Lookalike Audience
Eine Lookalike Audience ist eine neue Gruppe von Interessenten, die eine Werbeplattform bildet, indem sie Personen findet, die einer Ausgangsliste Ihrer bestehenden Kunden oder Leads ähneln.
Das Wichtigste in Kürze
- Die Plattform sortiert eine Bevölkerung nach Ähnlichkeit zu zugeordneten Seed-Profilen.
- Die Ein-Prozent-Stufe ist am engsten und kleinsten, zehn Prozent sind loser.
- Größe, Aktualität und Homogenität des Seeds zählen mehr als jede Targeting-Einstellung.
- Gemischte Seeds mitteln zwei Kundentypen und beschreiben am Ende keinen.
- Lookalikes erben die Akquise-Verzerrung der Liste, aus der sie entstanden sind.
Im Detail
Eine Lookalike beginnt mit einer Seed-Liste aus Kennungen, die die Plattform ihren eigenen Konten zuordnet. Danach vergleicht sie diese Profile mit allen übrigen Menschen in einem gewählten Land und sortiert die Bevölkerung nach Ähnlichkeit über Tausende von Verhaltens- und Demografiesignalen, die Sie nie zu sehen bekommen. Sie wählen eine Prozentgrenze: Das oberste Prozent ist die engste Übereinstimmung mit der kleinsten Reichweite, zehn Prozent sind loser und deutlich größer. Die Zielgruppe gilt je Land und wird regelmäßig aktualisiert.
Drei Eigenschaften des Seeds entscheiden über das Ergebnis: Größe, Aktualität und Homogenität. Unter etwa tausend zugeordneten Mitgliedern hat das Modell zu wenig, um zu verallgemeinern; deutlich darüber bringen zusätzliche Mitglieder wenig, sofern sie sich nicht wirklich ähneln. Ein Seed, der Enterprise-Käufer und Gratis-Anmeldungen mischt, ergibt den Durchschnitt zweier verschiedener Menschen und beschreibt damit keinen von beiden. Aktualität zählt, weil Verhalten wandert: Ein zwei Jahre alter Seed kodiert still einen Markt, den es so nicht mehr gibt.
In der Praxis fahren Teams mehrere Prozentstufen als getrennte Anzeigengruppen und lassen das Budget dorthin wandern, wo die Rechnung aufgeht; die engere Stufe wird aus der loseren ausgeschlossen, damit sie nicht konkurrieren. Seeds werden monatlich aus den jüngsten qualifizierten Kunden neu gebaut. Ein Scorecard-Funnel macht das fast automatisch, weil jede neue Kohorte von Teilnehmern der obersten Stufe bereits gekennzeichnet ist und ohne Handarbeit als nächster Seed exportiert werden kann. Niemand muss dann von Hand entscheiden, wer als guter Lead gilt.
Eine Lookalike kann nur die Kunden reproduzieren, die Sie bereits gefunden haben, und erbt damit jede Verzerrung Ihrer bisherigen Akquise. Kam frühes Wachstum aus einem Kanal, zeigt das Modell weiter auf dessen Zielgruppe und weg von Segmenten, die Sie nie erreicht haben. Für eine völlig neue Kategorie ohne Kundenliste hilft es gar nicht. Und weil Auslieferungsalgorithmen im breiten Targeting besser werden, findet eine gut gefütterte Conversion-Kampagne oft dieselben Menschen ohne Seed. Ein Test gegen breite Auslieferung lohnt sich deshalb regelmäßig.
Beispiel aus der Praxis
So wird es gemessen
Vergleichen Sie jede Lookalike-Stufe mit einer Kontrollzielgruppe, die dasselbe Creative und Angebot fährt, denn eine Lookalike, die gegen nichts gewinnt, beweist nichts. Nebeneinander gehören die Kosten je qualifiziertem Lead und der Anteil der Leads, die zu einem Vertriebsgespräch führen. Eine Stufe mit billigen Leads und niedriger Qualifizierungsquote findet Menschen, die nur an der Oberfläche ähnlich sind.
Prüfen Sie auch den Seed selbst, nicht nur die Kampagne. Die Match-Rate, also wie viele hochgeladene Datensätze die Plattform erkannt hat, setzt eine Obergrenze für die Qualität; eine niedrige Rate deutet meist auf veraltete oder schlecht formatierte Kontaktdaten. Verfolgen Sie außerdem, ob die Zielgruppe zwischen den Aktualisierungen noch wächst, und vergleichen Sie über Monate den Wert der je Stufe gewonnenen Kunden.
Häufige Fehler
Den Seed einmal zu bauen und nie wieder anzufassen, ist das stillste Versagen. Die Zielgruppe läuft weiter, die Ergebnisse sinken über Monate, und niemand verbindet den Rückgang mit einer Liste, die vor der letzten Produktänderung entstand. Setzen Sie einen Neuaufbau in den Kalender, nutzen Sie nur Kunden aus einem aktuellen Zeitfenster und lassen Sie die alte Zielgruppe zwei Wochen parallel laufen, damit der Vergleich echt ist.
Ein weiterer verbreiteter Fehler ist, eine Lookalike zusätzlich mit dichten Interessen- und Demografiefiltern zu belegen. Das Modell hat bereits nach Ähnlichkeit ausgewählt; Altersgruppen und Jobtitel entfernen also genau die Menschen, die es als vielversprechend erkannt hat, und schrumpfen die Zielgruppe unter eine arbeitsfähige Größe. Misstrauen Sie der Zielgruppe, reparieren Sie den Seed statt der Filter. Sinnvoll bleibt allein der Ausschluss bestehender Kunden.
Häufig gestellte Fragen
Wie groß sollte meine Seed-Zielgruppe sein?
Die meisten Plattformen empfehlen mindestens 1.000 bis einige Tausend hochwertige Datensätze, doch Sauberkeit zählt mehr als Größe. Eine fokussierte Liste Ihrer besten Kunden schlägt eine große, mit geringwertigen Kontakten aufgefüllte Liste.
Was macht einen guten Lookalike-Seed für einen Quiz-Funnel aus?
Ihre am höchsten bewerteten, vertriebsqualifizierten Quiz-Leads sind ein exzellenter Seed, weil die Scorecard bereits nach Eignung gefiltert hat. Aus ihnen zu seeden, bringt der Plattform bei, mehr Personen Ihres idealen Kundenprofils zu finden.
Wie unterscheidet sich eine Lookalike von Retargeting?
Retargeting spricht Personen erneut an, die Sie bereits kennen, während eine Lookalike völlig neue Interessenten findet, die Ihrer besten Zielgruppe ähneln. Lookalikes erweitern die Reichweite oben im Funnel, Retargeting gewinnt Konversionen weiter unten zurück.
Welche Prozentstufe sollte ich wählen?
Beginnen Sie bei einem Prozent, um zu sehen, ob der Seed überhaupt Signal trägt, und weiten Sie erst aus, wenn die Ergebnisse halten. Schlägt die engste Stufe breites Targeting nicht, liegt es am Seed, und eine weitere Stufe repariert das nicht. Größere Budgets brauchen größere Stufen, schon um Übersättigung zu vermeiden; die richtige Stufe hängt also auch am geplanten Volumen.
Wie oft sollte ich eine Lookalike neu bauen?
Monatlich ist ein sinnvoller Standard, wenn stetig neue qualifizierte Kunden hinzukommen, quartalsweise, wenn sie nur tröpfeln. Bauen Sie früher neu, sobald sich ändert, wer kauft: neuer Preis, neue Produktstufe, Eintritt in einen anderen Markt. Lassen Sie die vorherige Zielgruppe nach jedem Neuaufbau ein bis zwei Wochen weiterlaufen, damit sichtbar wird, ob der neue Seed wirklich besser ist.
Kann ich Websitebesucher statt Kunden als Seed nutzen?
Ja, und als Ausweichlösung ist das sinnvoll, wenn die Kundenliste zu klein für eine gute Zuordnung ist. Erwarten Sie eine schwächere Zielgruppe, weil unter Besuchern auch alle Zufallsankömmlinge sind. Verlangen Sie in diesem Fall Interaktionstiefe statt bloßen Besuchs: Menschen, die einen späten Funnel-Schritt erreichten, echte Zeit verbrachten oder ein Formular ausfüllten. Das nähert Absicht an, ohne einen Kauf zu verlangen.
Was ist eine wertbasierte Lookalike?
Eine Lookalike, deren Seed je Datensatz eine Zahl trägt, meist Umsatz oder einen Lead-Score, sodass das Modell wertvollere Mitglieder stärker gewichtet. Das wirkt, wenn die Spannbreite des Kundenwerts groß und die Datenbasis ehrlich ist. Bei enger Spannbreite bringt es nichts gegenüber einer einfachen Liste, und mit erfundenen Werten lernt das Modell, nach dem falschen Muster zu suchen.
Funktionieren Lookalikes über mehrere Länder hinweg?
Jede Lookalike entsteht innerhalb eines Landes, weil das Modell den Seed gegen die Bevölkerung dieses Landes vergleicht. Für die Expansion legen Sie je Markt eine eigene Zielgruppe aus demselben Seed an, müssen aber mit schwankender Qualität rechnen: Kunden aus einem Markt bilden einen anderen mit abweichendem Kaufkontext schlecht ab. Wo lokale Kunden existieren, seeden Sie jeden Markt aus seinen eigenen.
Lohnen sich Lookalikes noch, wenn breites Targeting funktioniert?
Sie lohnen einen Test, keine Annahme. Die breite Auslieferung ist inzwischen so gut, dass eine Kampagne mit reichlich sauberen Conversion-Daten eine Lookalike oft einholt, besonders auf großen Plattformen. Ihren Platz behalten Lookalikes, wenn das Konto neu ist und wenig Historie hat, wenn der Käufer selten ist oder wenn Sie einen bestimmten Kundentyp wollen statt der günstigsten Conversion.