Optimierung von Google Ads und Search Ads 360 auf Basis produktspezifischer Margen

Umsatz alleine ist kein guter Indikator für Effektivität. Vor allem Onlinehändler mit großem Produktsortiment landen schnell in einem ‘Optimierungs-Dilemma’, wenn Marketingoptimierung ausschließlich anhand des Umsatzes betrieben und die Erwirtschaftung eines positiven Deckungsbeitrags einzelner Produkte nicht berücksichtigt wird.

Beworben werden Produkte meist über bezahlte Werbeanzeigen. Oft wird außer Acht gelassen, dass die Handelsmargen der verkauften Artikel je nach Branche, Saison und Preisdruck stark variieren können. So kommt es vor, dass trotz positiver Kosten-Umsatz-Relation (KUR) Produkte beworben werden, die am Ende sogar negative Deckungsbeiträge erwirtschaften. Die Optimierung produktspezifischer Margen ist somit ein entscheidender Faktor für ein gesundes und nachhaltiges Wachstum im Onlinehandel. Die in diesem Blogbeitrag dargestellte Lösung soll einen margenorientierten Ansatz zur Aussteuerung von Produktanzeigen über die Marketingkanäle Google Ads und Google Shopping aufzeigen.

1. Marge als Indikator für die Aussteuerung und Optimierung von Google Ads und Search Ads 360

Google Ads (Shopping, Search) ist neben Social Media-Kanälen einer der bedeutendsten Kanäle, um Kunden zu erreichen und Produkte zu verkaufen. In vielen Unternehmen wird deshalb der Großteil des digitalen Marketingbudgets für diesen Kanal bereitgestellt. Im Search Kanal werden Gebote, die Aussteuerung der Anzeigen und Inhalte hinsichtlich eines messbaren Ziels optimiert. In den meisten Fällen ist das vorrangig verwendete Optimierungsziel der Umsatz. Entsprechend werden Kampagnen, Anzeigengruppen und Keywords hinsichtlich ihrer Kosten-Umsatz-Relation (KUR) bewertet. Dabei wird vernachlässigt, dass produktspezifische Margen je nach Branche, Saison und Preisdruck stark variieren und trotz positiver KUR in Folge negative Deckungsbeiträge entstehen können. Die Optimierung der Anzeigensteuerung sollte daher nicht umsatzgetrieben, sondern margenorientiert stattfinden. Vorzugsweise Online-Shops mit sehr heterogenem Produktportoflio und großem Produktsortiment weisen variable Margen auf, was in der Marketingoptimierung Berücksichtigung finden sollte.

Für die Umsetzung einer margenorientierten Anzeigenoptimierung in Google Ads und Search Ads 360 existieren verschiedene Lösungsansätze, deren technische Umsetzung im folgenden Kapitel genauer dargestellt wird.

Die Marge, auch Deckungsbeitrag 2 (DB II) genannt, beschreibt die Differenz zwischen Deckungsbeitrag 1 und produktspezifischen Fixkosten. Der Deckungsbeitrag 1 (DB I) definiert die Differenz zwischen produktspezifischen Umsätzen und variablen Kosten.

2. Technische Umsetzung

Für die technische Umsetzung stehen je nach Ausgangslage verschiedene Lösungsansätze zur Verfügung. Im Folgenden werden drei Modelle für die Integration einer margenorientierten Anzeigenaussteuerung in Google Ads sowie Google Search Ads 360 vorgestellt.

2.1 Backend Push

① Bereitstellung der Daten

Über das Shop-Backend werden Product ID und deren produktspezifische Marge in den dataLayer des Frontends der Seite übertragen.

Bei der Bereitstellung der Margendaten sollte ein Verschlüsselungsverfahren gewählt werden, da Daten über das Frontend für jedermann einsehbar sind.

② + ③ Aufruf des Google Tag Managers (GTM) 

Der Google Tag Manager wird durch die Transaktion getriggert und überträgt mittels Google Ads Conversion Tag die Daten aus dem dataLayer an Google Ads und/oder Search Ads 360.

2.2 Data Warehouse (DWH)

① Durchführung der Transaktion

Bei Durchführung einer Transaktion erfasst der Google Tag Manager die Transaction ID mit zugehörigen
Informationen zu dem gekauften Produkt.

② Aufruf der Cloud Function

Zeitgleich wird eine Cloud Function ausgelöst, welche über ein Data Warehouse (z.B. BigQuery) die produktspezifische Marge mit zugehörigen Identifiern erhält und an den Google Tag Manager übergibt.

③ Übermittlung der Daten

Anschließend reichert der Google Tag Manager das Google Ads und/oder Search Ads 360 Conversion Tag für die Übermittlung der Daten an. Ggf. empfiehlt sich die Ausführung eines separaten Conversion Tags, welches lediglich die produktspezifische Marge als Conversion Value enthält. Dieses Vorgehen ermöglicht die Erstellung separater Optimierungsziele in den Tools.

2.3 Conversion Upload

① Export der Daten

Über ein Product Linking werden die Rohdaten zu Transaktionen mit entsprechenden Identifiern aus Google Ads und Search Ads 360 täglich exportiert und in einem BigQuery Table abgelegt.

Für den Zugriff auf die Google Ads-API zum Rohdatenexport wird ein sog. Developer-Token benötigt. Der Token lässt sich unter Tools & Settings > API-Center im Google Ads Manager Account beantragen.

② Export der Margendaten

Aus einem Data Warehouse wird die produktspezifische Marge einzelner Product IDs zusammen mit ihrer entsprechenden Transaction ID in ein separates BigQuery Table geladen.

③ Verknüpfung der Daten

Das zuvor separat angelegte BigQuery Table mit Rohdaten aus dem Data Warehouse wird anschließend mit den beiden BigQuery Tables zu Google Ads und Search Ads 360 Daten zusammengeführt.

④ Conversion Upload

Im Anschluss werden die Daten über eine Cloud Function per Conversion Upload an Google Ads und Search Ads 360 übermittelt.

3. Schlusswort

Um als Onlinehändler nicht in die vom Umsatz getriebene Wachstumsfalle zu geraten, empfiehlt es sich, eine Optimierung der Anzeigensteuerung auf produktspezifische Margen vorzunehmen. Die vorgestellten Lösungsansätze für Google Ads und Search Ads 360 sind dabei mit verhältnismäßig wenig Aufwand und Ressourcen verbunden und garantieren einen starken Hebel auf die bestehende Gewinnerzielung.

Onlinehändler mit großem Produktsortiment landen schnell in einem ‘Effektivitäts-Dilemma’, wenn die Marketingoptimierung ausschließlich anhand des Umsatzes betrieben wird, die Erwirtschaftung eines positiven Deckungsbeitrags einzelner Produkte jedoch zweitrangig ist. Trotz starkem Umsatzwachstum wird oft Geld verbrannt, da zu viele Produkte unbemerkt mit Verlust beworben und verkauft werden.

– Patrick Mohr

Dieser Beitrag steht Ihnen ebenfalls in hochwertiger Form eines Whitepapers als PDF zum Download zur Verfügung.

Zum Whitepaper