Social-Media-Targeting
Definition: Social-Media-Targeting bezeichnet die präzise Definition und Auswahl der Zielgruppen, denen bezahlte Social-Media-Anzeigen ausgespielt werden, anhand einer Vielzahl demografischer, geografischer, verhaltensbezogener, interessenbasierter und technischer Kriterien. Es ist einer der entscheidenden Erfolgsfaktoren für effizientes Paid Social: Selbst das kreativste Werbemittel erzielt keine Wirkung, wenn es der falschen Zielgruppe gezeigt wird. Gleichzeitig kann präzises Targeting mit einem moderaten Creative bei einer hochrelevanten Zielgruppe hervorragende Ergebnisse liefern. Social-Media-Plattformen verfügen über außerordentlich reichhaltige Nutzerdaten – über Selbstangaben im Profil, Verhaltensweisen auf der Plattform, Interactions mit Inhalten und Apps sowie (in zunehmend eingeschränktem Umfang aufgrund von Datenschutzregulierung) über plattformübergreifende Daten. Diese Datenbasis ermöglicht ein Targeting-Niveau, das klassischen Werbekanälen wie Print oder TV weit überlegen ist: Statt eine breite Masse anzusprechen und auf statistische Überschneidung mit der Zielgruppe zu hoffen, können Social-Media-Kampagnen nahezu chirurgisch genau die Nutzer erreichen, die am wahrscheinlichsten auf das Angebot ansprechen.
Erläuterung
Targeting-Möglichkeiten haben sich in den letzten Jahren durch zwei gegenläufige Entwicklungen verändert: Einerseits wurden die Targeting-Optionen durch bessere KI und mehr Datenpunkte subtiler und leistungsfähiger. Andererseits haben Datenschutzregelungen (DSGVO, iOS 14 AppTrackingTransparency, Abschaffung von Third-Party-Cookies) die Präzision insbesondere bei User-Level-Targeting eingeschränkt. Die Folge: Plattformen wie Meta setzen zunehmend auf Advantage+ und KI-basiertes Broad Targeting, bei dem der Algorithmus selbst die beste Zielgruppe für ein Kampagnenziel findet – statt harte demografische Grenzen durch den Advertiser zu bekommen.
Diese Entwicklung hat die Targeting-Praxis grundlegend verändert: Während früher sehr enges, detailliertes Targeting als Qualitätsmerkmal galt, empfiehlt Meta heute für viele Kampagnenziele explizit, dem Algorithmus mit breiten Zielgruppen (ab 500.000 Personen) und ausreichend Lernphase mehr Freiheit zu geben. Das Signal für den Algorithmus kommt dann weniger aus dem Targeting-Setup als aus der Qualität der Conversions, die auf der Website getrackt werden.
LinkedIn ist in dieser Hinsicht ein Sonderfall: Die plattformeigenen Profildaten (Job-Titel, Unternehmen, Branche, Seniorität, Mitarbeiterzahl) sind einzigartig präzise für B2B-Targeting und nicht durch Third-Party-Cookie-Verluste beeinträchtigt, da sie aus Selbstangaben der Nutzer stammen.
Targeting-Optionen auf den wichtigsten Plattformen
- Demografisches Targeting: Auf allen Plattformen verfügbar: Alter, Geschlecht, geografischer Standort (Land, Region, Stadt, Umkreis), Sprache. Diese Basisoptionen sind hilfreich, sollten aber allein selten als einziges Targeting-Kriterium verwendet werden.
- Interessenbasiertes Targeting: Meta, TikTok und Pinterest bieten umfangreiche Interessenkategorien, die auf dem Nutzerverhalten auf der Plattform basieren – gelikte Seiten, Interaktionen mit Themen, Suchbegriffe (bei Pinterest). Effektiv für Awareness-Kampagnen, aber weniger präzise als verhaltensbasiertes Targeting.
- Verhaltensbasiertes Targeting: Targeting auf Basis von Kaufverhalten, Gerätenutzung, Reiseverhalten oder anderen Verhaltensmustern. Meta ist hier besonders stark, obwohl iOS-14-Einschränkungen die Präzision reduziert haben.
- LinkedIn-spezifisches B2B-Targeting: Einzigartige Targeting-Dimension: Job-Titel (z.B. „Head of Marketing“), Unternehmensgröße, Branche (nach NACE-Klassifikation), Seniorität, Mitgliedschaft in LinkedIn-Gruppen, Abschlüsse und Kenntnisse. Ideal für präzise B2B-Entscheider-Ansprache trotz hoher CPCs.
- Custom Audiences: Hochladen eigener Kundendaten (E-Mail-Listen, Telefonnummern, Customer IDs) zur Erstellung von Zielgruppen auf Basis bestehender Kunden – für Retargeting, Upselling oder zum Ausschluss bereits konvertierter Kunden aus Neukunden-Kampagnen.
- Lookalike Audiences: KI-basierte Erweiterung: Die Plattform analysiert die Charakteristika einer bestehenden Custom Audience (z.B. die besten 5 % der Bestandskunden) und findet ähnliche Nutzer in der Plattform-Nutzerbasis. Eine der effektivsten Targeting-Optionen für Scaling-Kampagnen.
Retargeting und Ausschluss-Targeting
- Website-Retargeting: Nutzer, die eine Website besucht haben (via Pixel getrackt), können mit spezifischen Anzeigen erneut angesprochen werden – segmentiert nach besuchten Seiten (z.B. Produktseiten, Warenkorb), Verweildauer oder ausgeführten Aktionen. Retargeting hat typischerweise höhere Conversion Rates als Prospecting-Kampagnen.
- Engagement Retargeting: Nutzer, die mit Anzeigen oder organischen Posts interagiert, Videos teilweise angeschaut oder das Instagram-Profil besucht haben, können separat angesprochen werden – ein wichtiger Baustein für Full-Funnel-Kampagnenarchitekturen.
- Ausschluss-Targeting: Strategisch ebenso wichtig wie das Targeting selbst: Bestehende Kunden aus Neukunden-Kampagnen ausschließen spart Budget und verhindert negative User Experience; kürzlich konvertierte Website-Besucher aus Akquisitions-Kampagnen ausschließen erhöht die Effizienz.
- Zielgruppen-Überschneidungen vermeiden: Wenn mehrere Kampagnen ähnliche Zielgruppen ansprechen, konkurrieren sie in der Auktion gegeneinander (Audience Overlap) und treiben den eigenen CPM künstlich nach oben – regelmäßige Audience-Overlap-Checks sind Teil professionellen Targeting-Managements.