Lookalike Audiences

Auch: Lookalike Audience, LAL, Zwillings-Zielgruppen, Statistische Zwillinge

Eine Zielgruppen-Technik der großen Werbeplattformen: Aus einer Ausgangsliste findet der Algorithmus statistische Zwillinge — Nutzer mit ähnlichem Verhalten, ähnlichen Interessen und ähnlichem Profil.

Kategorie: Werbung & Targeting (Klassiker der Social-Ads-Ära) Autor: Pereta

Kern-Logik

2013 auf der größten Social-Plattform eingeführt und seither von praktisch allen anderen übernommen. Der Gedanke dreht das klassische Targeting um.

Klassisch: Ich definiere selbst, wer meine Zielgruppe ist — Alter, Ort, Interessen, Berufsbezeichnung. Mit Lookalikes: Ich übergebe eine Liste meiner besten Kunden und sage: Finde mir mehr davon.

Der Algorithmus wertet Verhalten, Profilmerkmale und Interaktionsmuster der Ausgangsgruppe aus und sucht in der Gesamtnutzerbasis nach vergleichbaren Mustern. Je hochwertiger und spezifischer die Ausgangsliste, desto schärfer das Ergebnis.

Qualität schlägt Größe: 500 echte Premium-Kunden liefern meist bessere Zwillinge als 10.000 Newsletter-Adressen gemischter Herkunft. Die Plattformen empfehlen mindestens rund 1.000 Kontakte — aber eine kleine, saubere Liste ist einer großen, verwaschenen überlegen.

Die Ähnlichkeitsstufen:

Stufe	Bedeutung
1 %	höchste Ähnlichkeit, kleinste Reichweite
2–3 %	der praktische Kompromiss
5–10 %	große Reichweite, deutlich schwächere Ähnlichkeit

In der Praxis wird schrittweise skaliert: erst 1 %, bei stabiler Leistung 2 %, dann 3 %. Jede Vergrößerung verdünnt die Qualität und erhöht die Reichweite — eine bewusste Abwägung, keine Formsache.

Woher die Ausgangsliste kommt

Kundenliste aus der eigenen Datenbank — die beste Quelle
Ereignisse auf der Website — Käufer, Anfragen, hochwertige Interaktionen
Website-Besucher, nach Wertigkeit sortiert
Video-Zuschauer — wer 75 % gesehen hat, ist ein starkes Signal
Interaktionen in sozialen Netzwerken — Kommentar, Speichern, Direktnachricht

Konkrete Anwendungen

Für KMU-Kunden mit gewachsener Kundenliste ab etwa 500 Kontakten lohnt sich das Verfahren sofort. Ein Handwerksbetrieb mit 800 Bestandskunden lädt die Liste hoch, daraus entsteht eine Ein-Prozent-Zwillingsgruppe, und die Kampagne läuft geografisch eingegrenzt genau auf diese Gruppe. Das Ergebnis ist ein Zielgruppenausschnitt, der den vorhandenen Kunden statistisch ähnelt — also Menschen mit demselben Bedarf, in derselben Region, in derselben Lebenslage.

Für die eigene Akquise gilt dasselbe im Kleinen: Ausgangsliste sind die besten Kunden der letzten Jahre — eine kurze Liste, aber eine mit hoher Qualität — ergänzt um die kaufstärksten Segmente des Verteilers.

Datenschutz ist dabei kein Nebenaspekt: Kundendaten werden nur mit tragfähiger Rechtsgrundlage hochgeladen. Diese Prüfung gehört vor die Kampagne, nicht danach.

Wann einsetzen?

Wenn eine belastbare Kundenliste existiert — ohne sie fehlt die Grundlage
Zur Erweiterung nach erfolgreichem Retargeting — die Warmkontakte sind die beste Ausgangsliste
Nicht bei sehr kleinen oder gemischten Listen — dann erzeugt der Algorithmus Zufall statt Ähnlichkeit

Häufige Fehler

Die Liste nach Menge statt nach Wert bauen. Alle Kontakte hochladen verwässert genau das Signal, auf das es ankommt.
Zu schnell auf große Stufen gehen. Wer sofort bei 10 % startet, bekommt Reichweite ohne Passung — und schließt daraus fälschlich, das Verfahren funktioniere nicht.
Die Liste nie erneuern. Kundenstruktur verändert sich. Eine drei Jahre alte Ausgangsliste beschreibt einen Betrieb, den es so nicht mehr gibt.