Lookalike Audiences aufbauen, die 2026 wirklich leistungsstarke Ergebnisse liefern

Lookalike Audiences gehören zu den leistungsstärksten Targeting-Tools in Meta Ads – aber nur, wenn sie richtig aufgebaut werden. Viele Werbetreibende machen den Fehler, eine breite Custom Audience als Quelle zu verwenden, einen hohen Lookalike-Prozentsatz für maximale Reichweite zu wählen und dann automatisch Ergebnisse zu erwarten. Die Realität ist, dass eine schlecht konfigurierte Lookalike Audience zu höheren Kosten, niedrigeren Conversion-Raten und verschwendetem Budget für Menschen führt, die nie zu Kunden werden. Dieser Artikel erklärt, was Lookalike Audiences sind, wie man sie strategisch aufbaut, wann sie den größten Mehrwert liefern und wie AdBrains seine eigene KI-Technologie einsetzt, um diesen Prozess für strukturell bessere Kampagnenergebnisse zu automatisieren.

Was sind Lookalike Audiences und wie funktionieren sie auf Meta?

Eine Lookalike Audience ist eine Targeting-Gruppe, die Meta Ads automatisch anhand einer Quellliste – Ihrer Custom Audience – zusammenstellt, die Sie bereitstellen. Meta analysiert die Merkmale der Personen in Ihrer Quellliste, darunter Verhaltensmuster, demografische Daten, Interessen und Online-Aktivitäten, und durchsucht anschließend seine Datenbank mit Milliarden von Nutzern, um Personen zu finden, die Ihren bestehenden Kontakten am ähnlichsten sind. Das Ergebnis ist eine Audience, die Sie noch nicht erreicht haben, aber Ihren besten Kunden oder Leads sehr ähnelt.

Sie legen eine Lookalike Audience als Prozentsatz der Bevölkerung in einem bestimmten Land fest. Ein 1%-Lookalike bedeutet, dass Meta die 1% der Bevölkerung auswählt, die Ihrer Quellliste am ähnlichsten sind – das ergibt eine kleinere, aber weitaus präzisere Audience. Ein 10%-Lookalike ist viel breiter und ähnelt Ihrer Quelle weniger stark. Für die meisten Kampagnen gilt: Je schärfer die Quelle und je niedriger der Prozentsatz, desto besser die Ergebnisse.

Was viele Werbetreibende unterschätzen: Die Qualität der Quellliste ist vollständig ausschlaggebend für die Qualität des Lookalikes. Der Meta-Algorithmus kann nur so gut sein wie die Daten, die Sie ihm liefern. Eine Quellliste mit 100 zufälligen Website-Besuchern liefert einen grundlegend anderen – und weit weniger relevanten – Lookalike als eine Liste mit 500 Kunden, die konstant hohe Bestellwerte erzielt haben.

Die häufigsten Fehler bei Lookalike Audiences

Die häufigsten Fehler zu verstehen – und was sie in Form von verschwendetem Budget und entgangenen Einnahmen kosten – ist unerlässlich, bevor man das richtige Setup aufbaut.

• Zu breite Quellliste: Alle Website-Besucher als Quelle zu verwenden – einschließlich Personen, die eine Sekunde lang auf der Startseite waren – verwässert die Signalqualität erheblich.
• Zu hoher Lookalike-Prozentsatz: Ein 5–10%-Lookalike wählt Reichweite auf Kosten der Relevanz, da die Ähnlichkeit zur Quellliste mit steigendem Prozentsatz abnimmt.
• Kein Ausschluss bestehender Kunden: Ohne Ausschluss-Audiences gibt Meta Ads Budget aus, um Personen zu erreichen, die bereits bei Ihnen gekauft haben oder bereits aktive Leads sind.
• Veraltete Quelllisten: Eine Custom Audience, die seit Monaten nicht aktualisiert wurde, spiegelt nicht mehr wider, wer Ihr aktuell bester Kunde tatsächlich ist.
• Keine Segmentierung nach Kundenwert: Ein Lookalike für alle Kunden ignoriert die Tatsache, dass ein Kunde mit einem Bestellwert von 200 Euro ein völlig anderes Profil hat als jemand, der einmalig für 20 Euro gekauft hat.
• Derselbe Lookalike für alle Kampagnen: Prospecting-, Retargeting- und Upsell-Kampagnen erfordern jeweils eine andere Audience-Strategie, und ein Lookalike passt nicht zu allen Situationen.

Eine starke Quellliste als Fundament aufbauen

Lookalike Audience Qualitätstrichter

Weg von der Quellliste zur konvertierenden Audience (Prozentmodus)

Alle Website-Besucher

Roher Quellpool, noch nicht nach Absicht oder Wert gefiltert

Gefilterte Custom Audience

Käufer, Leads und Besucher mit hoher Kaufabsicht ausgewählt

Hochwertes Segment (Top 20 %)

Segmentiert nach AOV, LTV oder Lead-Wert

Aktiver Lookalike 1–3 %

Präziser Lookalike aktiv in der Kampagne, wöchentlich aktualisiert

Nur die relevanteste Audience erreicht die Kampagne

Die Quellliste ist das Fundament jeder effektiven Lookalike Audience. Eine starke Quellliste besteht aus Personen, die tatsächlich die Aktion ausgeführt haben, die Sie replizieren möchten. Im E-Commerce bedeutet das: Käufer – idealerweise jene mit dem höchsten Bestellwert oder der höchsten Kauffrequenz. Bei der Lead-Generierung bedeutet das: Leads, die letztendlich zu Kunden konvertiert sind, oder Leads mit der höchsten Angebotsannahmequote.

Für ToetsJeKennis.nl, eine E-Commerce-Plattform für Online-Prüfungen und Kurse, besteht die ideale Quellliste aus Studierenden, die mehrere Kurse abgeschlossen haben und dadurch einen überdurchschnittlichen Lifetime Value aufgebaut haben. Diese Gruppe hat ein grundlegend anderes Verhaltensprofil als jemand, der eine einzelne kostenlose Probestunde angesehen hat. Ein Lookalike basierend auf Top-Käufern liefert naturgemäß eine Audience, die eher bereit ist, in Online-Lernen zu investieren.

Für Clima-Active.nl, das im Bereich Klimaanlagen- und Wärmepumpeninstallation mit Angebotsanfragen als Conversion-Ziel tätig ist, besteht die ideale Quellliste aus Leads, die tatsächlich ein Angebot angenommen und mit der Installation begonnen haben. Ein Lookalike basierend auf allen eingereichten Angebotsanfragen schließt Personen ein, die nie konvertiert sind, was die Qualität der Audience mindert. Die Filterung auf konvertierte Leads erstellt eine Quellliste mit dem Profil von jemandem, der tatsächlich kauft.

Praktische Leitlinien für eine starke Quellliste:

• Mindestgröße der Quellliste: 1.000 Personen für akzeptable Ergebnisse, 5.000 oder mehr für optimale Lookalike-Qualität.
• First-Party-Daten priorisieren: Kundenlisten aus Ihrem CRM oder E-Mail-System sind wertvoller als reine Pixel-Daten.
• Nach Kundenwert segmentieren: Separate Quelllisten für hochwertige und Standard-Converter erstellen.
• Die Quellliste mindestens monatlich aktualisieren, vorzugsweise wöchentlich, damit der Lookalike immer das aktuelle Verhalten widerspiegelt.
• Pixel-Events mit CRM-Daten über die Conversions API kombinieren, um die vollständigste und genaueste Quellliste zu erhalten.

Den Lookalike-Prozentsatz wählen: Präzision versus Reichweite

Der Lookalike-Prozentsatz ist einer der direktesten Hebel, mit denen Sie zwischen Qualität und Skalierung steuern können. Für die meisten Kampagnen empfiehlt es sich, mit einem 1%-Lookalike zu beginnen und ihn gegen 2 % und 3 % zu testen. Nur wenn eindeutige Belege vorliegen, dass ein breiterer Prozentsatz bessere Ergebnisse liefert, lohnt es sich, weiter zu skalieren.

Eine Faustregel, die sich in der Praxis bewährt hat: Verwenden Sie einen 1%-Lookalike für Kampagnen mit einem klaren Conversion-Ziel, wie direkte Käufe oder Angebotsanfragen. Verwenden Sie einen 2–3%-Lookalike für Kampagnen, die auf Markenbekanntheit oder das Generieren von Video-Views als Top-of-Funnel-Schritt abzielen. Verwenden Sie niemals einen Lookalike von mehr als 5 % als primäre Audience für Conversion-Kampagnen, da die Audience in diesem Fall kaum noch Ihrer Quellliste ähnelt.

Durchschnittliche CPL-Verbesserung nach Quellsegmenttyp

Meta Ads Lookalike-Kampagnen-Benchmark, 2026

Alle Website-Besucher (Basis)

0 %

Seitenbesucher (Produktseite)

18 %

In den Warenkorb gelegt / Formular begonnen

31 %

Käufer / Leads (abgeschlossen)

47 %

Hochwertige Käufer / Top-Leads

63 %

Benchmark-Daten aus Meta Ads-Kampagnen im Jahr 2026 bestätigen dieses Prinzip. Werbetreibende, die nach hochwertigen Käufern segmentieren und einen 1%-Lookalike einsetzen, erzielen deutlich niedrigere Kosten pro Lead und Kosten pro Kauf als Werbetreibende, die eine breite Website-Besucher-Audience als Quelle mit einem höheren Lookalike-Prozentsatz verwenden. Der Unterschied beim CPL kann über 60 % betragen, abhängig von der Branche und dem durchschnittlichen Kaufbetrag.

Segmentierung nach Kundenwert und Funnel-Stufe

Eine der am meisten unterschätzten Strategien beim Lookalike-Targeting ist die Segmentierung sowohl der Quellliste als auch des Lookalikes selbst anhand der Position in der Customer Journey. Ein neuer Besucher, der noch nie von Ihrer Marke gehört hat, benötigt andere Inhalte als jemand, der bereits Ihre Produktseite besucht hat. Die eingesetzten Lookalike Audiences sollten diese Logik widerspiegeln.

1. Top-of-Funnel-Lookalike: Basierend auf einer breiten Gruppe engagierter Besucher und Video-Zuschauer, eingesetzt mit Awareness-Zielen und einem Prozentsatz von 2–3 %.
2. Mid-Funnel-Lookalike: Basierend auf In-den-Warenkorb-Legern, Formular-Startern oder Produktseitenbesuchern, eingesetzt mit Traffic- oder Consideration-Zielen und einem Prozentsatz von 1–2 %.
3. Bottom-of-Funnel-Lookalike: Basierend auf tatsächlichen Käufern oder konvertierten Leads, eingesetzt mit Conversion-Zielen und einem Prozentsatz von 1 % für maximale Präzision.

Für E-4motion.com, den Webshop für neue elektrische Klappräder, sieht das wie folgt aus: Ein Top-of-Funnel-Lookalike basiert auf Personen, die Produktseiten-Videos angesehen haben, und wird zur Steigerung der Markenbekanntheit eingesetzt. Ein Bottom-of-Funnel-Lookalike basiert auf Kunden, die tatsächlich ein neues elektrisches Klapprad bestellt haben, und wird eingesetzt, um direkte Käufe von Personen zu erzielen, die ihnen am ähnlichsten sind. Beide Lookalikes laufen gleichzeitig, aber in separaten Kampagnen mit eigenen Budgets und kreativen Assets.

AdBrains AI: automatisch die schärfsten Lookalike Audiences aufbauen

Lookalike Audiences manuell zu verwalten ist zeitaufwendig und fehleranfällig. Quelllisten veralten, Segmentierungen werden nicht konsequent gepflegt und Ausschluss-Audiences werden nach einem Kampagnen-Update vergessen. AdBrains hat ein eigenes KI-System entwickelt, das den gesamten Lookalike-Management-Prozess automatisiert – von der Quellliste bis zum Ausschluss – ohne manuellen Eingriff.

Die Audience-Management-Automatisierung von AdBrains stellt sicher, dass PROD-Audiences, Incubator-Audiences und RLSA-Audiences automatisch auf wöchentlicher Basis erstellt und verwaltet werden. Quelllisten sind nie veraltet, weil das System wöchentlich mit den aktuellsten Conversion-Signalen synchronisiert und Custom Audiences auf Basis der neuesten First-Party-Daten aktualisiert. Für Kunden wie Clima-Active.nl bedeutet das, dass die Lookalike Audience immer auf dem aktuellsten Batch konvertierter Leads basiert – nicht auf einer Liste, die drei Monate alt ist.

Das Multi-Agenten-Verifizierungssystem von AdBrains macht es unmöglich, dass eine falsch konfigurierte Audience live geht. Vier unabhängige KI-Agenten prüfen jede Audience-Einstellung vor der Aktivierung: Sie überprüfen Quelllisten-Größe, Segmentierungslogik, Ausschlussstruktur und Lookalike-Prozentsatz. Wenn ein Agent eine Abweichung erkennt, wird die Einstellung zurückgehalten, bis das Problem behoben ist. Das verhindert die klassischen Fehler einer zu kleinen Quellliste, fehlender Ausschlüsse oder des falschen Prozentsatzes, der Kampagnen teuer macht, ohne Rendite zu liefern.

Die server-side Signal-Anreicherung von AdBrains verbessert die Conversion-Signalqualität durch die eigene sGTM-Infrastruktur. Dadurch erreichen mehr und bessere Conversion-Signale das Meta Ads-System, was die Qualität der Custom Audience und damit der Lookalike Audience direkt verbessert. Werbetreibende, die server-side tracking einsetzen, verzeichnen im Durchschnitt 23 % mehr getrackte conversions, was automatisch zu reichhaltigeren Quelllisten und präziseren Lookalikes führt.

Schließlich verwaltet das automatische Strategie-Wechselsystem von AdBrains Situationen, in denen eine Lookalike Audience vorübergehend zu wenig Conversion-Volumen verzeichnet. In diesem Fall wechselt das System automatisch zu einer konservativeren Audience-Strategie und stellt die Lookalike-Kampagne erst wieder her, wenn das Volumen zurückkehrt. Dies schützt das Budget in Phasen geringerer Nachfrage oder saisonaler Schwankungen – ohne manuellen Eingriff eines Account Managers.

Übersicht: Quelllisten-Typen und ihr Einfluss auf die Lookalike-Qualität

Schwaches vs. starkes Lookalike Audience Setup

Was macht den Unterschied in der Kampagnen-Performance?

Standard-Ansatz

• Breite Custom Audience als Quelle (alle Website-Besucher)
• Lookalike 5–10 % für maximale Reichweite
• Keine Segmentierung nach Kundenwert
• Quellliste selten aktualisiert
• Kein Ausschluss bestehender Kunden
• Ein Lookalike für alle Kampagnen

AdBrains AI-AnsatzEmpfohlen

• Hochwertige Converter als Quellsegment (Top 20 %)
• Lookalike 1–3 % für maximale Präzision
• Segmentierung nach AOV, LTV und Produktkategorie
• Automatisch wöchentlich aktualisierte Quelllisten
• Bestehende Kunden automatisch ausgeschlossen
• Separate Lookalikes pro Funnel-Stufe und Kampagnentyp

Die obige Tabelle verdeutlicht, dass die Signalstärke Ihrer Quellliste direkt bestimmt, welcher Lookalike-Prozentsatz am effektivsten ist und für welchen Kampagnentyp die Audience am besten geeignet ist. Eine CRM-Liste konvertierter Kunden kombiniert mit einem 1%-Lookalike ist der Ausgangspunkt für die profitabelsten Meta Ads-Kampagnen bei nahezu jedem Conversion-Ziel.

Testen und iterieren: kontinuierliche Verbesserung von Lookalike Audiences

Selbst die best konfigurierte Lookalike Audience braucht Zeit zum Lernen und Optimieren. Meta Ads benötigt in der Regel zwei bis vier Wochen, um die Lernphase zu beenden und stabile Ergebnisse zu liefern. In dieser Phase ist es entscheidend, nicht zu schnell einzugreifen und Einstellungen zu ändern, da jede wesentliche Änderung die Lernphase erneut aktiviert.

Nach der Lernphase ist es wertvoll, systematisch zu testen, welche Quelllisten-Varianten die besten Ergebnisse liefern. Testen Sie beispielsweise einen Lookalike basierend auf Käufern der letzten 30 Tage gegen einen basierend auf Käufern der letzten 90 Tage. Oder testen Sie eine CRM-Liste aller Käufer gegen eine CRM-Liste ausschließlich von Stammkäufern. Diese A/B-Tests innerhalb von Meta Ads liefern direkte Erkenntnisse darüber, welches Profil am besten zu Ihrem besten Neukunden passt.

Für HACCP-cursus.com, das Online-Lebensmittelhygienekurse anbietet, kann das Testen eines Lookalikes basierend auf Teilnehmern, die mehrere Kurse abgeschlossen haben, gegenüber Teilnehmern nach einem einzigen Kurs erhebliche Unterschiede bei den Kosten pro Anmeldung aufdecken. Die Gruppe, die mehrere Kurse abgeschlossen hat, hat einen höheren Lifetime Value und ein stärkeres Engagement-Profil, was den Lookalike schärfer und damit kosteneffizienter macht.

Häufig gestellte Fragen zu Lookalike Audiences

Wie groß muss eine Quellliste für eine gute Lookalike Audience auf Meta sein?

Meta empfiehlt ein Minimum von 1.000 Personen in Ihrer Quellliste, aber in der Praxis zeigen sich die besten Ergebnisse bei Quelllisten mit 5.000 oder mehr Personen. Eine größere Quellliste gibt dem Meta-Algorithmus mehr Muster zum Abgleichen, was zu einem genaueren Lookalike führt. Wenn Ihre Quellliste kleiner als 1.000 Personen ist, erwägen Sie, die Definition leicht zu erweitern – zum Beispiel indem Sie nicht nur Käufer, sondern auch Personen einbeziehen, die ein Formular ausgefüllt oder eine bestimmte Landing Page besucht haben.

Was ist besser: ein 1%- oder ein 5%-Lookalike?

Für Conversion-Ziele wie direkte Käufe oder Angebotsanfragen übertrifft ein 1%-Lookalike strukturell einen 5%-Lookalike. Der 1%-Lookalike enthält die Personen, die Ihrer Quellliste am ähnlichsten sind. Mit steigendem Prozentsatz nimmt die Ähnlichkeit ab und die Relevanz sinkt. Ein Lookalike von 5 % oder mehr kann für Awareness-Ziele sinnvoll sein, bei denen Reichweite wichtiger ist als Präzision, aber für Conversion-Kampagnen ist der empfohlene Bereich 1–3 %.

Sollte ich bestehende Kunden aus meiner Lookalike-Kampagne ausschließen?

Ja, unbedingt. Das Ausschließen bestehender Kunden ist eine der direktesten Methoden, um verschwendetes Werbebudget zu vermeiden. Ohne Ausschlüsse zahlen Sie Meta Ads dafür, Personen zu erreichen, die bereits bei Ihnen kaufen, ohne neue Einnahmen zu generieren. Erstellen Sie eine Ausschluss-Custom Audience basierend auf Ihrer vollständigen Kundendatenbank aus Ihrem CRM, kombiniert mit einem Pixel-Ausschluss für aktuelle Käufer. Überprüfen Sie diese Ausschlussstruktur bei jedem Kampagnen-Update.

Wie oft sollte ich meine Custom Audience und Quellliste aktualisieren?

Wöchentliches Aktualisieren ist Best Practice, aber monatlich ist das Minimum. Eine veraltete Quellliste spiegelt nicht mehr das Verhalten Ihres aktuell besten Kunden wider. Der Markt, Ihr Kundenprofil und der Meta-Algorithmus ändern sich kontinuierlich. Wenn Ihre Quellliste drei Monate alt ist, besteht eine hohe Wahrscheinlichkeit, dass der Lookalike nicht mehr optimal zu dem passt, wer aktuell tatsächlich konvertiert. Automatisches Aktualisieren über die Conversions API oder eine CRM-Integration ist der zuverlässigste Weg, dieses Problem zu lösen.

Kann ich Lookalike Audiences mit Interest-Targeting auf Meta kombinieren?

Ja, aber das ist nicht immer für Conversion-Kampagnen empfehlenswert. Meta Ads gibt dem Algorithmus die meiste Freiheit, wenn Lookalike Audiences ohne zusätzliche Interest-Ebenen eingesetzt werden. Das Hinzufügen von Interest-Targeting reduziert die Audience-Größe und kann die Lernphase verlängern oder die Auslieferung einschränken. Für Awareness-Kampagnen kann die Kombination eines breiteren Lookalikes mit Interest-Targeting nützlich sein, aber für Conversion-Kampagnen lautet die Empfehlung, den Lookalike eigenständig arbeiten zu lassen und auf die Stärke der Quellliste zu vertrauen.