Stagnierende Performance trotz hohem Budget
Der Kunde, ein etablierter B2B-SaaS-Anbieter mit 150 Mitarbeitenden an der US-Westküste, stand vor einem klassischen Dilemma im Performance-Marketing: Das Budget war vorhanden, die Sichtbarkeit im Suchnetzwerk war gegeben, aber die eigentliche Effizienz ließ zu wünschen übrig. Die Klickrate (CTR) stagnierte bei 3,2 %, während der Branchendurchschnitt im B2B-Sektor bereits bei 4,1 % lag. Dies bedeutete, dass im Vergleich zu den Wettbewerbern nicht nur weniger Nutzer auf die Anzeigen klickten, sondern auch die Qualität dieser Klicks durch die niedrige Relevanz beeinträchtigt war. Die Hauptursache lag in der Kampagnenstruktur: Drei sehr breite Ad-Gruppen versuchten, eine Vielzahl unterschiedlicher Suchintentionen abzudecken. Diese “One-Size-Fits-All”-Strategie führte dazu, dass die Anzeigen für viele Suchanfragen nur suboptimal relevant waren, was die Ad-Rank und damit die Position im Auktionsverfahren negativ beeinflusste.
Herausforderungen bei der Restrukturierung
Die Aufgabe war nicht nur, die Struktur zu ändern, sondern dies ohne Unterbrechung des laufenden Geschäfts und ohne signifikanten Anstieg der Kosten während der Übergangsphase zu bewerkstelligen. Wir identifzierten drei zentrale Herausforderungen:
- Relevanz-Lücke schließen: Die bestehenden Anzeigentexte waren zu generisch, um die spezifischen Pain Points der verschiedenen Zielgruppen-Segmente zu adressieren. Eine einfache Textkorrektur reichte nicht aus; es bedurfte einer fundamentalen Neuausrichtung der Botschaft pro Cluster.
- Asset-Integration ohne Überlastung: Im US-Markt sind Asset-Enhancements wie Sitelinks und Callouts extrem wirkungsvoll, aber nur, wenn sie kohärent sind. Die Herausforderung bestand darin, für 12 neue Cluster jeweils die richtigen Assets zu identifizieren und zu testen, ohne dass die Anzeigen visuell unübersichtlich wurden oder wichtige Informationen verloren gingen.
- Datenkonsistenz sicherstellen: Bei der Umstellung von 3 auf 12 Ad-Gruppen musste sichergestellt werden, dass das Tracking korrekt auf die neue Struktur abgebildet wurde, um valide Vergleiche ziehen zu können. Fehler hier hätten die Auswertung der 90-Tage-Periode unbrauchbar gemacht.
Die Umsetzung: Von 3 zu 12 Clustern
Wir haben den Relaunch in einem definierten 6-Wochen-Fahrplan umgesetzt. Der Prozess begann mit einem tiefgehenden Audit der Suchanfragen-Performance, um zu verstehen, welche Begriffe in den breiten Ad-Gruppen eigentlich konvertierten und welche nur Kosten verursachten. Auf dieser Basis definierten wir 12 thematisch enge Cluster. Statt einer einzigen Anzeige für “Projektmanagement Software” hatten wir nun spezifische Anzeigen für “Projektmanagement für agile Teams”, “Projektmanagement für Fertigung” und weitere Nischen.
Die konkrete Umsetzung folgte einem iterativen Ansatz. Zuerst wurde die Kampagnenstruktur in Google Ads neu aufgebaut. Parallel dazu arbeiteten wir an der Copy-Optimierung. Die Headlines und Beschreibungen wurden so angepasst, dass sie die spezifischen Pain Points der jeweiligen Cluster direkt ansprachen. Ein Cluster, der sich an CTOs richtet, bekam andere Botschaften als ein Cluster, der sich an Operations Manager richtet.
Ein entscheidender Hebel waren die Asset-Enhancements. Wir haben nicht nur Sitelinks und Callouts aktiviert, sondern diese spezifisch auf das jeweilige Ad-Cluster zugeschnitten. Für das Cluster “Enterprise-Lösungen” führten wir Structured Snippets mit den Namen großer Referenzkunden ein (anonymisiert), während für das Cluster “SMB” Callouts mit Fokus auf “Einfache Einrichtung” und “24/7 Support” gesetzt wurden. Diese Assets wurden nicht statisch gesetzt, sondern in A/B-Tests gegeneinander geprüft. Wir nutzten die Google Ads API, um die Skalierung dieser Assets zu automatisieren und sicherzustellen, dass die besten Varianten schnell genug ausgerollt wurden. Eine interne Tracking-Struktur wurde aufgebaut, die es uns erlaubte, die CTR exakt pro Cluster zu messen, anstatt nur die Kampagnen-Overall-Zahlen zu betrachten. Dies war essenziell, um zu verstehen, welche Cluster den größten Hebel hatten.
Wie wir die Zahlen messen
Um die Ergebnisse valide zu verifizieren, haben wir eine strenge Messmethodik angewendet. Die Baseline (Vorher-Werte) wurde über die 90 Tage vor dem Start des Projekts ermittelt, um Saisonalitäten und kurzfristige Schwankungen zu glätten. Die Nachher-Phase umfasste die 90 Tage nach dem vollständigen Rollout der neuen Struktur.
Die CTR wurde als Verhältnis von Klicks zu Impressions berechnet, dabei wurden nur die Impressions und Klicks aus den Suchnetzwerken gezählt, um Einflüsse aus Display-Kampagnen auszuschließen. Der CPC wurde als durchschnittlicher Cost-per-Click über den gesamten Zeitraum gemessen, um kurzfristige Auktions-Schwankungen zu kompensieren. Die Conversion Rate wurde basierend auf den definierten Conversions (Demo-Anfragen und Testkonto-Registrierungen) berechnet, wobei die Attribution auf einen 30-Tage-Click-Fenster basierte. Durch die Aufteilung in 12 Cluster konnten wir zudem eine Varianzanalyse durchführen, um sicherzustellen, dass die Verbesserung nicht nur von einem einzelnen, überdurchschnittlich performenden Cluster getrieben wurde, sondern breit gefächert war.
Ergebnis: Deutliche Steigerung der Effizienz
Nach den 90 Tagen Laufzeit zeigte sich ein klarer Trend in die richtige Richtung. Die Klickrate stieg von den anfänglichen 3,2 % auf 4,0 %. Dies entspricht einer relativen Steigerung von 25 %. Dieser Anstieg ist signifikant, da er bedeutet, dass dieselbe Anzahl an Impressions nun 25 % mehr wertvolle Klicks generierte.
Noch bemerkenswerter war die Auswirkung auf die Kosten. Durch die höhere Relevanz der Anzeigen verbesserte sich die Ad-Rank. Google belohnt relevante Anzeigen mit besseren Positionen bei niedrigeren Geboten. Infolgedessen sank der Cost-per-Click um 12 %, von 18,50 $ auf 16,28 $. Das Unternehmen zahlte also weniger für jeden Klick, erhielt aber gleichzeitig mehr Klicks.
Auch die Conversion Rate reagierte positiv. Da die Nutzer durch die spezifischeren Anzeigen besser vorqualifiziert waren, stieg die Conversion Rate um 14 % von 2,1 % auf 2,4 %. Dies zeigt, dass die strukturelle Optimierung nicht nur die obere Hälfte der Funnel (Klicks) verbesserte, sondern auch die Qualität der Leads in der unteren Hälfte (Konversionen).
Was wir heute anders machen würden
Rückblickend gibt es zwei Punkte, die wir in einem ähnlichen Projekt noch effizienter angehen würden. Erstens: Wir hätten die Asset-Tests früher starten sollen. In der aktuellen Umsetzung haben wir die Struktur erst komplett neu aufgebaut und dann die Assets getestet. Heute würden wir eine hybride Phase einleiten, in der wir die neuen Cluster parallel zu den alten Ad-Gruppen aufbauen und die Assets bereits während der Migrationsphase testen, um die Lernkurve des Algorithmus zu verkürzen.
Zweitens: Die Granularität der Reporting-Struktur hätte von Anfang an automatisiert sein müssen. Manuell die Daten aus den 12 Clustern zu konsolidieren, war in den ersten Wochen aufwendig. Heute würden wir direkt ein BigQuery-Export-Setup mit automatisierten Dashboards in Looker Studio implementieren, um Echtzeit-Insights zu erhalten, anstatt auf die wöchentlichen Manuellen Reports zu warten. Dies hätte uns ermöglicht, schneller auf schwächelnde Cluster zu reagieren.
Learnings für die Praxis
Die enge thematische Gruppierung war der größte Hebel in diesem Projekt. Breite Ad-Gruppen sind eine versteckte Kostenfalle, da sie die Relevanz verwässern und die Ad-Rank senken. Im B2B-Bereich, wo die Suchintentionen oft komplex und spezifisch sind, ist diese Granularität entscheidend.
Zudem haben wir bestätigt, dass Asset-Enhancements im US-Markt besonders stark wirken, wenn sie nicht nur generisch, sondern spezifisch auf das jeweilige Ad-Cluster zugeschnitten sind. Ein Callout für “Kostenlos testen” wirkt in einem SMB-Cluster anders als “Enterprise Security” in einem Enterprise-Cluster. Regelmäßige A/B-Tests dieser Assets sind essenziell, um die CTR stabil hoch zu halten, da die Präferenzen der Nutzer sich mit der Zeit ändern.
Für Unternehmen, die in ähnlicher Situation sind, ist der Takeaway klar: Bevor man das Budget erhöht, sollte man die Struktur optimieren. Oft steckt das größte Potential nicht in mehr Traffic, sondern in der besseren Nutzung des vorhandenen Traffics durch höhere Relevanz und Effizienz.