Smart Bidding bei Shopping-Kampagnen


1. Smart Bidding: ein Erfolgsmodell

1.1 Definition

Smart Bidding ist eine Untergruppe der automatischen Gebotsstrategien und basiert auf der Google-eigenen Technologie des maschinellen Lernens. Konzipiert wurde diese Technologie für die automatisierte Optimierung von Conversions bzw. des Conversion-Werts, um dem Anwender so einen Teil der täglichen Routine bei der manuellen Gebotsanpassung zu ersparen. Doch was bedeutet das im Detail?

Wie erfolgreich ein Keyword oder eine Produktanzeige performt hängt von einer Vielzahl verschiedener Faktoren ab, wie etwa der Anpassung an verschiedene Endgeräte, Standorte, Uhrzeiten oder demographische Daten. Die Google-Algorithmen entscheiden meist autark über die genaue Zusammensetzung dieser Faktoren, eine Beeinflussung von außen (Stichwort: Budgetkontrolle) ist nur begrenzt möglich. Da die Anzeigenschaltung jedoch letztlich so viele Conversions wie möglich bei weitestgehend effizientem Budgeteinsatz erreichen soll, bleibt dem Anwender als Steuerungsmittel zumindest noch die Gebotsanpassung für eine möglichst hohe Conversion-Wahrscheinlichkeit.

Die manuelle Anpassung von Geboten wird bei mehreren tausend Keywords oder Produkten jedoch recht bald sehr umfangreich und benötigt dadurch enorm viel Zeit. Um einerseits weiterhin handlungsfähig zu bleiben und andererseits gleichzeitig auch bestmögliche Ergebnisse zu erzielen, können die automatisierbaren Smart Bidding-Gebotsstrategien in Google Ads an dieser Stelle von großem Nutzen sein. Zur Vereinfachung von Optimierungsprozessen und um den Erfolg von Kampagnen weiter auszubauen, bietet Smart Bidding die Möglichkeit, Google bei der Anpassung der Gebote teilweise oder vollständig freie Hand zu lassen. Durch dieses Vorgehen werden die Gebote bei jeder Auktion durch maschinelles Lernen für Conversions oder den Umsatzwert der Conversions optimiert.

Darüber hinaus vereint Smart Bidding das maschinelle Lernen mit dem Nutzerverhalten. So können die Gebote an die individuellen Bedürfnisse des Kunden angepasst werden. Dazu zählen unter anderem Faktoren wie die Tageszeit, verwendete Geräte, der Standort, Remarketing-Listen, welcher Browser genutzt wurde, das Betriebssystem des Geräts und die Sprache. Der dem Smart Bidding zugrundeliegende Algorithmus ist folglich fähig, das Zusammenspiel und die Auswirkungen dieser Faktoren zu analysieren und eine ausgewählte Gebotsstrategie bei jeder Auktion anzuwenden. Anhand der von Google bereitgestellten Erfolgsanalyse-Tools kann zudem nachvollzogen werden, wie erfolgreich die Smart Bidding-Strategie performt.

Voraussetzung für die Nutzung von Smart Bidding ist ein valides Conversion-Tracking im Google Ads Account (Google Support 2020).

1.2 Gebotstypen von Smart Bidding

Je nach verfolgtem Ziel des Werbetreibenden können verschiedene Gebotsstrategien verwendet werden. Smart Bidding umfasst dabei momentan vier Gebotsstrategien, welche nachfolgend vorgestellt werden.

Ziel-CPA-Gebote

Bei der Option „Ziel-CPA“ (Cost-per-Action) wird festgelegt, wie hoch die Ausgabe für eine Conversion sein darf. Unter dieser Restriktion legt Google in jeder Anzeigenauktion das optimale Gebot zur Erreichung dieses Ziels fest. Das Budget soll zudem unter der Prämisse genutzt werden, ein Maximum an Conversions innerhalb eines festgelegten Ziel-CPAs zu erzielen). Die Gebote werden durch erweitertes maschinelles Lernen automatisch optimiert. Verfügbar ist die Option „Ziel-CPA“ als Standardstrategie in einer einzelnen Kampagne oder als Portfoliostrategie für mehrere Kampagnen.

Diese Gebotsstrategie bietet sich bspw. für Unternehmen an, deren Werbe-Ziel die Generierung von Leads ist. Der Ziel-CPA würde in diesem Szenario dem Wert entsprechen, wieviel ein Lead für das Unternehmen maximal kosten soll bzw. darf.

Ziel-ROAS

Auf Grundlage des Ziel-ROAS (Return on Advertising Spend) können Gebote mit der gleichnamigen Gebotsstrategie abgegeben werden. Hierbei wird vorher ein Ziel-ROAS-Wert definiert, Google passt die Gebote automatisch so an, dass ein möglichst hoher Conversion-Wert unter Erreichung dieses Ziel-ROAS erzielt wird. Die Gebote werden dabei ad hoc zum Zeitpunkt der Auktion optimiert und individuell an jede Auktion angepasst.

Der ROAS kann wie folgt berechnet werden: Umsatz / Ausgaben x 100 %. Er entspricht damit dem Kehrwert der Kosten-Umsatz-Relation (KUR) x 100 %.

Beträgt der Umsatz bspw. 5 € und die Kosten 1 €, so entspräche dies einem ROAS von 500 %.
Berechnung: 5 € Umsatz / 1 € Anzeigenausgaben x 100 % = 500 % ROAS

In diesem Beispiel beträgt die Kosten-Umsatz-Relation somit 20 %.
Berechnung: 1 € Anzeigenausgaben / 5 € Umsatz x 100 % = 20 % KUR

Dieser Smart Bidding-Typ eignet sich besonders für (E-Commerce-) Unternehmen mit klaren Vorgaben, in welchem Verhältnis der erzielte Umsatz zu den damit verbundenen Kosten mindestens stehen muss, um rentabel zu sein.

Conversions maximieren

Der Name der Strategie lässt bereits erahnen, dass die Maximierung von Conversions im Mittelpunkt dieser Smart Bidding-Strategie steht. Dabei werden die Gebote automatisch so festgelegt, dass mit einem vorgegebenen Budget möglichst viele Conversions erzielt werden (Google Support 2020a).

Rentabilitätsbezogene Werte werden dabei nicht berücksichtigt. Dementsprechend sollte die Gebotsstrategie dann verwendet werden, wenn ausschließlich die Steigerung des Conversion-Volumens angestrebt wird.

Dieser Gebotstyp eignet sich besonders für Unternehmen mit einem fixen Werbebudget, welches nach Möglichkeit ausgeschöpft und den maximal möglichen Umsatz erwirtschaften soll. Hat ein Unternehmenszweig z.B. jährlich ein fixes Marketing-Budget, welches es ausgeben „muss“, kann es anhand dieser Strategie den größtmöglichen Umsatz generieren. Dabei wird jedoch keine Kosten-Umsatz-Relation berücksichtigt.

Auto-optimierter CPC

Bei dieser Strategie sollen mehr Conversions durch manuelle Gebotseinstellungen erzielt werden. Dabei wird das vorab manuell eingestellte Gebot automatisch von Google erhöht, wenn Klicks mit hohem Potential für Einkäufe bzw. einer Conversion auf die Zielseite führen. (Google Support 2020b). Wenn Google demnach die Wahrscheinlichkeit einer Conversion als hoch einordnet, werden die Gebote nach oben angepasst, bei einer geringen Wahrscheinlichkeit dementsprechend gesenkt.

Diese Strategie eignet sich hauptsächlich für Unternehmen, deren Ziel die Lead-Steigerung bei einem fixen Budget ist.

1.3 Anwendungsgebiete und -beispiele

Egal ob Conversion-Maximierung oder Umsatzsteigerung – die Smart Bidding-Strategien von Google können die Erreichung verschiedener Ziele von Werbetreibenden unterstützen. Sei es die Sichtbarkeit im Displaynetzwerk oder die Performance in der Google Suche und bei Google Shopping. Google bietet dabei verschiedene Herangehensweisen an. Zum einen ist es möglich, schon bei der Kampagnenerstellung eine automatische Gebotsstrategie auszuwählen. Hierzu kann entweder ein klassisches Kampagnenformat oder direkt eine Smart-Kampagne ausgewählt werden. Zum anderen können auch bereits bestehende Kampagnen auf eine automatisierte Strategie umgestellt werden. Der Vorteil an der letzten Option besteht in der schon vorhandenen Datenbasis, auf welche der Algorithmus bei der zukünftigen Gebotsoptimierung bereits zurückgreifen kann.

Abb. 1: Anwendungsgebiete von Smart Bidding

2. Case – Shopping-Kampagnen der 4mybaby AG

Diese Case Study behandelt klassische Shopping-Kampagnen der 4mybaby AG, einem in der Schweiz ansässigen Onlineshop für Baby-Artikel. Generelle Zielstellung dieses Unternehmens hinsichtlich der Google Ads Kampagnen ist ein Wachstum des Umsatzes (im Vergleich zum Vorjahr) bei einer nach Möglichkeit geringeren Kosten-Umsatz-Relation.

In der Vergangenheit wurden diese Kampagnen ausschließlich über die manuelle Gebotsvergabe optimiert. D. h. der Account-Betreuer hatte die Gebote auf Basis bisheriger Performance-Daten hinsichtlich einer möglichst niedrigen Kosten-Umsatz-Relation bei stabilem Umsatzwachstum regelmäßig manuell angepasst. Gebote performance-starker Produkte wurden somit angehoben, während nicht-performante Artikel in ihrem Gebot gesenkt wurden. Des Weiteren wurden regelmäßig die Gebote auf Ebene der Geräteklassen, Standorte sowie der Tageszeiten/Wochentage geprüft und angepasst.

Gegenstand dieser Fallstudie ist die Umstellung dieser klassischen Shopping-Kampagnen auf die automatische Gebotsstrategie „Ziel-ROAS“. Wie zuvor bereits erwähnt entspricht der ROAS dem Kehrwert der Kosten-Umsatz-Relation x 100 %. Im folgenden Abschnitt wird zunächst der Aufbau des Kampagnen-Setups erläutert, bevor in Punkt 4 auf die konkrete Umstellung der Gebotsstrategie sowie die fortlaufende Optimierung dieser eingegangen wird.

Abb. 2: Shopping Ads und Produkte des Onlineshops 4mybaby.ch

3. Setup der Kampagnen

3.1 Format: Shopping-Kampagnen

Eine Shopping-Anzeige enthält jeweils Produktinformationen (Titel, Bild, Preis etc.) zu einem Artikel, welche mithilfe eines Datenfeeds aus dem Google Merchant Center bereitgestellt werden. Der Datenfeed wird wiederum aus dem Shop extrahiert und täglich von Google abgerufen. Klickt ein Nutzer auf die Anzeige, gelangt er direkt in den Shop des Werbetreibenden und zu dem in der Anzeige beworbenen Produkt. Das Merchant Center fungiert gewissermaßen als Schnittstelle zwischen dem Shop-Back-End und Google Ads.

Dementsprechend muss eine Verknüpfung zwischen dem Merchant Center und dem Google Ads Account des Werbetreibenden vorliegen, um eine Shopping-Kampagne erstellen zu können. Die Shopping-Anzeigen können im Google Suchnetzwerk und Displaynetzwerk (inkl. YouTube, Gmail und Google Discover) erscheinen.

Die Auslieferung der Anzeigen erfolgt dabei nicht über das Matching von Suchanfragen mit Keywords (wie bei einfachen Textanzeigen-Kampagnen im Suchnetzwerk), sondern über das Matching von Suchanfragen mit den Produktdaten aus dem Merchant Center (Google Support 2020c). Im vorliegenden Case handelt es sich bspw. um einen sehr gut konfigurierten Datenfeed, d.h. die Qualität und Quantität der bereitgestellten Daten ermöglichen eine häufige und v.a. relevante Auslieferung der Shopping-Anzeigen.

Des Weiteren werden die Anzeigen auch hier nach einem Auktionsmodell geschaltet. Somit mussten Gebote definiert werden, welche im Kontext mit den Geboten der Wettbewerber sowie der eigenen Datenqualität letztlich die Anzeigenposition bestimmen. Abgerechnet wird i. d. R. per Klick, ein Werbetreibender zahlt also für jeden Klick auf seine Shopping-Anzeige (Cost-per-Click).

Mithilfe einer Shopping-Kampagne können letztlich alle Produkte eines Shops beworben werden, welche per Datenfeed an das Merchant Center übergeben werden und den Google Werberichtlinien entsprechen. Die beworbenen Produkte können innerhalb einer Anzeigengruppe oder mittels mehrerer Anzeigengruppen segmentiert werden, bspw. hinsichtlich ihres Produkttyps, ihrer Produktkategorie oder der Marke. Diese Attribute werden ebenfalls über den Datenfeed bereitgestellt.

3.2 Granularer Aufbau

Das Setup wurde maximal granular aufgebaut, anhand der gewählten Struktur können dementsprechend einzelne Kosten- und Umsatztreiber genauestens erkannt und optimiert werden.

In diesem Fall wurden die Produkte des Shops zunächst hinsichtlich ihrer Marke segmentiert, d.h. es wurde für jede Marke eine eigene Anzeigengruppe erstellt. Innerhalb dieser Anzeigengruppen erhielt dann jeder Artikel nochmals eine eigene Ausprägung, indem dessen Artikel-ID zusätzlich selektiert wurde. Somit konnte zum einen jeder einzelne Artikel mit einem eigenen Gebot versehen werden. Zum anderen ermöglicht diese Kampagnenstruktur, dass für jeden einzelnen Artikel die Performance im Google Ads Interface eingesehen werden kann.

Würde nur grob nach Produktgruppe oder Marke segmentiert werden, könnten auch nur für diese Ebene Performance-Daten eingesehen und Gebote für die Anzeigenschaltung festgelegt werden, nicht aber für einzelne Produkte.

Abb. 3: Beispieldarstellung eines granularen Kampagnensetups

3.3 Suchanfrage/Traffic-Steuerung mittels Priorisierung

Wie zuvor erwähnt funktioniert die Anzeigenauslieferung bei Shopping-Anzeigen über das Matching der Suchanfrage mit den Produktdaten, welche im Merchant Center via Feed hinterlegt werden. Die Anzeigenschaltung von Shopping-Kampagnen wird nicht über Keywords ausgelöst, welche in die Kampagne eingebucht und mit den Suchanfragen von Nutzern gematcht werden.

Dennoch kann anhand von auszuschließenden Keywords die Art und die Steuerung der Suchanfragen für Shopping-Kampagnen maßgeblich beeinflusst werden. In den Einstellungen für Shopping-Kampagnen besteht die Möglichkeit, der Kampagne eine Priorisierung zuzuweisen. Diese kann die Ausprägung hoch, mittel oder niedrig haben, womit eine 3-stufige Priorisierung hinsichtlich der Traffic-Steuerung erfolgen kann.

Durch die Priorisierung können generische, markenspezifische und modellspezifische Suchanfragen kanalisiert werden. Darauf aufbauend können diese Suchanfragen entsprechend ihrer Wertigkeit und Konvertierung separat betrachtet und ausgesteuert werden. Daraus folgt wiederum ein effektiverer Budgeteinsatz sowie eine gezieltere Optimierung der Kostenstrukturen.

Für das Kampagnen-Setup bedeutet dies – unter Verwendung von Beispielwerten – konkret:
Die erstellte, granulare Shopping-Kampagne wird zweimal kopiert, sodass insgesamt 3 identische Kampagnen vorliegen. Die ursprüngliche Kampagne erhält die Priorität „hoch“ und die Artikel ein Gebot (max. CPC) von 0,20 CHF, die zweite Kampagne erhält die Priorität „Mittel“ und die Produkte einen max. CPC von 0,30 CHF und die dritte Kampagne erhält die Priorisierung „niedrig“ und deren Artikel einen max. CPC von 0,50 CHF.

Im Anschluss werden zwei negative Keyword-Listen erstellt – die Erste enthält alle Marken des Datenfeeds, die Zweite alle Produktbezeichnungen der beworbenen Artikel. In der Kampagne mit der höchsten Priorität werden beide Keyword-Listen, in der Kampagne mit der mittleren Priorität nur die Liste mit den Produktbezeichnungen eingebucht. In der dritten, niedrig priorisierten Kampagne werden keine Ausschlüsse hinterlegt. Dieser systematische Keyword-Ausschluss bewirkt, dass mit der hoch priorisierten Kampagne nur generische Suchanfragen bedient werden, da hier gemäß der eingebuchten negativen Keyword-Listen Suchanfragen in Kombination mit den Marken und produktspezifische Suchanfragen ausgeschlossen werden.

Da generische Suchanfragen meist den Beginn der Customer Journey darstellen und somit oftmals eine geringere Konvertierung bedeuten, wird in dieser Kampagne folgerichtig das niedrigste CPC-Gebot abgegeben. In der mittel priorisierten Kampagnen werden Suchanfragen bedient, welche Markennamen beinhalten, jedoch keine Produktnamen, da diese hier per Keyword-Liste wie zuvor erwähnt ausgeschlossen werden. Nutzer mit derartigen Suchanfragen sind in ihrem Kaufprozess schon weiter fortgeschritten und haben eine höhere Konvertierungs-Wahrscheinlichkeit, daher wurde hier ein höheres CPC-Gebot gesetzt, um bereits eine bessere Positionierung der Shopping-Anzeigen zu erreichen.

In die dritte, niedrig priorisierte Kampagne fließen nur produktspezifische Suchanfragen. Diese sind typisch für Nutzer, welche bereits konkrete Vorstellungen hinsichtlich des gewünschten Produktes haben und in ihrer Customer Journey bereits weit fortgeschritten sind. Diese User weisen eine hohe Kauf-Wahrscheinlichkeit auf, weshalb hier eine möglichst optimale Anzeigenposition mit dem höchsten CPC-Gebot angestrebt wird (Finnwaa 2020).

Das folgende Beispiel soll die Wirkungsweise der Priorisierung und der damit verbundenen Traffic-Steuerung nochmals verdeutlichen:

Produkt: Finnwaa Sportschuh Pro 500

  • Suchanfrage = „Sportschuh kaufen“ → Auslieferung der Shopping-Anzeige in der Prio-Hoch-Kampagne (Gebot 0,20 CHF)
  • Suchanfrage = „Finnwaa Sportschuh kaufen“ → Auslieferung der Shopping-Anzeige in der Prio-Mittel-Kampagne (Gebot 0,30 CHF)
  • Suchanfrage = „Finnwaa Pro 500“ → Auslieferung der Shopping-Anzeige in der Prio-Niedrig-Kampagne (Gebot 0,50 CHF)

Durch die Priorisierung der Shopping-Kampagnen können somit Suchanfragen hinsichtlich Ihrer Relevanz und Konvertierung separat behandelt bzw. ausgesteuert werden.

4. Umstellung/Optimierung

4.1 Auswahl und Umstellung der Gebotsstrategie

Unter Abschnitt 2 wurde bereits angeführt, dass die hier betrachteten Google Ads Kampagnen des Unternehmens 4mybaby.ch auf eine Maximierung des Umsatzes bei einem verbesserten Kosten-Umsatz-Verhältnis hin optimiert werden. Für die Optimierung dieses Zielwerts wurde die automatische Gebotsstrategie Ziel-ROAS (siehe Punkt 1.2) gewählt, da der ROAS dem Kehrwert der Kosten-Umsatz-Relation (KUR) x 100 % entspricht.

Die Umstellung der Gebotsstrategien erfolgte in den Kampagnen-Einstellungen. Hier wurde wiederum die zusätzliche Option „Portfolio-Strategie“ gewählt, mithilfe derer einer Gebotsstrategie (mit einem definierten Zielwert) mehrere Kampagnen gleichzeitig zugeordnet werden können (Google Support 2020d).

Bei der Einrichtung der Gebotsstrategie wird auf Basis der historischen Performance zunächst ein Zielwert von Google vorgeschlagen. Auch wenn dieser zunächst etwas höher als der Gewünschte erscheint, ist es empfehlenswert diesen Wert erst einmal zu wählen. Somit wird das maschinelle Lernen, welches dem Smart Bidding zugrunde liegt, nicht vorab durch zu restriktive Vorgaben eingeschränkt.

Wichtig ist zudem bei der Umstellung auf automatische Gebotsstrategien, etwaige Gebotsanpassungen der Geräteklassen, Standorte und Werbezeiten zu entfernen. Andernfalls würde das System den definierten Zielwert der Strategie um diese Gebotsanpassungen modifizieren.

4.2 Anpassung der Zielparameter/ Kontrolle der Gebotsstrategie

Es ist erfahrungsgemäß von Vorteil, die Kampagnen zunächst einige Zeit (abhängig vom Traffic-Volumen) mit der neuen Gebotsstrategie und dem von Google vorgeschlagenen Zielparameter anlaufen zu lassen. Hat sich die Performance auf dem Niveau dieses Zielwertes stabilisiert, kann dieser sukzessive abgepasst werden, um den finalen Zielwert zu erreichen.

In der weiteren Optimierung muss dabei stetig beobachtet werden, wie sich die Performance der Kampagne darstellt und ob bspw. einem veränderten Suchvolumen oder einer veränderten Konvertierung Rechnung getragen werden muss. Steigt bspw. das Suchvolumen/der Traffic deutlich an, ohne dass die Konvertierung/der Umsatz proportional mitwächst, wäre eine Erhöhung des Ziel-ROAS-Wertes sinnvoll. Damit wird dem Algorithmus zu verstehen gegeben, eine geringere Kosten-Umsatz-Relation anzustreben und schließlich die Kosten bzw. den Traffic etwas zu senken.

Im Umkehrschluss könnte eine besonders gute Konvertierung, die eine deutliche Verbesserung des Zielwertes zur Folge hat, Anlass für eine Reduzierung des Ziel-ROAS-Wertes sein. Dies wäre ein Signal für den Algorithmus, mehr wertvollen Traffic zu generieren und somit auch wieder höhere Kosten zu erzielen. Aber auch dieses Szenario muss permanent beobachtet werden. Eine Phase mit überdurchschnittlich hohen Umsätzen und ein mittelfristiges Unterbieten des Zielwertes kann vom maschinellen Lernen auch als Anreiz interpretiert werden, die Kosten überdurchschnittlich stark zu steigern, um den definierten Zielwert wieder zu erreichen. Da aus Sicht des Systems sozusagen „zu viel“ Umsatz bei zu geringen Kosten erzielt wird. Auch hier ist ein Eingreifen des Account Managers erforderlich, um die Kosten mittels einer Erhöhung des Ziel-ROAS einzudämmen.

Zusammenfassend kann festgehalten werden, dass die Kampagnen-Performance regelmäßig analysiert werden muss. Durch die tägliche Account-Sichtung wird zudem eine stetige Kontrolle der Zielwerte sichergestellt. Auf Basis der dadurch gewonnen Erkenntnisse muss der Ziel-Parameter der automatischen Gebotsstrategie je nach Bedarf nachjustiert werden. Zudem können mit der moderaten Änderung des Ziel-ROAS auch Saisonalitäten adäquat abgebildet werden. Somit kann auch eine proaktive Änderung des Ziel-Wertes (bspw. in der Vorweihnachtszeit) sinnvoll sein, um das Traffic-Volumen sinnvoll zu steuern.

4.3 Auswertung des Suchanfrageberichts

Ein wichtiger Faktor bei der Optimierung von automatisch ausgesteuerten Kampagnen ist die regelmäßige Analyse des Suchanfrageberichts. Zu beachten ist hierbei, dass dieser bei reinen Smart Shopping-Kampagnen nicht mehr verfügbar ist. Diese Tatsache sowie die vorliegende historische Datenbasis sprechen aktuell für die Nutzung von „normalen“ Shopping-Kampagnen im Standardformat, welche wie in diesem Beispiel auf eine automatische Gebotsstrategie umgestellt werden.

Durch die Analyse des Suchanfragenberichts können langfristig schlecht performende Suchanfragen identifiziert und als negatives Keyword eingebucht werden, somit kann eine weitere Auslieferung der Shopping-Anzeigen bei diesen Suchanfragen verhindert werden. Wichtig ist hierbei, diese Begriffe über alle Kampagnen hinweg auszuschließen (Priorität hoch, mittel und niedrig), da ansonsten durch die Wirkungsweise der Priorisierung die Anzeigenschaltung bei den unerwünschten Suchbegriffen sogar noch forciert werden kann.

Der Ausschluss von nicht performanten Suchanfragen vermeidet zudem unnötige Kosten und ermöglicht einen noch effizienteren Einsatz des Werbebudgets für relevantere Suchbegriffe. Somit können letztlich auch die Streuverluste minimiert werden.

5. Auswertung

Die Umstellung der Kampagnen von der manuellen Gebotsvergabe auf die automatische Gebotsstrategie Ziel-ROAS erfolgte am 01.04.2019. Die analysierten Daten beziehen sich auf ein Dreivierteljahr im Zeitraum vom 01.04. – 31.12.2019. Im Sinne der Vergleichbarkeit, auch hinsichtlich saisonaler Schwankungen, wurden diese Daten mit demselben Zeitraum des Vorjahres (01.04. – 31.12.2018) abgeglichen.

5.1 Traffic- und CPC-Entwicklung

Im betrachteten Zeitraum konnte ein Rückgang der Impressionen von 1,37 % und ein Rückgang der Klicks um 8,66 % im Vergleich zum Jahr 2018 beobachtet werden. Der relative Anteil an möglichen Impressionen ist hingegen leicht um 2,66 % gestiegen, wodurch der Impressionsanteil absolut etwas gesteigert werden konnte.

Die durchschnittlichen Klickkosten (durchschnittlicher CPC) stiegen marginal um 2,90 %.

Der Rückgang der absoluten Klickanzahl kann ein Indiz für die Wirkungsweise des Smart Biddings sein, eine niedrigere Anzeigenposition einzunehmen, sobald eine geringe Kaufwahrscheinlichkeit des Nutzers besteht, dadurch ist die Klickrate ggf. etwas gesunken. Der etwas höhere, durchschnittliche Klickpreis kann wiederum ein Hinweis auf höhere Gebote sein, wenn eine hohe Kaufwahrscheinlichkeit gegeben ist und eine prominentere Anzeigenposition angestrebt wird.

Der leicht gestiegene relative Anteil an möglichen Impressionen zeigt, dass der Marktanteil insgesamt etwas gesteigert werden konnte.

Abb. 4: Entwicklung von Traffic und CPC

5.2 Kostenentwicklung

Die Kosten wurden im Vergleich zum Vorjahr um 6,00 % gesenkt. Dies ist auf die Reduzierung der Klickanzahl und die nur leichte Erhöhung des durchschnittlichen Klickpreises zurückzuführen. Die Kosten pro Conversion konnten um 30,99 % reduziert werden. Hauptverantwortlich dafür ist eine bessere Konvertierung, die im folgenden Abschnitt näher erläutert wird.

Abb. 5: Entwicklung der Kosten

5.3 Conversion- und Umsatzentwicklung

Die Anzahl der Conversions wurde um 36,21 % gesteigert, die Conversion-Rate stieg um 49,12 %. Daraus resultierte eine Umsatzwachstum von 37,81 %.

Die etwas geringeren Gesamtkosten bei gleichzeitigem Umsatzzuwachs führten zu einer Reduktion der Kosten-Umsatz-Relation um 31,79 %. Der ROAS stieg im betrachteten Zeitraum um 46,61 %.

Abb. 6: Entwicklung von Conversions und Umsatz

6. Fazit

Die Umstellung der Shopping-Kampagnen von der manuellen Gebotsvergabe auf die automatische Gebotsstrategie „Ziel-ROAS“ hat eine klare Performance-Steigerung bewirkt. So konnten bei leicht geringeren Kosten eine deutlich höhere Conversion-Anzahl sowie ein spürbares Umsatzwachstum erzielt werden. Die verbesserte Conversion-Rate ist zudem ein Indiz dafür, dass die Shopping-Anzeigen – bedingt durch das maschinelle Lernen – Nutzer mit höherer Kaufbereitschaft erreicht haben. Insgesamt konnte somit auch die Kosten-Umsatz-Relation deutlich verbessert werden.

Die Automatisierung des Gebotsmanagements allein genügt jedoch nicht, um den Kampagnenerfolg zu gewährleisten. Dieser Case hat gezeigt, dass zum einen ein tägliches Monitoring der Performance und infolge dessen ein regelmäßiges Nachjustieren der Zielparameter notwendig ist, um auf unvorhergesehene sowie saisonale Schwankungen reagieren zu können und somit dem Algorithmus die optimalen Signale zu geben.

Zum anderen konnte auch die granulare Kampagnenstruktur zur fortwährenden Optimierung genutzt werden, indem bspw. nicht performante Marken identifiziert und deren Anzeigenschaltung pausiert wurde. Die regelmäßige Analyse des Suchanfrageberichts sowie die darauf aufbauende Negativierung von schlecht konvertierenden Suchanfragen brachten ebenfalls eine Kostenersparnis mit sich, welche dadurch auch die Streuverluste verringerten.

Insgesamt ist der Einsatz von automatischen Gebotsstrategien an diesem Beispiel als positiv zu bewerten. Die Performance konnte unter dessen Einsatz sowie der beschriebenen Kampagnenstruktur und -pflege deutlich verbessert werden.

Autor: Markus Kley, Charlotte Schad

Datum: 25.06.2020

www.4mybaby.ch

7. Quellen