Black Box Kampagnen: wie ich Performance Max und Advantage+ steuere, wenn ich nicht hineinsehen kann

Automatisierte Kampagnen tauschen Hebel gegen Eingaben

Ein Suchkonto war früher ein Cockpit: deine Keywords, deine Gebote, deine Placements. Performance Max bei Google und Advantage+ bei Meta haben dir die meisten dieser Hebel abgenommen. Du gibst ein Ziel, ein Budget, Creatives und ein paar Hinweise ab, und die Maschine entscheidet, wo, wann und wem sie etwas zeigt.

Genau das ist eine Black Box Kampagne: eine Kiste, in die du nicht hineinschauen kannst, deren Verhalten du von außen aber trotzdem formst. Bleibt die Frage, was ich noch steuere, was ich sehen kann, und ob die Maschine ihr Geld verdient oder sich Verkäufe gutschreibt, die ich ohnehin gemacht hätte.

Die kurze Antwort: Das Ziel, das du ihr gibst, der Feed, den du ihr gibst, und die wenigen harten Zäune drumherum sind deine echten Stellschrauben. Was die Kampagne wirklich beiträgt, zeigt dir nur ein Test mit einer Gruppe, die keine Anzeigen gesehen hat.

Rechenbeispiel: der Shop, der uns durch den Artikel begleitet

Plagwitz Röstwerk ist eine erfundene Kaffeerösterei in Leipzig, die online unter plagwitzroestwerk.example verkauft. Im Sortiment sind 48 sortenreine Kaffees und Mischungen für rund 11 € die Tüte, ein Kaffeeabo und sechs Mühlen zwischen 120 € und 240 €. Die Inhaberin heißt Katrin. Niemand davon ist echt, kein Kunde, jede Zahl ist ausgedacht, damit sich jeder Schritt zeigen lässt.

Katrin gibt im Monat 6.000 € für Performance Max aus und etwa 4.000 € für eine Advantage+ Sales Kampagne bei Meta. Beide Dashboards melden, dass es gut läuft. Sie würde gern wissen, ob das stimmt.

Was die alte Fassung dieses Artikels falsch hatte

Die erste Fassung entstand, als Performance Max fast alles verbarg. Seitdem hat sich viel getan, und manches war nie ganz richtig.

"Keine Berichte auf Keyword Ebene" ist überholt. Google hat inzwischen einen Bericht zu Suchbegriffen für Performance Max, mit Daten ab März 2023, und hat 2025 zusätzlich zu den älteren Statistiken zu Suchbegriffen vollständige Berichte zu Suchbegriffen eingeführt.¹²

"Keine Placement Ausschlüsse" ist überholt. Placement Ausschlüsse auf Kontoebene gelten für alle Kampagnen im Konto, Performance Max eingeschlossen.³

"Discovery Kampagnen mit manuellen Geboten" gibt es nicht mehr. Google hat Discovery Kampagnen auf Demand Gen umgestellt, die letzten automatisch zwischen Januar und März 2024.⁴

"Standard Shopping Kampagnen mit Keyword Priorisierung" war verworren. Standard Shopping kennt keine Keywords. Und die alte Regel, dass Performance Max eine Standard Shopping Kampagne für dieselben Produkte immer schlägt, gilt nicht mehr: Wo Kampagnen sich überschneiden, priorisiert Google heute die mit dem höchsten Anzeigenrang.⁵

Die Liste der Kanäle war zu kurz. Performance Max spielt aus einer einzigen Kampagne auf YouTube, im Displaynetzwerk, im Suchnetzwerk, in Discover, Gmail und Maps aus.⁶ Und bei Meta heißt das, was die alte Fassung Advantage+ Shopping Kampagne genannt hätte, heute Advantage+ Sales Kampagne. Dazu komme ich weiter unten.⁷

Das Ziel, das du setzt, ist dein stärkster Hebel

Eine Maschine optimiert genau das, was du ihr sagst. Performance Max bietet auf deine Conversion Zielvorhaben. Standardmäßig nutzt eine Kampagne die Zielvorhaben des Kontos, und du kannst sie pro Kampagne überschreiben. Google empfiehlt aber, wo es geht, bei den Standardzielvorhaben auf Kontoebene zu bleiben, damit die Kampagnen voneinander lernen.⁸ Jede Conversion trägt einen Wert, und mit einem Ziel ROAS jagt die Kampagne Wert, nicht Anzahl.

Der Wert ist also die Anweisung. Ist der Wert der Umsatz, sucht die Maschine Umsatz, und es ist ihr egal, ob dieser Umsatz 40 % Marge bringt oder 15 %.

Der Return on Ad Spend (ROAS), also der Ertrag pro Werbeeuro, ist ein Verhältnis:

$$\text{ROAS} = \frac{V}{S}$$

Dabei ist $\text{ROAS}$ der Return on Ad Spend, $V$ der Conversion Wert, den die Kampagne für einen Zeitraum meldet, und $S$ das, was die Kampagne im selben Zeitraum ausgegeben hat. Ein Wert von 1,0 heißt, jeder Euro kam genau einmal zurück. Eine Größe geteilt durch eine andere, wie in Grundlagen: Verhältnisse und Raten.

Rechenbeispiel: Umsatz sagt 4,5, Marge sagt 1,43

Im letzten Monat hat Katrins Performance Max Kampagne $S = 6.000$ ausgegeben und 27.000 € Umsatz gemeldet: 18.000 € aus Kaffee und 9.000 € aus Mühlen.

$$\text{ROAS}_{\text{Umsatz}} = \frac{27.000}{6.000} = 4{,}5$$

Dabei ist $V$ der Umsatz von 27.000 € und $S$ die Ausgabe von 6.000 €. Sieht glänzend aus.

Jetzt die Marge. Am Kaffee verdient Katrin nach Bohnen, Röstung, Verpackung und Versand etwa 40 %. An den Mühlen etwa 15 %, weil sie sie zukauft. Die Marge beträgt also $18.000 \times 0{,}40 = 7.200$ aus Kaffee und $9.000 \times 0{,}15 = 1.350$ aus Mühlen, zusammen 8.550 €.

$$\text{ROAS}_{\text{Marge}} = \frac{8.550}{6.000} = 1{,}43$$

Dabei ist $V$ jetzt die Marge von 8.550 € und $S$ weiterhin 6.000 €. Jeder Euro Werbung bringt 1,43 € Marge zurück, noch vor allen anderen Kosten des Shops. Immer noch positiv, aber ein Drittel des Umsatzes kam vom Produkt, an dem sie am wenigsten verdient. Für die Maschine sieht eine Mühle für 180 € einfach nach der besseren Conversion aus als eine Tüte Kaffee für 11 €.

Die Lösung: Schick die Marge als Conversion Wert, nicht den Umsatz. Wie die Leitungen dafür liegen, steht in automatisches Bieten mit eigenen Daten. Sobald der Wert die Marge ist, bevorzugt dieselbe Maschine den Kaffee, ohne dass du es ihr sagen musst.

Wertregeln und Neukundenziele justieren die Anweisung

Manchmal ist eine Conversion mehr wert als ihre heutige Marge. Für Katrin ist ein neuer Abonnent der naheliegende Fall, denn er bestellt monatelang nach.

Google gibt dir dafür zwei Werkzeuge. Conversion Wert Regeln passen den Wert einer Conversion nach Standort, Gerät oder Zielgruppe an, und Smart Bidding nutzt den angepassten Wert in Echtzeit für die Gebotsstrategien Ziel ROAS und Conversion Wert maximieren. Verfügbar sind sie unter anderem für Such, Shopping, Display und Performance Max Kampagnen.⁹ Mit den Zielvorhaben für den Kundenlebenszyklus bietet eine Kampagne für Neukunden höher als für Bestandskunden oder nur für Neukunden. Wer Bestandskunde ist, legst du über deine eigene Kundenliste und das Website Tag fest. Beide Varianten gibt es in Performance Max.¹⁰ In Deutschland braucht das Hochladen einer Kundenliste eine Rechtsgrundlage nach der DSGVO, und das Tag auf der Website in der Regel eine Einwilligung nach § 25 TDDDG, mehr dazu in Cookies, Consent und das ePrivacy Chaos.¹¹¹²

Setz beides behutsam ein. Smart Bidding berücksichtigt Standort, Gerät und eigene Zielgruppenlisten bereits, eine Regel, die das wiederholt, bläht nur die Zahlen auf.⁹

Ein Beispiel: Ein neuer Abonnent von Plagwitz Röstwerk bleibt im Schnitt sieben Monate und bringt nach der ersten Bestellung etwa 4,40 € Marge im Monat, also $7 \times 4{,}40 = 30{,}80$ an künftiger Marge. Das alles der Maschine zu übergeben wäre riskant, denn es ist ein Durchschnitt mit echter Unsicherheit, und die Kampagne bietet dann so, als brächte jeder Neukunde genau das. Das Beispiel nimmt deshalb Katrins eigene, vorsichtigere Schätzung: pauschal 10 € Aufschlag für einen Neukunden, etwa ein Drittel des Durchschnitts. Danach beobachtet sie sechs Wochen lang den Anteil der Neukunden in der eigenen Shopdatenbank, nicht im Dashboard.

Dein Produktfeed ist dein Targeting

Bei einem Shop übernimmt der Produktfeed im Google Merchant Center einen großen Teil der Arbeit, die früher Keywords erledigt haben. Performance Max sucht die Suchanfragen und Placements, die zu einem Produkt passen, auch anhand deiner Assets, Feeds und Landingpages.¹³ Ein schwammiger Titel ist eine schwammige Targeting Anweisung.

Googles Produktdatenspezifikation erlaubt Titel mit bis zu 150 Zeichen und verlangt, dass du das Produkt zutreffend beschreibst, passend zur Landingpage und ohne Werbetext.¹⁴ Dazu bekommst du fünf benutzerdefinierte Labels pro Produkt mit je bis zu 100 Zeichen, gedacht, um Gebote und Berichte zu organisieren.¹⁴ In die benutzerdefinierten Labels schreibe ich, was die Maschine nicht wissen kann: Margenklasse, Lagertiefe, saisonale Linien.

Dann nutze ich sie auch. Eine Asset Gruppe kann eine Eintragsgruppe tragen, also den Ausschnitt des Feeds, den sie bewirbt. Aus einem Margenlabel wird so eine Struktur: Produkte mit hoher Marge an einer Stelle, Produkte mit dünner Marge an einer anderen oder ganz außerhalb von Performance Max.

Rechenbeispiel: einen Titel neu schreiben und die Marge labeln

Katrins Bestseller hieß "Plagwitz Röstwerk Äthiopien", also der Name des Shops, nach dem Fremde nie suchen, und ein Land. Ihre neue Fassung lautet "Äthiopien Yirgacheffe Kaffee, ganze Bohne, helle Röstung, 250 g". Das sind 63 Zeichen, weit unter 150, und jedes Wort ist eins, das ein Käufer tippen könnte.

Dann die Labels. Sie setzt custom_label_0 für die 48 Kaffees und das Abo auf "margin_high" und für die sechs Mühlen auf "margin_low". Performance Max bekommt eine Asset Gruppe, deren Eintragsgruppe nur Produkte mit "margin_high" enthält. Die Mühlen wandern in eine Standard Shopping Kampagne mit eigenem, kleinerem Budget, und falls sich die beiden je in die Quere kommen, entscheidet der Anzeigenrang.⁵

Warum nicht eine Asset Gruppe pro Anbauland? Jede braucht ihre eigenen Conversions, bevor ihre Berichte etwas bedeuten, und bei Katrins Mengen sind eine oder zwei ehrlich. Die Rechnung dazu steht in dem Artikel zu Asset Gruppen in Performance Max.

Asset Gruppen und Zielgruppensignale lenken, sie zäunen nicht ein

Manche Einstellungen sind Regeln, an die sich die Maschine halten muss. Andere sind Hinweise, die sie ignorieren darf. Wer das eine vom anderen unterscheiden kann, spart am meisten Geld.

Zielgruppensignale sind Hinweise. Google schreibt ausdrücklich, dass Performance Max unter Umständen auch Anzeigen für relevante Zielgruppen ohne Berücksichtigung der Signale ausliefert, wenn die Conversion Wahrscheinlichkeit hoch ist.¹⁵ Suchthemen sind ebenfalls Hinweise: bis zu 50 pro Asset Gruppe, optional und ergänzend, mit derselben Priorität wie passende Wortgruppen und weitgehend passende Keywords.¹³

Was eine Asset Gruppe tatsächlich durchsetzt, ist ihr Inhalt: ihre Produkte, ihre Landingpages und ihre Texte. Der alte Rat, eine Asset Gruppe für "kalte Zielgruppen" und eine für "Remarketing" anzulegen, funktioniert deshalb nicht. Beide können jedem gezeigt werden.

Ein Beispiel: Katrin lädt ihre 2.400 Abonnenten als Zielgruppensignal hoch. Vier Wochen später erreichen ihre Anzeigen immer noch viele Menschen, die ihnen gar nicht ähneln, und das ist kein Fehler: Das Signal hat gesagt, wo die Suche anfangen soll, nie, wo sie bleiben muss. Um bestehende Abonnenten draußen zu halten, braucht sie das Neukundenziel von oben, und das ist eine Regel, kein Hinweis.

Die Zäune, die halten

Einige Einstellungen sind echte Zäune. Die setze ich, bevor ich eine Kampagne irgendetwas lernen lasse.

Budget und Standort sitzen auf der Kampagne und werden eingehalten. Markenausschlüsse halten Performance Max bei Suchen nach deiner Marke aus dem Such, Shopping und YouTube Suchinventar heraus, wobei du Shopping Anzeigen für diese Suchen weiter zulassen kannst.¹⁶ Auszuschließende Keywords funktionieren inzwischen in Performance Max, für eine Kampagne oder für das ganze Konto, aber nur im Such und Shopping Inventar, und auszuschließende Keywords auf Kontoebene greifen automatisch.¹⁷ Placement Ausschlüsse auf Kontoebene halten die Kampagne von Websites und Apps fern, auf denen du nicht stehen willst.³ Und eine Suchkampagne mit einem Keyword, das genau zur Suchanfrage passt, hat Vorrang vor Performance Max.⁵

Für ehrliche Zahlen zählt der Markenzaun am meisten. Wer deinen Shop schon kennt, sucht ihn beim Namen, und die meisten dieser Verkäufe wären ohnehin passiert. Sammelt Performance Max sie ein, sieht die Kampagne besser aus, als sie ist.

Rechenbeispiel: die Marke aus dem Ertrag herausrechnen

In Katrins Bericht zu Suchbegriffen für den letzten Monat stehen Suchen mit "plagwitz röstwerk", die 300 € gekostet und 2.100 € Marge gebracht haben. Raus damit aus dem Margen ROAS von oben:

$$\text{ROAS}_{\text{ohne Marke}} = \frac{V - V_{\text{Marke}}}{S - S_{\text{Marke}}} = \frac{8.550 - 2.100}{6.000 - 300} = \frac{6.450}{5.700} = 1{,}13$$

Dabei ist $V$ die Marge der Kampagne von 8.550 €, $V_{\text{Marke}}$ die 2.100 € aus Markensuchen, $S$ die Ausgabe von 6.000 € und $S_{\text{Marke}}$ die 300 €, die für Markensuchen ausgegeben wurden. Ein Verhältnis zweier Differenzen, wie in Grundlagen: Verhältnisse und Raten.

Ohne den eigenen Namen bringt jeder Euro 1,13 € Marge. Katrin legt für Performance Max einen Markenausschluss an und eine kleine Suchkampagne mit "plagwitz röstwerk" als genau passendem Keyword. Wo sie schon in den Suchbegriffen steckt, ergänzt sie zwei auszuschließende Keywords für Suchen, die nie kaufen: "barista job" und "kaffeemaschine reparatur".

Was du jetzt siehst, und was du immer noch nicht siehst

Die Berichte sind viel besser als früher. Seit 2025 hat Google Berichte zu Suchbegriffen, Impressionen, Klicks und Kosten pro Asset und eine Seite zur Kanalleistung ergänzt.¹ Der Bericht zur Kanalleistung zeigt die Ergebnisse pro Kanal für jeden Zeitraum nach dem 6. Juni 2025.¹⁸

Was du weiterhin nicht kannst: das Geld zwischen den Kanälen verschieben. Google sagt es direkt, du kannst die Budgetzuweisung pro Kanal nicht direkt steuern, nur beeinflussen, über die Assets, die du lieferst, die Signale, die Conversion Werte und die Ausschlüsse.¹⁸ Du siehst auch nicht, warum die Maschine die eine Auktion der anderen vorgezogen hat, oder was sie mit einem anderen Budget getan hätte. Diese Antworten bleiben in der Kiste.

Rechenbeispiel: wohin Katrins Geld ging

Katrin öffnet den Bericht zur Kanalleistung für den letzten Monat.

Die waagerechte Achse zeigt die Kanäle, auf denen die Kampagne ausgespielt hat. Die senkrechte Achse zeigt, was jeder Kanal im letzten Monat gekostet hat, in Euro, zusammen 6.000 €. Die Suche bekam 60 % des Geldes. YouTube und Display kamen zusammen auf 29 %, und laut Bericht brachten sie wenige Conversions nach einem Klick, was nicht dasselbe ist wie gar keine.

Hier endet, was Berichte können. Sie sagen Katrin, wohin das Geld ging, nicht, ob die YouTube Aufrufe Menschen später nach ihr suchen ließen, oder ob die Klicks in der Suche von Leuten kamen, die sowieso gekauft hätten. Das sind Fragen nach der Ursache.

Advantage+ bei Meta folgt derselben Logik, mit weniger Zäunen

Metas Automatisierung beruht auf demselben Handel. Was früher die Advantage+ Shopping Kampagne war, ist heute die Advantage+ Sales Kampagne. Meta nennt die neuen Kampagnen in seiner Dokumentation "the updated, streamlined versions", also die aktualisierten, verschlankten Versionen der alten.⁷ Seit dem 29. Mai 2025 wählen Werbetreibende nicht mehr zwischen einer Advantage+ Shopping Kampagne und einer manuellen: Eine Sales Kampagne ist im Advantage+ Zustand, wenn sie Advantage+ Zielgruppe, Advantage+ Kampagnenbudget und Advantage+ Platzierungen nutzt.¹⁹⁷ Den alten Kampagnentyp kannst du über Metas API ab Version 25.0 nicht mehr anlegen.⁷

Mit der Umbenennung ist eine Einstellung verschwunden. Die Budgetgrenze für Bestandskunden, die begrenzt hat, wie viel eine Advantage+ Shopping Kampagne für Leute ausgibt, die schon bei dir gekauft haben, gibt es für neue Advantage+ Kampagnen nicht mehr. Metas vorgeschlagener Ersatz sind zwei Anzeigengruppen in der Kampagne.⁷¹⁹

Die Hebel sind dieselbe Familie wie bei Google: das Conversion Ereignis und sein Wert, der Katalog, die Creatives und der Standort. Die Zäune sind weniger, weil Platzierungen und der Großteil des Targetings abgegeben werden.

Ein Beispiel: Katrin baut ihre Meta Kampagne mit zwei Anzeigengruppen neu auf, eine für eine Custom Audience aus ihren bestehenden Abonnenten und eine für alle anderen. Nach einem Monat hat die Anzeigengruppe für Bestandskunden 1.100 € der 4.000 € ausgegeben, also $1.100 / 4.000 = 27{,}5\,\%$ ihres Meta Budgets für Leute, die schon bei ihr kaufen. Genau diese Zahl hat die alte Grenze gedrückt, und jetzt sieht sie sie wenigstens.

Der ROAS der Plattform beweist nicht, dass die Anzeigen gewirkt haben

Eine Plattform zählt eine Conversion, wenn jemand, der eine Anzeige gesehen oder angeklickt hat, später kauft. Ob er auch ohne die Anzeige gekauft hätte, fragt sie nicht. Ein Abonnent, der jeden Monat nachbestellt, hätte das sehr oft.

Was du willst, ist die inkrementelle Wirkung: die Verkäufe, die wegen der Anzeigen passiert sind und ohne sie nicht passiert wären. Das ist keine Nischensorge. Gordon und Kollegen haben gängige beobachtende Messmethoden mit 15 großen randomisierten Experimenten bei Facebook verglichen und festgestellt, dass "the observational methods often fail to produce the same effects as the randomized experiments", die beobachtenden Methoden also oft nicht dieselben Effekte liefern wie die Experimente, selbst mit umfangreichen Daten über die Nutzer.²⁰ Die größere Frage nach Ursache und Korrelation steht in kausale Inferenz im Marketing.

Sauber siehst du die inkrementelle Wirkung nur, wenn du eine Gruppe von den Anzeigen fernhältst und vergleichst. Google nennt das Conversion Steigerung (Conversion Lift) und meldet zusätzliche Conversions und den zusätzlichen ROAS, allerdings nicht in jedem Konto.²¹ Meta bietet dieselbe Art randomisierten Tests. Drei Formeln tragen die ganze Idee.

Der Lift ist der relative Unterschied zwischen den Gruppen:

$$\text{lift} = \frac{r_t - r_c}{r_c} \times 100$$

Dabei ist $r_t$ die Conversion Rate der Testgruppe, also der Leute, die die Anzeigen sehen konnten, und $r_c$ die Conversion Rate der Kontrollgruppe, also der Leute, die außen vor blieben. Das Ergebnis ist eine prozentuale Veränderung, wie in Grundlagen: Prozente.

Die zusätzlichen Conversions sind das, was der Unterschied der Raten über die ganze Testgruppe ergibt:

$$\Delta C = n_t \times (r_t - r_c)$$

Dabei ist $\Delta C$ die Zahl der Conversions, die die Anzeigen verursacht haben, $n_t$ die Zahl der Menschen in der Testgruppe und $r_t - r_c$ die zusätzliche Conversion Rate, die die Anzeigen erzeugt haben. Eine Rate, angewendet auf eine Anzahl, wie in Grundlagen: Verhältnisse und Raten.

Und der inkrementelle Ertrag teilt den Wert dieser Conversions durch die Ausgabe:

$$\text{iROAS} = \frac{\Delta C \times m}{S}$$

Dabei ist $\text{iROAS}$ der inkrementelle Return on Ad Spend, $m$ die durchschnittliche Marge pro Conversion und $S$ die Ausgabe für die Testgruppe. Google definiert seinen iROAS genauso, zusätzlicher Conversion Wert geteilt durch die Ausgaben.²¹ Beides sind Verhältnisse, wie in Grundlagen: Verhältnisse und Raten.

Rechenbeispiel: eine Holdout Gruppe in Katrins Meta Kampagne

Katrin lässt einen Lift Test über sechs Wochen auf ihrer Meta Kampagne laufen, mit einer Holdout Gruppe von 10 %, also einem zurückgehaltenen Teil der Zielgruppe. Von 1.000.000 Menschen in ihrer Zielgruppe konnten $n_t = 900.000$ ihre Anzeigen sehen und 100.000 nicht.

Die Testgruppe hat 2.250 Käufe getätigt, also $r_t = 2.250 / 900.000 = 0{,}25\,\%$. Die Holdout Gruppe kam auf 200, also $r_c = 200 / 100.000 = 0{,}20\,\%$.

$$\text{lift} = \frac{0{,}25 - 0{,}20}{0{,}20} \times 100 = 25\,\%$$

Dabei ist $r_t$ gleich 0,25 % und $r_c$ gleich 0,20 %, die Anzeigen haben die Kaufrate also um ein Viertel gehoben, eine relative Veränderung wie in Grundlagen: Prozente. In absoluten Zahlen:

$$\Delta C = 900.000 \times (0{,}0025 - 0{,}0020) = 900.000 \times 0{,}0005 = 450$$

Also sind 450 Käufe wegen der Anzeigen passiert. Der Werbeanzeigenmanager hatte der Kampagne in denselben sechs Wochen 1.100 Käufe zugeschrieben. Nur $450 / 1.100 = 41\,\%$ dessen, was das Dashboard beansprucht hat, haben die Anzeigen tatsächlich verursacht.

Mit einer durchschnittlichen Marge von $m = 18$ pro Kauf und einer Ausgabe von $S = 5.600$ über sechs Wochen:

$$\text{iROAS} = \frac{450 \times 18}{5.600} = \frac{8.100}{5.600} = 1{,}45$$

Die Sicht des Dashboards, $1.100 \times 18 / 5.600 = 19.800 / 5.600 = 3{,}54$, war mehr als doppelt so rosig. Aber 1,45 liegt immer noch über 1,0. Die Kampagne trägt sich über die Marge. Katrin behält sie und weiß jetzt, wie sehr.

Rechenbeispiel: echter Unterschied oder Rauschen

Ein Lift von 0,20 % auf 0,25 % könnte Zufall sein. Der z Test für zwei Anteile sagt uns, wie überraschend die Lücke wäre, wenn die Anzeigen gar nichts bewirken:

$$z = \frac{r_t - r_c}{\sqrt{p(1-p)\left(\frac{1}{n_t} + \frac{1}{n_c}\right)}}$$

Dabei ist $z$ die Teststatistik, $r_t$ und $r_c$ sind die beiden Conversion Raten, $n_t$ und $n_c$ die Größen der Test und der Kontrollgruppe, und $p$ ist die gepoolte Conversion Rate beider Gruppen zusammen. Die Methode mit ihrem p Wert steht in Grundlagen: Hypothesentests.

Die gepoolte Rate ist $p = (2.250 + 200) / 1.000.000 = 0{,}00245$. Die Klammer ergibt $1 / 900.000 + 1 / 100.000 = 0{,}00000111 + 0{,}00001 = 0{,}0000111$. Unter der Wurzel steht damit $0{,}00245 \times 0{,}99755 \times 0{,}0000111 = 0{,}0000000272$, und die Wurzel daraus ist $0{,}000165$. Also $z = 0{,}0005 / 0{,}000165 = 3{,}03$.

Ein z von 3,03 hat einen zweiseitigen p Wert von etwa $0{,}002$. Hätten die Anzeigen nichts bewirkt, käme eine so große Lücke in etwa zwei von tausend Tests vor. Katrin kann dem Lift trauen. Mit einem Zehntel der Zielgruppe hätte sie das nicht gekonnt: In wie viele Daten du wirklich brauchst stehen die Rechnungen, mit denen du das vor dem Start planst.

Geo Experimente testen, was eine Holdout Gruppe nicht kann

Eine Holdout Gruppe aus Nutzern setzt voraus, dass die Plattform einzelne Menschen von den Anzeigen fernhält. Wo das nicht geht, oder wo du Performance Max als Ganzes über alle Kanäle testen willst, hältst du stattdessen Orte zurück.

In einem Geo Experiment werden Regionen, die sich nicht überschneiden, einer Test oder einer Kontrollbedingung zugeordnet, und die Anzeigen werden je nach Region an oder abgeschaltet.²² Google bietet das als Conversion Steigerung basierend auf Geografie an, für Kampagnen einschließlich Performance Max, die auf ein einzelnes Land ausgerichtet sind. Vor dem Start bewertet Google die Machbarkeit jeder Studie und rät davon ab, eine mit niedrigem Machbarkeitsstatus laufen zu lassen.²³ Daneben gibt es Tests für Performance Max Kampagnen, darunter Tests zur Leistungssteigerung, die messen, was Performance Max zusätzlich zu deinen anderen Kampagnen bringt.²⁴

Eine einfache Version kannst du selbst bauen. Teil das Land in zwei Gruppen ähnlicher Regionen. Miss vor dem Test, wie sich die Bestellungen der beiden Gruppen zueinander verhalten. Schalte während des Tests die Kampagne nur in einer Gruppe ab. Die andere zeigt dir, was die erste mit laufenden Anzeigen getan hätte:

$$\hat{Y}_{T} = Y_{C}^{\text{during}} \times \frac{Y_{T}^{\text{before}}}{Y_{C}^{\text{before}}}$$

Dabei ist $\hat{Y}_{T}$ die vorhergesagte Zahl der Bestellungen in den Testregionen, wäre nichts verändert worden, $Y_{C}^{\text{during}}$ die tatsächlichen Bestellungen in den Kontrollregionen während des Tests, und $Y_{T}^{\text{before}}$ und $Y_{C}^{\text{before}}$ sind die Bestellungen in den Test und den Kontrollregionen über denselben Zeitraum davor. Der Bruch ist das Verhältnis der beiden Gruppen zueinander, wie in Grundlagen: Verhältnisse und Raten.

Rechenbeispiel: Performance Max in der Hälfte Deutschlands abschalten

Katrin sortiert die deutschen Regionen in zwei Gruppen mit ähnlich vielen Bestellungen und einer ähnlichen Mischung aus Großstädten und kleineren Orten. In den sechs Wochen vor dem Test hatte die Testgruppe $Y_{T}^{\text{before}} = 4.000$ Bestellungen und die Kontrollgruppe $Y_{C}^{\text{before}} = 4.400$.

Sie schaltet Performance Max in der Testgruppe für sechs Wochen ab. Die Kontrollgruppe, in der die Kampagne weiterläuft, kommt auf $Y_{C}^{\text{during}} = 3.300$ Bestellungen.

$$\hat{Y}_{T} = 3.300 \times \frac{4.000}{4.400} = 3.300 \times 0{,}909 = 3.000$$

Mit laufendem Performance Max hätte die Testgruppe also etwa 3.000 Bestellungen gehabt. Tatsächlich waren es 2.700. Die Kampagne hat in diesen Regionen über sechs Wochen also etwa $3.000 - 2.700 = 300$ Bestellungen verursacht, während das Dashboard ihr dort in den sechs Wochen davor 620 gutgeschrieben hatte.

Das Abschalten hat in den Testregionen 4.200 € Ausgaben gespart. Bei 20 € Marge pro Bestellung waren die 300 verlorenen Bestellungen $300 \times 20 = 6.000$ wert:

$$\text{iROAS} = \frac{6.000}{4.200} = 1{,}43$$

Dabei ist $\Delta C \times m$ gleich 6.000 € und $S$ gleich 4.200 €, ein Verhältnis wie in Grundlagen: Verhältnisse und Raten. Performance Max bringt echte Marge, etwas weniger als die Hälfte dessen, was es für sich beansprucht. Zwei Vorbehalte. Ein selbst gebauter Geo Test rauscht stärker als eine Holdout Gruppe aus Nutzern, deshalb würde ich ihn wiederholen oder Googles eigene Geo Studie anfragen, bevor ich auf ein einziges Ergebnis hin ein Budget kürze. Und die Regionen müssen vor dem Test zugeordnet werden, nie im Nachhinein ausgesucht.

Die waagerechte Achse zeigt die beiden Kampagnen, die Katrin getestet hat, jede mit zwei Balken: was die Plattform sich selbst gutgeschrieben hat und was die Holdout Gruppe oder der Geo Test als tatsächlich verursacht gezeigt hat. Die senkrechte Achse zeigt die Käufe über sechs Wochen. Auf beiden Plattformen liegt die gemessene Wirkung deutlich unter der Hälfte des Anspruchs und ist ihr Geld trotzdem wert. Die Lücke ist der Teil des Dashboards, auf den du nie ein Budget bauen solltest.

Teste dort, wo die Antwort ein Budget verändern würde

Lift Tests kosten die Verkäufe, die dir in der Holdout Gruppe entgehen, und Wochen Geduld. Sinnvoll testest du deshalb dort, wo die Antwort ein Budget verändern würde.

Der Ablauf führt oben von der Einrichtung bis unten zur Budgetentscheidung. Seine drei Schwellen sind Startannahmen für das Beispiel, keine Regeln der Plattformen, und jede hat einen Grund. Ein Fünftel des Werbebudgets, weil ein Test verlorene Verkäufe und Wochen Geduld kostet, und unterhalb dieses Anteils ändert die Antwort selten eine Entscheidung, die diese Kosten wert ist. Etwa 10 % zurückgehalten, weil die Holdout Gruppe groß genug sein muss, damit der Test Aussagekraft hat: Mit einer kleineren Kontrollgruppe geht ein echter Lift im Rauschen unter, wie Grundlagen: Stichprobengröße zeigt. Mindestens vier Wochen, um mehrere volle Wochenzyklen des Kaufens abzudecken und die Verzögerung zwischen einer Anzeige und der Bestellung, zu der sie führt. Google nennt hier kein festes Minimum. Seine Geo Studie bewertet stattdessen vor dem Start die Machbarkeit, abhängig unter anderem von Budget, Zeitraum und den einbezogenen Kampagnen, und rät von einem Test mit niedrigem Status ab.²³ Wo eine Plattform dir eine solche Einschätzung gibt, schlägt sie jede Faustregel. Die Einrichtung kommt zuerst, weil ein Test einer Kampagne mit Umsatz als Wert und deinen Markensuchen darin sehr genau das Falsche misst.

Ein Beispiel: Katrins Performance Max bekommt 6.000 € ihres Werbebudgets von 10.000 €, also 60 %, Meta 40 %. Beide liegen über einem Fünftel, also haben beide die Tests von oben bekommen. Ihre Suchkampagne für die Marke mit 300 € nicht.

Wo Code noch seinen Platz hat

Die alte Fassung dieses Artikels hat viel Aufhebens um Python und die Google Ads API gemacht. Ich nutze beides noch, aber für die Leitungen: jede Nacht Marge und Lagerbestand in die benutzerdefinierten Labels schreiben, die echte Marge als Conversion Wert zurückschicken und Suchbegriffe in meine eigene Datenbank ziehen, damit die Historie die der Plattform überdauert. Wie ich das zusammenbaue, steht in einem gemeinsamen Stack für die Kampagnenautomatisierung. Was ich nicht mehr empfehle: Hunderte Kampagnen oder Asset Gruppen über die API zu erzeugen. Jede Aufteilung verdünnt die Conversions, aus denen jeder Teil lernt.

Ein Beispiel: Katrins nächtlicher Job setzt custom_label_1 auf "stock_low", sobald ein Kaffee unter 20 Tüten fällt, und ihre Eintragsgruppe schließt "stock_low" aus. Die Kampagne hört auf, Geld für einen Kaffee auszugeben, der ihr gleich ausgeht, und nichts musste neu gebaut werden.

Was ich am Montag einrichten würde

Der Reihe nach: Marge als Conversion Wert. Feedtitel für den Käufer geschrieben, Marge und Lagerbestand in benutzerdefinierten Labels. Wenige Asset Gruppen, Signale und Suchthemen als Hinweise behandelt. Die Zäune: ein Markenausschluss mit einer Markensuche auf genau passendem Keyword, auszuschließende Keywords, Placement Ausschlüsse. Die Berichte lesen, bevor sich irgendetwas ändert. Bei Meta die Bestandskunden in eine eigene Anzeigengruppe. Und dann, für jede Kampagne mit einem echten Anteil am Budget, eine Holdout Gruppe oder ein Geo Experiment und ein Budget, das sich am inkrementellen Ertrag ausrichtet.

Die Maschine ist gut darin, Käufer zu finden. Weniger gut ist sie darin, dir zu sagen, welche davon sie wirklich gefunden hat. Diese zweite Aufgabe bleibt deine.

Footnotes

1. Tal Akabas, Channel performance and more reporting coming to Performance Max, Google, The Keyword, 30. April 2025, https://blog.google/products/ads-commerce/channel-performance-reporting-coming-to-performance-max/

2. Google, Bericht zu Suchbegriffen in Performance Max Kampagnen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/16327396?hl=de

3. Google, Placements auf Kontoebene ausschließen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/7331110?hl=de

4. Google, Jetzt Discovery Anzeigen auf Demand Gen umstellen, Google Ads Hilfe, 2023, https://support.google.com/google-ads/answer/13859703?hl=de

5. Google, Interaktionen zwischen Performance Max Kampagnen und anderen Kampagnen in Ihrem Konto, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/13810170?hl=de

6. Google, Performance Max Kampagnen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/10724817?hl=de

7. Meta, Advantage+ campaign experience for sales, app and leads, Marketing API documentation, Meta for Developers, 2026, https://developers.facebook.com/docs/marketing-api/advantage-campaigns

8. Google, Kampagnenspezifische Conversion Zielvorhaben, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/9143218?hl=de

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

10. Google, Zielvorhaben für den Kundenlebenszyklus, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/12080169?hl=de

11. Verordnung (EU) 2016/679 (Datenschutz Grundverordnung, DSGVO), Artikel 6 Rechtmäßigkeit der Verarbeitung, Amtsblatt der Europäischen Union, EUR Lex, 2016, https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32016R0679

12. 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

13. Google, Suchthemen in Performance Max Kampagnen verwenden, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/14767319?hl=de

14. Google, Produktdatenspezifikation, Google Merchant Center Hilfe, 2026, https://support.google.com/merchants/answer/7052112?hl=de

15. Google, Zielgruppensignale für Performance Max Kampagnen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/14530785?hl=de

16. Google, Markenausschlüsse auf Performance Max oder Suchkampagnen anwenden, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/14505308?hl=de

17. Google, Auszuschließende Keywords in Performance Max Kampagnen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/15726455?hl=de

18. Google, Bericht zur Kanalleistung, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/16260130?hl=de

19. Meta, Advantage+ campaign experience for sales and app, Meta for Developers blog, 3. Juni 2025, https://developers.facebook.com/blog/post/2025/06/03/advantage-plus-campaign-experience-for-sales-and-app/

20. Brett R. Gordon, Florian Zettelmeyer, Neha Bhargava und Dan Chapsky, A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook, Marketing Science 38(2), 2019, https://econpapers.repec.org/RePEc:inm:ormksc:v:38:y:2019:i:2:p:193-225

21. Google, Conversion Steigerung, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/12003020?hl=de

22. Jon Vaver und Jim Koehler, Measuring Ad Effectiveness Using Geo Experiments, Google Research, 2011, https://research.google/pubs/measuring-ad-effectiveness-using-geo-experiments/

23. Google, Conversion Steigerung basierend auf Geografie einrichten, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/14097193?hl=de

24. Google, Tests für Performance Max Kampagnen, Google Ads Hilfe, 2026, https://support.google.com/google-ads/answer/12997711?hl=de