Google Ads: Kampagnenstruktur für Performance

Die meisten Google-Ads-Audits konzentrieren sich auf Keywords, Gebote, Anzeigentexte und Quality Scores. Eine der größten – und zugleich am häufigsten übersehenen – Performance-Hürden liegt jedoch nicht in einem einzelnen Kampagnen-Tab. Sie entsteht viel früher: in der Architektur des gesamten Accounts. Die Kampagnenstruktur bestimmt, wie Googles Machine Learning Daten interpretiert, wie Budgets auf Ziele verteilt werden und ob Signale gebündelt oder über Dutzende Kampagnen zerstreut anfallen. Wer die Struktur falsch aufbaut, arbeitet nicht nur suboptimal – er untergräbt aktiv die Algorithmen, für deren Optimierung er bezahlt.

Besserer Automatisierungserfolg beginnt mit besserer Account-Architektur. Search-Kampagnen, Performance Max und Smart Bidding reagieren empfindlich darauf, ob Conversion-Daten in ausreichendem Volumen pro Einheit zusammenlaufen oder ob jede Kampagne isoliert lernt. Die folgenden Prinzipien zeigen, wie Struktur Leistung in allen drei Bereichen prägt – und welche Hebel Marketer konkret nutzen können.

Wie die Kampagnenstruktur Googles Lernen prägt

Viele Werbetreibende verstehen Kampagnenstruktur als Ordnungsprinzip: saubere Anzeigengruppen, logische Namenskonventionen, Aufteilung nach Produktlinie oder Region. Für Googles Systeme bedeutet Struktur jedoch etwas anderes: Jede Kampagne ist ein Datencontainer. Die Segmentierung legt fest, welche Signale gemeinsam für Gebots- und Targeting-Entscheidungen genutzt werden. Eine zerstreute Architektur erzeugt zerstreutes Lernen – langsamer, ungenauer und anfälliger für Schwankungen.

Smart Bidding und Automatisierung profitieren von konzentrierten Daten in weniger Kampagnen. Google benötigt typischerweise 30 bis 50 Conversions pro Kampagne und Monat, um die Lernphase zu verlassen und verlässliche Prognosen zu liefern. Verteilt ein E-Commerce-Account zwölf Search-Kampagnen mit jeweils nur acht bis zwölf Conversions monatlich, bleiben alle dauerhaft in der Lernphase – trotz aktivierter Automatisierung. Die Lösung lautet Konsolidierung: ähnliche Ziele, vergleichbare Margen und gleiche Intent-Ebenen in weniger, stärkere Kampagnen bündeln.

Über-Segmentierung bricht Smart Bidding

Strategien wie Target CPA, Target ROAS, Maximize Conversions oder Maximize Conversion Value werten Echtzeit-Signale aus: Gerät, Standort, Tageszeit, Zielgruppe, Suchanfrage und mehr. Google gewichtet diese Faktoren gemeinsam, um zu entscheiden, welche Auktionen sich lohnen. Über-segmentierte Accounts erzeugen dabei mehrere typische Probleme:

• Zu geringes Conversion-Volumen: Einzelne Kampagnen unterschreiten die Schwelle für stabile Gebotsentscheidungen; CPAs und CPCs schwanken.
• Verlängerte Lernphasen: Jede Budgetänderung, Strategiewechsel oder Strukturanpassung startet eine neue Lernperiode.
• Verpasste Signalbündelung: Gebote aus Brand- und Non-Brand-Kampagnen können sich nicht gegenseitig informieren, obwohl das Ziel identisch ist.
• Gebots-Kannibalisierung: Mehrere Kampagnen konkurrieren in denselben Auktionen und treiben interne Kosten nach oben.

Das Ergebnis: ein Account, der auf dem Dashboard optimiert wirkt – mit Smart Bidding, Zielgruppen und Tracking – aber unter der Oberfläche an seiner Struktur scheitert.

Auswirkungen von Performance Max

Performance Max erweitert die Strukturfrage um eine neue Dimension. Anders als Search-Kampagnen nutzt PMax das gesamte Google-Inventar: Search, Display, YouTube, Gmail, Discover und Maps. Asset Groups und Audience Signals steuern die Automatisierung. Dadurch wird das Setup gleichzeitig wichtiger und fehleranfälliger.

Asset-Group-Segmentierung

Asset Groups funktionieren wie Mini-Kampagnen. Google nutzt sie, um Kontext zu verstehen, Creatives passend zuzuordnen und die Auslieferung zu optimieren. Sind Gruppen zu breit aufgebaut und mischen unterschiedliche Produkte, Zielgruppen oder Themen, hat der Algorithmus Schwierigkeiten, das richtige Creative im richtigen Moment auszuspielen. Bewährt hat sich die Segmentierung nach Produktkategorie, Intent-Stufe (Prospecting vs. Retargeting) und Creative- oder Angebots-Thema.

PMax- und Search-Kampagnen-Überlappung

Parallel laufende Search- und PMax-Kampagnen konkurrieren häufig um dieselben Suchanfragen. Daten zeigen erhebliche Überlappungsraten: PMax kann Impressionen gewinnen, während Search bei CTR und Conversion Rate oft stärker performt. Ohne klare Abgrenzung verdrängt PMax gezielte Search-Kampagnen, etwa wenn Budgets ausgeschöpft sind oder Brand-Traffic nicht ausgeschlossen wird. Brand Exclusions, gemeinsame Negative-Keyword-Listen und die Pflege von Exact-Match-Keywords in Search reduzieren interne Kannibalisierung.

Strukturprinzipien für stabile Performance

Eine moderne Account-Architektur trennt Intent-Ebenen klar: Brand und Non-Brand, High-Ticket und Low-Ticket, Prospecting und Retargeting gehören in getrennte Container, solange das Volumen ausreicht. Gleichzeitig gilt: nicht jedes Produkt braucht eine eigene Kampagne. Konsolidieren, wenn Preispunkte, Margen, Zielgruppen und Conversion-Ziele ähnlich sind; trennen, wenn eine Vermischung das Signal verfälscht.

Praktische Checks vor jeder Umstrukturierung umfassen die Analyse von Search-Term-Berichten, die Prüfung von Budgetkonzentrationen nach Geo und Produkt sowie die Validierung des Conversion-Trackings. Scripts für Keyword-Kannibalisierung, Impression-Share und Quality Score helfen, strukturelle Schwachstellen sichtbar zu machen, bevor Kampagnen zusammengelegt oder getrennt werden. Wer diese Datenbasis nutzt, reduziert das Risiko, dass eine scheinbar logische Aufteilung die Automatisierung weiter ausbremst.

Vor jeder Umstrukturierung sollten Teams Conversion-Tracking, Budgetverteilung und Search-Term-Berichte prüfen. Strukturänderungen lösen Lernphasen aus – sie lohnen sich, wenn die Datenlage danach für Smart Bidding und PMax messbar dichter wird. Wer Signale stärkt, Überlappungen reduziert und Volumen bündelt, gibt Googles Automatisierung die Grundlage, für die sie entwickelt wurde.