Wer seine Google-AdWords-Kampagnen undifferenziert ausspielt, schaltet in erster Linie viele Anzeigen in kurzer Zeit. Doch erst die sinnvolle Eingrenzung der Zielgruppe sorgt für interessante Conversion-Rates und schont gleichzeitig das Budget. Der Trend geht zu immer spezifischeren Segmentierungen. Wir stellen einige dieser Trends dar und zeigen, welche Möglichkeiten diese bieten.

1. durch gezielte Segmentierung
Effizientere SEA-Kampagnen

2. Agenda
Optimiere Gebote über Segmente
Bewerte Verkaufserfolge differenziert
Match-Types & Anzeigen splitten

3. Wochentage
Uhrzeiten
Regionen
Semantische Cluster
Optimiere Gebote über Segmente

4. Das Geschäftskundensegment
eines Elektronik-Händlers
perfomt vor allem am Anfang
der Woche stark.
Conversion Rates liegen
Mo - Mi bis zu 19% über dem
Durchschnitt.
Die Gebote auf Keyword-Ebene
orientieren sich oft nur an dem
Wochendurchschnitt.
Conversion Rates nach Wochentagen
0.00% 0.50% 1.00% 1.50%
So
Sa
Fr
Do
Mi
Di
Mo

5. Das Bid-Scheduling nach Wochentagen setzt die Keywords von
Montag bis Mittwoch nach oben; die Clicks steigen an Tagen mit
hoher Conversion Rate; die KUR bleibt konstant.
8% Umsatzplus durch Scheduling
0 € 200,000 € 400,000 € 600,000 €
So
Sa
Fr
Do
Mi
Di
Mo
€(100,000) €- €100,000
Umsatz Veränderung

6. Über Dimensionen lassen sich die Segmente“Day of the week”,
“Hour of the day”, Regionen etc auswerten.
In Adwords: Dimensions-Tab

7. Conversion Rate nach Uhrzeit
0.0% 0.5% 1.0% 1.5% 2.0%
22 - 24
20 - 22
18 - 20
16 - 18
14 - 16
12 - 14
10 - 12
8 - 10
6 - 8
4 - 6
2 - 4
0 - 2In diesem B2B Beispiel
konvertiert die Zeit vor der
Mittagspause am besten.
Nach 16 Uhr werden
offensichtlich weniger
Investitionsentscheidungen
getroffen.
Aus anderen Projekten: Im B2C
Retail sind die Zeiten ab 16 Uhr
und die Mittagspause stark.

8. +5% Umsatz bei gleicher KUR
Je stärker die Conversion
Rates differieren in High-
Traffic-Stunden, desto größer
ist der Gewinn.
Darf die KUR leicht erhöht
werden, kann über Uhrzeit-
Scheduling effektiver Umsatz
gewonnen werden als
pauschal über höhere
Positionen.
-100,000 € 400,000 €
22 - 24
20 - 22
18 - 20
16 - 18
14 - 16
12 - 14
10 - 12
8 - 10
6 - 8
4 - 6
2 - 4
0 - 2
Umsatzveränderung

9. Tag und Uhrzeit kombinieren
Im Durchschnitt sinkt die Conversion Rate stark ab 16
Uhr. Ausnahme ist Dienstag.
Durch die Kombination von Tag und Uhrzeit können
solche Ausnahmen genauer berücksichtigt werden.
Mo Di Mi Do Fr Sa So
0 bis 4 0.6% 0.7% 0.7% 0.7% 0.7% 0.6% 0.5%
4 bis 8 2.1% 1.9% 1.7% 1.9% 2.1% 0.8% 0.7%
8 bis 12 2.2% 2.1% 2.2% 2.1% 1.9% 1.1% 1.0%
12 bis 16 1.8% 1.9% 1.9% 1.7% 1.2% 1.2% 1.2%
16 bis 20 1.1% 1.5% 1.1% 1.0% 0.9% 0.9% 0.9%
20 bis 24 0.9% 0.8% 0.9% 0.7% 0.7% 0.7% 0.8%

10. Segmente kombinieren in Adwords
1. Segment in Dimensionen
auswählen
2. Segment beim Download
wählen.
Wieviele Dimensionen kombinieren?
Irgendwann ist die Datenmenge zu klein. Der erste Schritt weg
von Durchschnitten ist der mit dem größten Effekt.

11. • nach Reports aus Analytics /
Adwords
• pro-aktiv Segmente bilden nach
Kaufkraft
• nach Filialnetz
Best Practice für Segmente bei
wenigen Daten:
Regionencluster Top vs. Rest bilden
Gebotsanpassungen nach Region
Wert / Besuch in
Analytics
GfK Kaufkraft Map

12. Weiter segmentieren je nach Datenlage
112%
101%
92%
73%
0% 50% 100% 150%
Bayern
Hessen
NRW
Sachsen-Anhalt
Conversion Rates im Fashion Retail
100% = Durchschnitt
109%
106%
102%
96%
80% 90% 100% 110%
Frankfurt
Darmstadt
Wiesbaden
Fulda
Durch Differenzieren der Gebote nach Region können
zusätzliche Umsätze von 20% erzielt werden – bei stabiler KUR.

13. Maximal: Produktgebote nach Region
Jacken
verkaufen sich in New Hampshire
CR total Shorts Jacken
New Hampshire 2.3% 1.4% 2.6%
Georgia 1.8% 1.5% 0.8%
Shorts
verkaufen sich in Georgia

14. Nutze semantische Keyword-Merkmale
[BRAND] [DISCOUNT] vs. [BRAND] [BUY]
adidas günstiger vs. adidas shop
lipsy wholesale vs. buy lipsy
Das Clustern der Keyword-Performance anhand von Merkmalen
• Marke, Kategorie
• Kauf-Signalwörter
• Farben, Zielgruppe
kann helfen, Gebote schneller genauer zu setzen.
Beispiel Schnäppchenjäger:

15. Ergebnis: Schnäppchenjäger unattraktiv
[BRAND] [DISCOUNT] vs. [BRAND] [BUY]
70%
75%
Kleiner Warenkorb
Geringe Marge pro Kauf
58%
Geringe Conversion Rate
72%
Geringe Neukundenrate
Keywords, die noch nicht nicht viele Clicks haben, aber in obiges
Schema fallen, werden pro-aktiv heruntergepreist.

16. CPO KUR ROI CLV
Bewerte Verkaufserfolge differenziert
Genaue Erfolgsbewertung

17. Welches Keyword ist mehr wert?
Ray Ban – Aviator
130,49 €
Ray Ban Sonnenbrille Tageslinsen 30 Stück
Tageslinsen Set
24,99 €

18. In der CPO-Betrachung identisch
Ray Ban – Aviator
130,49 €
Tageslinsen SH
24,99 €
CPO 15 € Gebot: 0,40 € CPO 15 € Gebot: 0,40 €
Legt man auf Account-Level ein CPO-Ziel fest, werden Verkäufe
gleich gewertet, auch bei unterschiedlichen Warenkörben.

19. KUR berücksichtigt Umsatzhöhen
Ray Ban – Aviator
130,49 €
Tageslinsen SH
24,99 €
KUR 11% Gebot: 0,70 € KUR 60% Gebot: 0,10 €
In der KUR-Betrachtung sind die Kontaktlinsen in der Bewerbung
wenig interessant. Das Gebot wird gesenkt.
KUR = CPO / Warenkorb

20. Tageslinsen haben höhere % Marge
Ray Ban – Aviator
130,49 €
Marge: 20%
Tageslinsen SH
24,99 €
Marge: 60%
ROI 74% Gebot: 0,70 € ROI 0% Gebot: 0,30 €
Die Tageslinsen als Eigenmarke haben eine höhere prozentuale
Marge. Der ROI berücksichtigt die kurzfristige Profitabilität.
ROI = ( Warenkorb * Marge / CPO ) – 1

21. Folgekäufe der Linsen erhöhen CLV
Ray Ban – Aviator
130,49 €
Tageslinsen SH
24,99 €
CLV 11 € Gebot: 0,52 € CLV 30€ Gebot: 0,60 €
Die Kontaktlinsen erzeugen im Gegensatz zur Sonnenbrille
Folgekäufe. Diese zukünftigen Margen führen heute zu einem
höheren Gebot.
CLV = Customer Lifetime Value. Langfristiger Gewinn.

22. Überblick der Gebote
Ray Ban – Aviator
130,49 €
Tageslinsen SH
24,99 €
CPO 15 € Gebot: 0,40 €
KUR 11% Gebot: 0,70 €
ROI 74% Gebot: 0,52 €
CLV 11 € Gebot: 0,52 €
CPO 15 € Gebot: 0,40 €
KUR 60% Gebot: 0,10 €
ROI 0% Gebot: 0,30 €
CLV 30€ Gebot: 0,60 €
Per CLV-Modell wird genau dort höher geboten, wo viele wertvolle
Neukunden gewonnen werden.
Bedingung: Tracken von Margen und Neukunden.

23. Keyword-Segmentierung
verbessert Conversion Rate
Anzeigentexte nach Marke
und AdGroup getrennt testen
Match-Types & Anzeigen segmentieren

24. Adwords 1x1: segmentiere Suchanfragen
Buche die Suchanfragen eines Broad-Matches als Keywords ein:
Differenzierte Gebote, bessere Anzeigen
Performance eines Broad-Matches
Fernseher
Fernseher
LCD
Fernseher
LED
Fern-seher
2%
1%
0,5%
0%
10.000
Clicks per Monat
4.000 8.000 10.000
Clicks per Monat
Performance der Suchanfragen
EIN Durchschnittsgebot

25. Durchschnitts-Conversionrate steigt
Mehr Traffic auf gut
konvertierenden
Keywords durch:
Gute Suchanfragen erhalten mehr Traffic
0,5%
2%
1%
0%
Fernseher
CR
LCD
Fernseher
LED
Fern-seher
Bessere Anzeigen durch separate Keywords
1. Höheres Gebot
2. Anzeigenqualität
3. Qualitätsfaktor
Potential:
+ 50% Umsatz allein
durch bessere Anzeigen

26. Anzeigentexte nach Marken testen
Slogan adidas Lipsy D&G Aggregat
Verkaufsargument + + - +
Bestes Argument Free Shipping
24 Hours
Delivery
None Free Shipping
Call-to-action + + - +
Bester Call-to-action Use Code Shop - Shop
„Große Auswahl“ + + + +
Was im Aggregat als Slogan besser abschneidet,
muss nicht besser für einzelne Marken funktionieren!

27. Vorsicht beim Aggregieren von Anzeigen
Ebenso auf
Anzeigengruppen-
ebene:
Das Ergebnis im
Aggregat kann
verfälscht sein und
muss nicht den
Einzelergebnissen
entsprechen.
Total Clicks Impressions CTR
Free Delivery 54944 7154546 0,8%
50% Discount 27087 2584300 1,0%
AdGr 1 Clicks Impressions CTR
Free Delivery 13278 180238 7,4%
50% Discount 3449 315416 1,1%
AdGr 2 Clicks Impressions CTR
Free Delivery 16383 124023 13%
50% Discount 19358 192810 10%
AdGr 3 Clicks Impressions CTR
Free Delivery 25283 6850285 0,4%
50% Discount 4280 2076074 0,2%

28. Weitere wichtige Segmente
• PLA Targets: All Prodcts  Marken  Produkte
• Remarketing-Gruppen je nach Verhalten auf Seite
• Mobile vs Desktop

29. Best Practices
1. Keywords segmentieren beständig
2. Anzeigen optimieren beständig
3. Gebotsmodifier auf Kampagnen-Ebene 1 / Monat
• Wochentage, Uhrzeiten
• Regional
• Mobile vs. Desktop
Der erste Schritt weg von Durchschnitten hat den größten
Effekt. Weitere Verfeinerungen sind je nach Datenlage
sinnvoll.