KI-Retargeting mit Machine Learning: Werbekosten gezielt senken

KI-Retargeting nutzt Machine-Learning-Algorithmen, um aus dem Verhalten von Website-Besuchern und E-Mail-Empfängern abzuleiten, wer gerade kaufbereit ist – statt alle früheren Besucher mit derselben Anzeige zu beschallen. Google Smart Bidding und Meta Advantage+ sind die wichtigsten ML-Schichten auf Plattformseite; ActiveCampaign liefert die First-Party-Daten, die diese Systeme brauchen, um präzise zu arbeiten.

Das Wichtigste in Kürze

• ML-Retargeting bewertet jeden Nutzer anhand von Verhaltenssignalen und passt Gebote sowie Auslieferung dynamisch an – ohne starre Regeln.
• Google Smart Bidding und Meta Advantage+ sind plattformseitige ML-Systeme, die du über Kampagneneinstellungen direkt aktivierst.
• ActiveCampaign-Segmente lassen sich als Custom Audiences in Google und Meta synchronisieren und verbessern die Zielgruppenqualität deutlich.
• ML-Algorithmen brauchen ausreichend Conversion-Daten, um verlässlich zu lernen – unter einem bestimmten Volumen arbeiten regelbasierte Ansätze zuverlässiger.
• First-Party-Daten aus CRM und E-Mail-Tracking gewinnen an Bedeutung, weil Third-Party-Cookies auf allen großen Browsern sukzessive entfallen.

Was ML-Retargeting von klassischem Targeting unterscheidet

Klassisches Retargeting folgt festen Regeln: Wer Seite X besucht hat, bekommt 14 Tage lang Anzeige Y. Diese Logik ist verständlich und leicht zu kontrollieren, aber sie behandelt alle früheren Besucher als gleichwertig – unabhängig davon, wie weit sie tatsächlich im Entscheidungsprozess sind. Der Besucher, der dreimal die Preisseite aufgerufen und zwei Wochen lang täglich E-Mails geöffnet hat, sieht dieselbe Anzeige wie jemand, der vor einem Monat einmal auf eine Überschrift geklickt hat.

Machine-Learning-Retargeting trennt diese Gruppen automatisch. Der Algorithmus analysiert eine Vielzahl von Verhaltenssignalen gleichzeitig – Seitentiefe, Verweildauer, Scroll-Verhalten, E-Mail-Engagement, Klickmuster, Zeitabstände zwischen Besuchen – und berechnet daraus ein Wahrscheinlichkeitsmaß für eine bevorstehende Conversion. Nutzer mit hoher Kaufbereitschaft bekommen ein höheres Gebot und damit mehr Sichtbarkeit; Nutzer mit niedrigem Score werden entweder gar nicht angesprochen oder erhalten günstigere Inventarplätze.

Der entscheidende Unterschied liegt in der Dynamik: Während regelbasierte Segmente zu festen Zeitpunkten aktualisiert werden, reagieren ML-Modelle auf jedes neue Signal nahezu in Echtzeit. Wenn jemand am Nachmittag eine Demo-Seite aufruft und kurz darauf eine Vergleichs-E-Mail öffnet, steigt sein Score sofort – und die Gebotslogik passt sich noch am selben Tag an.

Welche Daten ML-Algorithmen brauchen – und warum First-Party-Daten entscheidend sind

Welche Signale zählen

ML-Modelle im Retargeting unterscheiden zwischen impliziten und expliziten Signalen. Implizite Signale entstehen passiv: wie lange jemand eine Seite liest, ob er zum Formular scrollt ohne es abzusenden, ob er das Preisverzeichnis mehrfach aufruft. Explizite Signale erfordern eine Aktion: ein Klick auf einen CTA, ein Download, ein ausgefülltes Formular. Beide Signaltypen fließen in die Modelle ein, aber explizite Signale gewichten stärker.

Für die Vorhersagequalität braucht das Modell außerdem zeitliche Muster. Kauft ein bestimmtes Kundensegment typischerweise nach dem zweiten Newsletter? Das Modell lernt das – aber nur, wenn die Conversion-Daten sauber erfasst und mit den Verhaltensdaten verknüpft sind. Fragmentierte Tracking-Setups, bei denen Offline-Conversions fehlen oder E-Mail-Klicks nicht ins Webanalyse-System zurückfließen, senken die Qualität der Vorhersagen spürbar.

Warum Third-Party-Cookies hier nicht mehr ausreichen

Die Grundlage klassischer Retargeting-Pixel war der Third-Party-Cookie: ein Token, das Anbieter wie Google oder Meta plattformübergreifend im Browser speichern konnten. Firefox und Safari blockieren Third-Party-Cookies seit Jahren standardmäßig. Chrome folgt mit schrittweisen Einschränkungen. Das bedeutet für Retargeting: Ein wachsender Anteil der Website-Besucher hinterlässt keinen pixelbasierten Fingerabdruck mehr.

First-Party-Daten – also Daten, die du selbst mit ausdrücklicher Einwilligung deiner Kontakte sammelst – füllen diese Lücke. E-Mail-Adresse, Verhaltensdaten in deinem CRM, Kaufhistorie: Das sind Signale, die du kontrollierst, die der Browser nicht blockiert und die DSGVO-konform erhoben werden können. ML-Retargeting auf First-Party-Basis wird dadurch nicht nur datenschutzfreundlicher, sondern auch technisch stabiler als rein pixelbasierte Ansätze.

Wie ActiveCampaign die Datenbasis für ML-Retargeting aufbaut

Site Tracking und Event Tracking aktivieren

ActiveCampaign erfasst Website-Verhalten über Site Tracking: Ein JavaScript-Snippet auf deiner Website protokolliert Seitenaufrufe und verknüpft sie mit bekannten Kontakten. Sobald jemand auf einen E-Mail-Link klickt und deine Seite aufruft, ist der Kontakt identifiziert – jeder weitere Besuch fließt direkt in sein Kontaktprofil. Das unterscheidet sich grundlegend vom anonymen Pixel, weil die Daten sofort einem Kontakt-Datensatz zugeordnet werden.

Event Tracking geht einen Schritt weiter: Du definierst eigene Events, etwa „Whitepaper heruntergeladen“, „Preisseite besucht“ oder „Kalender-Tool geöffnet“. Diese Events lösen Automationen aus, erhöhen den Lead Score und lassen sich als Segmentierungskriterium nutzen. In ActiveCampaign konfigurierst du Events unter Einstellungen → Tracking → Event Tracking; die API-Calls kommen aus deiner Website oder deinem Tag Manager.

Lead Scoring als Kaufbereitschaftssignal

Das Lead Scoring in ActiveCampaign bewertet Kontakte anhand ihrer Aktionen und gibt jedem eine numerische Punktzahl. Du definierst selbst: Punkte für geöffnete E-Mails, mehr Punkte für aufgerufene Preisseite, noch mehr für eine Demo-Anfrage, Abzugspunkte für längere Inaktivität. Das Ergebnis ist ein Score, der den aktuellen Engagement-Zustand des Kontakts abbildet.

Dieser Score ist das direkte Äquivalent zum Propensity Score in ML-Modellen – nur dass du die Gewichte selbst festlegst statt sie durch einen Trainingsalgorithmus zu ermitteln. Wenn du diesen Score über Custom Fields in deine Werbeplattformen überträgst, hast du bereits ein ML-ähnliches Targeting-Signal im Einsatz, das auf deinen echten Kundendaten basiert. Der Score aktualisiert sich in ActiveCampaign kontinuierlich mit jeder neuen Aktion des Kontakts.

Segmente synchronisieren

ActiveCampaign ermöglicht es, Kontaktsegmente automatisiert als Custom Audiences in Meta und Google zu synchronisieren – über die Custom-Audiences-Integration für Meta oder über Zapier und make.com für Google Ads. Jedes Mal, wenn ein Kontakt einen neuen Score-Schwellenwert erreicht, kann er automatisch in eine andere Zielgruppe wandern: von „generelles Retargeting“ zu „kaufnahe Leads mit Angebots-Anzeigen“. Kontakte, die inaktiv werden, verlassen das Segment automatisch – ohne manuelle Listenpflege.

Google Smart Bidding und Meta Advantage+ richtig einsetzen

Die ML-Systeme der Werbeplattformen selbst sind der zweite Hebel – und der, dem die meisten Budgets überhaupt erst zugutekommen, bevor ein eigenes Scoring-Setup steht. Google Smart Bidding und Meta Advantage+ sind keine optionalen Zusatzprodukte, sondern heute der Standard-Betriebsmodus beider Plattformen.

Google Smart Bidding

Smart Bidding ist der Oberbegriff für Gebotsstrategien, die Google automatisiert auf Basis von ML-Modellen steuert: Target CPA (Zielkosten je Conversion), Target ROAS (Ziel-Umsatz je eingesetztem Euro), Max Conversions und Max Conversion Value. Der Algorithmus berücksichtigt bei jeder Auktion Signale wie Gerät, Tageszeit, Suchanfragen-Kontext, Standort und Browserpfad des Nutzers – mehr Variablen gleichzeitig, als ein manuelles Gebotsmodell je abbilden könnte.

Für Retargeting bedeutet das: Du definierst die Zielgröße, etwa einen angestrebten CPA, und Smart Bidding erhöht das Gebot automatisch für Nutzer mit hoher Conversion-Wahrscheinlichkeit – ohne dass du selbst Gebotsregeln für einzelne Zielgruppen schreiben musst. Google empfiehlt mindestens 30 bis 50 Conversions im letzten Monat, damit die Lernphase abgeschlossen wird und die Strategie stabil arbeitet. Unter diesem Volumen kann die Lernphase sich stark verlängern oder die Strategie bleibt dauerhaft instabil.

Meta Advantage+ und Custom Audiences

Meta Advantage+ Audiences ermöglicht es, die Zielgruppensteuerung weitgehend an den Algorithmus abzugeben: Du gibst einen groben Rahmen vor (Altersbereich, Standort, optionale Interessen), Meta verfeinert die Ausspielung basierend auf Conversion-Wahrscheinlichkeit eigenständig. In Kombination mit Custom Audiences – Nutzern, die du aus deinem CRM oder deiner Kontaktliste importierst – verbindet sich deine eigene Datenbasis mit Metas ML-Schicht.

Für das Zusammenspiel mit ActiveCampaign bedeutet das: Kontakte, die im CRM als kaufbereit markiert sind, landen in einer Custom Audience auf Meta und werden dort mit der Advantage+-Logik bespielt. Kontakte, die inaktiv werden, wandern automatisch aus der Audience heraus – die Liste bleibt aktuell, ohne dass du sie manuell exportieren und hochladen musst.

So verbindest du ActiveCampaign mit Google und Meta – Schritt für Schritt

Das folgende Setup verbindet dein CRM mit beiden Werbeplattformen und legt die Grundlage für ML-gestütztes Retargeting. Du brauchst Admin-Zugriff auf ActiveCampaign, Google Ads und den Meta Business Manager.

1. Site Tracking aktivieren: In ActiveCampaign unter Einstellungen → Tracking → Site Tracking den Tracking-Code kopieren und auf allen Seiten deiner Website im head-Bereich einbinden – am einfachsten über einen Tag Manager.
2. Event Tracking einrichten: Definiere die drei bis fünf wichtigsten Konversionspfade als Events (z. B. Preisseite, Kontaktformular, Kalender-Tool) unter Einstellungen → Tracking → Event Tracking. Die API-Calls baust du über den Tag Manager oder direkt in die Website ein.
3. Lead-Scoring-Regeln erstellen: Unter Kontakte → Lead Scoring Punkte vergeben: höhere Punkte für kaufnahe Aktionen wie Preisseite oder Demo-Klick, geringere für frühe Signale wie Newsletter-Öffnung. Definiere Abzugspunkte für Inaktivität, damit inaktive Kontakte automatisch nach unten wandern.
4. Segment für kaufbereite Kontakte anlegen: Erstelle ein Segment mit der Bedingung „Lead Score ist größer als [dein Schwellenwert]“. Das Segment aktualisiert sich automatisch, sobald ein Kontakt den Wert überschreitet oder unterschreitet.
5. Custom Audience in Meta synchronisieren: Im Meta Business Manager unter Zielgruppen → Zielgruppe erstellen → Custom Audience → Kundenliste die ActiveCampaign-Integration nutzen oder den Zapier/make.com-Connector einrichten, der bei Score-Änderungen die Liste automatisch aktualisiert.
6. Customer Match in Google Ads einrichten: Unter Tools → Zielgruppen-Manager → Zielgruppen erstellen → Kundendaten eine Liste mit gehashten E-Mail-Adressen hochladen oder die API-Verbindung via make.com aufbauen. Google matcht angemeldete Nutzer gegen deine Liste.
7. Smart Bidding bzw. Advantage+ aktivieren: Schalte in Google Ads eine Kampagne mit Target CPA oder Max Conversions, beschränkt auf deine Customer-Match-Zielgruppe. In Meta startest du eine Advantage+-Kampagne, die deine Custom Audience als Ausgangs-Signal verwendet. Beide Systeme übernehmen die Gebotsoptimierung innerhalb dieser Gruppen ab sofort eigenständig.

Wann ML-Retargeting nicht die richtige Wahl ist

ML-Algorithmen brauchen Daten, um zu lernen. Wenn dein Setup unter einem bestimmten Traffic- und Conversion-Volumen liegt, arbeiten die Modelle deutlich schlechter als regelbasierte Alternativen – weil zu wenig Signal vorhanden ist, um Muster zu erkennen. Google empfiehlt für Smart Bidding mindestens 30 bis 50 Conversions im vorherigen Monat. Unterhalb dieses Schwellenwerts empfiehlt sich zunächst manuelles CPC-Bidding mit Beobachtungs-Zielgruppen, bis das Conversion-Volumen ausreicht.

Sehr lange B2B-Kaufzyklen sind ein weiterer Faktor, den ML-Systeme schlechter abbilden. Wenn ein Kauf durchschnittlich mehrere Monate Bedenkzeit benötigt und viele Personen am Entscheidungsprozess beteiligt sind, gibt es selten genug Conversions pro Monat, damit das Modell stabil lernt. In diesem Kontext ist Account-Based Marketing mit sorgfältig gepflegten Listen oft effektiver als vollautomatisiertes ML-Retargeting.

Auch sehr kleine Zielgruppen limitieren das System: Eine Custom Audience mit weniger als 1.000 Mitgliedern hat in Meta kaum Reichweite; Google Customer Match braucht laut Google-Dokumentation mindestens 1.000 gematchte, aktive Nutzer, damit die Audience aktiv wird. Wer mit kleinen Listen arbeitet, sollte zuerst Lookalike Audiences auf Basis konvertierter Kunden aufbauen, bevor er reine CRM-Zielgruppen bespielt.

Typische Fehler und was du dagegen tun kannst

Tracking-Qualität zu spät ernst nehmen

Ein häufig unterschätzter Fehler: Das Tracking-Setup funktioniert technisch, aber die Datenqualität ist schlecht. Doppelte Kontakte mit verschiedenen E-Mail-Varianten, Event-Namen ohne konsistente Namenskonvention, fehlende Consent-Signale, die bestimmte Nutzer aus dem Tracking ausschließen – das alles fragmentiert die Datenbasis. Der Algorithmus lernt dann aus einem verzerrten Bild und trifft entsprechend verzerrte Vorhersagen.

Empfehlenswert ist ein sauberes Tracking für vier bis sechs Wochen, bevor ML-Strategien aktiviert werden. Prüfe regelmäßig, ob Events korrekt ausgelöst werden, ob Duplicate Contacts zusammengeführt sind und ob Consent Mode auf allen Seiten korrekt implementiert ist. Diese Vorlaufzeit zahlt sich aus, weil die Algorithmen ab dem ersten Tag mit validen Daten arbeiten.

Lernphasen durch frühe Eingriffe unterbrechen

Smart Bidding und Advantage+ durchlaufen eine Lernphase, in der der Algorithmus das optimale Verhalten für deine Kampagne kalibriert. Wenn du in dieser Phase Budget, Gebotsziel oder Zielgruppe stark änderst, setzt die Lernphase von Neuem an. Das kostet Zeit und damit Budget. Wer seine Kampagnen nach zwei oder drei Tagen ohne sofortigen Kostenrückgang angreift, verlängert die Lernphase erheblich.

Setze einen Beobachtungszeitraum von mindestens sieben bis vierzehn Tagen, bevor du Anpassungen an Kernparametern vornimmst. Einzelne Creative-Tests in separaten Ad Sets schaden der Lernphase der Kampagnenebene dabei nicht – die Lernphase gilt für Gebotsstrategie und Zielgruppendefinition, nicht für einzelne Anzeigenvarianten.

DSGVO-Anforderungen beim Datentransfer unterschätzen

Wenn du Kontaktdaten aus ActiveCampaign in Custom Audiences auf Meta oder Google lädst, transferierst du personenbezogene Daten an US-amerikanische Unternehmen. Das erfordert eine Rechtsgrundlage nach DSGVO – in den meisten Fällen eine informierte Einwilligung, die ausdrücklich die Weitergabe an Werbeplattformen umfasst. Generische Cookie-Consent-Banner, die nur das Website-Tracking abdecken, sind hier nicht ausreichend.

Stelle sicher, dass deine Datenschutzerklärung den Transfer an Meta und Google benennt, dass die Einwilligung vor der Listenzusammenstellung vorlag, und dass Kontakte, die ihre Einwilligung widerrufen haben, automatisch aus den Custom Audiences entfernt werden. Das lässt sich in ActiveCampaign über eine Automation abbilden, die bei Abmelde-Events den Kontakt aus dem entsprechenden Segment herausnimmt.

Zu viele Plattformen gleichzeitig starten

Wer ML-Retargeting auf Meta, Google, LinkedIn und einem Demand-Side-Platform-Tool gleichzeitig startet, verteilt das Conversion-Volumen auf so viele Kanäle, dass keiner der Algorithmen ausreichend Daten bekommt. Das Ergebnis: alle Kampagnen bleiben dauerhaft in der Lernphase oder optimieren auf dünner Datenbasis. Beginne mit einer Plattform – dem Kanal mit dem höchsten bisherigen Conversion-Volumen – und erweitere erst nach einer stabilen Lernphase auf weitere Kanäle.

Häufige Fragen

Wie lange dauert die Lernphase bei Google Smart Bidding?

Google gibt an, dass die Lernphase in der Regel sieben Tage dauert. Sie gilt als abgeschlossen, wenn das System genug Conversions gesammelt hat, um statistisch stabile Vorhersagen zu treffen. Mit weniger als 30 Conversions im Monat kann die Lernphase sich deutlich verlängern oder das System bleibt dauerhaft im Lernmodus, ohne verlässlich zu optimieren. Der Status ist im Google-Ads-Konto unter Kampagnen → Gebotsstrategie-Status einsehbar.

Kann ich ohne externes ML-Tool KI-Retargeting betreiben?

Ja. Google Smart Bidding und Meta Advantage+ sind ML-Systeme, die du direkt in den jeweiligen Anzeigenkonten aktivierst – ohne externe Software. Ein eigenes ML-Tool oder eine Demand-Side-Platform wird erst dann relevant, wenn du plattformübergreifend eine einheitliche Audience-Logik aufbauen oder eigene Scoring-Modelle trainieren willst, die über die plattformeigenen Algorithmen hinausgehen.

Wie viele Kontakte brauche ich für eine funktionierende Custom Audience?

Meta gibt an, dass Custom Audiences mindestens 100 Mitglieder benötigen, um ausgeliefert zu werden; in der Praxis empfiehlt Meta 1.000 oder mehr für ausreichende Reichweite. Google Customer Match benötigt laut Google-Dokumentation mindestens 1.000 gematchte, aktive Nutzer. Unterhalb dieser Schwellen bieten sich Lookalike Audiences auf Basis bestehender Kunden als Alternative an.

Funktioniert ML-Retargeting auch ohne Cookie-Consent?

Teilweise. Die Google-Consent-Mode-v2-Integration ermöglicht es, auch bei verweigerten Cookies modellierte Conversion-Daten an Google zu übermitteln – Google schätzt fehlende Datenpunkte auf Basis aggregierter Muster. Meta hat ein ähnliches System. First-Party-Daten aus deinem CRM, also Custom Audiences auf Basis von E-Mail-Adressen mit expliziter Einwilligung, sind von der Cookie-Ablehnung unabhängig und bleiben vollständig nutzbar.

Was ist der Unterschied zwischen Retargeting und Remarketing?

Die Begriffe werden häufig synonym verwendet. Genau genommen bezeichnete Remarketing bei Google ursprünglich das Ansprechen früherer Website-Besucher über Display- und Suchnetzwerk, während Retargeting der breitere Begriff für alle Formen der Wiederansprache voriger Kontakte ist – auch über Social-Media-Plattformen. Im heutigen Sprachgebrauch meinen beide dasselbe: Nutzern, die bereits Kontakt mit deiner Marke hatten, erneut Anzeigen zeigen.

Wer diesen Aufbau vollständig etabliert hat – sauberes Site Tracking in ActiveCampaign, konsistente Lead Scores, synchronisierte Custom Audiences auf Google und Meta, aktiviertes Smart Bidding und Advantage+ mit realistischer Lernphase – hat die technische Grundlage, auf der Predictive Lead Scoring als nächster Schritt aufbaut: das automatisierte Priorisieren von Leads nicht nur für die Werbeplattform, sondern auch für die direkte Vertriebsansprache.