Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Lookalike Targeting

Definition: Lookalike Targeting (auch: Similar Audience Targeting oder Lookalike Modeling) ist eine datengetriebene Methode der Zielgruppenaussteuerung, bei der Machine-Learning-Algorithmen auf Basis einer definierten Ausgangsgruppe – der sogenannten Seed Audience – neue Nutzer identifizieren, die in Demografie, Interessen, Online-Verhalten und weiteren Signalen den Mitgliedern der Seed Audience möglichst ähnlich sind. Ziel ist die effiziente Skalierung von Neukundenaquisitions-Kampagnen (Prospecting): Statt neue Zielgruppen explorativ zu testen, leitet der Algorithmus die Suche aus dem Profil der besten bestehenden Kunden ab und findet im verfügbaren Inventar Nutzer, die diesem Profil entsprechen. Die Qualität und Relevanz des Lookalike-Segments hängt unmittelbar von der Qualität und Größe der Seed Audience ab: Je homogener und wertvoller die Seed-Gruppe (z.B. Mehrfachkäufer mit hohem Customer Lifetime Value), desto präziser das resultierende Lookalike-Modell. Lookalike Targeting ist in nahezu allen großen Werbeplattformen verfügbar – Meta (Facebook/Instagram), Google Ads (ähnliche Segmente in YouTube und Display), The Trade Desk, Amazon DSP und andere –, wobei die algorithmischen Modelle und verfügbaren Datensignale je nach Plattform stark variieren. Jede dieser Plattformen verwendet proprietäre, nicht vollständig transparente Modelle, weshalb Lookalike-Segmente von Plattform zu Plattform unterschiedliche Qualität und Reichweite aufweisen.

Erläuterung

Der konzeptionelle Ausgangspunkt des Lookalike Targetings ist die Annahme, dass Menschen mit ähnlichen Merkmalen auch ähnliche Bedürfnisse und Kaufabsichten haben. Wer einem typischen Kunden von Marke X ähnelt, ist mit höherer Wahrscheinlichkeit an den Produkten von Marke X interessiert als ein zufälliger Nutzer. Diese Intuition wird durch statistische Modellierung formalisiert.

Technisch funktioniert Lookalike Modeling in mehreren Schritten: Zunächst analysiert der Algorithmus die Seed Audience auf Gemeinsamkeiten – demografische Merkmale, geographische Lage, Interessengruppen, besuchte Website-Kategorien, Suchverhalten, App-Nutzung, Einkaufsverhalten und Hunderte weitere Signale. Dann werden diese gemeinsamen Merkmale zu einem statistischen Profil verdichtet. Anschließend durchsucht der Algorithmus die gesamte adressierbare Nutzer-Datenbank der Plattform nach Nutzern, die diesem Profil am ähnlichsten sind, und fasst sie zu einem Lookalike-Segment zusammen.

Ein wichtiges konzeptionelles Element ist der Ähnlichkeitsgrad (Similarity Score oder Lookalike Reach). Plattformen wie Meta erlauben typischerweise, Lookalike-Audiences in Prozent der Gesamtbevölkerung zu definieren: Ein 1%-Lookalike umfasst die 1% der Nutzer, die der Seed Audience am ähnlichsten sind – kleiner, aber präziser. Ein 10%-Lookalike ist zehnmal größer, enthält aber auch Nutzer, deren Ähnlichkeit zur Seed Audience geringer ist. In der Praxis liefern 1–3%-Lookalikes oft die besten Effizienzwerte (niedrigerer CPA), während größere Lookalikes für Reichweitenmaximierung genutzt werden.

Im Post-Cookie-Umfeld verliert Lookalike Targeting an Präzision, da die Datensignale für plattformübergreifendes Modeling abnehmen. Walled Gardens (Meta, Google, Amazon) mit großen First-Party-Datenpools sind weniger betroffen; Lookalike Modeling in Open-Web-DSPs ohne solide Identity-Basis leidet stärker unter der Erosion von Third-Party-Cookies. Alternativen wie First-Party-Daten-basiertes Lookalike Modeling über CDPs oder Privacy-Enhancing Technologies gewinnen an Bedeutung.

Seed Audience: Das Fundament des Lookalike Modells

Plattformspezifische Lookalike-Strategien

Praxistipp: Verwenden Sie als Seed Audience ausschließlich Ihre wertvollsten Konverter – definiert als Kunden mit dem höchsten Customer Lifetime Value, nicht einfach alle Website-Besucher. Eine „Beste 10%-Kunden nach CLV"-Seed Audience liefert typischerweise deutlich bessere Lookalike-CPAs als eine allgemeine Käufer-Audience. Testen Sie Lookalike-Segmente immer mit strikter Exclusion der bestehenden Kunden und der Original-Seed-Audience, um keine bereits bekannten Nutzer doppelt anzusprechen und den tatsächlichen Neukundenwert zu messen. Vergleichen Sie Lookalike-Performance regelmäßig mit Interest-Targeting-Alternativen – auf manchen Plattformen und für bestimmte Produkte können Interest-Segmente kostengünstiger skalieren.