Bidding-Automatisierung

Definition: Bidding-Automatisierung bezeichnet den KI-gestützten Prozess, bei dem Gebotspreise für digitale Werbeanzeigen automatisch und in Echtzeit — d.h. bei jeder einzelnen Auktion — auf Basis von Machine-Learning-Modellen angepasst werden, um vordefinierte Ziele wie einen Ziel-CPA (Cost per Acquisition), einen Ziel-ROAS (Return on Ad Spend), maximales Klickvolumen oder maximale Conversion-Anzahl zu erreichen. Plattformen wie Google Ads (Mountain View, gegründet 2000), Meta Ads (Menlo Park, gegründet 2004) und Microsoft Advertising (Redmond, gegründet 2006) bieten umfangreiche automatisierte Gebotsstrategien (Smart Bidding), die Hunderte von Signalen gleichzeitig berücksichtigen — eine Komplexität, die manuelles Gebotsmanagement strukturell nicht abbilden kann.

Erläuterung

Die Geschichte der Bidding-Automatisierung beginnt mit dem Aufstieg der Keyword-Auktionen im Suchmaschinenmarketing: Google AdWords (2000 lanciert, 2018 in Google Ads umbenannt) führte 2005 erste Automatisierungsoptionen ein; Googles Enhanced CPC (eCPC, 2010 eingeführt) war die erste weitverbreitete Machine-Learning-Gebotsstrategie, die Gebote basierend auf der vorhergesagten Conversion-Wahrscheinlichkeit automatisch anpasste. Target CPA und Target ROAS folgten 2013 bzw. 2016 und übergaben die Gebotshoheit vollständig an ML-Modelle. Die Leistungsfähigkeit automatisierter Gebotsstrategien basiert auf einem grundlegenden strukturellen Vorteil: KI-Bidding-Systeme können bei jeder Auktion Hunderte von Kontextsignalen gleichzeitig auswerten — Nutzerhistorie (Suchhistorie, Website-Besuche, App-Nutzung), Gerättyp, Betriebssystem, Browser, Tageszeit, Wochentag, Standort, aktuelles Suchwetter, demographische Signale, Competitive Landscape und viele weitere — während ein manueller Optimierer typischerweise 5–10 Dimensionen berücksichtigen kann. Nicholas Johnson und Jonathan Opdyke, Forscher bei Google, publizierten 2021 interne Daten, die zeigen, dass Smart-Bidding-Kampagnen bei ausreichender Datenbasis (mind. 30 Conversions/Monat) im Median 20–30 % mehr Conversions bei gleichem Budget erzielen als manuelles oder eCPC-Bidding. Die Lernphase ist dabei kritisch: In den ersten 2–4 Wochen nach Aktivierung oder nach signifikanten Änderungen exploriert der Algorithmus die Auktionslandschaft, bevor er konsequent exploitiert. Während der Lernphase können Performance-Schwankungen auftreten, die nicht durch Eingriffe unterbrochen werden sollten.

Smart-Bidding-Strategien im Überblick

Maximize Conversions: KI optimiert Gebote, um mit dem verfügbaren Budget die maximale Anzahl an Conversions zu erzielen — ohne Einschränkung bezüglich CPA oder ROAS. Empfehlenswert als Einstiegsstrategie bei ausreichendem Budget und wenn kein stabiler CPA-Zielwert bekannt ist. Risiko: Bei gesättigten Märkten können CPAs stark steigen, wenn das Budget verausgabt werden muss.
Target CPA (tCPA): KI optimiert Gebote, um Conversions zum definierten Ziel-Cost-per-Acquisition zu erzielen. Conversions kosten im Durchschnitt annähernd den Zielwert; einzelne Conversions können abweichen. Empfehlung: tCPA nicht zu eng am aktuellen CPA setzen — 20 % Puffer ermöglicht dem Algorithmus genug Spielraum. Mindest-Datenbasis: 30+ Conversions/Monat pro Kampagne.
Target ROAS (tROAS): KI optimiert Gebote auf den definierten Ziel-Return-on-Ad-Spend (Umsatz / Werbekosten). Erfordert Conversion-Wert-Tracking (z.B. Kaufumsatz via Google Tag). Mindest-Datenbasis: 50+ Conversions/Monat mit Conversion-Wert-Tracking. Bei E-Commerce mit variabler Transaktionshöhe ist tROAS in der Regel effektiver als tCPA, da die KI nach umsatzstärkeren Conversions optimiert.
Maximize Conversion Value: Analog zu Maximize Conversions, aber optimiert auf den Gesamtumsatz/Conversion-Wert statt auf die Anzahl. Sinnvoll wenn Umsatz-Maximierung Priorität hat und kein ROAS-Ziel definiert ist.
Enhanced CPC (eCPC): Hybridstrategie: Manuell gesetzte Basisgebote werden durch KI um bis zu 30 % erhöht oder gesenkt, wenn die Conversion-Wahrscheinlichkeit besonders hoch oder niedrig ist. eCPC bietet mehr Kontrolle als vollautomatische Strategien, schöpft aber auch weniger des ML-Potenzials aus. Google empfiehlt seit 2022 den vollständigen Wechsel zu Smart Bidding.
Portfolio-Gebotsstrategien: Mehrere Kampagnen teilen sich eine gemeinsame Gebotsstrategie und ein geteiltes Budget-Pool. Dies erhöht die Datenbasis für ML-Modelle (mehr aggregierte Conversion-Daten) und ermöglicht effizientere Budget-Allokation zwischen Kampagnen. Besonders sinnvoll bei Konten mit vielen ähnlichen Kampagnen und wenig Daten pro Einzelkampagne.

Voraussetzungen für effektives Bidding

Conversion-Tracking-Qualität: Smart Bidding ist direkt von der Qualität der Conversion-Daten abhängig: „Garbage in, garbage out." Alle relevanten Conversions müssen sauber gemessen werden — sowohl direkte Käufe als auch Micro-Conversions (Newsletter-Anmeldungen, Kontaktformulare, App-Downloads). Fehlende oder doppelte Conversion-Zählung deoptimiert den Algorithmus systematisch.
Ausreichende Datenmenge: Empfohlene Mindest-Conversion-Volumen: 30+/Monat für tCPA, 50+/Monat für tROAS. Unterhalb dieser Schwellen ist der Algorithmus statistisch unterversorgt; manuelles Bidding oder eCPC liefern dann oft bessere Ergebnisse. Konsolidierung kleiner Kampagnen zu grösseren erhöht die Datenbasis pro Strategie.
Stabilität und Lernphasen-Management: Häufige Änderungen an Kampagnenstruktur, Zielwerten, Budgets oder Zielgruppen während der Lernphase verlängern diese und verschlechtern die Performance. Empfehlung: Nach Aktivierung mindestens 2–4 Wochen ohne Eingriffe abwarten und mit Vergleichsperioden ohne Änderungen evaluieren.

Praxistipp: Stellen Sie sicher, dass Ihre Conversion-Messung lückenlos und fehlerfrei konfiguriert ist, bevor Sie auf Smart Bidding wechseln — führen Sie einen Tracking-Audit durch und verifizieren Sie Conversion-Mengen und -Werte via GA4 und dem Google Ads Conversion-Bericht. Beginnen Sie mit dem Ziel-CPA oder Ziel-ROAS leicht (10–20 %) über Ihrem aktuellen Ist-Wert und schrauben Sie den Zielwert schrittweise in Richtung Wunschbereich — aggressive Zielanpassungen führen zu starken Traffic-Einbrüchen. Konsolidieren Sie kleine Kampagnen, um die Datenbasis pro Gebotsstrategie zu maximieren, und nutzen Sie Portfolio-Gebotsstrategien, wenn mehrere ähnliche Kampagnen wenig individuelle Conversion-Daten haben.