und 70 Prozent, abhängig von der Qualität der gelieferten Daten. Aus den gematchten Profilen extrahiert der Algorithmus gemeinsame Merkmale: demografische Daten, Interessen, Online-Verhalten, Kaufmuster, Gerätenutzung und Hunderte weitere Signale.
Schritt 3: Ähnlichkeitsberechnung. Auf Basis der extrahierten Merkmale berechnet der Algorithmus für jeden Nutzer in der Gesamtdatenbank der Plattform einen Ähnlichkeitsscore zur Quellzielgruppe. Machine-Learning-Modelle identifizieren die Merkmalskombinationen, die die Quellzielgruppe am stärksten von der Gesamtbevölkerung unterscheiden, und gewichten diese entsprechend. Es geht nicht um einzelne Merkmale (“Frau, 30 Jahre, Berlin”), sondern um komplexe Muster (“hohes Engagement mit bestimmten Content-Typen, regelmäßige Online-Käufe in bestimmten Preissegmenten, aktiv zu bestimmten Tageszeiten”).
Schritt 4: Zielgruppe erstellen. Die Plattform wählt die Nutzer mit den höchsten Ähnlichkeitsscores aus. Wie viele Nutzer die Lookalike Audience umfasst, bestimmst du über den Ähnlichkeitsgrad — bei Meta etwa als Prozentwert der Gesamtbevölkerung eines Landes. Eine 1-Prozent-Lookalike in Deutschland umfasst rund 600.000 Nutzer und ist der Quellzielgruppe sehr ähnlich. Eine 5-Prozent-Lookalike umfasst etwa 3 Millionen Nutzer, ist aber weniger präzise.
Die Quellzielgruppe: Fundament der Lookalike-Qualität
Die Qualität deiner Lookalike Audience steht und fällt mit der Quellzielgruppe. Je präziser und wertvoller die Seed Audience, desto besser die Ergebnisse.
Kundenlisten aus dem CRM sind die hochwertigste Quelle. Wenn du eine Liste deiner 500 besten Kunden — gemessen am Umsatz, am Customer Lifetime Value oder an der Wiederkaufrate — als Seed verwendest, sucht der Algorithmus nach Menschen, die diesen Top-Kunden ähneln. Das Ergebnis ist eine Zielgruppe mit überdurchschnittlich hohem Kaufpotenzial. Die Voraussetzung: Du brauchst qualitativ hochwertige First-Party Data und ein gepflegtes CRM-System.
Website-Besucher-Segmente bieten eine Alternative, wenn du keine umfangreichen Kundenlisten hast. Ein Segment von Besuchern, die eine bestimmte Produktkategorie angesehen, den Warenkorb befuellt oder ein Formular ausgefuellt haben, bildet ein verhaltensbezogenes Profil. Die Qualität hängt davon ab, wie spezifisch das Segment ist. “Alle Website-Besucher der letzten 30 Tage” ist zu breit. “Besucher, die mindestens drei Produktseiten angesehen und den Warenkorb befuellt haben” ist deutlich schärfer.
Conversion-Events aus dem Pixel-Tracking sind besonders wirkungsvoll. Wenn du den Meta-Pixel oder das Google-Tag auf Conversion-Events wie Käufe, Registrierungen oder qualifizierte Lead-Formulare gesetzt hast, kannst du Lookalike Audiences auf Basis tatsächlicher Conversions erstellen. Der Algorithmus lernt, welche Nutzerprofile konvertieren, und sucht nach ähnlichen Profilen.
Minimale Zielgruppengrösse ist ein praxisrelevanter Faktor. Meta empfiehlt mindestens 1.000 Personen in der Quellzielgruppe für belastbare Ergebnisse. Kleinere Seeds können funktionieren, liefern aber weniger stabile Lookalikes. Bei sehr kleinen Kundenstammen — etwa im hochpreisigen B2B-Bereich — kann es sinnvoll sein, die Quellzielgruppe über engagierte Website-Besucher statt über reine Kundenlisten zu definieren, um auf eine ausreichende Grösse zu kommen.
Lookalike Audiences auf den grossen Plattformen
Jede Plattform implementiert das Lookalike-Konzept mit eigenen Besonderheiten.
Meta (Facebook und Instagram)
Meta bietet das ausgereifteste Lookalike-System, gespeist aus den umfangreichen Nutzerdaten des gesamten Meta-Ökosystems. Lookalike Audiences werden im Meta Ads Manager über “Custom Audiences” als Quelle erstellt. Der Ähnlichkeitsgrad wird in Prozent der Landesbevölkerung definiert: 1 Prozent für höchste Ähnlichkeit, bis zu 10 Prozent für maximale Reichweite.
Seit den iOS-14-Änderungen und der zunehmenden Einschränkung von Tracking-Möglichkeiten hat sich die Datenbasis für Lookalikes verändert. First-Party Data in Form von Kundenlisten und serverseitig übermittelten Events (Conversions API) sind wichtiger geworden als pixelbasierte Daten. Die Qualität der Lookalikes hängt stärker als früher davon ab, wie gut dein First-Party-Data-Setup ist.
Meta hat zudem den Trend zu “Advantage+ Audiences” eingeführt, bei denen der Algorithmus die Zielgruppenauswahl stärker selbst steuert und Lookalike-Signale in die automatisierte Aussteuerung integriert. Der manuelle Lookalike-Ansatz bleibt verfügbar, aber die algorithmische Steuerung gewinnt an Bedeutung.
Google Ads
Google Ads bietet mit “Similar Audiences” ein vergleichbares Konzept, hat dieses aber für Cookie-basiertes Targeting in der klassischen Form eingestellt. Stattdessen setzt Google auf “Optimized Targeting” und “Audience Expansion” innerhalb von Performance-Max- und Display-Kampagnen. Der Algorithmus nutzt Conversion-Daten und First-Party-Signale, um ähnliche Nutzer automatisch anzusprechen.
Im YouTube- und Display-Bereich arbeitet Google mit Signals-basiertem Targeting: Du gibst Zielgruppensignale (Interessen, demografische Merkmale, eigene Daten) vor, und der Algorithmus expandiert die Auslieferung auf ähnliche Nutzer, wenn die Performance stimmt. Die Kontrolle ist weniger granular als bei Metas Lookalikes, aber die Integration in die Google-Ads-Automatisierung ist nahtlos.
LinkedIn bietet “Matched Audiences” und darauf aufbauende Lookalikes, die besonders für B2B-Kampagnen wertvoll sind. Die Quellzielgruppen basieren auf Unternehmenslisten, Kontaktlisten oder Website-Besuchern. LinkedIn reichert die Profile mit beruflichen Daten an — Jobtitel, Branche, Unternehmensgrösse, Senioriätslevel —, was die Lookalikes für B2B-Targeting besonders präzise macht.
Die Mindestgrösse für LinkedIn-Lookalikes liegt bei 300 Personen in der Quellzielgruppe. Die resultierende Lookalike Audience umfasst typischerweise 20.000 bis 100.000 Nutzer, abhängig von der Quellgröße und den geografischen Einstellungen.
Programmatic Advertising
Im offenen programmatischen Ökosystem bieten DSPs (Demand-Side Platforms) eigene Lookalike-Funktionalitäten. Diese basieren auf den Daten der jeweiligen Plattform und ggf. angebundener Third-Party-Datenquellen. Die Qualität variiert stärker als bei den Walled Gardens von Meta oder Google, weil die Datenbasis fragmentierter ist. Display Advertising über DSPs mit Lookalike-Targeting erfordert daher eine engmaschigere Performance-Kontrolle.
Ähnlichkeitsgrad: Die Balance zwischen Präzision und Reichweite
Die Wahl des Ähnlichkeitsgrads ist eine strategische Entscheidung, die direkte Auswirkungen auf Performance und Reichweite hat.
Enge Lookalikes (1-2 Prozent bei Meta) liefern die höchste Ähnlichkeit zur Quellzielgruppe. Die Conversion Rates sind typischerweise am höchsten, weil die angesprochenen Nutzer den bestehenden Kunden sehr ähnlich sind. Die Reichweite ist allerdings begrenzt. Für Performance-Kampagnen mit klarem Conversion-Ziel sind enge Lookalikes der Startpunkt.
Praxisbeispiel: Was das in der Praxis bedeutet, zeigt ein aktueller Fall: In einem Meta Ads Audit eines internationalen E-Commerce-Unternehmens mit 96 gleichzeitig aktiven Kampagnen allein im DACH-Raum lief das Targeting überwiegend auf Broad — also ohne Lookalike-Einschränkung. Bei 16.119 Sales und 540.013 Euro Spend funktionierte Broad Targeting auf Skalenebene besser als enge Lookalikes, weil das Conversion-Volumen dem Algorithmus genügend Lernsignale lieferte. Lookalike Audiences behalten ihren Wert dort, wo das Conversion-Volumen für Broad Targeting noch nicht ausreicht.
Mittlere Lookalikes (3-5 Prozent) bieten eine gute Balance. Die Ähnlichkeit ist noch signifikant, die Reichweite deutlich grösser. Für skalierte Kampagnen, die über die engste Zielgruppe hinauswachsen müssen, sind mittlere Lookalikes oft die beste Wahl.
Breite Lookalikes (6-10 Prozent) nähern sich dem Broad Targeting an. Die Ähnlichkeit zur Quellzielgruppe nimmt ab, die Reichweite nimmt zu. Für Awareness-Kampagnen oder Märkte, in denen die enge Zielgruppe ausgeschöpft ist, können breite Lookalikes sinnvoll sein. Die Performance pro Nutzer sinkt, aber das Gesamtergebnis kann durch das grössere Volumen trotzdem positiv sein.
Eine bewährte Strategie ist das Stacking: Du erstellst mehrere Lookalike-Stufen (1 %, 1-3 %, 3-5 %) und lässt sie in separaten Anzeigengruppen gegeinander laufen. Die Performance-Daten zeigen dir, welche Stufe für dein spezifisches Geschäftsmodell den besten Trade-off zwischen CPA und Volumen bietet.
Lookalike Audiences und Datenschutz
Die Verwendung von Kundendaten für Lookalike Audiences unterliegt den Vorgaben der DSGVO und des TTDSG. Mehrere Aspekte verdienen Aufmerksamkeit.
Rechtsgrundlage für den Daten-Upload. Wenn du Kundenlisten (E-Mail-Adressen, Telefonnummern) auf Werbeplattformen hochlädst, verarbeitest du personenbezogene Daten. Dafür brauchst du eine Rechtsgrundlage — typischerweise eine Einwilligung oder ein berechtigtes Interesse. Die gängige Praxis ist, den Upload auf das berechtigte Interesse an Direktwerbung zu stützen, aber die rechtliche Bewertung ist nicht einheitlich. Eine explizite Einwilligung in der Datenschutzerklärung ist der sicherere Weg.
Hashing und Datenübermittlung. Werbeplattformen wie Meta und Google bieten serverseitiges Hashing: Die Kundendaten werden vor dem Upload gehasht (verschlüsselt), sodass die Plattform die Rohdaten nicht sieht. Das Matching erfolgt über die Hash-Werte. Für die DSGVO-Bewertung ist das relevant, aber nicht ausreichend — Hashing allein ändert nichts an der Tatsache, dass personenbezogene Daten verarbeitet werden.
Consent Management. In einer Welt zunehmender Privacy-Regulierung und Cookie-Beschränkungen gewinnen konsentbasierte First-Party-Daten an Wert. Nutzer, die aktiv eingewilligt haben — etwa in Newsletter, Kundenprogramme oder Account-Registrierungen —, bilden die zuverlässigste und rechtlich sicherste Basis für Lookalike Audiences. Ein sauberes Consent Management ist nicht nur rechtliche Pflicht, sondern auch strategischer Vorteil.
Fortgeschrittene Strategien
Über die Basisanwendung hinaus gibt es mehrere Strategien, die die Wirksamkeit von Lookalike Audiences steigern.
Value-Based Lookalikes
Statt alle Kunden gleich zu behandeln, gewichtest du die Quellzielgruppe nach Kundenwert. Meta bietet die Möglichkeit, Custom Audiences mit einem Wert-Parameter (etwa Umsatz oder Customer Lifetime Value) zu erstellen. Der Algorithmus sucht dann nach Nutzern, die nicht nur deinen Kunden ähnlich sind, sondern speziell deinen wertvollsten Kunden. Die resultierenden Lookalikes haben ein höheres durchschnittliches Umsatzpotenzial.
Lookalike-Layering mit Interessen
Du kannst Lookalike Audiences mit zusätzlichen Targeting-Schichten kombinieren. Eine 3-Prozent-Lookalike, eingeschränkt auf Nutzer mit bestimmten Interessen oder in einer bestimmten Altersgruppe, ist präziser als die reine Lookalike. Allerdings reduziert jede zusätzliche Schicht die Reichweite. Ob das Layering die Performance verbessert oder nur das Volumen einschränkt, zeigen nur Tests.
Multi-Source Lookalikes
Erstelle verschiedene Lookalike Audiences aus unterschiedlichen Quellen: eine basierend auf deinen Top-Kunden, eine auf engagierten Website-Besuchern, eine auf Newsletter-Abonnenten. Teste diese Lookalikes gegeneinander, um zu verstehen, welche Quelle die besten Ergebnisse liefert. Die Antwort variiert je nach Geschäftsmodell und Kampagnenziel.
Suppression Lists
Schliesse bestehende Kunden und aktive Leads aus deinen Lookalike-Kampagnen aus. Ohne Suppression Lists zeigst du Akquisitionswerbung an Menschen, die bereits gekauft haben — das verschwendet Budget und kann irritierend wirken. Die Kombination aus Lookalike-Targeting für Neukundengewinnung und Retargeting für bestehende Kontakte ergibt eine saubere Kampagnenarchitektur.
Messung und Optimierung
Die Performance von Lookalike Audiences muss kontinuierlich gemessen und optimiert werden.
A/B-Testing ist unverzichtbar. Teste verschiedene Quellzielgruppen, Ähnlichkeitsgrade und Creative-Varianten gegeneinander. Nur systematisches Testen zeigt, welche Kombination für dein Geschäftsmodell optimal ist.
Audience Fatigue ist ein reales Problem. Lookalike Audiences sind endlich — wenn du dieselbe Zielgruppe über Wochen mit denselben Anzeigen bespielst, sinkt die Performance. Frische Creatives, aktualisierte Quellzielgruppen und der Wechsel zwischen Ähnlichkeitsgraden halten die Performance stabil.
Inkrementalitätsmessung geht über den reinen ROAS hinaus und fragt: Hätten diese Nutzer auch ohne die Lookalike-Kampagne konvertiert? Holdout-Tests — bei denen ein Teil der Zielgruppe keine Werbung sieht — zeigen den tatsächlichen inkrementellen Wert der Kampagne.
Wir nutzen für die Performance-Bewertung ein strukturiertes Framework: CPA und ROAS als primäre KPIs, ergänzt durch Frequenz-Monitoring (um Audience Fatigue frühzeitig zu erkennen), Audience-Overlap-Analysen (um Kannibalisierung zwischen verschiedenen Lookalikes zu vermeiden) und regelmäßige Quellzielgruppen-Updates.
Praxisbeispiel: Konkreter Fall aus Q1 2026: Bei einem Audit einer Next.js-basierten Tourismusplattform mit 4.971 URLs fanden wir 230 Soft-404-Seiten und Canonical-Tags, die auf /undefined/ verwiesen. Wenn Conversion-Pixel auf solchen Seiten feuern, fliessen fehlerhafte Signale in die Quellzielgruppe für Lookalike Audiences. Der Algorithmus lernt dann auf Nutzerprofilen, die nie eine echte Conversion durchgeführt haben — die resultierende Lookalike ist von Anfang an kontaminiert.
Think11-Praxis
Lookalike Audiences gehören zu den Instrumenten, die wir in nahezu jeder Performance-Kampagne einsetzen. Sie sind der effizienteste Weg, um über die bestehende Zielgruppe hinauszuwachsen, ohne in die Streuverluste breiten Targetings zu laufen. Aber ihre Wirksamkeit hängt von der Datenqualität ab — und genau hier sehen wir in der Praxis die größten Unterschiede.
Unternehmen mit sauberem CRM, strukturierten Kundendaten und einem durchdachten First-Party-Data-Setup erzielen signifikant bessere Lookalike-Ergebnisse als Unternehmen, deren Datengrundlage lückenhaft ist. Deshalb beginnt unsere Arbeit oft nicht bei der Kampagnensteuerung, sondern bei der Dateninfrastruktur. Ein sauber gepflegtes CRM mit einer klaren Kundensegmentierung, das auch die Buyer Personas des Unternehmens widerspiegelt, ist die Grundlage für hochwertige Lookalikes.
Ein konkretes Beispiel: Ein E-Commerce-Kunde hatte seine Lookalike Audiences bisher auf Basis aller Käufer der letzten zwölf Monate erstellt — ohne Differenzierung. Wir haben die Quellzielgruppe in drei Segmente aufgeteilt: Top-Kunden (obere 20 Prozent nach CLV), Wiederkäufer (mindestens zwei Käufe) und Einmalkäufer. Für jedes Segment haben wir separate Lookalikes erstellt und getestet. Das Ergebnis: Die Top-Kunden-Lookalike lieferte einen um 45 Prozent niedrigeren CPA als die undifferenzierte Variante. Die Wiederkäufer-Lookalike lag dazwischen. Die Einmalkäufer-Lookalike performte kaum besser als breites Interessen-Targeting.
Dieses Muster bestätigt sich projektübergreifend: Je wertvoller und spezifischer die Quellzielgruppe, desto besser die Lookalike. Deshalb investieren wir gemeinsam mit unseren Kunden in die Datenqualität, bevor wir das Mediabudget hochskalieren. Die beste Kampagnensteuerung kann eine schwache Datengrundlage nicht kompensieren.
Im Rahmen unserer Programmatic-Advertising-Strategie setzen wir Lookalike Audiences als Bestandteil einer mehrstufigen Kampagnenarchitektur ein: Lookalikes für die Neukundengewinnung am oberen Funnel, Retargeting für die Konvertierung bekannter Nutzer, und CRM-basierte Kampagnen für Upselling und Kundenbindung. Diese Architektur stellt sicher, dass jeder Euro dort wirkt, wo er den größten Hebel hat. Als datengetriebene Agentur mit tiefem Verständnis für Audience-Strategien begleiten wir unsere Kunden dabei von der Datenanalyse über die Kampagnenstruktur bis zur laufenden Optimierung — ob im Social-Media-Marketing oder über programmatische Kanäle.
