Ähnliche Zielgruppen

Definition: Ähnliche Zielgruppen (englisch: Similar Audiences, auch Lookalike Audiences genannt) sind in Google Ads automatisch generierte Nutzersegmente, die aus dem Surf-, Such- und Interaktionsverhalten der Mitglieder einer bestehenden Quell-Zielgruppe abgeleitet werden. Google analysiert das digitale Verhaltensmuster der Nutzer in einer Remarketing-Liste oder Customer-Match-Liste und identifiziert weitere Nutzer im Google-Netzwerk, die ähnliche Verhaltensprofile aufweisen – ohne dass diese Nutzer jemals die Website des Werbetreibenden besucht haben müssen. Ähnliche Zielgruppen wurden von Google Ads erstmals 2012 für das Google Display-Netzwerk eingeführt und später auf Search, YouTube und Discovery-Kampagnen ausgeweitet. Die Quell-Liste muss für die automatische Erstellung einer ähnlichen Zielgruppe eine Mindestgröße von 1.000 aktiven Nutzern (Cookies oder gematchte Google-Konten) aufweisen, damit der Algorithmus statistisch robuste Verhaltensprofile ableiten kann. Die Größe der generierten ähnlichen Zielgruppe ist typischerweise ein Vielfaches der Quell-Liste und kann Millionen von Nutzern umfassen. Im August 2023 hat Google angekündigt, ähnliche Segmente als eigenständige Targeting-Option schrittweise abzuschalten und die Funktion vollständig in die automatisierten Systeme von Smart Bidding und optimiertem Targeting zu integrieren. Hintergrund ist die zunehmende Einschränkung von Third-Party-Cookies durch Browser-Anbieter (Apple Safari, Firefox, Google Chrome ab 2024) und datenschutzrechtliche Anforderungen unter der DSGVO sowie dem CCPA in Kalifornien. Seit Mai 2023 werden keine neuen ähnlichen Segmente mehr erstellt; bestehende Segmente können noch als Beobachtungszielgruppen genutzt werden, erlauben aber kein Ausrichtungs-Targeting mehr.

Erläuterung

Das Konzept der Lookalike Audiences hat seinen Ursprung im Direct-Mail-Marketing der 1980er-Jahre, wo Kundenadresslisten mit Merkmalsmodellen abgeglichen wurden, um ähnliche Neukunden zu identifizieren. Im digitalen Marketing wurde das Modell durch Facebook Ads populär: Meta (damals Facebook) führte 2013 Lookalike Audiences als eigenständiges Targeting-Feature ein und verzeichnete laut eigenen Angaben 50 % niedrigere Kosten pro Akquisition (CPA) gegenüber Interest-Targeting für viele Werbetreibende. Google folgte mit der Ausweitung ähnlicher Segmente auf Search-Kampagnen ab 2017 und ermöglichte damit Neukundenakquise mit verhaltensbasierter Präzision auch im Suchnetzwerk. Die technische Grundlage in Google Ads basiert auf der Analyse von Signalen wie besuchten Websites, angesehenen YouTube-Inhalten, durchgeführten Google-Suchanfragen und App-Nutzungsverhalten, die innerhalb von Googles Werbenetzwerk erfasst werden. Im Gegensatz zu Facebook, das eigene Log-in-Daten nutzt, stützt sich Google stärker auf Third-Party-Cookie-Daten und eigene First-Party-Signale aus Chrome, Search und YouTube. Der Rückgang der Cookie-Verfügbarkeit durch iOS 14.5 (App Tracking Transparency, April 2021) und die schrittweise Deprecation von Third-Party-Cookies haben die Präzision ähnlicher Zielgruppen messbar reduziert und beschleunigten Googles Entscheidung zur Abschaltung. Als moderne Alternativen empfiehlt Google Performance Max-Kampagnen mit hochwertigen Customer-Match-Eingaben sowie das optimierte Targeting in Display- und Demand-Gen-Kampagnen.

Funktionsweise und technische Basis

Quell-Listen: Remarketing-Listen (Website-Besucher, Warenkorbabbrecher), Customer-Match-Listen (hochgeladene Kundendaten) und YouTube-Zuschauerlisten bilden die Grundlage; je spezifischer und qualitativer die Quell-Liste, desto präziser die ähnliche Zielgruppe.
Algorithmus: Google analysiert das Verhaltensmuster der Quell-Listennutzer (Suchanfragen, besuchte Seiten, YouTube-Konsum) und sucht im Google-Netzwerk nach Nutzern mit statistisch ähnlichem Profil; der Ähnlichkeitsschwellenwert ist nicht öffentlich dokumentiert.
Mindestgröße: Die Quell-Liste benötigt mindestens 1.000 aktive Mitglieder; Google empfahl für qualitativ hochwertige ähnliche Zielgruppen Quell-Listen mit 5.000–10.000 Nutzern.
Aktualität: Ähnliche Segmente werden automatisch aktualisiert, wenn die Quell-Liste wächst oder sich ändert; die Aktualisierungsfrequenz beträgt laut Google mehrmals wöchentlich.

Moderne Alternativen nach der Abschaltung

Performance Max mit Customer Match: PMax-Kampagnen nutzen Customer-Match-Listen als Audience Signal und erweitern die Reichweite auf ähnliche Nutzer automatisch über alle Google-Kanäle hinweg.
Optimiertes Targeting: Display- und Demand-Gen-Kampagnen erweitern die Zielgruppenausrichtung automatisch auf ähnliche Nutzer, wenn der Algorithmus profitable Konversionssignale erkennt.
Custom Segments: Selbst erstellte Segmente auf Basis von Interesse-Keywords, besuchten URLs oder genutzten Apps können ähnliche Zielgruppen funktional ersetzen.
First-Party-Datenstrategie: Werbetreibende, die aktiv Kundendaten sammeln (E-Mail-Adressen, CRM-Daten) und regelmäßig als Customer-Match-Listen hochladen, erzielen die besten Ergebnisse im cookielosen Targeting-Umfeld.

Praxistipp: Da ähnliche Segmente als eigenständiges Targeting abgeschaltet wurden, verlagern Sie die Neukundenakquise auf Performance-Max-Kampagnen mit hochwertigen Customer-Match-Listen: Laden Sie Ihre besten 1.000–5.000 Kundendaten (E-Mail-Adressen von High-Value-Kunden) als Customer-Match-Liste hoch und nutzen Sie diese als primäres Audience Signal in PMax. Ergänzen Sie In-Market-Segmente als zweites Audience Signal. Performance Max mit diesen Inputs erzielt in der Praxis ähnliche oder bessere Ergebnisse als das frühere ähnliche-Segmente-Targeting.