Lookalike-Modellierung
Lookalike-Modellierung ist eine Technik, die die Merkmale einer bekannten Gruppe wertvoller Kunden analysiert und neue Interessenten mit ähnlichen Eigenschaften findet.
Das Wichtigste in Kürze
- Der gewählte Prozentsatz ist ein Schnitt in einer Rangliste, keine Ähnlichkeitsschwelle.
- Nur der zugeordnete Teil einer hochgeladenen Seed trainiert das Modell tatsächlich.
- Eine gemischte Seed vermengt getrennte Muster und ergibt eine Zielgruppe ohne klares Profil.
- Wertgewichtete Seeds sagen dem Modell, welche Kundenmuster mehr wert sind.
- Lookalikes reproduzieren die Schieflage des Bestands und finden keine unerprobten Segmente.
Im Detail
Technisch bildet die Plattform für jeden ihr bekannten Nutzer einen Merkmalsvektor, trainiert ein Modell, das Ihre Seed-Mitglieder von allen anderen trennt, und sortiert die übrige Population nach diesem Score. Der von Ihnen gewählte Prozentsatz ist ein Schnitt in dieser Rangliste und keine Ähnlichkeitsschwelle: Eine Ein-Prozent-Zielgruppe ist schlicht die oberste Scheibe der Nutzer eines Landes nach Modell-Score. Nur der Teil Ihrer Seed, den die Plattform echten Konten zuordnen kann, trägt bei, weshalb Upload-Größe und Match-Rate zwei verschiedene Zahlen sind.
Seed-Größe, Homogenität und Aktualität ziehen gegeneinander. Eine zu kleine Seed lässt das Modell Rauschen anpassen; eine mit jedem jemals gewonnenen Käufer aufgefüllte Seed mischt mehrere getrennte Muster und erzeugt eine Zielgruppe, die niemandem im Besonderen gleicht. Ein weiterer Prozentschnitt kauft Reichweite auf Kosten der Präzision, und jeder Schritt nach außen verdünnt in Richtung Gesamtmarkt. Wertgewichtete Seeds, bei denen jedes Mitglied einen Umsatzwert trägt, schlagen flache Listen meist, weil sie dem Modell sagen, welche Muster mehr wert sind.
In der Praxis bauen Teams eine kleine Leiter von Seeds: gewonnene Accounts, Kunden mit hohem Lebenszeitwert und aktuelle Leads mit hoher Kaufabsicht, und testen dann enge und breite Schnitte dagegen. Bestandskunden werden von der Auslieferung ausgeschlossen, damit Budget in die Akquise fließt, und zusätzliche demografische Ebenen bleiben dünn, weil schweres manuelles Targeting gegen das darunterliegende Modell arbeitet. Ein Scorecard-Quiz ist eine praktische Seed-Quelle, weil nur Leads oberhalb einer Punktschwelle exportiert werden.
Eine Lookalike-Zielgruppe findet nur Menschen, die den bereits in der Seed enthaltenen ähneln, verstärkt also die Form Ihres heutigen Bestands und entdeckt kein Segment, an das Sie nie verkauft haben. Jede zufällige Schieflage dieses Bestands, etwa ein Kanal, der eine Region oder eine Berufsfamilie übergewichtet hat, wird im großen Maßstab reproduziert. Das Modell ist zudem durch das begrenzt, was die Plattform über ihre Nutzer beobachtet, und in engen B2B-Märkten ist die qualifizierende Population oft schlicht zu klein für eine sinnvolle Rangfolge.
Beispiel aus der Praxis
So wird es gemessen
Beurteilen Sie eine Lookalike an nachgelagerter Qualität, nicht an Klickwerten. Vergleichen Sie Kosten pro qualifiziertem Lead und Abschlussquote gegen eine breit ausgesteuerte Kontrolle mit identischem Creative, denn eine Lookalike, die nur die Klickrate hebt, selektiert auf Neugier. Verfolgen Sie den Anteil der Leads aus der Zielgruppe, die Ihre Passungskriterien erfüllen; liegt er nicht höher als bei ungezieltem Traffic, trägt die Seed nicht das angenommene Signal.
Beobachten Sie den Verfall über die Lebensdauer der Zielgruppe. Die Modell-Scores werden laufend neu berechnet, doch Ihre Seed altert; frischen Sie sie in festem Takt auf und vergleichen Sie die Leistung davor und danach. Frequenz und Reichweite zeigen zudem die Sättigung: steigende Frequenz bei flacher Conversion bedeutet, dass ein weiterer Prozentschnitt billiger ist als höhere Gebote.
Häufige Fehler
Der häufigste Fehler ist, mit der billigsten verfügbaren Liste zu seeden, meist allen Newsletter-Abonnenten oder jedem Formulareintrag. Das Modell lernt dann, wie ein Content-Downloader aussieht, und die entstehende Zielgruppe konvertiert zu Content statt zu Umsatz. Seeden Sie auf das Ergebnis, von dem Sie mehr wollen: gewonnene Accounts oder Kunden jenseits einer Bindungsschwelle, auch wenn die Liste dadurch schrumpft. Eine kleinere Seed auf dem richtigen Ergebnis schlägt eine große aus Bequemlichkeit.
Der zweite Fehler ist, schweres manuelles Targeting auf eine Lookalike zu stapeln: Jobtitel, Interessen, enge Altersbänder. Jede Ebene entfernt Personen, die das Modell aus für Sie unsichtbaren Gründen hoch bewertet hat, und die Zielgruppe schrumpft, bis die Auslieferung teuer wird. Nutzen Sie Ausschlüsse großzügig, denn Bestandskunden zu entfernen ist eindeutig, aber ergänzen Sie positive Filter einzeln und nur, wenn ein Test die ungefilterte Zielgruppe schlechter zeigt.
Häufig gestellte Fragen
Wie groß sollte eine Seed-Zielgruppe für Lookalike-Modellierung sein?
Groß genug, damit das Modell ein stabiles Muster findet, also meist einige tausend zugeordnete Datensätze statt einiger hundert. Wichtiger ist, dass die Mitglieder ein echtes gemeinsames Muster teilen. Wenn Sie wählen müssen, schlägt eine enge Seed am unteren Rand der Größenspanne eine große, die nur aus unverbundenen Gruppen zusammengesetzt wurde, um ein Minimum zu erreichen.
Ist Lookalike-Modellierung dasselbe wie Predictive Scoring?
Nein. Lookalike-Modellierung sortiert eine externe Population nach Ähnlichkeit zu einer von Ihnen gelieferten Seed und läuft in der Werbeplattform auf deren Daten. Predictive Scoring sortiert Personen in Ihrer eigenen Datenbank nach der Wahrscheinlichkeit einer künftigen Handlung, auf Ihren Daten. Das eine findet neue Interessenten, das andere priorisiert bekannte Kontakte.
Wie oft sollte eine Lookalike-Zielgruppe aufgefrischt werden?
Frischen Sie die Seed auf, sobald ein spürbarer Teil davon an Relevanz verloren hat, für die meisten Teams monatlich oder quartalsweise. Plattformen berechnen Scores laufend neu, können aber eine Seed nicht korrigieren, die die Kunden des Vorjahres beschreibt. Früher auffrischen sollten Sie nach jeder Änderung, die verändert, wer bei Ihnen kauft, etwa einer neuen Preisstufe oder Neupositionierung.
Mit welchem Lookalike-Prozentsatz sollte ich starten?
Starten Sie eng, typischerweise mit der kleinsten verfügbaren Scheibe, und weiten Sie erst aus, wenn die Auslieferung stockt oder die Kosten durch Sättigung steigen. Die enge Stufe prüft überhaupt erst, ob die Seed Signal trägt; scheitert sie dort, retten breitere Stufen sie nicht. Schrittweises Ausweiten zeigt danach genau, wo die Präzision abfällt.
Warum schneidet meine Lookalike schlechter ab als breites Targeting?
Meist stimmt die Seed nicht oder die Zielgruppe ist überschichtet. Eine Seed aus allgemeinen Anmeldungen bringt dem Modell bei, weitere Anmeldungen zu finden, nicht Käufer, und gestapelte Filter entfernen die höchstbewerteten Personen. Modernes breites Targeting ist zudem stark, sodass eine Lookalike es bei qualifizierter Pipeline schlagen muss, nicht bei Impressionen. Testen Sie beides mit identischem Creative.
Funktioniert Lookalike-Modellierung auch ohne Werbeplattform?
Ja. Dieselbe Logik gilt für Ihre eigene Datenbank: Nehmen Sie Ihre besten Kunden als Seed, bestimmen Sie die trennenden Merkmale und bewerten Sie bestehende Kontakte oder eine angereicherte Liste nach Ähnlichkeit. Das ist langsamer und braucht eigene Daten, doch die Bewertung ist transparent und Sie sehen, welche Merkmale sie treiben.