Auto Bidding mit deinen eigenen Daten: Marge, Lead Qualität und Lagerbestand in Google und Meta einspeisen

Automatisches Bieten ist nur so klug wie die Werte, die du ihm gibst

Smart Bidding nennt Google die Gebotsstrategien, die für jede einzelne Auktion einen Preis festlegen, und zwar aus der eigenen Vorhersage, wie wahrscheinlich ein Klick konvertiert und wie viel diese Conversion wert sein wird. Im Moment der Auktion schaut das System auf das Gerät, den Standort, die Tageszeit, die Suchanfrage, den Browser, die Sprache und darauf, ob die Person auf einer deiner Zielgruppenlisten steht.¹ Zwei der Strategien, Ziel ROAS (Return on Ad Spend, also Werbeertrag pro ausgegebenem Euro) und Conversion Wert maximieren, bieten auf den Wert statt auf die Anzahl der Conversions, und beide brauchen einen Wert an jeder Conversion, bevor sie überhaupt laufen.²³

Dieser letzte Satz ist der ganze Artikel. Die Maschine hat Signale, die du nie sehen wirst. Sie hat aber nicht das eine, das du jeden Tag siehst: was eine Conversion tatsächlich wert war. Sie sieht die Marge auf der Bestellung nicht, nicht die Rückerstattung zwei Wochen später, nicht den Lead, der sich als Student mit einer Musterbestellung entpuppt, und nicht, dass das Produkt, das sie gerade verkauft hat, das letzte im Regal war. Sag ihr, jeder Lead sei 1 € wert, und sie kauft dir die meisten Leads. Sag ihr, ein Lead von einem Lebensmittelhersteller, der 5.000 Kartons anfragt, sei 90 Mal so viel wert wie ein Lead von einer Freemail Adresse, die 20 Stück will, und sie geht los und findet dir die Hersteller.

Die Aufgabe ist also nicht, den Optimierer zu ersetzen. Das habe ich in meinen frühen Jahren versucht, und die alte Fassung dieses Artikels trug noch etwas von dieser Angeberei in sich. Die Aufgabe ist, ihn zu füttern. Deine Daten kommen durch fünf Türen hinein, und dieser Text geht jede davon durch, mit dem Rechenweg, den Einwilligungsregeln vor allen fünf, und einem erfundenen Unternehmen aus Köln als durchgehendem Beispiel.

Rechenbeispiel: ein Verpackungslieferant in Köln

Ehrenfeld Verpackungen ist ein erfundener B2B Lieferant in Köln. Er verkauft Kartons, Lebensmittelschalen und bedruckte Banderolen an kleine Lebensmittelhersteller, Bäckereien und ein paar Onlineshops. Der Inhaber heißt Daniel. Niemand davon ist echt, jede Zahl ist ausgedacht, damit jeder Schritt gezeigt werden kann. Daniel verkauft über ein Angebotsformular: Ein Besucher sagt, was er braucht und wie viel, Daniel oder seine Kollegin Ayse antworten mit einem Preis, und ein Teil dieser Angebote wird zu Aufträgen.

Daniel gibt 2.000 € pro Woche für Google Ads aus, mit einem Ziel CPA (Cost per Acquisition, also Kosten pro Abschluss) von 50 € pro Lead. Er bekommt etwa 40 Leads pro Woche, rund zehn davon werden Kunden, und der erste Auftrag eines neuen Kunden bringt im Schnitt 180 € Marge. Der bezahlte Kanal liefert also rund 1.800 € Marge aus Erstaufträgen für 2.000 € Ausgaben. Folgeaufträge machen das irgendwann wett, aber auf dem ersten Auftrag verliert er Geld, und Daniel hat den Verdacht, dass der Optimierer ihm viele Leute bringt, die 20 Kartons für eine Hochzeit wollen.

Er hat recht, und die Lösung ist kein klügeres Gebot. Es ist ein wahrerer Wert.

Die fünf Türen, durch die deine Daten hineinkommen

Google gibt First Party Daten fünf Wege ins Bieten. Die Namen ändern sich alle paar Jahre, die Ideen bleiben.

Die erste Tür ist der Offline Conversion Import. Wenn jemand auf eine Anzeige klickt, hängt Google eine Klickkennung, die GCLID, an die Adresse der Zielseite. Du speicherst sie beim Lead oder bei der Bestellung. Tage oder Wochen später, wenn aus dem Lead ein Verkauf geworden ist, schickst du die GCLID zusammen mit einer Conversion Aktion, einem Zeitpunkt und einem Wert zurück, und Google hängt das echte Ergebnis an den ursprünglichen Klick.⁴ Die ausgebaute Form sind erweiterte Conversions für Leads, die zusätzlich eine gehashte Mailadresse oder Telefonnummer aus dem Formular mitschicken, damit die Zuordnung auch dann hält, wenn die Klickkennung verloren geht. Google empfiehlt sie gegenüber dem einfachen Import und berichtet im Median 10 % mehr gemessene Conversions bei Werbetreibenden, die First Party Daten neben der Klickkennung nutzen.⁴⁵ Über die Google Ads API ist jeder Datensatz eine ClickConversion mit der Conversion Aktion, einem Zeitpunkt nach dem Klick, einem Wert, einer Währung, einer order_id gegen Dubletten, bis zu fünf gehashten Kennungen und einem Einwilligungsfeld, das Google dringend empfiehlt zu füllen.⁶ Wird der Verkauf storniert oder ändert sich der Wert, schickst du gegen dieselbe order_id eine Rücknahme oder eine Neubewertung.⁷ Ein Hinweis für alle, die das 2026 bauen: Google verlagert diese Uploads in seine Data Manager API, und der alte Aufruf UploadClickConversions schlägt für Entwicklertokens fehl, die ihn vor Juni 2026 noch nicht genutzt hatten.⁶⁸

Die zweite Tür sind Conversion Wert Regeln. Sie sagen Smart Bidding, dass eine Conversion aus einer bestimmten Zielgruppe, einem Standort oder von einem Gerät mehr oder weniger wert ist als der Wert, den du erfasst hast, zum Beispiel "mal 1,5 für alle auf der Liste der Bestandskunden". Der angepasste Wert wird fürs Bieten und fürs Reporting genutzt und gilt für Ziel ROAS und Conversion Wert maximieren.⁹ Regeln sind grob neben einem echten hochgeladenen Wert, aber sie sind das richtige Werkzeug für etwas, das du über eine Gruppe im Voraus weißt, und nicht für etwas, das du später über eine einzelne Bestellung erfährst.

Die dritte Tür ist der Kundenabgleich, bei Google auch unter dem englischen Namen Customer Match bekannt. Du lädst gehashte Mailadressen, Telefonnummern oder Postanschriften deiner eigenen Kunden hoch, und Google baut aus den Treffern eine Zielgruppenliste. Die Listen funktionieren in Suche, Shopping, YouTube, Gmail und im Displaynetzwerk, und jede Kampagne mit Smart Bidding nimmt deine Kundenabgleich Listen als Signal, wenn du das nicht abwählst.¹⁰ Google will mindestens 5.000 hochgeladene Mitglieder, damit eine Liste eine realistische Chance hat, groß genug für die Ausrichtung zu sein.¹¹

Die vierte Tür ist die saisonale Anpassung. Du sagst Smart Bidding, dass du für ein kurzes, datiertes Ereignis, etwa eine dreitägige Aktion, eine Veränderung der Conversion Rate um einen bestimmten Prozentsatz erwartest, und es bietet so, als wäre das schon wahr, statt zwei Tage damit zu verbringen, es zu lernen. Google sagt ausdrücklich, dass das für Ereignisse von einem bis sieben Tagen gedacht ist, dass es jenseits von 14 Tagen schlechter funktioniert und dass das gewöhnliche saisonale Muster bereits im Modell steckt.¹²

Die fünfte Tür ist Code. Google Ads Scripts sind JavaScript Programme, die in deinem Konto nach einem Zeitplan laufen, stündlich, wenn du willst, und Gebote, Budgets, Keywords und Status aus der Performance oder aus einer externen Datenquelle heraus ändern können.¹³ Die Google Ads API macht dasselbe von deinen eigenen Servern aus. Unter Smart Bidding ist das Nützliche, das du per Code änderst, selten ein Gebot, denn Smart Bidding ignoriert deine manuellen Gebotsanpassungen, mit Ausnahme einer Geräteanpassung von minus 100 %.²³ Was du per Code änderst, ist das, womit du es fütterst: die Werte, die Regeln, die Listen, die Budgets und ob eine Produktgruppe überhaupt an ist.

Meta hat dieselbe Idee unter anderen Namen. Die Conversions API lässt deinen Server Events direkt an Meta schicken, neben oder statt dem Pixel im Browser, mit value und currency in der Nutzlast, und die Wertoptimierung gewichtet die Auslieferung dann zu den Conversions hin, die du als wertvoller meldest.¹⁴¹⁵ Betreibst du Pixel und Server zusammen, braucht jedes Event eine gemeinsame event_id, damit Meta die Dublette verwirft, und das tut es nur innerhalb von 48 Stunden.¹⁶ Meta nimmt inzwischen auch ein Feld net_revenue am Purchase Event oder eine estimated_margin pro Produkt im Katalog an, damit die Auslieferung auf Gewinn statt auf Umsatz optimiert werden kann, sobald du mindestens drei verschiedene Gewinnwerte und 100 Conversions pro Woche hast.¹⁷ Der Rest dieses Artikels spricht Google, weil dort die Beispiele sind, aber jedes Prinzip lässt sich eins zu eins übertragen.

Ein Beispiel: Daniels Angebotsformular speichert die GCLID in einem verborgenen Feld und die geschäftliche Mailadresse am Lead Datensatz. Wenn Ayse ein Angebot im CRM als gewonnen markiert und die Marge einträgt, schickt ein nächtlicher Job die GCLID, die gehashte Mailadresse, die Marge und eine order_id an Google. Das ist Tür eins. Alle sechs Monate lädt Daniel die Mailadressen der Kunden hoch, die zweimal bestellt haben: Tür drei. Vor seiner Messe im Januar plant er eine dreitägige Anpassung: Tür vier. Das Script, das den Upload erledigt und eine Produktgruppe abschaltet, wenn der Bestand unter eine Wochenreichweite fällt: Tür fünf. Tür zwei nutzt er ein einziges Mal, um die Messezielgruppe um 20 % aufzuwerten.

Einwilligung kommt vor allem anderen

Hier ist die Regel, von der ich nicht abweiche, und die, die du mitnehmen sollst, auch wenn du die Mathematik überspringst. Nichts von einem Besucher, der das Tracking abgelehnt hat, fließt je in eine Zielgruppe fürs Bieten oder in einen Wert Upload. Messen, ja, im Rahmen dessen, was das Gesetz erlaubt. Personalisieren, nein.

Die rechtliche Grundlage ist eindeutig. Googles Richtlinie zur Einwilligung der Nutzer in der EU verlangt, dass du für Endnutzer im Europäischen Wirtschaftsraum, in Großbritannien und in der Schweiz eine Einwilligung für Cookies und ähnliche Speicherung einholst, wo das Gesetz sie verlangt, ebenso für "die Erhebung, Weitergabe und Nutzung von personenbezogenen Daten zur Personalisierung von Werbeanzeigen", dass du Aufzeichnungen darüber aufbewahrst und eine klare Anleitung zum Widerruf bereitstellst.¹⁸ Die Richtlinie zum Kundenabgleich erlaubt nur Daten, die du selbst, in einem First Party Kontext, erhoben hast, mit Einwilligung zur Weitergabe, wo das Gesetz sie verlangt.¹⁹ In Deutschland steht die Regel für das Speichern oder Auslesen von irgendetwas auf einem Endgerät in § 25 des Telekommunikation Digitale Dienste Datenschutz Gesetzes (TDDDG): erlaubt nur mit Einwilligung nach den Maßstäben der DSGVO, mit genau zwei Ausnahmen, der Übertragung einer Nachricht und dem, was für einen ausdrücklich gewünschten Dienst unbedingt erforderlich ist.²⁰ Für alles, was danach mit den Daten passiert, gilt die Datenschutz Grundverordnung (DSGVO): Die Einwilligung ist eine der Rechtsgrundlagen in Artikel 6 Absatz 1, und Artikel 7 verlangt, dass sie nachweisbar ist und der Widerruf so einfach sein muss wie die Erteilung.²¹

Google hat den Einwilligungsstatus in die Leitungen eingebaut. Jeder Conversion Upload und jeder Kundenabgleich Job trägt die Felder ad_user_data und ad_personalization. Ein Kundenabgleich Job, bei dem eines der beiden auf abgelehnt steht, wird rundweg zurückgewiesen. Für Nutzer im EWR ohne jeden Einwilligungswert behandelt Google den Datensatz als nicht eingewilligt und nutzt ihn nicht zur Personalisierung.⁶¹¹ Die Maschinerie setzt also einen Teil davon für dich durch, und für deutsche Nutzer greift sie strenger als anderswo. Alles setzt sie trotzdem nicht durch. Die Felder sagen nur, was dein Code hineinschreibt, und ein falsch gesetztes Feld ist dein Fehler, nicht Googles. Die Disziplin muss in deinem eigenen Code wohnen.

In meinen eigenen Setups ist diese Disziplin eine Umbenennungsregel. Das Event, das ein einwilligender Besucher auslöst, heißt, sagen wir, angebot_angefragt. Das Event, das ein ablehnender Besucher vom Server aus auslöst, von Kennungen befreit, heißt angebot_angefragt_anon, und es hängt an keiner Zielgruppe, an keiner Conversion Aktion fürs Bieten und an keinem Upload. Es zählt, damit ich weiß, wie viele Anfragen die Website erzeugt hat. Es personalisiert nie irgendetwas. Die zwei Namen machen es unmöglich, sechs Monate später aus Versehen das falsche Event in eine Kundenabgleich Liste zu verdrahten, und genau das ist der Unfall, der passiert, wenn beide Events denselben Namen tragen und sich nur in einem Flag unterscheiden. Die Verkabelung dazu steht in den Artikeln zu Event Tracking und Consent Mode und zu Server Side Tracking.

Ein Beispiel: Von Daniels 40 Leads pro Woche kommen neun von Besuchern, die abgelehnt haben. Für diese neun ist keine GCLID gespeichert und keine gehashte Mailadresse irgendwohin geschickt. Ayse macht ihnen ein Angebot wie allen anderen, und wenn einer davon Kunde wird, wird die Marge gebucht wie bei allen anderen. Der nächtliche Upload überspringt sie einfach. Daniels Bieten lernt aus 31 Leads pro Woche statt aus 40, das kostet etwas, und es ist der Preis dafür, es richtig zu machen. Andersherum kostet es mehr.

Wert heißt Marge, nie Umsatz

Der häufigste Fehler beim wertbasierten Bieten hat nichts mit der Technik zu tun. Es ist, den Umsatz zu schicken. Der Umsatz sagt dem Optimierer, dass eine Bestellung über 1.000 € bedruckte Banderolen mit 12 % Marge viermal so viel wert ist wie eine Bestellung über 250 € einfache Kartons mit 55 % Marge. In Euro, die im Unternehmen bleiben, sind die einfachen Kartons mehr wert. Schick den Umsatz, und die Maschine füllt dir brav das Auftragsbuch mit dem dünnen Zeug.

Der Wert, den ich für eine Bestellung schicke, ist die Marge auf dieser Bestellung, und dort, wo der Kunde wahrscheinlich wiederkommt, die Marge des ersten Auftrags plus die abgezinste Marge des Folgegeschäfts:

$$V_{\text{order}} = M_1 + M_{\text{repeat}} \times \frac{r}{1 + d - r}$$

Dabei ist $V_{\text{order}}$ der Wert, der für die Bestellung hochgeladen wird, $M_1$ die Bruttomarge auf dem ersten Auftrag (Umsatz abzüglich Wareneinsatz, Verpackung, Versand und Zahlungsgebühren), $M_{\text{repeat}}$ die Marge, die du von diesem Kunden in einem typischen späteren Jahr erwartest, $r$ der Anteil solcher Kunden, die ein Jahr später noch bestellen, und $d$ der Abzinsungssatz, der einen Euro im nächsten Jahr weniger wert macht als einen Euro heute. Der Bruch ist der Multiplikator für den Kundenwert über die Jahre, von Grund auf erklärt in Grundlagen: was ein Kunde über die Jahre wert ist, einschließlich des Abschnitts darüber, warum Umsatz statt Marge genau das ist, was schiefgeht.

Zwei Warnungen. Googles Hilfe zu Conversion Werten ist neutral dabei, was die Zahl darstellt, und beschreibt Werte pro Transaktion als aussagekräftiger als einen festen Wert pro Conversion.²² Nichts hindert dich daran, eine Gewinnzahl zu schicken, und Meta ist so weit gegangen, ein eigenes Gewinnfeld einzuführen.¹⁷ Die zweite Warnung: Ein Wert, der ein fester Prozentsatz des Umsatzes ist, bringt dem Optimierer nichts bei, weil die Rangfolge der Conversions unverändert bleibt. Meta sagt das wörtlich so.¹⁷ Der Wert hilft nur, wenn sich die Margen zwischen Produkten, Kunden oder Kanälen wirklich unterscheiden, was sie in jedem Shop und bei jedem Lieferanten, mit dem ich gearbeitet habe, tun.

Rechenbeispiel: was eine Bestellung für Ehrenfeld Verpackungen wert ist

Eine Bäckerei in Bonn bestellt 2.000 bedruckte Lebensmittelschalen. Umsatz 1.400 €. Wareneinsatz 910 €, Versand 45 €, Kartengebühren 25 €. Marge auf dem ersten Auftrag:

$$M_1 = 1.400 - 910 - 45 - 25 = 420$$

In dieser Gleichung ist $M_1$ die Marge des ersten Auftrags in Euro, und die vier Zahlen sind Umsatz, Wareneinsatz, Versand und Zahlungsgebühren in dieser Reihenfolge. Daniels CRM zeigt, dass Bäckereien, die bedruckte Schalen bestellen, etwa alle acht Wochen wiederkommen, jedes Mal ähnlich viel ausgeben und zu rund 60 % ein Jahr später noch bestellen. Ihre typische Marge in einem späteren Jahr $M_{\text{repeat}}$ sind grob sechs Aufträge zu 420 €, also 2.520 €. Mit $r = 0{,}6$ und einem Abzinsungssatz $d$ von 10 %:

$$V_{\text{order}} = 420 + 2.520 \times \frac{0{,}6}{1 + 0{,}1 - 0{,}6} = 420 + 2.520 \times 1{,}2 = 3.444$$

Jedes Symbol wie oben: $V_{\text{order}}$ der hochgeladene Wert, $M_1$ die Erstauftragsmarge von 420 €, $M_{\text{repeat}}$ die Marge im späteren Jahr von 2.520 €, $r$ die Bindung von 0,6 und $d$ der Abzinsungssatz von 0,1. Der Multiplikator ergibt 1,2, also lädt Daniel 3.444 € hoch, nicht 1.400 € Umsatz und nicht 420 € Erstauftragsmarge. Der Rechenweg steht in Grundlagen: was ein Kunde über die Jahre wert ist, und die Warnung davor, eine Bindungsquote aus 30 Kunden hochzurechnen, in Grundlagen: Stichproben.

Vergleich mit der Hochzeitsbestellung: 20 einfache Kartons, Umsatz 38 €, Marge 19 €, nie wieder gesehen. $V_{\text{order}} = 19$. Der Optimierer weiß jetzt, dass sich die beiden Bestellungen um den Faktor 180 unterscheiden, nicht um den Faktor 37, den der Umsatz nahegelegt hätte.

Ein Lead ist seine Wahrscheinlichkeit mal seine Marge wert

Daniel hat im Moment des Klicks keine Bestellungen. Er hat Leads, und ein Lead ist ein Vielleicht. Der Wert eines Vielleicht ist die Chance, dass es gut ausgeht, multipliziert mit dem, was es dann wert ist:

$$V_{\text{lead}} = p_{\text{win}} \times M$$

Dabei ist $V_{\text{lead}}$ der Wert, den du dem Lead an dem Tag gibst, an dem er eintrifft, $p_{\text{win}}$ die Wahrscheinlichkeit, dass diese Art von Lead ein zahlender Kunde wird, und $M$ die Marge, die du erwartest, sobald das passiert, berechnet genau wie $V_{\text{order}}$ oben. Das ist der Erwartungswert, die erste Idee in Grundlagen: der Erwartungswert, angewandt auf einen Lead statt auf eine Kampagne.

Woher kommt $p_{\text{win}}$? Nicht aus einem Modell, jedenfalls nicht am Anfang. Es kommt vom Zählen. Nimm jeden Lead des letzten Jahres, steck jeden nach den zwei oder drei Dingen, die du am ersten Tag über ihn wusstest, in einen Eimer, und teile die Kunden in jedem Eimer durch die Leads darin:

$$p_{\text{win} \mid \text{bucket}} = \frac{\text{Leads im Eimer, die Kunden wurden}}{\text{alle Leads im Eimer}}$$

In diesem Bruch ist $p_{\text{win} \mid \text{bucket}}$ die bedingte Wahrscheinlichkeit zu gewinnen, gegeben den Eimer, und die beiden Zählungen kommen aus deinem eigenen CRM. Es ist eine Rate, wie in Grundlagen: Quoten und Raten, und eine bedingte Wahrscheinlichkeit, wie in Grundlagen: Wahrscheinlichkeit. Du brauchst in jedem Eimer genug Leads, um der Rate zu trauen. Dreißig sind eine Untergrenze, kein Ruhekissen, und der Artikel darüber, wie viele Daten du wirklich brauchst, hat die Rechnung dazu. Ist ein Eimer dünn, leg ihn mit seinem Nachbarn zusammen.

Lade diesen Wert an dem Tag hoch, an dem der Lead eintrifft, als vorläufige Zahl, und noch einmal, wenn das Ergebnis feststeht, als Neubewertung gegen dieselbe order_id.⁷ Der vorläufige Wert lässt Smart Bidding diese Woche reagieren. Die Neubewertung hält es im nächsten Quartal ehrlich. Zu warten, bis Abschlüsse feststehen, klingt reiner, aber Daniels Verkaufszyklus dauert drei Wochen, und das Importfenster mancher Datenquellen sind 14 Tage, sodass der Klick zu alt sein kann, um ihm noch etwas gutzuschreiben, wenn die Wahrheit eintrifft.²³ Meta gibt denselben Rat: Halte nie ein Event zurück, weil du auf eine Zahl wartest, die du nicht in Echtzeit berechnen kannst.¹⁷

Rechenbeispiel: wie Daniel die vier Eimer von Leads bewertet

Daniel exportiert 600 Leads aus den letzten zwölf Monaten. Am ersten Tag wusste er drei Dinge über jeden: ob die Mailadresse eine Firmendomain oder eine Freemail Adresse war, die angefragte Menge, und ob das Unternehmen sich als Lebensmittelhersteller beschrieb. Er bildet vier Eimer und zählt.

Freemail Adresse, beliebige Menge: 210 Leads, 11 wurden Kunden. $p_{\text{win}} = 11 / 210 = 0{,}052$. Durchschnittliche Erstauftragsmarge 60 €, fast nie ein Folgeauftrag. $M = 60$. Also $V_{\text{lead}} = 0{,}052 \times 60 = 3{,}12$. Sagen wir 3 €.

Geschäftliche Mailadresse, unter 500 Stück: 180 Leads, 36 Kunden. $p_{\text{win}} = 0{,}20$. Durchschnittliches $M$ einschließlich Folgegeschäft 120 €. $V_{\text{lead}} = 0{,}20 \times 120 = 24$.

Geschäftliche Mailadresse, 500 bis 5.000 Stück: 150 Leads, 53 Kunden. $p_{\text{win}} = 0{,}353$. $M$ von 260 €. $V_{\text{lead}} = 0{,}353 \times 260 = 91{,}8$, sagen wir 92 €.

Geschäftliche Mailadresse, über 5.000 Stück oder ein Lebensmittelhersteller: 60 Leads, 27 Kunden. $p_{\text{win}} = 0{,}45$. $M$ von 600 €. $V_{\text{lead}} = 0{,}45 \times 600 = 270$.

Vier Eimer, vier Werte: 3 €, 24 €, 92 €, 270 €. Der letzte Eimer hat nur 60 Leads, also trägt seine Quote von 45 % einen Standardfehler von etwa sechs Prozentpunkten, womit Daniel leben kann. Er schreibt die vier Werte in eine kleine Tabelle in seinem CRM, das Angebotsformular trägt sie beim Eintreffen ein, und der nächtliche Job lädt jeden einwilligenden Lead mit seinem vorläufigen Wert hoch. Ziel CPA zu 50 € pro Lead geht, Conversion Wert maximieren mit einem Ziel ROAS kommt. Google will mindestens 15 Conversions in den letzten 30 Tagen, bevor Ziel ROAS in der Suche läuft, und rät, die Strategie erst ab 50 zu beurteilen, also nehmen Daniels rund 120 einwilligende Leads im Monat diese Hürde.¹²

Lagerbestand und Saison sind Multiplikatoren, keine neuen Werte

Marge und Lead Qualität sind Tatsachen über die Conversion. Lagerbestand und Saison sind Tatsachen über den Moment. Ich behandle sie als Multiplikatoren auf dem Wert statt als neue Werte, weil das die hochgeladene Zahl ehrlich und die Anpassung sichtbar hält:

$$V' = V \times k_{\text{stock}} \times k_{\text{audience}}$$

Dabei ist $V'$ der Wert, den Smart Bidding am Ende benutzt, $V$ der margenbasierte Wert aus den Abschnitten oben, $k_{\text{stock}}$ ein Faktor, der gegen null fällt, wenn die Reichweite des Bestands zur Neige geht, und $k_{\text{audience}}$ ein Multiplikator aus einer Conversion Wert Regel für eine Gruppe, von der du weißt, dass sie mehr oder weniger wert ist, etwa Bestandskunden. Ein Multiplikator von 1,2 ist ein Aufschlag von 20 % und ein Multiplikator von 0,5 ein Abschlag von 50 %, wie in Grundlagen: Prozent. Googles Wert Regeln sind genau das: ein Multiplikator auf den erfassten Wert nach Zielgruppe, Standort oder Gerät.⁹

Beim Lagerbestand ist die ehrliche Fassung oft binär. Wenn ein Produkt weniger als eine Woche Reichweite hat und die nächste Lieferung drei Wochen entfernt ist, ist ein Verkauf davon fast nichts wert, weil er zu einer Stornierung und einem enttäuschten Kunden wird. Das sauberste Signal ist, diese Produktgruppe zu pausieren oder ihr im Feed ein benutzerdefiniertes Label zu geben, damit die Kampagne sie ausschließt. Ein Script kann das stündlich aus der Bestandstabelle heraus tun.¹³ Eine weichere Fassung skaliert den Wert herunter, sodass ein halbvolles Lager noch bietet und ein fast leeres nur zaghaft.

Die Saison ist die eine Stelle, an der ich zu Googles eigenem Schalter greife statt zu meinen eigenen Daten, und nur für kurze, scharfe Ereignisse. Das Modell kennt Weihnachten und die Feiertage bereits. Saisonale Anpassungen sind für eine Aktion oder eine Messe von einem bis sieben Tagen, nicht für lange Zeiträume, und sie sind eine Aussage über die Conversion Rate, nicht über den Wert: "Erwarte für diese drei Tage eine um 40 % höhere Conversion Rate als normal."¹²

Ein Beispiel: Daniels Bestand an weißen Lebensmittelschalen wird jedes Jahr in der Woche vor Ostern knapp, wenn jede Bäckerei im Rheinland Osterzöpfe und Hefehasen backt. Sein Script prüft jeden Morgen die Reichweite. Unter sieben Tagen pausiert es die Produktgruppe Schalen und setzt den hochgeladenen Wert für jede Schalenbestellung auf null, bis die Lieferung da ist. Für die Lebensmittelmesse in Köln im Januar, auf der sein Stand Aufträge direkt vor Ort annimmt, plant er eine dreitägige Anpassung von plus 40 % auf die Conversion Rate und gibt den registrierten Messebesuchern, hochgeladen als Kundenabgleich Liste, eine Wert Regel von 1,2. Sonst ändert sich nichts.

Die Schleife, einmal pro Woche, in dieser Reihenfolge

Alles oben ist eine Einbahnstraße, solange nichts die Schleife schließt. Die Schleife ist der Teil, den die meisten Setups auslassen, und sie ist der Grund, warum die alte Fassung dieses Artikels falsch lag, als sie davon sprach, ein eigenes Gehirn fürs Bieten zu bauen. Das Gehirn gehört Google. Was du baust, ist das Nervensystem, das ihm sagt, was passiert ist.

Das Diagramm läuft vom Klick oben bis zur wöchentlichen Durchsicht unten. Jeder Kasten ist eine Übergabe, bis zum Upload in der Hand eines Systems, das du kontrollierst, danach in der Hand der Plattform. Die Entscheidung in der Mitte ist die Einwilligungsprüfung, und der Zweig "nein" ist die Umbenennungsregel in der Praxis: Der Lead wird gezählt und sonst nichts. Der unterste Kasten fließt zurück in den Kasten Wert Regel, und das macht aus dem Ganzen eine Schleife statt einer Pipeline.

Die wöchentliche Durchsicht dauert 30 Minuten und besteht aus vier Fragen. Hat jeder gewonnene Auftrag einen Wert hochgeladen bekommen, und jede Rückerstattung eine Neubewertung? Bewegt sich der letzte Woche hochgeladene Wert geteilt durch die Ausgaben der letzten Woche in die richtige Richtung? Ist ein Eimer abgedriftet, mit einer Gewinnquote zehn Punkte neben der Tabelle? Ist irgendetwas ausverkauft gewesen, das das Script hätte abfangen sollen? Einmal im Quartal zähle ich die Eimer von Grund auf neu, weil sich die Mischung der Leads ändert, sobald sich das Bieten ändert, und ein Lead Score auf der Mischung des letzten Jahres langsam veraltet.

Ein Beispiel: In Woche drei fällt Ayse auf, dass Lebensmittelhersteller, die unter 500 Stück anfragen, zu 38 % gewinnen, weit über den 20 %, die ihr Eimer trägt, weil kleine Hersteller vor einer großen Bestellung erst testen. Daniel teilt den Eimer, gibt der Hälfte mit den Lebensmittelherstellern einen Wert von 120 € und lädt die Änderung am Donnerstag hoch. Sonst wird nichts angefasst. Das ist die ganze Schleife, die ihre Arbeit tut.

Den Zuwachs mit Rechnung belegen, nicht mit einem Gefühl

Vorher gegen nachher ist der schwächste Beleg, den es gibt, weil sich immer auch etwas anderes geändert hat. Der ehrliche Weg, ein neues Wertschema zu prüfen, ist ein Test in Google Ads, der Traffic und Budget der Kampagne zwischen dem aktuellen Setup und der Versuchsvariante aufteilt, sodass beide in denselben Wochen gegen dieselbe Saison laufen.²⁴ Wo das nicht praktikabel ist, schlägt ein Vergleich vorher und nachher mit aufgeschriebener Rechnung immer noch ein Gefühl, und die Rechnung ist diese.

Der Zuwachs in dem Ergebnis, das dich interessiert, ist eine prozentuale Veränderung:

$$\text{uplift} = \frac{V_{\text{after}} - V_{\text{before}}}{V_{\text{before}}}$$

In diesem Bruch ist $V_{\text{after}}$ die wöchentliche Marge aus bezahlten Leads im Testzeitraum, $V_{\text{before}}$ dieselbe im Basiszeitraum, und das Ergebnis ist die anteilige Veränderung, wie in Grundlagen: Prozent.

Dann, weil es bei der ganzen Übung nie darum ging, weniger auszugeben, sondern darum, den nächsten Euro härter arbeiten zu lassen, der Grenzertrag:

$$\text{marginal return} = \frac{\Delta \text{margin}}{\Delta \text{spend}}$$

Dabei ist $\Delta \text{margin}$ die Veränderung der wöchentlichen Marge und $\Delta \text{spend}$ die Veränderung der wöchentlichen Ausgaben. Werden die Ausgaben konstant gehalten, ist der Nenner null, und die Kennzahl ist schlicht die Marge pro Euro in jedem Zeitraum. Warum Marge pro Euro und nicht die durchschnittlichen Kosten pro Lead, steht in Grundlagen: Grenzertrag und Durchschnitt.

Und schließlich, weil ein Sprung von zehn gewonnenen Aufträgen pro Woche auf elf leicht Rauschen sein kann, der z Test für zwei Anteile auf der Gewinnquote:

$$z = \frac{p_1 - p_2}{\sqrt{p(1-p)\left(\frac{1}{n_1} + \frac{1}{n_2}\right)}}$$

Dabei sind $p_1$ und $p_2$ die Gewinnquoten in den beiden Zeiträumen, $n_1$ und $n_2$ die Anzahl der Leads in jedem, und $p$ die gepoolte Gewinnquote, alle gewonnenen Kunden geteilt durch alle Leads. Ein $z$ über 1,96 heißt, dass der Unterschied in weniger als 5 % der Fälle durch Zufall entstünde. Der Test ist Schritt für Schritt erklärt in Grundlagen: Hypothesentests, und der Artikel zu statistischen Tests, Stichprobengröße und Lift geht weiter.

Rechenbeispiel: Ehrenfeld Verpackungen, sechs Wochen vorher und sechs Wochen nachher

Daniel hält die Ausgaben durchgehend bei 2.000 € pro Woche. Sechs Wochen Ziel CPA zu 50 €, dann sechs Wochen Conversion Wert maximieren mit den vier Eimerwerten. So sehen die Wochen aus.

Die waagerechte Achse ist die Woche, mit dem Wechsel nach Woche sechs. Die senkrechte Achse trägt drei Reihen auf einer Skala: Leads pro Woche, gewonnene Aufträge pro Woche und die Wochenmarge in Hundert Euro, damit sie auf dasselbe Diagramm passt. Die Erkenntnis ist die Form. Die Leads fallen um etwa ein Drittel, die gewonnenen Aufträge bewegen sich kaum, und die Marge verdoppelt sich beinahe, weil der Optimierer aufgehört hat, die 3 € Leads zu kaufen, und angefangen hat, mehr für die 270 € Leads zu zahlen.

Die Summen. Vorher: 240 Leads, 60 Kunden, durchschnittliche Erstauftragsmarge 180 €, also 10.800 € Marge über sechs Wochen, 1.800 € pro Woche, bei 12.000 € Ausgaben. Nachher: 168 Leads, 66 Kunden, durchschnittliche Erstauftragsmarge 310 €, also 20.460 € über sechs Wochen, 3.410 € pro Woche, bei denselben 12.000 €.

Der Zuwachs:

$$\text{uplift} = \frac{3.410 - 1.800}{1.800} = \frac{1.610}{1.800} = 0{,}894$$

Die Symbole wie oben definiert: $V_{\text{after}}$ sind 3.410 €, $V_{\text{before}}$ sind 1.800 €, und das Ergebnis ist ein Zuwachs der wöchentlichen Marge aus dem bezahlten Kanal um 89 %. Die Marge pro ausgegebenem Euro ging von $1.800 / 2.000 = 0{,}90$ auf $3.410 / 2.000 = 1{,}71$. Der Kanal, der auf Erstaufträgen 200 € pro Woche verlor, verdient darauf jetzt 1.410 € pro Woche, bevor ein einziger Folgeauftrag gezählt ist.

Ist die Veränderung der Gewinnquote echt? Vorher 60 von 240 Leads: $p_1 = 0{,}25$. Nachher 66 von 168: $p_2 = 0{,}393$. Gepoolt 126 von 408: $p = 0{,}309$.

$$z = \frac{0{,}393 - 0{,}25}{\sqrt{0{,}309 \times 0{,}691 \times \left(\frac{1}{240} + \frac{1}{168}\right)}} = \frac{0{,}143}{\sqrt{0{,}2135 \times 0{,}01012}} = \frac{0{,}143}{0{,}0465} = 3{,}07$$

Dabei sind $p_1$ und $p_2$ die beiden Gewinnquoten, $n_1 = 240$ und $n_2 = 168$ die Zahl der Leads, $p = 0{,}309$ die gepoolte Quote und $z$ die Teststatistik. Ein $z$ von 3,07 liegt weit jenseits von 1,96. Die Chance, dass eine Lücke dieser Größe allein aus Rauschen entsteht, liegt bei etwa zwei zu tausend. Die Veränderung darin, wer durch die Tür kam, ist echt, und die Marge pro Auftrag, wo das meiste Geld steckt, ist gar keine Frage der Stichprobe, sondern eine der Buchhaltung.

Was Daniel nicht behaupten darf, ist, dass die Umstellung die ganzen 89 % verursacht hat. Sechs Wochen Januar und Februar sind nicht sechs Wochen November und Dezember, und sein Konkurrent in Düsseldorf hat vielleicht sein Budget gekürzt. Deshalb läuft seine nächste Änderung am Wertschema als 50/50 Test, und deshalb gebe ich dir den Vergleich vorher und nachher mit genau diesem Vorbehalt.

Was ich an deiner Stelle tun würde

Wenn du eine Sache mitnimmst: Hör auf, dem Optimierer eine Anzahl oder eine Umsatzzahl zu schicken, und fang an, ihm eine Marge zu schicken. Alles andere ist Feinschliff.

Dann, der Reihe nach. Speichere die Klickkennung und den Einwilligungsstatus an jedem Lead und jeder Bestellung, und führe die Events der Ablehnenden unter einem anderen Namen, damit sie nie in eine Zielgruppe wandern können. Zähle die Gewinnquote in vier oder fünf Eimern aus einem Jahr CRM Historie, in einer Tabellenkalkulation, bevor irgendjemand das Wort Modell sagt. Lade an dem Tag, an dem ein Lead eintrifft, einen vorläufigen Wert hoch und bewerte ihn neu, wenn die Wahrheit feststeht. Wechsle auf eine Wertstrategie, sobald du Googles Mindestzahl an Conversions erreichst. Behandle Lagerbestand und Saison als Multiplikatoren. Geh die Schleife eine halbe Stunde pro Woche durch, zähle die Eimer jedes Quartal neu und prüfe die nächste Änderung als Test.

Nichts davon ist das Klügste, was du mit First Party Daten tun kannst. Modelle für den Kundenwert über die Jahre und Lookalike Audiences haben ihre eigenen Artikel. Es ist das, was sich zuerst auszahlt, weil es ändert, was die Maschine zu kaufen versucht. Nach meiner Erfahrung ist der Abstand zwischen einem Konto, das Smart Bidding benutzt, und einem, das Smart Bidding seine Margen füttert, die größte einzelne Verbesserung, die in den meisten Konten zu holen ist, und sie kostet einen nächtlichen Job und eine halbe Stunde pro Woche.

Footnotes

1. Google, Smart Bidding, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/7065882?hl=de

2. Google, Gebotsstrategie "Ziel ROAS", Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/6268637?hl=de

3. Google, Gebotsstrategie "Conversion Wert maximieren", Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/7684216?hl=de

4. Google, Offline Conversion Importe, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/2998031?hl=de

5. Google, Erweiterte Conversions, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/9888656?hl=de

6. Google, Import conversions from clicks with enhanced conversions for leads, Google Ads API documentation, Google for Developers, 2026, https://developers.google.com/google-ads/api/docs/conversions/upload-clicks

7. Google, Adjusting conversions, Google Ads API documentation, Google for Developers, 2026, https://developers.google.com/google-ads/api/docs/conversions/upload-adjustments

8. Google, Data Manager API, Google for Developers, 2026, https://developers.google.com/data-manager/api

9. Google, Conversion Wert Regeln, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/10518330?hl=de

10. Google, Kundenabgleich, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/6379332?hl=de

11. Google, Customer Match, get started, Google Ads API documentation, Google for Developers, 2026, https://developers.google.com/google-ads/api/docs/remarketing/audience-segments/customer-match/get-started

12. Google, Saisonale Anpassungen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/10369906?hl=de

13. Google, Google Ads scripts, get started, Google for Developers, 2026, https://developers.google.com/google-ads/scripts/docs/start

14. Meta, Conversions API, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/conversions-api

15. Meta, Integration guidance: value optimization, Meta for Developers, 2026, https://developers.facebook.com/documentation/ads-commerce/conversions-api/guides/value-optimization

16. Meta, Handling duplicate Pixel and Conversions API events, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/conversions-api/deduplicate-pixel-and-server-events

17. Meta, Value optimization for profit: overview, Meta for Developers, 2026, https://developers.facebook.com/documentation/ads-commerce/conversions-api/guides/value-optimization-for-profit/overview

18. Google, Richtlinie zur Einwilligung der Nutzer in der EU, Google, 2026, https://www.google.com/about/company/user-consent-policy/?hl=de

19. Google, Richtlinie zum Kundenabgleich, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/6299717?hl=de

20. Telekommunikation Digitale Dienste Datenschutz Gesetz (TDDDG), § 25 Schutz der Privatsphäre bei Endeinrichtungen, Bundesministerium der Justiz, gesetze im internet, https://www.gesetze-im-internet.de/ttdsg/__25.html

21. Verordnung (EU) 2016/679 (Datenschutz Grundverordnung), Artikel 6 Absatz 1 Buchstabe a und Artikel 7, EUR Lex, 2016, https://eur-lex.europa.eu/legal-content/DE/TXT/HTML/?uri=CELEX:32016R0679

22. Google, Conversion Werte, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/3419241?hl=de

23. Google, Offline Conversions mithilfe der GCLID (Google Click ID) einrichten, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/7012522?hl=de

24. Google, Benutzerdefinierten Test einrichten, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/6261395?hl=de