Similar Audiences — Was ist das?
Similar Audiences waren bis Mai 2022 automatisch generierte Zielgruppen in Google Ads, die auf maschinellem Lernen basierten und Nutzer mit ähnlichen Eigenschaften wie bestehende Remarketing-Listen oder Customer Match-Daten identifizierten. Diese Funktion wurde durch "Optimized Targeting" und "Audience Expansion" ersetzt.
Ausführliche Erklärung
Similar Audiences stellten eine der mächtigsten Targeting-Innovationen in Google Ads dar, bevor sie 2022 durch noch intelligentere KI-Systeme abgelöst wurden. Das System funktionierte als automatischer Zielgruppen-Multiplizier: Ausgehend von einer bestehenden Remarketing-Liste oder Customer Match-Datei analysierte Googles maschinelles Lernen die Verhaltensmuster, Interessen, demografischen Merkmale und Suchgewohnheiten dieser "Seed-Audience" und suchte systematisch nach Millionen anderen Nutzern im Google-Ökosystem, die ähnliche digitale Fingerabdrücke aufwiesen.
Die Technologie dahinter war beeindruckend komplex: Google durchforstete Suchanfragen, YouTube-Aktivitäten, Gmail-Interaktionen, Android-Nutzungsdaten und Website-Besuche über das gesamte Display-Netzwerk. Wenn beispielsweise deine ursprüngliche Zielgruppe häufig nach "Bio-Hundefutter" suchte, bestimmte YouTube-Kanäle über Tiergesundheit abonniert hatte und regelmäßig Tierbedarf-Websites besuchte, erkannte der Algorithmus diese Muster und fand automatisch andere Nutzer mit vergleichbaren Verhaltensweisen.
Besonders wertvoll waren Similar Audiences für die Skalierung erfolgreicher Kampagnen. Während Remarketing-Listen naturgemäß begrenzt waren – schließlich konnten nur Nutzer erreicht werden, die bereits mit der Website interagiert hatten – erweiterten Similar Audiences die Reichweite oft um das 10- bis 100-fache. Ein Online-Shop mit 5.000 Website-Besuchern konnte plötzlich eine Similar Audience mit 500.000 potenziellen Kunden im DACH-Raum ansprechen.
Die Performance-Unterschiede waren erheblich: Similar Audiences erzielten typischerweise 15-30% niedrigere CPCs als herkömmliche Demografie- oder Interesse-Targeting, bei gleichzeitig 20-40% höheren Conversion-Raten. Der Grund lag in der präzisen Verhaltensanalyse – während "Interessiert an Fitness" sehr breit gefasst war, erkannten Similar Audiences spezifische Nutzungsmuster wie "kauft teure Sportausrüstung online, abends zwischen 20-22 Uhr, bevorzugt auf dem Smartphone".
Google unterschied zwischen verschiedenen Similar Audience-Typen: "Similar to Website Visitors" basierte auf Remarketing-Listen, "Similar to App Users" analysierte Mobile-App-Nutzer, und "Similar to Customer Lists" verwendete hochgeladene Customer Match-Daten. Letztere waren oft am wertvollsten, da sie auf echten Kundendaten basierten, nicht nur auf Website-Besuchern.
Die Algorithmen lernten kontinuierlich und passten sich saisonalen Schwankungen an. Im DACH-Markt bedeutete das beispielsweise automatische Anpassungen für Oktoberfest-Saison in Bayern, Skisaison in Österreich oder Sommertourismus in der Schweiz. Diese kontextuelle Intelligenz machte Similar Audiences besonders für lokale und regionale Unternehmen wertvoll.
Ein weiterer Vorteil war die automatische Qualitätskontrolle: Google filterte automatisch unpassende Nutzer heraus und verfeinerte die Zielgruppen basierend auf Performance-Feedback. Wenn bestimmte Nutzergruppen innerhalb einer Similar Audience schlecht konvertierten, wurden ähnliche Profile automatisch deprioritisiert.
Die Ablösung durch "Optimized Targeting" im Mai 2022 markierte den Übergang zu noch intelligenteren, aber weniger transparenten KI-Systemen. Während Similar Audiences noch nachvollziehbare Zielgruppendefinitionen boten, arbeiten moderne Google Ads-Algorithmen mit deutlich komplexeren, real-time angepassten Zielgruppen-Modellen, die für Advertiser schwerer zu durchschauen sind.
Praxis-Beispiel aus dem DACH-Markt
Die Münchner Outdoor-Ausrüstung GmbH betrieb einen erfolgreichen Online-Shop für Bergsteiger-Equipment mit monatlich 12.000 Website-Besuchern, davon 800 Käufer mit einem durchschnittlichen Bestellwert von 180€. Das Unternehmen nutzte eine Remarketing-Liste aller Käufer der letzten 180 Tage (insgesamt 4.800 Nutzer) als Basis für Similar Audiences.
Vor der Implementierung lief eine Standard-Display-Kampagne mit Interesse-Targeting "Outdoor & Bergsteigen" und erzielte folgende Kennzahlen: CPC 1,40€, CTR 0,8%, Conversion Rate 1,2%, CPA 117€, monatliches Budget 15.000€ für etwa 128 Conversions.
Nach dem Wechsel zu Similar Audiences "Ähnlich wie Käufer" verbesserten sich die Metriken dramatisch: CPC sank auf 0,95€ (-32%), CTR stieg auf 1,4% (+75%), Conversion Rate erhöhte sich auf 2,1% (+75%), resultierender CPA von nur 68€ (-42%). Mit demselben Budget von 15.000€ erreichte das Unternehmen nun 221 Conversions (+73%).
Besonders interessant waren die qualitativen Unterschiede: Während die ursprüngliche Kampagne viele "Browser" anzog, die günstige Grundausstattung suchten, identifizierte Similar Audiences Nutzer mit höherwertigen Kaufabsichten. Der durchschnittliche Bestellwert in der Similar Audience-Kampagne lag bei 210€ (+17%), da der Algorithmus Nutzer erkannte, die teurere Profi-Ausrüstung bevorzugten.
Regionale Besonderheiten wurden automatisch berücksichtigt: In der Schweiz performten Similar Audiences 25% besser als in Deutschland, vermutlich aufgrund höherer Kaufkraft und stärkerer Outdoor-Affinität. In Österreich zeigte sich saisonale Optimierung – während der Skisaison erweiterte sich die Similar Audience automatisch um Wintersport-affine Nutzer, die auch im Sommer Bergsteiger-Equipment kauften.
Der ROI der Similar Audience-Kampagne erreichte 420% gegenüber 260% der ursprünglichen Interesse-basierten Kampagne – eine Steigerung um 62 Prozentpunkte, die direkt auf die präzisere Zielgruppen-Identifikation zurückzuführen war.
Schritt-für-Schritt Anleitung
Seed-Zielgruppe definieren
Wähle eine hochwertige Basis-Zielgruppe mit mindestens 1.000 aktiven Nutzern in den letzten 30 Tagen. Optimal sind Conversion-basierte Listen wie "Alle Käufer der letzten 180 Tage" oder "Newsletter-Abonnenten mit Kauf". Navigiere zu "Zielgruppen" > "Zielgruppen-Manager" > "Zielgruppen" und analysiere die Größe deiner Remarketing-Listen. Vermeide zu spezifische Listen unter 500 Nutzern, da diese zu kleine Similar Audiences generieren. Customer Match-Listen aus CRM-Exporten funktionieren besonders gut, da sie auf echten Kundendaten basieren, nicht nur Website-Aktivitäten.
Similar Audience erstellen (historisch)
In der ursprünglichen Google Ads-Oberfläche: Gehe zu "Zielgruppen" > "Ähnliche Zielgruppen" > "Plus-Symbol" > "Ähnliche Zielgruppe erstellen". Wähle deine Seed-Liste aus und bestimme die Ähnlichkeits-Einstellung: "Ähnlicher" für präzisere, kleinere Zielgruppen oder "Umfassender" für größere Reichweite. Google empfahl meist die mittlere Einstellung "Ausgewogen". Nach 24-48 Stunden generierte das System automatisch die Similar Audience. Die Zielgruppengröße war nicht direkt steuerbar – Google bestimmte sie basierend auf Datenverfügbarkeit und Ähnlichkeits-Algorithmen. Typische Similar Audiences waren 10-50x größer als die ursprüngliche Seed-Liste.
Kampagnen-Integration vorbereiten
Erstelle separate Kampagnen oder Ad Groups für Similar Audiences, um Performance isoliert zu messen. Dupliziere erfolgreiche Display-Kampagnen und ersetze das bestehende Targeting durch die neue Similar Audience. Wichtig: Verwende "Targeting" statt "Beobachtung", damit nur Similar Audience-Nutzer erreicht werden. Passe Gebote um 10-20% niedriger an, da Similar Audiences oft günstiger konvertieren als Interesse-Targeting. Bereite separate Conversion-Tracking vor, um ROI-Unterschiede zwischen Original- und Similar Audience-Kampagnen zu messen. Berücksichtige, dass Similar Audiences 7-14 Tage Lernphase benötigen.
Budget-Allokation und Testing
Starte mit 20-30% des ursprünglichen Kampagnen-Budgets für Similar Audiences-Tests. Implementiere A/B-Tests zwischen Original-Targeting und Similar Audiences über mindestens 4 Wochen für statistische Signifikanz. Nutze Kampagnen-Experimente in Google Ads, um faire 50/50-Splits zu gewährleisten. Überwache täglich die ersten zwei Wochen, da Similar Audiences initial höhere CPCs haben können, bevor der Algorithmus optimiert. Dokumentiere Performance-Unterschiede in CTR, Conversion Rate, CPA und Zielgruppen-Überschneidungen. Bei positiven Ergebnissen erhöhe das Similar Audience-Budget schrittweise um 25% pro Woche.
Performance-Optimierung und Skalierung
Analysiere nach 30 Tagen die Audience-Insights: Welche demografischen Gruppen performen am besten? Erstelle zusätzliche Similar Audiences basierend auf spezifischeren Seed-Listen wie "Kunden mit Bestellwert >200€" oder "Wiederholungskäufer". Kombiniere Similar Audiences mit anderen Targeting-Methoden wie geografischen oder Device-Einschränkungen für DACH-spezifische Optimierung. Implementiere Audience Exclusions, um Überschneidungen mit aktiven Remarketing-Kampagnen zu vermeiden. Bei erfolgreicher Performance erweitere auf andere Kampagnentypen (YouTube, Gmail) und teste verschiedene Ad-Formate. Plane regelmäßige Audience-Refreshes alle 90 Tage, um Datenaktualität zu gewährleisten.
Häufige Fehler bei Similar Audiences
Zu kleine oder ungeeignete Seed-Zielgruppen verwenden
Viele Advertiser erstellten Similar Audiences basierend auf zu kleinen Listen unter 500 Nutzern oder verwendeten ungeeignete Basis-Zielgruppen wie "Alle Website-Besucher" statt "Käufer". Dies führte zu unpräzisen Similar Audiences mit schlechter Performance. Der Algorithmus benötigte qualitativ hochwertige Seed-Daten mit klaren Conversion-Signalen. Website-Besucher ohne Kaufabsicht generierten Similar Audiences mit niedrigen Conversion-Raten und hohen Streuverlusten. Folge: CPA bis zu 80% höher als bei hochwertigen Käufer-basierten Similar Audiences.
Similar Audiences mit Remarketing-Listen vermischen
Ein klassischer Fehler war die gleichzeitige Verwendung von Similar Audiences und Original-Remarketing-Listen in derselben Kampagne ohne Audience Exclusions. Dies führte zu Zielgruppen-Überschneidungen und verfälschten Performance-Metriken, da Remarketing-Listen naturgemäß höhere Conversion-Raten erzielen. Advertiser konnten nicht unterscheiden, welcher Traffic von Similar Audiences oder Remarketing stammte. Resultat: Fehlinterpretation der Similar Audience-Performance und suboptimale Budget-Allokation. Zusätzlich führte Internal Competition zwischen den Zielgruppen zu höheren CPCs.
Zu aggressive Gebots-Anpassungen in der Lernphase
Ungeduldige Advertiser reduzierten Gebote oder pauschalierten Kampagnen bereits nach 3-5 Tagen, obwohl Similar Audiences 7-14 Tage Lernphase benötigten. Der Machine Learning-Algorithmus benötigte ausreichend Datenvolumen zur Optimierung. Zu frühe Eingriffe störten den Lernprozess und verhinderten, dass Similar Audiences ihr volles Potenzial entfalten konnten. Initial höhere CPCs und niedrigere CTRs waren normal und verbesserten sich automatisch. Frühzeitige Optimierungen führten zu suboptimaler Langzeit-Performance und verschwendetem Potenzial.
Fehlende regelmäßige Audience-Updates
Similar Audiences basierten auf historischen Seed-Daten, die regelmäßige Aktualisierung benötigten. Viele Advertiser verwendeten monatelang dieselben Similar Audiences, ohne die zugrundeliegenden Remarketing-Listen oder Customer Match-Daten zu refreshen. Veraltete Seed-Daten führten zu zunehmend unpräzisen Similar Audiences, da sich Kundenverhalten und Markttrends änderten. Saisonale DACH-Besonderheiten wurden nicht berücksichtigt. Folge: Performance-Verschlechterung über Zeit, sinkende Conversion-Raten und steigende CPAs. Empfohlener Refresh-Zyklus: alle 60-90 Tage je nach Branche und Datenverfügbarkeit.
Praxis-Tipp: So nutzt du Similar Audiences richtig
Der wichtigste Übergang nach dem Ende von Similar Audiences: Nutze "Optimized Targeting" mit strategischen Audience Signals statt blind auf vollautomatische Expansion zu vertrauen. Erstelle Customer Match-Listen mit deinen wertvollsten Kunden und kombiniere diese mit "Audience Expansion" – das kommt Similar Audiences am nächsten. Lade regelmäßig frische CRM-Daten hoch und segmentiere nach Customer Lifetime Value: Separate Listen für Erstkäufer, Stammkunden und High-Value-Segmente generieren unterschiedliche Lookalike-Muster.
Profi-Tipp für den DACH-Markt: Kombiniere First-Party-Daten mit Geo-Bidding-Anpassungen. Deutsche, österreichische und schweizer Nutzer zeigen unterschiedliche Kaufverhalten – nutze länderspezifische Customer Match-Listen und lass Google regionale Similar Patterns finden. In der Schweiz funktionieren hochpreisige Produkt-Zielgruppen oft 30% besser als in Deutschland.
Fortgeschrittene Strategie: Implementiere "Value-Based Audiences" durch Upload von Kunden mit ähnlichen Profit-Margen statt nur Umsatz. Google findet dann Nutzer mit ähnlicher Profitabilität, nicht nur ähnlichem Bestellwert. Dies kompensiert teilweise den Verlust der granularen Kontrolle von Similar Audiences.
Häufig gestellte Fragen
Verwandte Begriffe
Weiterlesen
Du willst Similar Audiences optimieren?
Unser Google Ads Audit zeigt dir genau, wo du stehst und was du verbessern kannst.
Google Ads Audit sichern