LinkedIn Custom Audience: Signale statt Filter
Vom Kaufsignal zur LinkedIn Matched Audience: Signalquelle wählen, Zeilen qualifizieren, CSV exportieren — und was bei ChatGPT Ads nicht funktioniert.
Eine Zielgruppe, die auf einem Ereignis beruht statt auf einem Filter
Die übliche LinkedIn-Zielgruppe entsteht aus Filtern: Branche, Unternehmensgrösse, Jobtitel, Region. Das Ergebnis ist eine Menge von Menschen, die zu Ihrem Profil passen könnten — ohne jeden Hinweis darauf, dass gerade etwas passiert.
Eine signalbasierte Zielgruppe entsteht andersherum. Am Anfang steht ein beobachtbares Ereignis: Jemand schreibt eine Stelle aus, die Ihr Problem beschreibt. Jemand wechselt auf eine Position, in der er entscheidet. Jemand kommentiert unter einem Beitrag zu genau Ihrem Thema. Erst danach kommt die Frage, ob die Firma dahinter überhaupt ins ICP passt.
Dieser Leitfaden zeigt den vollständigen Weg zum Selbermachen: vom Signal über eine qualifizierte Tabelle bis zur CSV, die Sie im LinkedIn Campaign Manager hochladen. Und er sagt am Ende offen, warum derselbe Weg bei ChatGPT Ads nicht funktioniert — und was dort stattdessen zu tun ist.
Alle Plattformangaben in diesem Leitfaden haben den Stand 09/2026. Für LinkedIn Ads und ChatGPT Ads haben wir bei CegTec keine eigenen Ergebnisse gemessen; entsprechend finden Sie hier keine CPC-, Match-Rate- oder Conversion-Zahlen, die es nicht gibt.
Der Weg in fünf Schritten
- Signal wählen — welches Ereignis definiert Ihre Zielgruppe?
- Signal wird zur Tabelle — jede Zeile ein Unternehmen oder ein Kontakt.
- Qualifizieren — ICP-Fit als Spalte, die einen Score zurückgibt.
- Exportieren — gefilterte Zeilen als CSV.
- Hochladen — LinkedIn Matched Audiences, Firmen- oder Kontaktliste.
Schritt 6 ist die Ehrlichkeitsrunde zu ChatGPT Ads, Schritt 7 schliesst den Kreis zurück ins Outbound.
Schritt 1: Das Signal wählen
In GTM Goat legen Sie eine Tabelle an und geben ihr eine Quelle. Die Quelle bestimmt, welche Ereignisse zu Zeilen werden. Verfügbar sind unter anderem:
| Quelle | Was sie liefert |
|---|---|
| Firmen-Pool | Unternehmen nach Kriterien aus einem bestehenden Bestand |
| Lookalike | Firmen, die Ihren bereits gewonnenen Deals ähneln |
| Google Maps | Lokale Betriebe nach Kategorie und Umkreis |
| Stellenanzeigen (Indeed) | Firmen, die gerade eine bestimmte Rolle ausschreiben |
| Apify Actor | Beliebige eigene Scraping-Quelle |
| LinkedIn Post-Engager | Personen, die auf einen bestimmten Beitrag reagiert haben |
| Job-Wechsel / Neue Entscheider | Personen, die gerade eine neue Rolle angetreten haben |
| LinkedIn Profil-Monitoring | Reaktionen auf Ihre eigenen Beiträge und Ihr Profil |
| LinkedIn Keyword-Monitoring | Beiträge und Kommentare zu definierten Begriffen |
| Webhook | Ereignisse aus einem beliebigen angebundenen System |
Der Quellen-Dialog: hier entscheidet sich, welches Ereignis Ihre Zielgruppe definiert.
Weiter unten in derselben Liste stehen die LinkedIn-nahen Signale und der Webhook.
Zwei Dinge, die wir nicht schönreden
Profilbesuche sind ein echtes Signal. Die Plattform kennt ein natives Ereignis dafür, dass jemand Ihr Profil angesehen hat, und ebenso für Reaktionen auf Ihre Beiträge. Beides lässt sich als Quelle nutzen. Wer Ihr Profil ansieht, nachdem Sie zu einem Thema gepostet haben, ist ein besserer Ausgangspunkt als jeder Filtertreffer.
Website-Besuche sind kein Signal, das dieses Produkt erzeugt. GTM Goat identifiziert keine anonymen Website-Besucher. Es gibt keine Quelle für Visitor-Identification, und wir behaupten auch nicht, dass es sie gäbe. Wenn Sie Website-Signale nutzen wollen, brauchen Sie dafür ein eigenes Analytics- oder Visitor-Tool, das Firmen erkennt und ein Ereignis auslöst. Dieses Ereignis schicken Sie über die Webhook-Quelle in eine Tabelle — ab dort wird es wie jedes andere Signal qualifiziert. Die Identifikation passiert im vorgelagerten Tool, nicht hier. Prüfen Sie zusätzlich die datenschutzrechtliche Grundlage dieses Tools, bevor Sie es in eine Werbezielgruppe überführen.
Schritt 2: Aus dem Signal wird eine Tabelle
Die Treffer der Quelle landen als Zeilen in einer Tabelle. Jede Tabelle hat eine Bindung: Company oder Lead — also eine Zeile pro Unternehmen oder eine Zeile pro Person. Diese Entscheidung fällt früh und wirkt bis zum Upload durch, denn LinkedIn nimmt Firmenlisten und Kontaktlisten getrennt entgegen.
Tabellen-Übersicht: Bindung, Spaltenzahl und Zeilenzahl auf einen Blick.
Spalten sind hier keine passiven Felder, sondern je eine Aktion pro Zeile: Web-Recherche, Anreicherung, Qualifizierung, Kontaktermittlung. Jede Spalte läuft über alle Zeilen und zeigt ihren Fortschritt an.
Jede Spalte ist eine Aktion pro Zeile; der Fortschrittsbalken zeigt den Lauf.
Im Screenshot sehen Sie in einer Spalte einen Failed-Zähler. Das gehört zum Normalbetrieb: Einzelne Zellen scheitern an Rate-Limits oder daran, dass eine Firma schlicht keine auffindbare Domain hat. Zellen sind erneut ausführbar — ein sauberer Listenaufbau enthält deshalb immer einen zweiten Durchlauf über die fehlgeschlagenen Zellen, bevor exportiert wird.
Schritt 3: Qualifizieren — hier entsteht die Zielgruppe
Eine Signalliste ist noch keine Zielgruppe. Sie wird erst dazu, wenn Sie sie filtern können. Genau dafür ist die ICP-Fit-Spalte da: Sie bekommt einen Qualifizierungs-Prompt und ein Ausgabeschema und liefert pro Zeile ein strukturiertes Ergebnis:
fit_score— ein numerischer Wert, auf dem Sie sortieren und schneiden könnentier— eine grobe Einordnung für schnelle Filterreasoning— die Begründung, damit Sie eine Auswahl auch verteidigen können
Die ICP-Fit-Spalte: Prompt, Ausgabeschema und Ausführungsbedingung an einer Stelle.
Zwei Punkte, die den Unterschied machen:
Schreiben Sie das Schema, nicht nur den Prompt. Ein Freitext-Urteil („passt gut”) können Sie nicht filtern. Ein fit_score schon. Erst ein strukturiertes Feld macht aus 800 Signalzeilen eine Audience mit einer Grenze, die Sie begründen können.
Nutzen Sie Ausführungsbedingungen als Kostenbremse. Jede Spalte kann eine Bedingung haben, die festlegt, für welche Zeilen sie überhaupt läuft. Das Muster ist immer dasselbe: erst die billige Prüfung über alle Zeilen, dann die teure Anreicherung nur auf den Zeilen, die bestanden haben. Wer Kontaktermittlung und Tiefenrecherche auf allen 2.000 Rohzeilen laufen lässt, bezahlt den Grossteil davon für Firmen, die er später ohnehin herausfiltert.
Für einen ersten Aufbau reichen drei Spalten: eine Recherche-Spalte, die die Firma beschreibt, eine ICP-Fit-Spalte, die daraus einen Score macht, und — bei Kontaktlisten — eine Kontaktspalte, die nur auf den qualifizierten Zeilen läuft.
Schritt 4: Exportieren
Filtern Sie die Tabelle auf die Zeilen, die Sie behalten wollen (etwa fit_score über Ihrem Schwellenwert), und exportieren Sie über die Werkzeugleiste der Tabelle: Download-Symbol → Export as CSV.
Download-Symbol in der Tabellen-Werkzeugleiste, dann Export as CSV — das ist die Brücke zu LinkedIn.
Diese CSV ist das Übergabeformat. Alles Weitere passiert im LinkedIn Campaign Manager.
Der wirtschaftliche Kern: nur Ihre Zielkonten sehen die Anzeige
Bevor Sie die Datei hochladen, lohnt der Blick darauf, was Sie damit eigentlich kaufen. Der Hebel einer Custom Audience ist nicht der Klickpreis, sondern die Streuung. Bei breitem LinkedIn-Targeting (Branche + Unternehmensgrösse + Jobtitel) bezahlen Sie Reichweite in einer Kategorie: Der Filter beschreibt einen Typ von Unternehmen, nicht Ihre tatsächlichen Käufer. Ein erheblicher Teil der ausgelieferten Impressionen geht deshalb an Personen, die nie kaufen werden. Diese Streuung ist im Modell angelegt, sie ist kein Ausführungsfehler.
Bei einer signalbasierten Custom Audience gilt das Gegenteil: jede ausgelieferte Impression geht an ein Unternehmen oder eine Person, die Sie vorher qualifiziert haben — über das Signal und die ICP-Fit-Spalte aus Schritt 3. Die Verschwendung wird nicht nachträglich optimiert, sondern vorher wegkonstruiert.
Welche Probleme das löst
Zu wenige passende Leads — nicht zu wenige Leads. Filter-Targeting liefert Volumen, und der Vertrieb sortiert hinterher aus. Die Signal-Audience qualifiziert, bevor Budget fliesst: Der Filter sitzt vor der Ausgabe, nicht danach. Ihr Budget arbeitet ausschliesslich im ICP.
Verpasstes Timing. Üblicherweise wird angesprochen, wenn es dem Vertrieb in den Kalender passt. Ein Signal dreht das um: Die Anzeige läuft, weil etwas passiert ist — eine Vertriebsstelle ist ausgeschrieben, ein Entscheider hat gewechselt, jemand hat Ihr Profil besucht oder einen Beitrag kommentiert. Sie sind im Bedarfsfenster präsent statt dauerhaft gegen eine Kategorie.
Kalte Erstansprache. Der häufigste Grund für niedrige Antwortquoten ist ein unbekannter Absender. Hat dieselbe Liste vorher Ihre Anzeige gesehen, ist der Name bekannt, wenn die Sequenz ankommt — Anzeige und Outreach laufen auf einer qualifizierten Menge statt auf zwei unverbundenen Zielgruppen. Wie dieser Übergang technisch aussieht, steht in Schritt 7. Das Ziel sind nicht mehr Kontakte, sondern wärmere.
Reagiert, aber nicht konvertiert. Wer einmal geantwortet hat und dann abgesprungen ist, verschwindet sonst aus dem Blickfeld. Eine Liste, die Sie selbst pflegen, hält genau dieses Segment über Retargeting sichtbar.
Budget, das mit der Reichweite mitwächst. Bei einer definierten Liste von etwa 500 Zielaccounts brauchen Sie kein Reichweitenbudget, sondern Frequenz auf 500 Firmen. Das macht den Betrag absolut kleiner und vor allem planbar, statt mit der Zielgruppengrösse zu skalieren.
Nicht nachweisbarer Ad-ROI. Lange B2B-Zyklen und kleine Zielmärkte machen breite Reichweite teuer und schlecht attribuierbar. Gegen eine bekannte Account-Liste lässt sich dagegen prüfen, bei wem sich etwas bewegt hat. Dazu kommt die Kontrolle über das Gegenteil: Bestandskunden, Wettbewerber und offensichtlich unpassende Firmen können Sie aktiv ausschliessen — bei reinem Filter-Targeting wissen Sie nicht einmal genau, wen Sie bewerben.
Die Kennzahl, auf die Sie schauen sollten
Nicht der nominale Cost per Lead, sondern die Kosten pro qualifiziertem Lead — und der Anteil Ihres Budgets, der an Nicht-Zielkonten geht. Ein billiger Klick von ausserhalb Ihres ICP ist teurer als ein teurer Klick von einem Zielkonto, denn nur einer von beiden kann überhaupt Pipeline werden.
Zur Grössenordnung — Marktbenchmarks Dritter, Stand 09/2026:
| Kennzahl (Marktbenchmark) | Wert |
|---|---|
| LinkedIn CPC | ca. 5–8 USD |
| LinkedIn B2B CPL über Lead Gen Forms | ca. 50–130 USD (Median ~75–110 USD) |
| LinkedIn B2B CPL über eine Landingpage | ca. 150–250+ USD |
| Ausserhalb Nordamerikas | ca. 20–35 % niedriger |
Diese Werte sind stark nordamerikanisch gewichtet; eine belastbare öffentliche DACH-Zahl existiert nicht. Nutzen Sie sie als Orientierung für die Grössenordnung, nicht als Prognose und nicht als Zielwert — und wir bei CegTec haben für LinkedIn Ads keinen eigenen Cost per Lead gemessen, weshalb Sie hier auch keinen finden.
Rechenbeispiel — Illustration, kein Ergebnis: Nehmen Sie den unteren Rand des Benchmarks, 5 USD pro Klick, und ein Budget von 2.000 USD; das sind 400 Klicks. Liegen bei breitem Targeting 3 von 4 Klicks ausserhalb Ihres ICP, bleiben 100 verwertbare Klicks — der wirksame Preis je Klick aus dem Zielsegment liegt dann bei 20 USD statt bei 5 USD. Kommen dieselben 400 Klicks aus einer qualifizierten Liste, bleibt der wirksame Preis nahe am nominalen. Das ist Arithmetik auf gerundeten Annahmen, kein gemessenes Resultat: Die Quote „3 von 4” ist eine Annahme, die Sie in Ihrem eigenen Konto nachrechnen müssen.
Was dagegen spricht
- Enge Zielgruppen kosten pro Impression tendenziell mehr. Sie bieten auf ein kleines Inventar, der Tausenderkontaktpreis steigt. Der Vergleich lohnt deshalb nur auf Ebene der qualifizierten Kontakte, nicht auf Ebene des Klickpreises.
- Die Hürde von 300 gematchten Mitgliedern ist hart. Darunter läuft die Kampagne nicht — dazu gleich im nächsten Schritt.
- Die Match-Rate entscheidet, wie viel Ihrer Liste LinkedIn überhaupt erreicht. Von den exportierten Zeilen kommt nur ein Teil in der fertigen Audience an. Genau das ist bei kleinen Listen der Hauptgrund, auf Firmenebene zu targeten.
Und eine Einschränkung in eigener Sache: Dass Anzeige plus Sequenz besser konvertiert als die Sequenz allein, ist ein plausibler Mechanismus — Mehrfachkontakt und Wiedererkennung. Gemessen haben wir das nicht. Sie finden hier deshalb keinen Prozentwert dahinter, sondern eine Begründung, die Sie in Ihrem eigenen Konto überprüfen sollten.
Schritt 5: Upload in LinkedIn Matched Audiences
Im Campaign Manager legen Sie unter den Zielgruppen eine neue Liste an und laden die CSV hoch. Zwei Upload-Typen stehen zur Wahl: Firmenliste oder Kontaktliste. Danach gelten diese Regeln (Stand 09/2026):
| Regel | Wert |
|---|---|
| Minimum in der hochgeladenen Datei | 300 Zeilen |
| Minimum für den Einsatz in einer Kampagne | 300 gematchte Mitglieder |
| LinkedIn-Empfehlung Firmen-Targeting | mindestens 1.000 Unternehmen |
| LinkedIn-Empfehlung Kontakt-Targeting | mindestens 10.000 E-Mail-Adressen |
| Maximale Dateigrösse / Datensätze | 20 MB / 300.000 Datensätze |
| Dauer der Audience-Erstellung | bis zu 48 Stunden |
| Pflicht-Targeting-Merkmal | Standort |
Halten Sie sich beim Dateiaufbau an LinkedIns Formatvorgaben — Spaltennamen und Struktur müssen passen, sonst schlägt der Upload fehl. Laden Sie im Zweifel LinkedIns Vorlage herunter und füllen Sie Ihre Exportdaten dort hinein, statt die Spaltennamen zu raten.
Die praktische Konsequenz für DACH-B2B
Eine signalbasierte B2B-Liste hat typischerweise 300 bis 3.000 Zeilen. Damit liegen Sie über LinkedIns hartem Minimum, aber deutlich unter der Empfehlung — besonders bei Kontaktlisten, wo 10.000 E-Mail-Adressen empfohlen werden. Daraus folgen drei Dinge:
- Match-Raten werden zum Engpass. Von 800 Zeilen kommt nur ein Teil in der fertigen Audience an. Planen Sie das ein, statt es hinterher zu entdecken.
- Firmen-Targeting schlägt bei dieser Grösse meist Kontakt-Targeting. Firmennamen und Domains matchen zuverlässiger als private E-Mail-Adressen, und die Empfehlungsschwelle liegt zehnmal niedriger. Ergänzen Sie die Firmenliste im Kampagnen-Setup um Jobtitel- oder Funktionsfilter, statt Personen einzeln hochzuladen.
- Bauen Sie den Puffer ein. Wenn Ihre qualifizierte Liste knapp über 300 liegt, senken Sie den
fit_score-Schwellenwert lieber etwas ab, als eine Audience zu riskieren, die nach dem Matching unter die Einsatzgrenze fällt.
Rechnen Sie ausserdem die 48 Stunden Erstellungsdauer in Ihren Kampagnenplan ein. Eine Audience, die zu einem Ereignis passt, muss vor dem Kampagnenstart fertig sein, nicht am Starttag hochgeladen werden.
Zum Datenschutz: Sie laden personenbezogene Daten zu einem Werbezweck an einen Dritten hoch. Klären Sie Rechtsgrundlage, Informationspflichten und Ihre Verzeichniseinträge, bevor die erste Datei hochgeht.
Schritt 6: ChatGPT Ads — was hier nicht geht
Die naheliegende Frage nach dem LinkedIn-Upload lautet: „Und dieselbe Liste dann in ChatGPT?” Die ehrliche Antwort für DACH-B2B ist in den allermeisten Fällen: nein.
Der Reihe nach, Stand 09/2026:
- Custom Audiences existieren bei ChatGPT Ads. Seit etwa Juli 2026 lassen sich First-Party-Listen per E-Mail oder Telefonnummer hochladen, auf Kampagnenebene ein- oder ausschliessen und mit Gebotsanpassungen versehen.
- Das Minimum liegt bei 25.000 gematchten Nutzern. Das ist die Zahl, an der die meisten B2B-Vorhaben scheitern.
- Es gibt kein Pixel und kein Website-Retargeting. Anders als bei Meta oder Google können Sie keine Zielgruppe aus Website-Besuchern bilden.
- Anzeigen erreichen nur Nutzer der Tarife Free und Go. Wer Plus, Pro oder Team abonniert hat, sieht keine Werbung — was einen relevanten Teil gehobener B2B-Entscheider ausschliesst.
Rechnen Sie es gegen: Eine Liste mit 300 bis 3.000 Zeilen liegt eine Grössenordnung unter 25.000 — und das wären 25.000 gematchte Nutzer, nicht 25.000 hochgeladene Zeilen. Eine typische DACH-B2B-Signalliste kann dort schlicht nicht als Custom Audience laufen. Wer das anders darstellt, verkauft Ihnen einen Kanal, den Sie mit dieser Liste nicht bespielen können.
Was Sie stattdessen auf ChatGPT tun
Targeting funktioniert dort kontextuell, nicht listenbasiert. Statt eine Zielgruppe hochzuladen, beschreiben Sie im Kontext-Hinweis (280 Zeichen), in welcher Art von Gespräch Ihre Anzeige auftauchen soll. Ihre Signalarbeit wandert also nicht in eine Audience, sondern in die Formulierung: Welche Frage stellt jemand, der gerade das Problem hat, das Ihr Signal anzeigt?
Genau das ist ein guter Nebeneffekt der ICP-Fit-Spalte — die reasoning-Ausgaben Ihrer qualifizierten Zeilen sind eine Fundgrube für die Sprache, die diese Käufer selbst benutzen. Lesen Sie zwanzig davon, bevor Sie den Kontext-Hinweis schreiben.
Das komplette Setup dafür — Konto, Kampagnenstruktur, Kontext-Hinweis, Creatives — steht im Schwester-Leitfaden ChatGPT Ads schalten: Praxis-Setup für DACH-B2B.
Schritt 7: Den Kreis schliessen — dieselbe Liste ist auch die Outbound-Liste
Eine qualifizierte Signalliste nur als Werbezielgruppe zu verwenden, wäre Verschwendung. Dieselben Zeilen lassen sich in eine Sequenz einschreiben.
Sequenzen je Playbook, mit Kanal und Anzahl der Schritte.
Der Übergang ist wieder eine Spalte: eine Enroll-Spalte mit einer Ausführungsbedingung, die dafür sorgt, dass nur qualifizierte Zeilen eingeschrieben werden — im Beispiel „nur wenn ICP-Fit nicht leer ist”.
Die Ausführungsbedingung verhindert, dass unqualifizierte Zeilen in eine Sequenz laufen.
Was danach passiert, lesen Sie in der Analytics-Ansicht ab: kontaktiert, Antworten, Reply-Rate und positive Antworten, aufgeschlüsselt nach Kanal.
Analytics je Kanal — die Rückmeldung darüber, ob das Signal trägt.
Und hier liegt der eigentliche Hebel: Anzeige und Outreach verstärken sich gegenseitig. Dieselben Firmen sehen Ihre LinkedIn-Anzeige und bekommen kurz darauf eine Nachricht, die sich auf das Ereignis bezieht, das sie überhaupt erst in die Liste gebracht hat. Die Anzeige macht den Namen bekannt, die Nachricht macht ihn konkret.
Ein praktischer Hinweis zur Reihenfolge: Lassen Sie die Audience ein bis zwei Wochen vor dem ersten Outbound-Touch laufen. Der Name soll bereits bekannt vorkommen, wenn die Nachricht ankommt — nicht umgekehrt.
Die Kurzfassung
- Eine Zielgruppe aus einem Ereignis schlägt eine aus Filtern — aber nur, wenn Sie danach filtern können.
- Filtern können Sie nur, was strukturiert ist:
fit_scorestatt Freitext. - Ausführungsbedingungen sind die Kostenbremse: billige Prüfung über alle Zeilen, teure Anreicherung nur auf den Überlebenden.
- Fehlgeschlagene Zellen vor dem Export erneut laufen lassen — sonst exportieren Sie Lücken.
- LinkedIn: 300 Zeilen Minimum, 300 gematchte Mitglieder für den Kampagneneinsatz, bis zu 48 Stunden Erstellungsdauer. Bei 300–3.000 Zeilen ist Firmen-Targeting in der Regel die bessere Wahl.
- ChatGPT Ads: 25.000 gematchte Nutzer Minimum, kein Pixel, kein Retargeting, nur Free und Go. Für eine DACH-B2B-Signalliste heisst das: kontextuell arbeiten, nicht hochladen.
- Dieselbe qualifizierte Liste ist auch Ihre Outbound-Liste.
Verwandte Leitfäden: ChatGPT Ads schalten für das vollständige Ads-Setup, LinkedIn Keyword-Monitoring für die Signalseite über den gesamten Feed, Engager auf eigenen Posts für das wärmste verfügbare Signal und Demand Detection Funnel für das Modell dahinter.
Jetzt Free Trial starten · 4 Wochen kostenlos, keine Kreditkarte. Lieber erst sehen, wie es läuft? Demo buchen.