Ausgangslage: Manuelle Steuerung an der Grenze
Die betroffene D2C-Mode-Marke, ein mittelständisches Unternehmen mit 45 Mitarbeitern im DACH-Raum, stand vor einem klassischen Skalierungsproblem im Amazon-Marketing. Der Umsatz war stark saisonal geprägt, da es sich um Bekleidung handelte, die in bestimmten Perioden hohe Nachfrage erzeugte und in anderen Zeiten deutlich nachließ. Das Marketing-Team war fast ausschließlich auf Sponsored Products-Kampagnen angewiesen, um Sichtbarkeit und Absatz zu sichern. Mit über 200 aktiven Kampagnen war die manuelle Steuerung jedoch an ihre Grenzen gestoßen.
Das Kernproblem lag in der starren Struktur der Gebotssteuerung. Statische Bids, die einmal festgelegt wurden, reagierten nicht auf die dynamischen Schwankungen der Marktnachfrage. In Phasen geringer Nachfrage wurden die Gebote zu hoch angesetzt, was zu ineffizienten Klicks und hohen Kosten pro Conversion führte. In Peak-Zeiten, in denen die Konkurrenz ebenfalls ihre Gebote anpasste, wurden die eigenen Produkte oft nicht auf den vorderen Plätzen der Suchergebnisse angezeigt, was zu verpassten Umsatzchancen führte. Der Average Cost of Sales (ACOS) lag konstant bei 34 %, während das interne Ziel unter 28 % lag. Dieser Unterschied bedeutete, dass ein erheblicher Teil des Werbebudgets verschenkt wurde, ohne den gewünschten Umsatzbeitrag zu liefern.
Zusätzlich belastete die manuelle Arbeit das Team erheblich. Zwei Marketing-Mitarbeiter waren täglich im Schnitt vier Stunden damit beschäftigt, einzelne Kampagnen zu prüfen und Gebote manuell anzupassen. Diese Zeit hätte für kreative Produktentwicklung oder die Optimierung anderer Vertriebskanäle genutzt werden können. Die Abhängigkeit von manueller Eingabe führte zudem zu Inkonsistenzen, da die Anpassungen oft reaktiv und ohne klaren strategischen Rahmen erfolgten. Es fehlte ein systematisches Regelwerk, das die Entscheidungen auf Datenbasis automatisierte und konsistent anwendete.
Herausforderungen bei der Automatisierung
Die Implementierung dynamischer Bid-Regeln war nicht ohne Hürden. Die größte Herausforderung lag in der Qualität der historischen Daten. Da die Bids zuvor manuell und oft willkürlich angepasst wurden, war die Datenbasis „verrauscht“. Es war schwierig, saubere Korrelationen zwischen Gebotshöhe, Tageszeit und Conversion-Rate zu identifizieren, da viele Störvariablen wie manuelle Fehler oder kurzfristige Marktstürme die Daten verzerrten. Wir mussten daher zunächst eine Phase der Datenbereinigung und -analyse durchführen, um verlässliche Baseline-Werte zu ermitteln.
Eine weitere Hürde war die Definition der richtigen Schwellenwerte. Zu aggressive Regeln hätten zu einer übermäßigen Drosselung der Kampagnen in Phasen mit schwacher Conversion-Rate führen können, was den Umsatz gefährdet hätte. Zu konservative Regeln wiederum hätten den gewünschten Kosteneffekt nicht erzielt. Wir mussten ein Gleichgewicht finden, das die Profitabilität sicherte, ohne die Sichtbarkeit der Produkte zu stark einzuschränken. Dies erforderte enge Zusammenarbeit mit dem Kunden, um die strategischen Prioritäten (z. B. Markenaufbau vs. kurzfristiger Umsatz) klar zu definieren.
Schließlich gab es technische Hürden bei der Anbindung der Amazon Advertising API an das interne Reporting-System. Die Latenzzeiten der API und die Komplexität der Datenstrukturen erforderten eine robuste technische Architektur, um sicherzustellen, dass die Regelwerk-Logik in Echtzeit oder zumindest mit minimaler Verzögerung ausgeführt werden konnte. Jeder Fehler in der Logik hätte zu falschen Gebotsanpassungen und damit zu finanziellen Verlusten führen können.
Der Tech-Stack
Um die dynamische Bid-Steuerung umzusetzen, nutzten wir einen schlanken, aber leistungsstarken Tech-Stack, der auf Zuverlässigkeit und Skalierbarkeit ausgelegt war:
- Amazon Advertising API: Die primäre Schnittstelle zum Abruf von Performance-Daten und zum Setzen der Gebote. Sie ermöglichte den Zugriff auf granulare Daten auf Keyword- und Kampagnenebene.
- Python-Skripte für die Regellogik: Eigenentwickelte Skripte, die die definierten Regeln (z. B. ACOS-Schwellenwerte) auswerteten und die entsprechenden Bid-Anpassungen berechneten. Python wurde aufgrund seiner Flexibilität und der breiten Bibliotheksunterstützung gewählt.
- PostgreSQL-Datenbank: Diente als zentrale Speicherstelle für die historischen Daten und die Log der durchgeführten Bid-Änderungen. Dies ermöglichte eine nachvollziehbare Audit-Trail und die Analyse der Regelwirkung über die Zeit.
- Apache Airflow: Das Workflow-Orchestrierungstool, das den zeitgesteuerten Ablauf der Datenabholung, Regelberechnung und Bid-Anpassung koordinierte. Es sorgte dafür, dass die Prozesse zuverlässig und fehlerfrei ablaufen.
- Grafana-Dashboard: Diente dem Team als zentrales Monitoring-Tool. Hier wurden die wichtigsten KPIs wie ACOS, ROAS und Klickkosten in Echtzeit visualisiert, sodass Abweichungen sofort erkannt werden konnten.
Umsetzung: Von der Analyse zur Automatisierung
Die Implementierung erfolgte in drei klar definierten Phasen, um Risiken zu minimieren und die Akzeptanz im Team zu erhöhen. In der ersten Phase (Woche 1–2) lag der Fokus auf der Datenanbindung und der Historie-Analyse. Wir verknüpften das Amazon Advertising Konto mit unserer Infrastruktur und extrahierten die letzten 90 Tage an Performance-Daten. Diese Daten wurden analysiert, um Muster in der Conversion-Rate, den Klickkosten und dem ACOS in Abhängigkeit von Tageszeit, Wochentag und Kampagnentyp zu identifizieren. Auf dieser Basis wurden die Baseline-Regeln definiert, die als Ausgangspunkt für die dynamische Anpassung dienten.
In der zweiten Phase (Woche 3–4) wurde das Regelwerk technisch umgesetzt und in einer Testumgebung validiert. Die Kernlogik basierte auf zwei Hauptparametern: dem laufenden ACOS und dem historischen Verhalten. Bids wurden bei einem ACOS über 30 % automatisch um 10 % reduziert, um die Kosten zu senken und unprofitable Klicks zu vermeiden. Bei einem ACOS unter 20 % wurden die Bids um 5 % erhöht, um die Sichtbarkeit in profitablen Phasen zu maximieren. Zusätzlich wurden tageszeitliche Multiplikatoren eingeführt, die die Bids in Peak-Zeiten (z. B. 18:00–22:00 Uhr) leicht anheben und in nachtschwachen Phasen senken. Die Regeln wurden zunächst auf einer kleinen Auswahl von Kampagnen getestet, um sicherzustellen, dass die Logik wie erwartet funktionierte und keine unerwünschten Nebenwirkungen hatte.
In der dritten Phase, die als laufender Prozess fortgeführt wurde, erfolgte der Rollout auf alle über 200 Kampagnen. Gleichzeitig wurde ein automatisiertes Reporting-System eingerichtet, das dem Team täglich einen Überblick über die Performance der automatisierten Kampagnen gab. Wöchentlich fand eine Feinjustierung der Schwellenwerte statt, um auf Marktveränderungen oder neue Produkte zu reagieren. Das Team lernte, die Regeln nicht als starre Vorgaben zu betrachten, sondern als einen dynamischen Rahmen, der regelmäßig überprüft und optimiert wird.
Wie wir die Zahlen messen
Die Messung der Ergebnisse basierte auf einem Vergleich der Performance-Metriken vor und nach der Implementierung der dynamischen Bid-Regeln. Wir nutzten einen Zeitraum von drei Monaten nach dem Rollout, um statistische Signifikanz zu gewährleisten und saisonale Schwankungen auszugleichen. Der ACOS wurde als gewichteter Durchschnitt über alle Kampagnen berechnet, wobei der Umsatz und die Werbeausgaben aus den Amazon-Berichten übernommen wurden. Die manuelle Arbeitszeit wurde durch ein Zeiterfassungs-Tool gemessen, in dem das Team die Zeit für bid-bedingte Aufgaben dokumentierte. Vor der Automatisierung wurde die Zeit geschätzt und durch Interviews validiert, nach der Automatisierung wurde sie direkt aus den Log-Daten der Regelwerk-Systeme und den verbleibenden manuellen Überprüfungen abgeleitet. Der ROAS (Return on Ad Spend) wurde als Verhältnis von generiertem Umsatz zu Werbeausgaben berechnet. Durch diese standardisierte Messmethode konnten wir sicherstellen, dass die Verbesserungen nicht auf kurzfristigen Schwankungen beruhten, sondern auf der strukturellen Veränderung der Bid-Strategie zurückzuführen waren.
Ergebnis: Messbare Effizienzsteigerung
Nach drei Monaten stabilisierte sich die Performance auf einem neuen, deutlich besseren Level. Die Automatisierung der Bids führte zu einer signifikanten Senkung der Werbeausgaben bei gleichbleibendem oder leicht steigendem Umsatz. Der ACOS sank von 34 % auf 28 %, was einer Reduktion von 18 % entspricht. Dies bedeutete, dass jeder Euro, der für Werbung ausgegeben wurde, nun deutlich mehr Umsatz erzielte. Der ROAS stieg von 2,9x auf 3,6x, was einer Steigerung von 24 % entspricht. Diese Verbesserung der Effizienz ermöglichte es dem Unternehmen, sein Werbebudget effizienter einzusetzen und gleichzeitig die Profitabilität der Kampagnen zu erhöhen.
Die manuelle Arbeitszeit wurde drastisch reduziert. Die tägliche Zeit, die für das manuelle Bid-Tuning aufgewendet wurde, sank von vier Stunden auf nur noch 0,5 Stunden. Dies entspricht einer Einsparung von 87,5 % der manuellen Kapazität. Die freigesetzten Ressourcen wurden von dem Team für strategische Aufgaben wie die Entwicklung neuer Kampagnenkonzepte, die Optimierung der Produktlisten und die Analyse von Kundenfeedback genutzt. Diese Verschiebung von operativer zu strategischer Arbeit verbesserte die Gesamteffizienz des Marketing-Teams und trug dazu bei, die langfristige Wettbewerbsfähigkeit der Marke zu stärken.
Learnings und Ausblick
Die Case Study zeigt, dass manuelles Bid-Tuning bei hoher Kampagnenanzahl ineffizient und fehleranfällig ist. Automatisierung zahlt sich erst aus, wenn klare Regeln und Schwellenwerte definiert sind, die auf einer soliden Datenbasis beruhen. Es ist wichtig, die Regeln nicht als einmalige Lösung zu betrachten, sondern als einen kontinuierlichen Optimierungsprozess. Regelmäßige Überprüfung und Anpassung der Regeln sind notwendig, um auf Marktveränderungen, neue Wettbewerber oder saisonale Schwankungen zu reagieren. Zudem ist eine enge Zusammenarbeit zwischen Marketing und IT entscheidend, um die technischen Hürden zu überwinden und die Regeln so zu gestalten, dass sie die strategischen Ziele des Unternehmens unterstützen. Die Implementierung dynamischer Bid-Regeln ist ein starkes Instrument, um die Effizienz im Amazon-Marketing zu steigern und Ressourcen für wachstumsfördernde Aktivitäten freizusetzen.