Eine Lookalike Audience (ähnliche Zielgruppe) ist eine von Meta automatisch erstellte Zielgruppe aus Nutzern, die einer vorhandenen Quell-Zielgruppe statistisch ähneln — etwa den eigenen Kunden oder Website-Convertern. Meta analysiert dafür Merkmale und Verhaltensmuster der Quellgruppe und findet neue Personen mit vergleichbarem Profil. Lookalikes sind ein zentrales Werkzeug, um Neukunden mit hoher Passung zu erreichen.
Was ist eine Lookalike Audience?
Eine Lookalike Audience (ähnliche Zielgruppe) ist eine von Meta automatisch erstellte Zielgruppe aus Nutzern, die einer vorhandenen Quell-Zielgruppe statistisch ähneln — etwa den eigenen Kunden oder Website-Convertern. Meta analysiert dafür Merkmale und Verhaltensmuster der Quellgruppe und findet neue Personen mit vergleichbarem Profil. Lookalikes sind ein zentrales Werkzeug, um Neukunden mit hoher Passung zu erreichen, ohne die Zielgruppe manuell über Interessen zusammenstellen zu müssen. Die offizielle Beschreibung liefert die Meta-Hilfe zu Lookalike Audiences.
Der Reiz der Lookalike Audience liegt in der Verbindung von Datenbasis und Reichweite: Sie überträgt das, was gute Bestandskunden ausmacht, auf einen großen Kreis bislang unbekannter Nutzer. Damit schlägt sie eine Brücke zwischen den eigenen Bestandskontakten, die auf bekannten Personen beruhen, und der breiten Neukundengewinnung, die sonst auf Annahmen angewiesen wäre.
Wie funktioniert eine Lookalike Audience?
Ausgangspunkt ist eine Quell-Zielgruppe, in der Regel eine Custom Audience — zum Beispiel Käufer der letzten 90 Tage, Personen, die ein Kontaktformular über eine Lead Ad abgesendet haben, oder eine hochgeladene Kundenliste. Wie solche Quellgruppen entstehen, beschreibt die Meta-Hilfe zu Custom Audiences. Meta wertet die gemeinsamen Merkmale dieser Personen aus, etwa Interessen, Verhalten und demografische Daten, und identifiziert im gewählten Zielland die Nutzer, die diesem Profil am stärksten ähneln.
Die Größe wird in Prozent der Bevölkerung des Ziellandes festgelegt, üblicherweise zwischen 1 % und 10 %. Ein 1-%-Lookalike enthält die ähnlichsten Nutzer und ist am präzisesten; größere Prozentwerte erhöhen die Reichweite, verwässern aber die Ähnlichkeit. Mit dem Ausbau automatisierter Kampagnentypen wie Advantage+ übernimmt Meta die Zielgruppenfindung zunehmend selbst, wodurch klassische Lookalikes an Bedeutung verlieren, aber weiterhin als Signal und Startpunkt für den Algorithmus nützlich bleiben.
Ein verwandtes Konzept ist das Broad Targeting, bei dem der Werbetreibende ganz auf enge Zielgruppendefinitionen verzichtet und Meta die passenden Nutzer allein anhand der Conversion-Signale finden lässt. Lookalikes stehen zwischen dem präzisen Interessen-Targeting und diesem offenen Ansatz: Sie geben dem System eine datenbasierte Richtung vor, ohne es vollständig einzuschränken. In vielen Konten lohnt es sich, beide Wege parallel zu testen und zu vergleichen, welcher bei gleichem Ziel die besseren Ergebnisse liefert.
Warum sind Lookalike Audiences wichtig?
Lookalikes lösen ein Grundproblem der Neukundengewinnung: Interessen-Targeting beruht auf Annahmen darüber, wie die Zielgruppe tickt — Lookalikes dagegen auf realen Daten darüber, wer tatsächlich gekauft oder angefragt hat. Das führt häufig zu besserer Anzeigenleistung als manuell zusammengestellte Interessensgruppen, weil das Modell Muster erkennt, die ein Mensch gar nicht formulieren könnte.
Entscheidend ist die Qualität der Quelle: Ein Lookalike auf Basis zahlender Kunden findet andere — meist wertvollere — Nutzer als eines auf Basis aller Website-Besucher. Wer mehrere Quellstufen testet (Käufer, Leads, Besucher), findet heraus, welche Basis die profitabelsten neuen Zielgruppen liefert. Besonders stark werden Lookalikes, wenn die Quelle auf Conversion-Wert beruht und damit nicht nur Käufer, sondern besonders wertvolle Käufer abbildet. Ob ein Lookalike wirklich zusätzliche und nicht ohnehin erreichte Nachfrage bringt, lässt sich über die Inkrementalität messen, statt sich allein auf die zugewiesenen Conversions zu verlassen.
Lookalike Audiences in der Praxis
Für den Start empfiehlt sich ein 1-%- bis 3-%-Lookalike auf Basis der wertvollsten verfügbaren Quellgruppe mit ausreichender Größe — Meta empfiehlt als Quellbasis mindestens einige hundert bis wenige tausend Personen. Zu kleine oder heterogene Quellen führen zu unscharfen Ähnlichkeitsprofilen, weil das Modell zu wenige oder zu widersprüchliche Muster findet. Die Quelle sollte also möglichst homogen und gleichzeitig groß genug sein.
Ein typischer Fehler ist der parallele Einsatz mehrerer stark überlappender Lookalikes in getrennten Anzeigengruppen, wodurch die eigenen Kampagnen gegeneinander bieten und die Zielgruppenüberschneidung die Kosten treibt. Ebenfalls verbreitet: Die Quellgruppe wird nie aktualisiert, sodass das Lookalike auf veralteten Kundendaten basiert. Bei dynamischen Quellen wie Pixel-Zielgruppen aktualisiert sich das Lookalike dagegen automatisch mit und bleibt aktuell. Bei der Skalierung empfiehlt es sich, die Prozentstufe schrittweise zu erhöhen, statt sofort auf ein breites 10-%-Lookalike zu setzen, das die Ähnlichkeit stark verwässert.
Auch die Wahl des richtigen Kampagnenziels beeinflusst, wie gut ein Lookalike funktioniert: Ein auf Käufer optimiertes Lookalike entfaltet seine Stärke am besten in einer Conversion-Kampagne, nicht in einer reinen Reichweitenkampagne. Sinnvoll ist zudem, das Lookalike gegen die zugrunde liegende Quellgruppe abzugrenzen, damit Bestandskunden nicht doppelt angesprochen werden. So bleibt die Lookalike-Kampagne wirklich auf die Gewinnung neuer, ähnlicher Nutzer fokussiert und überschneidet sich nicht mit der Wiederansprache.
Lookalike Audiences und Datenschutz
Weil Lookalike Audiences auf einer Quell-Zielgruppe aufsetzen, erben sie deren datenschutzrechtliche Anforderungen: Beruht die Quelle auf dem Meta-Pixel oder einer hochgeladenen Kundenliste, gelten die Regeln der DSGVO und die Einwilligungspflichten der Quelle fort. Die maßgebliche Rechtsgrundlage für eine solche Verarbeitung regelt Art. 6 DSGVO. Das eigentliche Lookalike besteht zwar aus fremden Nutzern, doch die Rechtmäßigkeit hängt an der Herkunft der zugrunde liegenden Daten.
Für sensible Branchen bedeutet das: Ist der Upload einer Kundenliste bereits problematisch — etwa wegen der Verschwiegenheitspflicht einer Kanzlei —, überträgt sich dieses Problem auf das darauf gebaute Lookalike. Unbedenklicher sind Lookalikes auf Basis öffentlicher Engagement-Zielgruppen oder DSGVO-konform erhobener Website-Daten. Die Auswahl der Quelle ist damit nicht nur eine Frage der Leistung, sondern auch der Rechtssicherheit.
Lookalike Audiences im Kontext der Automatisierung
Mit dem Vormarsch KI-gestützter Kampagnentypen verschiebt sich die Rolle der Lookalike Audience: Wo Meta früher eine klar definierte ähnliche Zielgruppe benötigte, findet die Automatisierung heute passende Nutzer zunehmend selbst. Lookalikes wirken in diesem Umfeld weniger als starre Zielgruppe und mehr als hochwertiges Startsignal, das der Automatisierung die richtige Richtung gibt.
Für die Praxis heißt das, Lookalikes nicht dogmatisch, sondern als ein Werkzeug unter mehreren zu sehen. In vielen Konten liefern sie weiterhin verlässliche Ergebnisse, besonders bei klar umrissenen, wertigen Quellgruppen. Wer sie mit einer soliden Zielgruppenanalyse und gut gepflegten Quellgruppen kombiniert, nutzt ihre Stärke, ohne sich von einem einzelnen Mechanismus abhängig zu machen. Als Instrument der Onlinewerbung verkörpern Lookalike Audiences den Übergang von manueller Zielgruppendefinition zu datengetriebener, algorithmischer Nutzerfindung — ein Muster, das sich über nahezu alle großen Werbeplattformen zieht.