Custom Audience: was die Match Rate verschweigt

Du exportierst 6.000 Käufer aus dem Shop, lädst die CSV hoch, und Meta baut daraus eine Zielgruppe von rund 2.000. An dieser Lücke bleibt niemand hängen. Du setzt die Custom Audience als Ausschluss auf die Prospecting-Kampagne, denn Prospecting soll Leute finden, die noch nichts gekauft haben. Danach kümmerst du dich um die Creatives.

Vier Wochen später meldet die Kampagne 340 Käufe zu Kosten pro Kauf, die du in jedem Meeting verteidigen würdest. Ein Teil dieser 340 waren Bestandskunden. Wie groß der Teil war, steht nirgends.

Kurz gesagt: Die Match Rate ist der Anteil deiner hochgeladenen Kundenliste, den Meta einem Konto zuordnen konnte. Das ist keine Randnotiz. Alles, was auf dieser Liste aufbaut, der Ausschluss deiner Bestandskunden und der Seed deiner Lookalike Audience, deckt nur den gematchten Teil ab. Der Rest sieht deine Anzeigen weiter.

Das Wichtigste

• Eine Kundenliste ist ein Abgleichversuch, keine Zielgruppe. Meta baut die Audience aus den Zeilen, die es einem Konto zuordnen konnte. Der Rest verschwindet lautlos.
• Was nicht gematcht wurde, bleibt für dein Prospecting freigeschaltet. Im Beispiel sind das 4.000 Käufer, die weiter als Fremde angesprochen werden. Ihre Zweitkäufe landen in deiner Neukundenzahl.
• Der Abgleich läuft nicht zufällig, dein Lookalike-Seed ist also eine verzerrte Stichprobe. Lade mehr Spalten hoch: Metas Dokumentation nennt E-Mail-Adressen, Telefonnummern, Namen, Geburtsdaten, Geschlecht und Orte als mögliche Merkmale.

Was misst die Match Rate einer Custom Audience?

Die Match Rate ist der Anteil deiner Kundenliste, den Meta einem Konto zuordnen konnte. Du lädst eine Datei hoch, die Merkmale werden gehasht (Metas Marketing-API-Dokumentation verlangt SHA256 und nennt kein anderes Verfahren), die Hashes werden mit Metas eigenen Daten verglichen, und was übereinstimmt, wird deine Zielgruppe. Mehr passiert nicht.

Die deutschsprachigen Anleitungen enden meist genau hier. Sie erklären den Aufbau, die Datenquellen und den Upload. Was mit dem Teil der Liste passiert, der keinen Treffer bekommt, steht in keiner davon.

Dabei bekommst du nicht einmal eine geprüfte Zahl zurück. Du siehst eine Zielgruppengröße. Wenn du eine Quote willst, teilst du diese Größe selbst durch die Zeilen, die du hochgeladen hast. Der Wert, den du optimieren sollst, ist eine eigene Schätzung.

Warum matcht ein Teil deiner Kundenliste nie?

Der Grund ist immer derselbe: Das Merkmal, das du hast, ist nicht das Merkmal, das die Person bei Meta hinterlegt hat. Jemand hat sich 2014 mit einer privaten Adresse angemeldet und dir an der Kasse die Firmenadresse gegeben. Jemand hat den Job gewechselt, die Domain im CRM gehört niemandem mehr. Jemand hat nie ein Konto angelegt. Bei jemandem fehlt die Ländervorwahl.

Wichtig ist der zweite Teil. Nichts davon entfernt einen zufälligen Ausschnitt deiner Liste. Eine Datei mit Firmenadressen verliert die Käufer, die ihr Privatleben von der Firmendomain fernhalten. Eine Liste aus dem Checkout mit Telefonnummer matcht besser als eine aus dem Webinarformular, das nach E-Mail und Firma gefragt hat. Wen deine Datenerfassung bevorzugt, den bevorzugt auch dein gematchter Teil.

Greift der Ausschluss, wenn nur die Hälfte gematcht ist?

Die Hälfte greift. Die Audience, die Meta gebaut hat, ist dein Zaun, und die Zeilen ohne Treffer stehen nicht darin. Sie bleiben für die Prospecting-Kampagne freigeschaltet wie jeder andere. Sie sehen die Anzeige, ein paar kaufen erneut, und dieser Kauf zählt in der Kampagne, die du als Neukundengeschäft gelesen hast.

Das verbrannte Budget ist dabei der kleinere Schaden. Ein Bestandskunde konvertiert günstig, dein Prospecting sieht also besser aus als es ist, und du skalierst in eine Zielgruppe hinein, die von Anfang an warm war. Der Werbeanzeigenmanager warnt dich nicht. Aus seiner Sicht ist nichts schiefgelaufen.

Plane den Ausschluss deshalb als unvollständig ein. Zieh den Zaun zusätzlich strukturell: eine eigene Kampagne oder Anzeigengruppe für Bestandskunden, und eine Neukundenquote, die du in deinen eigenen Shopdaten misst. Dort ist eine Kundennummer ein Fakt und kein Abgleichversuch.

Was macht ein dünner Seed mit deinem Lookalike?

Eine Lookalike Audience modelliert den Seed, den du ihr gibst, und dieser Seed ist der gematchte Teil. Gib Meta 2.000 gematchte Zeilen aus 6.000 Käufern, und es sucht Menschen, die diesen 2.000 ähneln. Bei einem zufälligen Abgleich wäre das nur ein Verlust an Präzision.

Zufällig ist er aber nicht. Der Seed kippt in Richtung der Käufer, deren private Adresse oder Nummer du zufällig erfasst hast, die bei Meta sind und die seitdem nichts geändert haben. Das Modell bildet diese Gruppe sauber ab. Als Modell deiner Kundschaft taugt es wenig.

Bei wertgefilterten Seeds wird es doppelt dünn. Nimm dieselben 6.000, kürze auf deine 500 stärksten Käufer, matche davon 300, und dein Lookalike steht auf 300 Personen, die zweimal ausgewählt wurden: einmal nach Umsatz, einmal nach Auffindbarkeit.

Wie hebst du die Match Rate deiner Kundenliste?

Lade mehr Spalten hoch. Metas Dokumentation nennt E-Mail-Adressen, Telefonnummern, Namen, Geburtsdaten, Geschlecht und Orte als Merkmale, die eine Kundendatei tragen kann. Eine reine E-Mail-Spalte gibt Meta genau einen Weg zu jeder Person. Die meisten CRMs halten drei oder vier dieser Felder und exportieren eines.

Räum die Datei auf, bevor du die Plattform verantwortlich machst: Leerzeichen weg, Dubletten weg, alles klein schreiben, alle Telefonnummern in einem Format mit Ländervorwahl.

Trenn nach Aktualität. Eine Liste mit allen Käufern seit Firmengründung schleppt ein Jahrzehnt toter Adressen mit. Die letzten 12 Monate matchen besser und sind der bessere Seed.

Und dann hör auf. Keine Quote schließt den Ausschluss. Der letzte Schritt ist strukturell: Rechne mit einer Lücke, miss ihre Größe in deinen eigenen Daten, und lies die Zielgruppe der Plattform nicht länger als vollständige Liste deiner Käufer.

Die Frage darunter beantwortet das alles nicht: wer deine Käufer sind und wie sie sprechen. Eine Match Rate sagt dir nur, wen davon Meta wiedererkannt hat.

Adscalr lädt keine Kundenlisten hoch, verbindet kein CRM und baut keine Custom Audiences. Deine Käuferdaten sieht das Tool nie. Die Zielgruppen-Analyse geht von der anderen Seite ran: Sie durchsucht 5 benannte öffentliche Quellen (Reddit, Amazon-Bewertungen, App Store, Google Play und Foren, die du mit deinen und den Konkurrenz-URLs fütterst), zieht die genauen Formulierungen heraus und ordnet sie den Bewusstseinsstufen zu. Zu wissen, wie dein Käufer redet, hängt an keinem Dateiabgleich.

Wenn dich die Ausspielung selbst beschäftigt, deckt breite oder detaillierte Zielgruppen die andere Hälfte ab. Und wenn die Kampagnenzahlen seltsam aussehen, ist Metas Conversion-Zählung gegen deinen Umsatz der passende Nachbarartikel.