Ausgangslage: Stagnation trotz hoher Conversion Rates
Der Kunde, ein spezialisierter Nischen-Händler für Outdoor-Ausrüstung mit Sitz in Stockholm und einem Team von 15 Mitarbeitern, stand vor einer typischen Wachstumsfalle im E-Commerce. Die Produktseiten waren optimiert, die Conversion Rates lagen im oberen Bereich, und die Kundenzufriedenheit war hoch. Dennoch stagnierte der Return on Ad Spend (ROAS) seit mehreren Quartalen. Das Hauptproblem lag nicht in der Qualität der Produkte, sondern in der starren Verwaltung der Werbekampagnen auf Amazon.
Die Kampagnen wurden wöchentlich manuell in Excel gepflegt. Budgets wurden fixiert und nur bei offensichtlichen Problemen angepasst. Dies führte zu zwei gravierenden Ineffizienzen: Erstens blockierten starre Tagesbudgets die Skalierung bei Spitzenlasten, da das System nicht in der Lage war, bei hoher Nachfrage mehr Budget zuzuführen. Zweitens fehlte eine automatisierte Anpassung der Gebote (Bids), was dazu führte, dass das Budget oft in ineffizienten Slots verbrannt wurde, während lukrative Positionen unbesetzt blieben.
Die zentrale Herausforderung bestand darin, dass die manuelle Datenpflege nicht in der Lage war, Echtzeit-Entscheidungen zu treffen. Saisonalität, Konkurrenzverhalten und Änderungen im Suchvolumen reagierten zu schnell für die wöchentlichen manuellen Reviews. Der TACOS (Total Advertising Cost of Sales) lag bei 11 %, was für diese Nische als zu hoch galt, um profitables Wachstum zu finanzieren.
Herausforderungen bei der Automatisierung
Bevor wir das System implementierten, mussten wir drei konkrete Hürden identifizieren und lösen, die bei Nischen-Händlern häufig auftreten:
- Fragmentierte Datenquellen: Die Performance-Daten lagen in Amazon Ads, dem Shop-System (CRM) und in lokalen Excel-Dateien verstreut. Eine Echtzeit-Sicht auf den TACOS war ohne zentrale Anbindung nicht möglich.
- Fehlende Regellogik: Es gab keine definierten Schwellenwerte für „gut“ und „schlecht“ im Sinne der Automatisierung. Wann sollte das System skalieren? Wann muss es drosseln? Ohne klare KPI-Definitionen riskierte die Automatisierung, blind zu agieren.
- Angst vor unkontrollierter Skalierung: Das Team fürchtete, dass ein automatisiertes System bei einem plötzlichen Anstieg der Kosten aus dem Ruder laufen könnte. Es fehlte ein Sicherheitsnetz (Guardrails), das extreme Ausschläge abfedert.
Der Tech-Stack
Um diese Herausforderungen zu meistern, setzten wir auf einen schlanken, aber robusten Stack, der auf bestehenden Tools aufbaute und keine teure Custom-Development-Lösung erforderte:
- Amazon Advertising API: Die zentrale Quelle für Kampagnendaten, Gebote und Budgets in Echtzeit.
- Zapier: Diente als Middleware zur nahtlosen Datenübertragung zwischen der Amazon-API und dem internen CRM, ohne dass eigene Server betrieben werden mussten.
- Interne CRM-Database: Hielt die Umsatzdaten und Margeninformationen vor, die für die TACOS-Berechnung entscheidend sind.
- Custom Scripting (Python): Ein leichtgewichtiges Skript, das die logischen Regeln für die Budgetanpassung alle 4 Stunden ausführt und die Änderungen an die API zurückmeldet.
Umsetzung: Von manuell zu dynamisch
Die Implementierung erfolgte in einem agilen Prozess über einen Zeitraum von 6 Wochen. Wir begannen mit einem tiefgehenden Audit der bestehenden 45 aktiven Kampagnen, um die historischen Performance-Muster zu verstehen. Dabei stellten wir fest, dass 30 % der Kampagnen nur 5 % des Budgets ausmachten, aber 60 % des Umsatzes generierten – ein klares Signal für die Notwendigkeit einer differenzierten Behandlung.
Im zweiten Schritt bauten wir die Datenanbindung auf. Über die Amazon Advertising API wurden die Kampagnen-Daten in Echtzeit in unser System gezogen und mit den Umsatzdaten aus dem CRM verknüpft. Dies geschah über Zapier, was eine schnelle und stabile Integration ermöglichte, ohne dass das Team des Kunden eigene IT-Ressourcen binden musste. Die Datenhygiene war hier entscheidend: Wir stellten sicher, dass die Produkt-IDs (ASINs) in beiden Systemen exakt übereinstimmten, um Fehlattributionen zu vermeiden.
Der Kern der Umsetzung war das Regelwerk für die dynamischen Budgets. Statt fester Tagesbudgets definierten wir einen TACOS-basierten Algorithmus. Die Logik war simpel, aber wirkungsvoll:
- Eskalation: Wenn der TACOS einer Kampagne unter 8 % fiel, wurde das Tagesbudget automatisch um 15 % gesteigert und die Bids leicht angehoben, um mehr Sichtbarkeit zu kaufen.
- Reduktion: Wenn der TACOS über 12 % stieg, wurde das Budget um 10 % reduziert und die Bids gesenkt, um Verluste zu minimieren.
- Neutralzone: Zwischen 8 % und 12 % blieb das System inaktiv, um unnötige Fluktuationen zu vermeiden.
Das System überwachte die 45 Kampagnen und passte die Parameter alle 4 Stunden an. Dieser Zyklus war bewusst gewählt: Er reagierte schnell genug auf intraday-Schwankungen (z. B. zu den Hauptkaufzeiten), ohne zu häufige Änderungen zu erzeugen, die das Amazon-Ad-System als instabil einstufen könnte.
Wie wir die Zahlen messen
Um die Wirksamkeit des neuen Systems objektiv zu belegen, definierten wir vor dem Start klare Messgrößen und Vergleichszahlen. Wir nutzten einen A/B-Test-Ansatz, wobei die ersten 3 Monate nach der Implementierung gegen den Durchschnitt der vorherigen 3 Monate verglichen wurden. Die Daten wurden täglich aus der Amazon-Reporting-API und dem CRM exportiert und in einem zentralen Dashboard visualisiert.
Besonderes Augenmerk lag auf dem TACOS, da dieser im Gegensatz zum ROAS die Marge berücksichtigt. Wir isolierten die Effekte der saisonalen Schwankungen, indem wir dieselbe Vergleichsperiode im Vorjahr heranzogen. Die Messung des ROAS erfolgte auf Basis der 7-Tage-Attributionsfensters, um Verzögerungen in der Kaufentscheidung zu berücksichtigen. Alle Zahlen wurden wöchentlich im Team-Review besprochen, um sicherzustellen, dass die automatisierten Anpassungen den strategischen Zielen entsprachen.
Ergebnis: Skalierung ohne Kostenexplosion
Nach drei Monaten stabilisierte sich die Performance auf einem deutlich höheren Niveau. Das System hatte gelernt, welche Kampagnen in welche Richtung skaliert werden konnten, ohne die Profitabilität zu gefährden. Die manuelle Arbeitslast im Marketing-Team reduzierte sich von ca. 10 Stunden pro Woche auf 2 Stunden für das Monitoring und das Feintuning der Ausnahmefälle.
Die Skalierung erfolgte ohne signifikanten Anstieg der Akquisitionskosten pro Kunde. Im Gegenteil: Da das Budget nun dort investiert wurde, wo die Conversion Rate am höchsten war, stieg die Effizienz der gesamten Werbeausgaben.
Die konkreten KPI-Entwicklungen nach dem 3-Monats-Zeitraum waren eindrucksvoll:
- ROAS: Anstieg von 4,2 auf 5,9. Dies bedeutet, dass jeder Euro, der in Werbung investiert wurde, 5,9 Euro Umsatz erbrachte, statt der bisherigen 4,2 Euro.
- Umsatz: Wachstum um 42 % im Vergleichszeitraum. Das Unternehmen konnte deutlich mehr Volumen absetzen, ohne den Markt zu übersättigen.
- TACOS: Senkung von 11 % auf 7,5 %. Die Werbeausgaben machten nun einen geringeren Anteil am Gesamtumsatz aus, was die Marge verbesserte.
- Ad Spend: Steigerung von 15.000 € auf 21.500 € (+43 %). Das Budget wurde aktiv genutzt, um Wachstum zu finanzieren, was durch den gestiegenen ROAS profitabel war.
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| ROAS | 4,2 | 5,9 | +40 % |
| TACOS | 11 % | 7,5 % | -31 % |
| Ad Spend | 15.000 € | 21.500 € | +43 % |
Was wir heute anders machen würden
Trotz des erfolgreichen Ergebnisses gibt es zwei Punkte, die wir bei einem erneuten Projekt anders angehen würden, basierend auf den Learnings aus dieser Case Study:
- Frühere Integration des CRM-Teams: Die Datenanbindung über Zapier funktionierte technisch einwandfrei, aber die semantische Zuordnung der Produkt-IDs erforderte mehr Abstimmung mit dem Operativ-Team als erwartet. Heute würden wir einen dedizierten Daten-Workshop bereits in Woche 1 einplanen, um Mapping-Fehler von Anfang an auszuschließen.
- Granularität der Eskalationsschritte: Die anfängliche Steigerung von 15 % pro Zyklus war für manche Kampagnen zu aggressiv, was zu kurzzeitigen TACOS-Spitzen führte, bevor das System stabilisierte. Heute würden wir mit kleineren Schritten (z. B. 10 %) starten und die Eskalationsrate erst nach 2 Wochen stabiler Performance erhöhen.
Learnings: Warum Echtzeit-Regeln entscheidend sind
Das wichtigste Learning aus diesem Projekt ist, dass manuelle Anpassungen in einem dynamischen Markt wie Amazon Ads strukturell zu langsam sind. Saisonalität, Wettbewerb und Algorithmus-Änderungen erfordern Reaktionszeiten im Stunden- oder Minutenbereich, nicht im Wochentakt.
Zweitens ist Datenhygiene die Basis für jede Automatisierung. Wenn die Produktfeeds nicht sauber sind und die Attribution fehlerhaft, wird ein automatisiertes System nur Fehler skalieren. Saubere Daten sind die Voraussetzung dafür, dass das System präzise Entscheidungen treffen kann.
Drittens erlaubt Automatisierung das Testen neuer Keywords und Kampagnen mit minimalem Risiko. Da das System automatisch drosselt, wenn die Performance schlecht ist, kann man aggressiver experimentieren, ohne dass das Budget verbrannt wird. Dies hat dem Kunden geholfen, neue Nischen-Keywords zu identifizieren, die manuell nie hätten entdeckt werden können.
Zusammenfassend zeigt diese Case Study, dass der Schlüssel zu profitabler Skalierung im E-Commerce nicht in mehr Budget liegt, sondern in intelligenterer Allokation. Durch die Kombination aus dynamischen Budgets, Echtzeit-Daten und klaren Regelwerken konnte der Kunde sein Wachstum um 42 % steigern, während gleichzeitig die Effizienz der Werbeausgaben signifikant verbessert wurde.