Welche Save-Rate-Benchmarks gibt es?
| Save-Rate | Interpretation |
|---|---|
| 25%+ | Hervorragend. Starker Fit zwischen Zielgruppe und Song. Skaliere die Kampagne. |
| 20–25% | Gut. Gesunde Performance für die meisten Genres. |
| 15–20% | Akzeptabel. Bei Targeting oder Creative gibt es Raum für Verbesserungen. |
| 10–15% | Unterdurchschnittlich. Diagnostiziere den Funnel, bevor du die Ausgaben skalierst. |
| Unter 10% | Schlecht. Bei Targeting, Creative oder Song-Fit ist etwas kaputt. |
Diese Spannen gelten für bezahlten Traffic aus Meta-, TikTok- und YouTube-Anzeigen. Organischer Traffic aus redaktionellen Playlists oder algorithmischen Flächen kann andere Muster zeigen.
Wie variiert die Save-Rate nach Genre?
Das Genre beeinflusst die Erwartungen. R&B und Hip-Hop liegen tendenziell höher, weil Hörer in diesen Zielgruppen Songs eher speichern und zu Playlists hinzufügen.
| Genre | Typische Save-Rate |
|---|---|
| R&B/Soul | Hohe 20er-%-Werte |
| Hip-Hop | Mittlere 20er-%-Werte |
| Pop | Niedrige 20er-%-Werte |
| Elektronik | ~20% |
| Rock | Hohe Zehner-%-Werte |
Quelle: Dynamoi-Kampagnendaten.
Wenn dein Rock-Track 18% erreicht, kann das für das Genre stark sein. Wenn dein R&B-Track 18% erreicht, stimmt wahrscheinlich etwas nicht.
Wie variiert die Save-Rate nach Traffic-Quelle?
Die Herkunft der Hörer beeinflusst ihr Verhalten. Durch Anzeigen gewonnene Hörer, die zu Spotify geklickt haben, sind vorqualifiziert. Algorithmische Hörer aus Discover Weekly oder Radio sind passiver.
| Quelle | Erwartete Save-Rate |
|---|---|
| Bezahlte Anzeigen (Meta, TikTok) | 15–30% |
| Release Radar | 10–20% |
| Discover Weekly | 5–15% |
| Radio/Autoplay | 3–10% |
| Redaktionelle Playlists | Sehr unterschiedlich |
Niedrige Save-Rates aus algorithmischen Quellen sind normal. Diese Hörer haben nicht selbst geklickt; Spotify hat für sie entschieden. Hohe Save-Rates aus bezahltem Traffic zeigen einen starken Fit von Zielgruppe und Song.
Was ist die Klick-zu-Save-Rate bei Anzeigen?
Bei bezahlten Anzeigen misst du eine andere Kennzahl: die Klick-zu-Save-Rate (Saves geteilt durch Anzeigenklicks, nicht Spotify-Hörer). Auf Grundlage der Dynamoi-Kampagnendaten:
| Kampagnentyp | Klick-zu-Save-Rate | Kosten/Save |
|---|---|---|
| Playlist-Kampagnen | 32–38% | $0.30-$0.60 |
| Künstler-/Single-Kampagnen | 1–7% | $2.00-$10.00 |
Der Unterschied ist dramatisch. Playlist-Kampagnen konvertieren 5–10 Mal so häufig wie Künstlerkampagnen, weil das Speichern einer kuratierten Playlist eine geringere Verpflichtung ist, als auf einen unbekannten Künstler zu setzen.
Save-Rate berechnen
Spotify for Artists zeigt die Save-Rate nicht als einzelne Kennzahl an. Du berechnest sie manuell:
Save-Rate = (Saves / Hörer) x 100
Rufe Saves und Listeners für denselben Zeitraum im Musik-Tab ab. Ein Track mit 1,000 Hörern und 220 Saves hat eine Save-Rate von 22%.
Wie diagnostizierst du eine niedrige Save-Rate?
Wenn deine Save-Rate unter 15% liegt, prüfe diese Faktoren in der folgenden Reihenfolge:
Falsches Targeting. Erreichst du Hörer, die dein Genre tatsächlich mögen? Ein Folk-Song, der EDM-Fans gezeigt wird, konvertiert nicht.
Creative-Bruch. Passt dein Anzeigen-Creative zum Song? Irreführende Thumbnails oder Clips, die den falschen Abschnitt an den Anfang stellen, verursachen frühe Abbrüche.
Song-Intro. Wenn Hörer vor dem Hook abspringen, wird niemand speichern. Prüfe die Skip-Rate in Spotify for Artists. Viele frühe Skips weisen auf ein Intro-Problem hin.
Reibung auf der Landingpage. Schickst du Traffic zu einem Smart Link, der zusätzliche Klicks verlangt? Direkte Spotify-Links konvertieren besser.
Warum die Save-Rate für den Algorithmus wichtig ist
Saves sagen Spotify, dass ein Hörer zurückkehren möchte. Eine hohe Save-Rate signalisiert dauerhaftes Interesse statt Hintergrundhören.
Wenn Spotify starkes Save-Verhalten eines bestimmten Zielgruppensegments erkennt (zum Beispiel Fans eines ähnlichen Künstlers in einer bestimmten Stadt), nutzt es dieses Muster, um deine Musik weiteren Personen in diesem Segment zu empfehlen. So „trainieren“ bezahlte Anzeigen den Algorithmus.
Niedrige Save-Rates senden das gegenteilige Signal. Der Algorithmus lernt, dass Hörer nicht interagieren, und verlangsamt Empfehlungen.