Wenn du heutzutage Shopping-Ads schalten möchtest, führt kein Weg mehr an Performance-Max-Kampagnen vorbei. In diesem Blog-Beitrag zeige ich dir einen Ansatz, wie du auf dynamische Art und Weise deine Produkte segmentieren kannst, um das meiste aus “PMax” herauszuholen.
1-Kampagnen- vs. Mehr-Kampagnen-Strategie
Angenommen, in deinem Online-Shop befinden sich 1.000 Produkte, die du bewerben möchtest. In der einfachsten Variante kannst du all diese SKUs in einer einzigen PMax-Kampagne zusammenfassen und den Google Algorithmus die Arbeit machen lassen. Besonders für kleinere Accounts ist diese Strategie nicht die Schlechteste. Der Vorteil der 1-Kampagnen-Strategie ist, dass sämtliche Conversion-Daten in einer Kampagne zusammenlaufen.
Kommen wir nun zum Nachteil dieser Strategie, nämlich der “Querfinanzierung”. Wenn du alle Produkte in einen Topf wirfst, ist klar, dass manche besser und manche schlechter performen werden. Mein Eindruck in der Praxis ist, dass dabei performance-starke Produkte in der Reichweite beschränkt werden, während performance-schwache Produkte zu sehr gepusht werden.
Alternativ kannst du bestimmte Produkte nach Performance gruppieren und die Kampagnen aufsplitten (= Mehr-Kampagnen-Strategie). Das wiederum bietet dir mehr Kontrolle, allerdings kann es sein, dass die einzelnen Kampagnen über zu wenige Conversion-Daten verfügen.
| 1-Kampagnen-Strategie | Mehr-Kampagnen-Strategie |
|---|---|
| ✅ mehr Conversion-Daten ❗️Querfinanzierung | ✅ mehr Kontrolle ❗️möglicherweise zu wenige Conversion-Daten |
Wenn du dich für eine Mehr-Kampagnen-Strategie entscheidest, stellt sich die Frage, wie du die Produktleistung zuverlässig vorhersagen kannst.
Produktleistung vorhersagen
In erster Linie musst du herausfinden, welche Produktattribute einen Einfluss auf die Leistung haben. In der Praxis sind oftmals folgende Dimensionen relevant:
- Price Competitiveness: Gibt an, wie das jeweilige Produkt im Vergleich zum Mitbewerb bepreist ist.
- Past Performance: Eine recht einfache, aber sehr wirkungsvolle Methode ist es, aus den Daten der letzten 30 Tage auf die zukünftige Performance zu schließen. Dazu gibt es diverse Scripts am Markt, die Produkte beispielsweise in “Heroes” (Top-Performer), “Villains” (viele Klicks aber wenig Umsatz) und “Zombies” (keine oder geringe Ausspielung) einteilen.
- Marge: Insofern verfügbar, ist auch die Einteilung der Produkte in verschiedene Margenklassen ein guter Indikator für die Produkt-Performance.
Je nach konkretem Use-Case kannst du noch weitere Dimensionen berücksichtigen, wie die Verfügbarkeit (“in stock” vs. “preorder”), das absolute Pricing von Produkten (teuer vs. günstig), ob Produkte “on sale” sind, den Produkttyp oder die Marke.
Um beim Beispiel mit den drei Dimensionen “Price Competitiveness”, “Past Performance” bzw. “Marge” zu bleiben: Wenn man davon ausgeht, dass jedes Attribut 3 verschiedene Ausprägungen haben kann, ergeben sich in Summe 3*3*3 = 27 verschiedene Kombinationen von Eigenschaften. Solltest du nun 27 verschiedene PMax-Kampagnen erstellen?
Nein, natürlich nicht, weil jede Kampagne auf diese Weise viel zu wenig Conversion-Daten erhalten würde. Aus diesem Grund gibt es den Ansatz des “Scorings”.
Scoring allgemein
Scoring bedeutet, dass du Produkte anhand ihrer Eigenschaften bewertest. Dazu gehst du prinzipiell folgendermaßen vor:
- Zuerst weist du jeder Ausprägung einer Dimension einen Wert zu. Bist du etwa der Meinung, dass Produkte mit hoher Marge besser performen als jene mit niedriger Marge, vergibst du einen höheren Wert.
- Anschließend gewichtest du jede Dimension. Beispielsweise könntest du das Attribut “Marge” stärker gewichten als “Price Competitiveness” oder umgekehrt.
- Schließlich multiplizierst du bei jedem Produkt für alle relevanten Dimensionen die Werte mit den entsprechenden Gewichtungen und summierst diese Beträge, um zu einem finalen Score zu gelangen.
Hier ein Beispiel – Zuerst die Konfiguration mit den Bewertungen & Gewichtungen:
| Dimension (inkl. Gewichtung) | Ausprägung 1 (inkl. Bewertung) | Ausprägung 2 (inkl. Bewertung) | Ausprägung 3 (inkl. Bewertung) |
|---|---|---|---|
| Marge (3) | Marge High (5) | Marge Medium (3) | Marge Low (1) |
| Price Competitiveness (2) | Unter Benchmark (5) | Über Benchmark (1) | Rest (3) |
| Past Performance (5) | Heroes (5) | Villains (1) | Rest (3) |
Sehen wir uns nun eine Berechnung für 2 konkrete Produkte an:
| Produkt | Marge | Price Competitiveness | Past Performance | Final Score |
|---|---|---|---|---|
| Produkt A | Marge High (3*5) | Über Benchmark (2*1) | Rest (5*3) | 15+2+15 = 32 |
| Produkt B | Marge Medium (3*3) | Rest (2*3) | Heroes (5*5) | 9+6+25 = 40 |
Schließlich legst du bestimmte Grenzen fest, ab wann ein Produkt einen hohen/mittleren/geringen Score aufweist und integrierst diese Information in deinen Shopping-Feed. Schon kannst du deine PMax-Kampagnen aufsplitten.
Bei allen Vorteilen, die dieser Ansatz mit sich bringt, ist die manuelle Herangehensweise recht fehleranfällig. Da du die Bewertungen und Gewichtungen selber festlegst, wirst du mit hoher Wahrscheinlichkeit daneben liegen. Außerdem ist das Scoring statisch, weshalb du die Rechnung in regelmäßigen Abständen aktualisieren musst.
Wir bei KlickImpuls haben uns daher eine dynamische Variante dieses Scorings überlegt, welche ich dir nun vorstellen möchte:
Scoring (dynamisch)
Anstatt Bewertungen und Gewichtungen manuell festzulegen, erledigt das für uns ein Script. Als Erstes wird für alle Kombinationen der ausgewählten Dimensionen die Performance (= Conversion-Wert/Klick) der letzten 30 Tage berechnet.
Nun erfolgt die “Magic”: Mithilfe von multipler linearer Regression werden die optimalen Koeffizienten berechnet. Dazu nutzen wir die Formel “RGP” (oder “LINEST” auf englisch) in Google Spreadsheets. Das Ergebnis sieht folgendermaßen aus:
Ein positives Vorzeichen bedeutet, dass das Attribut einen positiven Einfluss auf den Wert/Klick hat, wobei der Abstand zu 0 die Signifikanz darstellt. “y-intercept” ist die Basis, von dem aus der Score für jedes Produkt berechnet wird.
Betrachten wir nun erneut ein Beispiel mit den dynamischen Koeffizienten:
| Produkt | customLabel0 | customLabel1 | customLabel2 | Score |
|---|---|---|---|---|
| Produkt A | highprice | highmargin | hero | 0,431 + 0,158 + 0,007 + 0,107 = 0,703 |
| Produkt B | lowprice | mediummargin | villain | 0,431 + 0 – 0,126 – 0,019 = 0,286 |
Das Scoring findet für alle Produkte einmal täglich statt, wobei sich auch die Koeffizienten stets ändern. Ein Produkt kann also heute einen “High Score” haben, am nächsten Tag aber einen “Medium Score” oder gar einen “Low Score” aufweisen. Auf diese Weise werden die einzelnen Produkte automatisch zwischen den einzelnen Kampagnen hin- und hergeschoben.
Fazit
Wir verwenden dieses Feature nun schon einige Monate lang in unseren Accounts und die Ergebnisse können sich sehen lassen. Durch das Product Scoring können wir die PMax-Kampagnen sehr zuverlässig nach dem zu erwartenden Wert/Klick segmentieren.
Aber Achtung: Das bloße Aufsplitten der PMax-Kampagnen bringt noch keinen Performance-Uplift. Wichtig ist es, dieses Werkzeug richtig einzusetzen, um deinen Account – je nachdem, welche Zielsetzung du verfolgst – voranzubringen.
Mich würde interessieren, was du von dieser Art des Product Scorings hältst bzw. wie du deine Performance-Max-Kampagnen optimierst. Bei Fragen kontaktiere uns gerne per Formular oder schreibe mir direkt auf LinkedIn.
