Predictive Audiences: Unglaubliche Ergebnisse + CPL-Preissenkung um 44 Prozent

LinkedIn Ads Predictive Audiences

Ich habe UNGLAUBLICHE Ergebnisse mit Predictive Audiences erzielt: Preissenkung der Kosten pro Lead und der Preise für hochwertigen Traffic um mehrere Dutzend Prozent. Sie nicht zu nutzen, ist eine verpasste Chance.

Was sind Predictive Audiences?

Predictive Audiences (PA) nutzen die LinkedIn-KI, um basierend auf den Conversion-Daten, Lead-Gen-Converters oder Kontaktlisten benutzerdefinierte Zielgruppen zu erstellen. D. h. sie sind aus Usern mit ähnlichen Eigenschaften wie die Datenquelle gebaut und die Conversion-Wahrscheinlichkeit ist höher.

Zusätzliche Inclusions und Exclusions können eingesetzt werden und werden respektiert. Mindestens 300 Events in 180 Tagen oder 300 Kontakte sind nötig, um die Predictive Audience zu erstellen.

Der Industrie-Begriff dafür wäre Lookalike Audience. LinkedIn Ads bot Lookalike Audiences auf Basis einer anderen Technologie an. Sie waren jedoch nicht performant und deswegen wurden sie gekündigt.

Warum sind Predictive Audiences es wert?

Predictive Audiences bringen das LinkedIn-Ads-Game aufs nächste Level. Sie haben die Macht, die Preise pro Lead, Klick und Session um mehrere Dutzend Prozent zu reduzieren – bei gleichbleibender Qualität. PAs nicht zu nutzen, ist eine verpasste Chance. Deshalb empfehle ich, sie so schnell wie möglich einzusetzen, solange sie noch nicht so bekannt und nur von wenigen Werbetreibenden eingesetzt werden.

Hier drei Anwendungsfälle der Predictive Audiences:

Anwendungsfall Nr. 1: CPL -31 % bei hundertprozentiger Lead-Qualität

In 8 Monaten vor der Einführung von Predictive Audience kostete ein Lead 14,93 € und die Conversion-Rate lag bei 37,33 %.

Die Predictive Audience generierte Leads für 10,56 € – das entspricht einer CPL-Reduzierung von 31 %. Zugleich wurde die Standard-Kampagne aktiv belassen und generierte Leads für 13,78 €. Allerdings war sie in einigen Wochen performanter als die PA. Vier Monate nach dem Launch haben sich die CPLs ausgeglichen.

In der Anfangsphase gab es ein paar Leads mit geringer Relevanz. Nach dem Hinzufügen von Exclusions wurde fast 100 % Lead-Qualität sichergestellt.

Anwendungsfall Nr. 2: CPL -44 % bei hundertprozentiger Lead-Qualität

Diesmal handelt es sich um einen Kunden aus der Automotive-Branche. Der 4-monatige CPL vor der Einführung der Predictive Audience lag bei 41,38 €.

Im 3-Monats-Zeitraum nach Launch der Predictive Audience kostete ein Lead 21,73 € und bei Standardtargeting bei 24,08 €. Der durchschnittliche CPL lag bei 23,12 €. Dies entspricht einer Preissenkung um 44 %.

Die Qualität der Leads erreichte einhundert Prozent. Die Kampagnen haben sich gegenseitig gepusht.

Anwendungsfall Nr. 3: Pageview-CPA -92 % und verbessertes Targeting

Predictive Audience verbessert ebenfalls Awareness und Demand Creation. Ein Kunde hatte einen guten CPC, aber das Pageview-Tracking zeigte einen Engpass in der Post-Klick Experience: Ein Pageview kostete 28,95 €. Fast niemand hatte die Website geladen. Solche Klicks sind nutzlos.

Mein Lösungsansatz war: eine Predictive Audience aus Pageviews. Dazu mischte ich wertvollere Events hinzu – um die Qualität der Zielgruppe zu erhöhen.

Predictive Audience hat sich bewährt. Ergebnis: Ein Pageview für 2,32 € = um 92 % günstiger. CPC 3,52 €. CTR 0,95 %. Engagement Rate 3,71 %.

Demographics wies sogar eine höhere Qualität auf als Standard-Targeting. Die Top-Branche gewann mehr Impressions. Jobtitel wurden verbessert, wobei sich Stellen wie Geschäftsführer, CEO, Unternehmensinhaber, Gründer, Key-Account-Manager, General Manager, Director etc. hervortaten.

In der Fortsetzung erfährst du, wie man über Predictive Audiences nachdenken sollte + zwei reale Targeting-Beispiele:

Einrichtung und Strategie

Die Denkweise: Die Frage ist, wie man über PAs im Kampagnentargeting nachdenkt. Es ist ein variables Strukturelement, des am Background alle anderen Targeting-Optionen enthält: Jobtitel, Kenntnisse usw. Diese werden je nach Conversion-Daten ausgewählt und bewegen sich kontinuierlich.*

Mit Standard-Targeting einschränken: Verwende niemals pure Predictive Audiences. Kombiniere sie immer mit Branchen, Jobtiteln, Kenntnissen usw. Nach dem Hinzufügen von Standard-Targeting wird das Kampagnen-Targeting um mehrere zehn Prozent kleiner werden. Dies beweist, dass es in PA auch viele weniger relevante User gibt.*

Exclusions häufig einsetzen: Benutze Exclusions reichlich. Exkludiere alle irrelevanten Branchen. Wenn möglich, auch alle irrelevanten Tätigkeitsbereiche. Und möglichst viele Jobtitel wie Assistent, Student, Professor, Recruiter, HR, SEO, Social Media, Selbstständig, Vertrieb etc. Auf LinkedIn ist etwas exkludiert, nur wenn es bei den Exclusions steht – sonst bekommt es immer ein paar Prozent des Budgets.*

Die optimale prädiktive Zielgruppengröße in einer Kampagne beträgt 10-18k User.*

Demographics beobachten: Dies ist superwichtig. Ohne korrektes Targeting ist die Kampagne zwecklos. Exkludiere irrelevante Segmente. Klicks-Kampagnen können enger definiert werden. Bei Leadgen werte die Lead-Qualität aus und exkludiere alles Unpassende + LG Exclusions dann auch in Klicks-Kampagnen einsetzen.*

Funnel: Unser Standardverfahren ist es, eine performante Zielgruppe in Awareness zu finden und sie in Leadgen zu übernehmen. Mit Micro-Conversions kann man Predictive Audience auch in Leadgen testen. Nicht immer werden 300 Leads in 180 Tagen generiert.*

Sharen der Daten: In LinkedIn Ads werden Daten zwischen Kampagnen geteilt. Eine neue Kampagne oder Anzeige ist oft ein Push für Kampagnen mit demselben Ziel und manchmal auch für andere Kampagnengruppen. Launcht eine zweite Kampagne mit einer ähnlichen Zielgruppe, wird die erste Kampagne womöglich performanter.

Dieser Effekt ist bei Predictive Audiences noch deutlicher ausgeprägt. Predictive ist oft ein Push für Standard-Targeting. Beide Kampagnen versuchen, sich gegenseitig zu outperformen. Daher lohnt es sich oft, beide Kampagnen aktiv zu halten.*

Vorteil der ereignisbasierten PA: Der offensichtliche Vorteil der ereignisbasierten Predictive Audiences ist, dass sie sich am Background ‘bewegen’ und mit mehr Ereignissen genauer werden.*

Frequency: Was für mich nicht viel Sinn macht, sind Frequency und Sättigung. Predictive Audience bewegt sich im Hintergrund. Es kommen neue Nutzer hinzu und die Ungeeigneten fallen weg. Langfristig ist die Zahl der erreichten User höher als die Zielgruppengröße. Die Sättigung liegt dann bei 140 %. Die Zielgruppengröße macht auch wenig Sinn – es ist eher eine technische Angelegenheit, was für mich funktioniert und was für dich. Bei PA kann man nicht wirklich mit der Frequency arbeiten.*

Micro-Conversion-Kampagnen: Anstelle von Klicks ist eine Conversion-Kampagne mit Conversion-Events wie Pageviews, Every7secs etc. empfehlenswert. Klicks sind verzerrt, da der User die Website gar nicht laden muss. Bei PA wissen wir nicht genau, wer klickt. Darum verringert die Optimierung auf Klicks die Relevanz.*

Predictive + Leadgen: Wird dieselbe PA aus Website Interaction für Leadgen benutzt, aber zwei unterschiedliche Zielgruppen werden da getargetet, können zwei ‚unterschiedliche‘ Predictive-Zielgruppen mithilfe von Standard-Targeting wie Branchen, Jobtitel und Kenntnisse kombiniert werden.*

Definition 1: PA + KMU + BR IT SaaS + KS + EXC

Zielgruppengröße: 13.000 User

Das Targeting besteht aus drei Clustern mit AND-Verknüpfung: Branchen, Unternehmensgröße und die Predictive Audience. Exclusions wurden ausgiebig genutzt. Einerseits hat der Algo viel Spielraum. Andererseits gibt es strenge Beschränkungen. In gewisser Weise sind die Exclusions wichtiger als die Inclusions.

Definition 2: PA + BR/Listen/TB/KN + EXC

Zielgruppengröße: 8.200 User

Das Targeting besteht aus zwei Clustern mit AND-Verknüpfung: Predictive Audience + Standard-Targeting mit den relevantesten Segmenten. Diese werden im Cluster mit ODER verknüpft. Alles Unpassende wurde exkludiert.

Während der Kampagne mussten irrelevante Branchen exkludiert werden.

Ist PA+Branche nicht zu breit? Eher nein, denn PA ist klein und representiert superstarkes Interesse an dem Produkt. Es ist viel stärkere Affinität zum Produkt als jegliche Kenntnis. Plus es ist mit Exclusions kombiniert und begrenzt. Bemerke bitte, dass diese Zielgruppe kleiner ist als die erste.

Fazit

Akzeptiere und benutze die Predictive Audiences. Lass dir diese Chance nicht entgehen. Kombiniere sie mit den Standard-Targeting-Optionen und Exclusions. Bei einer geringeren Datenmenge kann die Predictive Audience aus Website-Micro-Conversionen gebaut werden.

Zusätzliche Resources

Michal Compel

Wer bin ich?

Hi, ich bin Michal Compel. Ich bin ein Performance Marketing Experte und Mediabuyer. Seit 2018 beschäftige ich mich mit Performance Marketing und Marketingstrategie. Meine Spezialisierung sind die Werbesysteme LinkedIn, Google und Facebook Ads.

Gleichzeitig verfüge ich über vielfältige Erfahrungen, da ich auf meinem beruflichen Weg auch Allrounder-Jobs ausgeübt habe. Mich bewegt immer die Frage: Wie kann ich die Kommunikation noch weiter verbessern?