Broad vs. Interest-Targeting: wann Sie was wählen

Interest-Targeting grenzt eine Anzeigengruppe auf Personen ein, deren Meta-Aktivität zu ausgewählten Demografien, Interessen oder Verhaltensweisen passt. Broad-Targeting streicht das komplett, es bleiben nur Standort, Alter und Geschlecht, und überlässt den Rest Metas Delivery-Algorithmus, der auf weit mehr Signal zugreift (aktuelle Suchen, Video-Durchlaufquote, Warenkorb-Aktivität) als ein Interest-Label je erfassen könnte.

Der Trade-off, und warum er sich verschoben hat

Interest-Targeting tauscht Reichweite gegen Relevanz: ein kleinerer, spezifischerer Pool im Austausch dafür, ungefähr zu wissen, wer darin ist. Broad-Targeting tauscht Relevanz gegen die eigene Mustererkennung des Algorithmus. Mit dem Fortschritt von Metas Modellen hat Broad diese Lücke zunehmend geschlossen, und in Accounts mit starker Conversion-Historie schlägt es handverlesene Interest-Stacks häufig ganz direkt, besonders jenseits von 200+ USD/Tag Spend.

Wann welche Option ihren Platz verdient

Wo Interest-Targeting allein scheitert

Zu viele Interessen mit UND-Logik stapeln. Eine Übereinstimmung über mehrere enge Interessen gleichzeitig zu verlangen, kann einen Pool auf die Zehntausende schrumpfen, zu klein für Metas Delivery-System zum Lernen, egal wie präzise er den Käufer beschreibt.

Interessen wählen, die so breit sind, dass sie nichts bedeuten. Ein Label wie “Shopping” oder “Technologie” trifft Hunderte Millionen Menschen, damit zahlt die Anzeigengruppe Feed-Level-CPMs, ohne etwas von der Präzision zu bekommen, die Interest-Targeting eigentlich liefern sollte.

Nie ein Broad-Anzeigengruppe als Kontrolle laufen lassen. Anzunehmen, Interests würden Broad immer schlagen, ohne es zu testen, bedeutet, dass ein Account eine günstigere, besser performende Option auf unbestimmte Zeit ungetestet liegen lässt.

Wo Broad-Targeting allein scheitert

Broad ohne Conversion-Historie starten. Broad-Targeting ist nur so gut wie das Signal, mit dem Meta arbeiten kann. Mit einem leeren Pixel ähnelt es eher einer Zufallsverteilung als intelligentem Targeting.

Platzierungen einschränken, während man bei der Zielgruppe breit geht. Eine breite Zielgruppe mit einer engen Platzierung-Auswahl zu kombinieren, untergräbt den Sinn von Broad. Der Algorithmus braucht Spielraum bei Platzierungen genauso wie bei der Zielgruppe, um tatsächlich herauszufinden, wo Conversions günstig sind.

Es beurteilen, bevor die Lernphase abgeschlossen ist. Broad- Targeting braucht ebenfalls die üblichen ca. 50 wöchentlichen Conversions zur Stabilisierung, die frühen Kosten fallen unabhängig vom Targeting-Ansatz zunächst hoch aus.

Wie sich das im Kampagnen-Assistenten abbildet

Jedes im Kampagnen-Assistent ausgewählte Detailed-Targeting- Einschlusskriterium wird zu einer eigenen Variante einer Anzeigengruppe. Das heißt, ein Broad-vs-Interest-Test lässt sich natürlich als zwei separate Varianten im selben Wizard-Durchlauf abbilden, statt als manuelle Duplizierungsübung, wobei Variantenanzahl und Benennungsvorlage nachhalten, welche welche ist.

Wie YieldBI das anwendet

Ad-Level-Umsatz- und Audience-Discovery-Insights laufen unter Ihrem konfigurierten Attributionsmodell zusammen, sodass der reale Beitrag eines Broad-Anzeigengruppen auf derselben Grundlage gemessen wird wie der eines Interest-basierten. Das lässt die Wachstumssteuerung beide ehrlich vergleichen, statt dass eines künstlich stärker wirkt, nur weil es zufällig unter einem kürzeren Attributionsfenster berichtet wird.