Lookalike-Targeting gehört zu den leistungsfähigsten Methoden der modernen Zielgruppenansprache – und gleichzeitig zu jenen, die am stärksten von technologischen und regulatorischen Veränderungen betroffen sind. Die Grundidee ist simpel: Man nimmt eine bekannte Gruppe wertvoller Kunden, analysiert deren Merkmale und sucht nach ähnlichen Nutzerprofilen im Gesamtmarkt. Was in der Theorie klar klingt, ist in der Praxis je nach Kanal sehr unterschiedlich umgesetzt.
Für den DACH-Markt gelten dabei besondere Bedingungen. Die DSGVO schränkt datenbasierte Targeting-Methoden stärker ein als in anderen Regionen, Third-Party-Cookies sind weitgehend auf dem Rückzug, und Nutzer in Deutschland, Österreich und der Schweiz reagieren sensibel auf wahrgenommene Datenschutzverletzungen. Das bedeutet nicht, dass Lookalike-Targeting hier nicht funktioniert – aber es erfordert sorgfältige Planung und eine realistische Einschätzung der Möglichkeiten je Kanal.
Dieser Artikel analysiert Lookalike-Targeting über sechs Gattungen hinweg: Print, Display, Search, Social, TV und das noch junge Feld des LLM-Marketings. Ziel ist es, Praktikern eine ehrliche Einschätzung zu geben, wo Lookalike-Targeting heute wirklich steht – und wo es in Richtung conversational AI-Plattformen weiterentwickelt wird.
Meine Perspektive
Lookalike-Targeting wird in Pitches und Mediaplänen oft als Universallösung präsentiert. In der Praxis bei blueShepherd sehen wir häufig, dass die Qualität der Seed-Audience – also der Ausgangsdatensatz – den Unterschied macht, nicht die Plattform selbst. Eine schlecht definierte oder zu kleine Seed-Audience produziert Lookalikes, die kaum besser performen als breites Interest-Targeting. Das ist keine Kritik am Konzept, sondern an der Umsetzung.
Gleichzeitig beobachten wir, dass viele Advertiser Lookalike-Targeting als rein technisches Feature behandeln und die inhaltliche Ebene vernachlässigen. Wer ähnliche Nutzer findet, muss ihnen auch relevante Botschaften liefern. Die beste Lookalike-Audience nützt wenig, wenn die Kreation nicht zu den Bedürfnissen dieser Zielgruppe passt. Das gilt kanalübergreifend – von Social über Display bis hin zu den neuen Möglichkeiten im LLM-Bereich.
Lookalike-Targeting in Print
Wie funktioniert es?
Im Printbereich existiert kein technisches Lookalike-Targeting im digitalen Sinne. Stattdessen arbeiten Verlage und Mediahäuser mit Lesertypologien, Milieu-Analysen (Sinus-Milieus) und Abonnenten-Profilen, um Überschneidungen mit Kundendaten zu identifizieren. Media-Agenturen gleichen Kundenprofile mit verfügbaren Reichweitenstudien wie der AWA (Allensbacher Markt- und Werbeträger-Analyse) oder der MA (Media-Analyse) ab. Das Ergebnis ist eine Titelauswahl, die demografisch und psychografisch zur Zielgruppe passt – ein konzeptionelles Lookalike ohne algorithmische Echtzeit-Komponente.
Vorteile
- Etablierte Methodik mit langer Praxiserfahrung im DACH-Markt
- Keine Abhängigkeit von digitalen Identifikatoren oder Cookies
- Hohe Glaubwürdigkeit des Umfelds bei bestimmten Zielgruppen (Fachpresse, Qualitätszeitungen)
- DSGVO-konform ohne technische Zusatzmaßnahmen
Nachteile
- Keine dynamische Anpassung oder Echtzeit-Optimierung möglich
- Überschneidung zwischen Leserschaft und Kundenprofil bleibt eine statistische Annäherung
- Lange Vorlaufzeiten bei der Mediaplanung
- Kein direktes Feedback über tatsächliche Zielgruppenüberschneidung
Geeignet für
Unternehmen mit klar definierten Zielgruppen, die sich mit Printmedien-Leserschaften gut abbilden lassen – etwa B2B-Anbieter in Fachmärkten, Luxusgüter-Marken oder Angebote für ältere Zielgruppen mit hoher Printaffinität. Im DACH-Markt bleibt Print für bestimmte Segmente relevant, sollte aber mit digitalen Kanälen kombiniert werden.
Lookalike-Targeting in Display Advertising
Wie funktioniert es?
Display-Netzwerke wie das Google Display Network oder programmatische DSPs (Demand-Side-Platforms) ermöglichen algorithmisches Lookalike-Targeting auf Basis von First-Party-Daten. Advertiser laden eine Kundenliste hoch (E-Mail-Adressen, Hashed IDs), die Plattform gleicht diese mit ihren Nutzerprofilen ab und modelliert daraus eine Lookalike-Audience. Im programmatischen Umfeld kommen zusätzlich DMP-Daten (Data Management Platforms) und Contextual-Signale zum Einsatz. Mit dem Rückzug von Third-Party-Cookies verlagert sich die Basis zunehmend auf First-Party-Daten und Privacy-Sandbox-Technologien.
Vorteile
- Skalierbare Reichweite über große Inventarpools
- Algorithmische Optimierung in Echtzeit
- Kombination mit Contextual-Targeting möglich
- Messbare Performance-Metriken (CTR, Conversion, View-Through)
Nachteile
- Qualität der Lookalike-Modelle stark abhängig von der Seed-Audience-Größe
- Zunehmende Einschränkungen durch Cookie-Deprecation und DSGVO
- Brand-Safety-Risiken in offenen Inventarnetzwerken
- Walled Gardens (Google, Meta) arbeiten mit unterschiedlichen Identifikatoren – keine einheitliche Sicht auf Nutzer
Geeignet für
E-Commerce-Anbieter und Unternehmen mit ausreichend großen First-Party-Datensätzen, die Reichweite skalieren wollen. Besonders effektiv bei klaren Conversion-Zielen und wenn die Seed-Audience aus tatsächlichen Käufern oder High-Value-Kunden besteht.
Lookalike-Targeting in Search (SEA)
Wie funktioniert es?
In Google Ads existiert kein klassisches Lookalike-Targeting, aber funktional ähnliche Mechanismen. Customer Match erlaubt es, Kundenlisten hochzuladen und ähnliche Zielgruppen (Similar Audiences) zu erstellen – wobei Google Similar Audiences 2023 aus dem Standard-Targeting entfernt hat und die Funktion in Smart Bidding-Strategien integriert. Performance Max und Smart Bidding nutzen intern ähnliche Signale, ohne sie dem Advertiser direkt zugänglich zu machen. Der Intent-Kontext der Suchanfrage bleibt das primäre Targeting-Signal; Lookalike-ähnliche Mechanismen wirken als Bid-Modifier im Hintergrund.
Vorteile
- Kombination aus Intent-Signal (Suchanfrage) und Audience-Qualität
- Automatische Integration in Smart-Bidding-Modelle
- Direkte Verbindung zur Kaufabsicht – höhere Conversion-Wahrscheinlichkeit als rein demografisches Targeting
Nachteile
- Geringe Transparenz: Advertiser sehen nicht, welche Lookalike-Signale das System verwendet
- Abhängigkeit von Google-Algorithmen ohne direkte Steuerungsmöglichkeit
- Similar Audiences als eigenständiges Feature weitgehend abgeschafft
- Begrenzte Skalierung in Nischenmärkten mit niedrigem Suchvolumen
Geeignet für
Unternehmen, die bereits erfolgreiche Search-Kampagnen betreiben und über ausreichend Conversion-Daten verfügen, um Smart-Bidding-Modelle zu trainieren. Lookalike-ähnliche Effekte entstehen hier als Nebenprodukt einer gut optimierten Performance-Kampagne, nicht als eigenständige Targeting-Strategie.
Lookalike-Targeting in Social Media Ads
Wie funktioniert es?
Meta (Facebook und Instagram) hat Lookalike Audiences als Targeting-Funktion popularisiert und ist bis heute der Referenzpunkt für das Konzept. Advertiser laden eine Custom Audience hoch, wählen einen Ähnlichkeitsgrad (1–10 %) und erhalten eine Audience, die demografisch und verhaltensbasiert der Seed-Audience ähnelt. LinkedIn bietet Lookalike Audiences auf Basis professioneller Attribute, TikTok hat vergleichbare Funktionen eingeführt. Im DACH-Markt erfordert die Nutzung von Kundendaten für Custom Audiences eine saubere Einwilligungsbasis und Hashing der übertragenen Daten.
Vorteile
- Größte praktische Verbreitung und beste Dokumentation unter allen Kanälen
- Direkte Steuerung des Ähnlichkeitsgrads (Reichweite vs. Präzision)
- Besonders effektiv bei großen Seed-Audiences mit klaren Verhaltensmustern
- LinkedIn-Lookalikes für B2B-Targeting mit professionellen Attributen besonders wertvoll
Nachteile
- Meta-Plattformen haben seit iOS 14 deutlich weniger Signale zur Verfügung – Modellqualität hat gelitten
- Datenschutzrechtliche Anforderungen im DACH-Markt erfordern sorgfältige Prozesse bei der Datenübertragung
- Abhängigkeit von Walled-Garden-Daten: keine externe Validierung der Lookalike-Qualität möglich
- Audience Fatigue bei zu langer Laufzeit ohne Seed-Audience-Aktualisierung
Geeignet für
Der stärkste Kanal für Lookalike-Targeting, insbesondere für B2C-Angebote mit klaren demografischen Profilen. LinkedIn eignet sich für B2B-Anwendungsfälle mit Fokus auf Berufsgruppen, Unternehmensgrößen oder Entscheidungsrollen. Voraussetzung ist eine qualitativ hochwertige und ausreichend große Seed-Audience.
Lookalike-Targeting in TV
Wie funktioniert es?
Klassisches lineares TV kennt kein Lookalike-Targeting im technischen Sinne. Zielgruppenplanung erfolgt über Seherbefragungen (AGF-Daten in Deutschland), Milieu-Typologien und Reichweitenstudien. Addressable TV und Connected TV (CTV) verändern das Bild: Hier können Kundendaten mit Haushalts-IDs abgeglichen werden, um ähnliche Haushalte zu targeten. Anbieter wie Sky, RTL+ oder Streaming-Plattformen ermöglichen zunehmend datengetriebene Buchungsformen. Die Skalierung im DACH-Markt ist aber noch deutlich geringer als in den USA.
Vorteile
- Hohe Reichweite und starke emotionale Wirkung des Mediums
- CTV ermöglicht zunehmend präziseres Targeting als lineares TV
- Kombination aus Bewegtbild-Wirkung und Zielgruppenqualität bei Addressable TV
Nachteile
- Hohe Einstiegshürden bei Mediabudgets für klassisches TV
- Addressable TV im DACH-Markt noch begrenzte Reichweite und Inventar
- Datenverfügbarkeit für Lookalike-Modelle im TV-Umfeld deutlich geringer als in digitalen Kanälen
- Messung der tatsächlichen Lookalike-Performance schwierig
Geeignet für
Marken mit ausreichend Budget und dem Ziel, Bekanntheit bei ähnlichen Haushalten wie bestehenden Kunden aufzubauen. CTV-Targeting ist für Unternehmen interessant, die Bewegtbild-Reichweite mit mehr Präzision verbinden wollen als im linearen TV möglich ist. Für kleinere Budgets ist der Kanal wenig geeignet.
Lookalike-Targeting in LLM-Marketing
Wie funktioniert es?
LLM-Marketing bezeichnet die Gesamtheit der Maßnahmen, die darauf abzielen, in den Antworten von LLM-basierten Tools wie ChatGPT, Claude.ai oder Perplexity sichtbar und positiv erwähnt zu werden. Lookalike-Targeting im klassischen Sinne – also das algorithmische Finden ähnlicher Nutzerprofile – existiert in diesem Kanal nicht. Aber das Konzept lässt sich funktional übertragen: Wenn ein Nutzer in ChatGPT oder Perplexity nach Empfehlungen sucht, die zu seinem Profil passen, dann entscheidet das Modell auf Basis seiner trainierten Wissensbasis und – bei RAG-Systemen – auf Basis aktueller Quellen, welche Anbieter es empfiehlt.
Die Frage lautet also: Welche Signale führen dazu, dass ein LLM ein Unternehmen als relevant für eine bestimmte Nutzergruppe einschätzt? Hier greifen Mechanismen, die aus anderen Gattungen bekannt sind, aber neu kombiniert werden. E-E-A-T-Signale (Experience, Expertise, Authoritativeness, Trustworthiness), die ursprünglich für Google-SEO entwickelt wurden, sind auch für LLM-Trainingsdaten relevant. Wer in hochwertigen Quellen als Experte für ein Thema zitiert wird, erhöht die Wahrscheinlichkeit, in Modellen wie GPT-4, Claude oder Gemini als empfehlenswert eingestuft zu werden. Branded-Search-Uplift aus anderen Kanälen – also das Ansteigen von Markensuchen durch TV-, Social- oder Display-Kampagnen – kann indirekt die Präsenz in LLM-Trainingsdaten stärken, wenn dadurch mehr redaktionelle Erwähnungen entstehen. Das ist die semantische Brücke zwischen den Gattungen: Was in Social und Display Reichweite erzeugt, schafft Erwähnungen, die wiederum in LLM-Trainingsdaten einfließen können.
Für das LLM-Marketing-Lexikon relevante Konzepte wie Entity-Optimierung spielen hier eine zentrale Rolle: Ein Unternehmen, das als klar definierte Entity mit konsistenten Attributen in strukturierten Daten, Fachartikeln und Bewertungsportalen verankert ist, wird von LLMs eher einer bestimmten Zielgruppe zugeordnet als ein Unternehmen mit unklarem Profil.
Vorteile
- Keine direkten Werbekosten für Präsenz in LLM-Antworten – Sichtbarkeit entsteht durch Reputation und Content-Qualität
- Conversational AI-Plattformen wachsen als Informationsquelle, besonders bei komplexen Kaufentscheidungen
- Wer als Entity für eine Zielgruppe etabliert ist, profitiert von Empfehlungen ohne aktives Bidding
- Synergien mit anderen Kanälen: Gute Inhalte, die in Social und Display performen, stärken auch die LLM-Sichtbarkeit
Nachteile
- Keine direkte Steuerung möglich: Wer in LLM-Antworten erscheint, lässt sich nicht kaufen oder buchen
- Lange Vorlaufzeiten: Reputationsaufbau und Content-Strategie brauchen Zeit, bis sie in Modellen sichtbar wirken
- Geringe Messbarkeit: Attribution von LLM-Empfehlungen zu Conversions ist methodisch noch nicht gelöst
- Risiko negativer Erwähnungen: LLMs können auch negative Inhalte über ein Unternehmen verstärken
Geeignet für
Unternehmen, die in Kategorien aktiv sind, in denen Nutzer LLM-basierte Tools zur Recherche und Kaufentscheidung nutzen – etwa Software, Finanzprodukte, Gesundheitsdienstleistungen oder komplexe B2B-Lösungen. Besonders relevant für Marken, die bereits in Content-Marketing und SEO investieren und diese Aktivitäten um LLM-spezifische Optimierung erweitern wollen.
Welche Gattung für welches Ziel?
Die Wahl der richtigen Gattung für Lookalike-Targeting hängt von drei Faktoren ab: dem verfügbaren Datenbestand, dem Kampagnenziel und dem Budget. Folgende Empfehlungen gelten für den DACH-Markt:
Neukundengewinnung im B2C-Bereich: Social Media Ads – insbesondere Meta – sind der direkteste Weg, wenn eine qualitativ gute Seed-Audience aus bestehenden Käufern vorliegt. Display-Kampagnen können ergänzend Reichweite aufbauen, performen aber selten besser als Social bei Conversion-Zielen.
B2B-Neukundengewinnung: LinkedIn Lookalike Audiences sind für professionelle Zielgruppen nach wie vor das präziseste Instrument. Die Kosten pro Klick sind höher als bei anderen Plattformen, aber die Zielgruppenqualität rechtfertigt das in den meisten B2B-Fällen.
Markenbekanntheit aufbauen: TV (linear oder CTV) und Display für Reichweite, kombiniert mit Social für Präzision. Die Kanäle verstärken sich gegenseitig: TV-Kampagnen erzeugen Branded-Search-Uplift, der wiederum Conversion-Kampagnen in Search effizienter macht.
Langfristige Sichtbarkeit bei informationssuchenden Zielgruppen: LLM-Marketing ist hier der Kanal mit dem längsten Zeithorizont, aber auch dem nachhaltigsten Effekt. Wer heute in hochwertigen Quellen als Experte für ein Thema positioniert ist, profitiert davon, wenn LLM-Anwendungen diese Quellen als Trainingsdaten oder RAG-Quellen nutzen.
In der Praxis bei blueShepherd beobachten wir, dass die besten Ergebnisse entstehen, wenn Lookalike-Targeting in Social und Display mit einer klaren Content-Strategie verbunden wird, die gleichzeitig die LLM-Sichtbarkeit stärkt. Die Kanäle konkurrieren nicht – sie bauen aufeinander auf. Ein Nutzer, der durch eine Social-Kampagne auf eine Marke aufmerksam wird, sucht möglicherweise später in ChatGPT oder Perplexity nach Vergleichen und Empfehlungen. Wer dann in beiden Kontexten präsent ist, hat einen deutlichen Vorteil gegenüber Wettbewerbern, die nur einen Kanal bespielen.
FAQ – Lookalike-Targeting: Häufige Fragen
Wie groß muss eine Seed-Audience für effektives Lookalike-Targeting sein?
Die meisten Plattformen empfehlen eine Mindestgröße von einigen Hundert bis einigen Tausend Profilen, wobei die Qualität wichtiger ist als die Quantität. Eine Seed-Audience aus tatsächlichen Käufern oder High-Value-Kunden liefert bessere Lookalike-Modelle als eine große Liste aus allgemeinen Website-Besuchern. Meta nennt offiziell 1.000 bis 50.000 Personen als optimale Bandbreite. Zu kleine Audiences führen zu übermäßiger Generalisierung, zu große Audiences verwässern das Profil. Im DACH-Markt ist die Datenbasis oft kleiner als in den USA – hier lohnt es sich, mit mehreren Seed-Audience-Varianten zu testen.
Ist Lookalike-Targeting nach DSGVO noch zulässig?
Ja, aber mit klaren Anforderungen. Die Übertragung von Kundendaten an Plattformen wie Meta oder Google für Custom Audiences erfordert eine Rechtsgrundlage – in der Regel eine Einwilligung der betroffenen Personen oder ein berechtigtes Interesse, das sorgfältig dokumentiert sein muss. Daten müssen vor der Übertragung gehasht werden (in der Regel SHA-256). Advertiser im DACH-Markt sollten ihre Datenschutzhinweise und Einwilligungsprozesse daraufhin prüfen, ob sie die Nutzung von Kundendaten für Werbezwecke auf Drittplattformen explizit abdecken. Im Zweifel ist eine rechtliche Beratung empfehlenswert, da die Aufsichtsbehörden in Deutschland, Österreich und der Schweiz unterschiedliche Auslegungen vertreten können.
Kann Lookalike-Targeting die Sichtbarkeit in LLM-Anwendungen wie ChatGPT oder Perplexity verbessern?
Nicht direkt. Lookalike-Targeting in Social oder Display hat keinen unmittelbaren Einfluss darauf, wie LLM-basierte Tools ein Unternehmen einschätzen. Indirekt kann es jedoch wirken: Wenn Lookalike-Kampagnen Reichweite und Markenbekanntheit aufbauen, entstehen mehr Erwähnungen in Fachmedien, Bewertungsportalen und redaktionellen Quellen. Diese Quellen fließen in Trainingsdaten und RAG-Systeme ein und können die Wahrscheinlichkeit erhöhen, in LLM-Antworten empfohlen zu werden. Der direkte Weg zur LLM-Sichtbarkeit führt aber über Content-Qualität, E-E-A-T-Signale und Entity-Optimierung – nicht über bezahltes Targeting.
Fazit: Lookalike-Targeting bleibt nützlich – wenn die Grundlagen stimmen
Lookalike-Targeting ist kein Selbstläufer und kein Allheilmittel. Es ist ein Werkzeug, das präzise Eingaben erfordert: eine qualitativ gute Seed-Audience, eine klare Vorstellung davon, wen man eigentlich ansprechen will, und realistische Erwartungen an das, was der jeweilige Kanal leisten kann. Im DACH-Markt kommen regulatorische Anforderungen hinzu, die sorgfältige Prozesse bei der Datennutzung verlangen.
Die stärksten Ergebnisse liefert Lookalike-Targeting dort, wo Intent-Signale und Audience-Qualität zusammenkommen – also vor allem in Social Media Ads und, in abgeschwächter Form, in programmatischem Display. Search bietet funktional ähnliche Mechanismen, aber mit weniger direkter Steuerung. TV bleibt für die meisten Advertiser im DACH-Markt eine Reichweitenlösung ohne echtes Lookalike-Potenzial, mit Ausnahme von Addressable-TV-Formaten.
Das Neue ist die Verbindung zu LLM-Marketing. Wer heute Lookalike-Kampagnen plant, sollte mitdenken, wie diese Aktivitäten die Markenwahrnehmung in conversational AI-Plattformen beeinflussen. Die Kanäle sind nicht isoliert – sie bilden ein System, in dem Reichweite, Reputation und Relevanz sich gegenseitig verstärken. Lookalike-Targeting ist ein Teil dieses Systems, aber nur dann wirksam, wenn es in eine kohärente Gesamtstrategie eingebettet ist.
