Über das Unternehmen
Ein E-Commerce-Kunde aus der Möbelbranche kam mit einem bestehenden Google Ads Konto zu uns, das zuvor über längere Zeit von einer anderen Agentur betreut wurde. Auf den ersten Blick wirkten die Ergebnisse solide: hohe Umsätze, ein stabiler ROAS und konstante Tagesbudgets. Die Kampagnen liefen mit automatisierten Gebotsstrategien, und laut Account-Daten wurde ein kontinuierliches Wachstum erzielt. Bei genauerer Analyse zeigte sich jedoch, dass die tatsächliche Performance im Shop nicht mit den Zahlen aus Google Ads übereinstimmte.
Herausforderung
Der Kunde arbeitete mit mehreren Performance-Max-Kampagnen, die mit der Strategie „Conversions maximieren“ und einem Ziel-ROAS von 300 betrieben wurden. Besonders eine Hauptkampagne investierte täglich über 1.000 € Werbebudget. Die Struktur war grundsätzlich sauber aufgebaut, Asset-Gruppen und Produktfeeds waren vollständig hinterlegt.
Trotz dieser scheinbar guten Ausgangsbasis blieb der reale Umsatz im Shop über Monate hinweg unverändert. Die Diskrepanz zwischen den im Konto gemeldeten Conversion-Werten und den tatsächlichen Verkäufen im Backend war deutlich.
Eine detaillierte Datenanalyse zeigte zwei zentrale Ursachen:
Ein erheblicher Anteil des Budgets floss in Brand-Traffic, der keine neuen Kundinnen und Kunden brachte.
Eine fehlerhafte Neukundenbewertung erhöhte die Conversion-Werte künstlich, wodurch der ROAS deutlich zu positiv dargestellt wurde.
Unser Vorgehen
Ziel war es, die Datenbasis zu bereinigen, den realen Kampagnenerfolg messbar zu machen und die Budgeteffizienz nachhaltig zu steigern.
1. Bereinigung des Marken-Traffics
In den bestehenden Kampagnen waren keine Brand-Keywords ausgeschlossen, wodurch Anzeigen bei Suchanfragen nach der eigenen Marke ausgespielt wurden. Ein Großteil der Conversions entstand also aus bereits bestehender Nachfrage.
Wir haben sämtliche relevanten Keyword-Varianten der Marke als Ausschlussbegriffe im Account hinterlegt und die Kampagnenstruktur so angepasst, dass künftig klar zwischen Brand- und Non-Brand-Traffic unterschieden wird. Dadurch floss das Budget gezielt in nicht-markenbezogene Suchanfragen und erreichte potenzielle Neukunden.
2. Korrektur der Neukundenbewertung
Im Konto war ein zusätzlicher Conversion-Wert für Neukunden hinterlegt. Wenn eine E-Mail-Adresse nicht in der bestehenden Kundenliste enthalten war, wurde automatisch ein Bonuswert von 100 € hinzugefügt. Da diese Liste über Monate nicht gepflegt wurde, galt nahezu jede Bestellung als Neukunde. Ein Verkauf im Wert von 49 € wurde also im System für 149 € Umsatz verbucht.
Wir reduzierten den Neukundenwert auf 0,01 €, um künftige Verzerrungen zu vermeiden, und implementierten einen automatisierten Workflow, der die Kundenliste regelmäßig aktualisiert. Dadurch werden echte Neukunden korrekt erkannt und bewertet.
3. Stabilisierung der Gebotslogik und Tracking-Daten Nach der Bereinigung der Conversion-Struktur wurde das gesamte Tracking überprüft und auf den aktuellen technischen Stand gebracht. So ist sichergestellt, dass Gebotsstrategien künftig auf realen Daten basieren und nicht durch fehlerhafte Werte beeinflusst werden.
Ergebnisse
Nach der Optimierung basieren die Kampagnen nun vollständig auf validen Umsatzdaten. Der zuvor künstlich erzeugte Conversion-Wert von rund 500.000 € wurde aus dem System entfernt. Damit erhielten sowohl der ROAS als auch die Gebotsstrategien eine realistische Grundlage für die weitere Optimierung.
Der Anteil des Brand-Traffics wurde deutlich reduziert, wodurch ein messbar höherer Anteil an echten Neukunden im Traffic erzielt werden konnte. Das Budget wird nun effizienter eingesetzt, die Datenqualität ist gesichert, und die Kampagnen entwickeln sich seither nachhaltig profitabel.
Langfristig führte die saubere Datenbasis zu deutlich stabileren Entscheidungsgrundlagen und einem realistischen Verständnis der tatsächlichen Kampagnenleistung. So kann das Werbebudget künftig gezielt auf profitable Segmente verteilt und die Skalierung auf einem soliden Fundament fortgesetzt werden.