Slava Wagner – SEA, CRO, Data & Forecasting

Angles Detection – Advanced Google Ads Audit
✦ ADVANCED GOOGLE ADS AUDIT · STRATEGIE 02

Angles Detection: Schmerzpunkt-Cluster & Angle-Testing

Strategie-Call anfragen > GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung)

Die meisten Konten testen keine Angles. Stattdessen stecken in der Kampagne ein bis drei Asset-Gruppen, wo strukturell fünfzig Platz hätten – und mit jeder ungetesteten Ansprache bleibt der tatsächliche Kostenpunkt pro Lead unbekannt. Erst ein systematischer Angle-Test macht sichtbar, welche Ansprache den Lead wirklich profitabel macht.

API PULL Bestandsdaten-Import Wettbewerber- & Kampagnen-Historie einlesen ANGLES DETECTOR Kunden-Schmerzpunkte analysieren Unverbrauchte Blickwinkel & emotionale Triggers finden AUDIT REPORT Google Ads Audit Report Prüfbericht zu Zielgruppen-Hooks & Schmerzpunkt-Matrix
✦

Die Antigravity Basis-Infrastruktur (Voraussetzung für alle 3 Agents)

1 Antigravity CLI global installieren
bash · npm install
$ npm install -g @google/antigravity-cli
2 Antigravity Umgebung im Terminal starten
bash · agy start
$ agy
✦ Alle Multi-Agenten-Prozesse, automatisierten API-Abfragen und Asset-Generierungen laufen direkt über das Google Ads Python/Node SDK innerhalb der Antigravity CLI.
✦

CLI-Bedienung: Google Ads Audit Strategy starten (Prüfung auf Vorhandensein)

GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung)
1 Audit CLI-Paket global installieren
bash · npm install
$ npm install -g advanced-google-ads-audit
2 Strategie-Audit ausführen (Prüfung auf Vorhandensein)
bash · audit start
$ advanced-google-ads-audit angles-detection
✦ Wichtiger Audit-Hinweis: Der CLI Agent führt ein Read-Only-Audit durch und prüft dein Google Ads Konto rein auf das Vorhandensein dieser Strategie. Der CLI Agent führt die Strategie nicht eigenständig aus, sondern deckt Lücken und ungenutzte Hebel im Setup auf.

Ad-Ansprache in Angles: Niemand kennt die Lead-Kosten pro Angle

ANGLE-TESTING: 1–3 ASSET-GRUPPEN VS. 50 ANSÄTZE
GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung)
Schnell-Check (Self Assessment): Es werden keine Angles getestet – in deiner PMax stecken 1–3 Asset-Gruppen statt 50. (Jede ungetestete Ansprache = unbekannter CPL)

Die meisten Konten testen keine Angles. Stattdessen stecken in der Performance-Max-Kampagne ein bis drei Asset-Gruppen, wo strukturell fünfzig Platz hätten – und mit jeder ungetesteten Ansprache bleibt der tatsächliche Kostenpunkt pro Lead unbekannt.

Wer nur eine Variante der Ansprache fährt, hat keine Vergleichsbasis und optimiert blind. Erst ein systematischer Angle-Test macht sichtbar, welche Ansprache den Lead wirklich günstig macht (z. B. 18 € vs. 44 € CPL bei identischem Produkt), und welche nur den Eindruck erweckt, zu funktionieren.

Ad-Ansprache in Angles – Lead-Unterschiede bei Angle-Tests

Zweck & Strategische Begründung

SOP ZIELSETZUNG & ANWENDUNGSBEREICH
GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung) SOP Blueprint Audit-Standard

Zweck & Zielsetzung

Durch systematische Wettbewerbs- und Marktanalysen mit AI-Systemen ständig neue Angles auf Basis von Customer Pain Points und Solution Frames ermitteln. Diese Angles bilden das inhaltliche Fundament für die AI-Asset-Pipeline und sorgen dafür, dass dort kein "ins Blaue" generiert wird.

Anwendungsbereich

  • Primär: Konten mit aktiver AI-Asset-Pipeline (Angles sind dort das Input-Material)
  • Branchen-Eignung: Hochpreis-Leadgenerierung (Immobilien, Bildung, Marketingagenturen, IT, Recht)
  • Rhythmus: Monatlich – als fester Pipeline-Schritt vor der AI-Asset-Creation
  • NICHT geeignet für: Hochspezialisierte Nischenangebote ohne Produkt-Markt-Fit

Strategische Begründung

Was ist ein Angle (und was NICHT)?

Ein Angle ist KEIN USP und KEIN technisches Feature. "Wir sind die einzigen mit 48-Stunden-Versand" ist KEIN Angle. Ein Angle ist ein starkes Verkaufsargument aus der Verbindung von Customer Pain Point und Solution Frame.

  • Customer Pain Point: Ein konkreter Schmerzpunkt der Zielgruppe (z. B. Unsicherheit über Immobilienwert nach Zinsentwicklung)
  • Solution Frame: Der konkrete Einsatzzweck, in dem das Angebot diesen Schmerzpunkt adressiert (z. B. "Preiskorrekturen prüfen mit Online-Rechner")
  • Angle: Die Verbindung beider – nicht das Angebot wird vorgestellt, sondern Relevanz hergestellt

Der Effekt: Halbierung der Lead-Kosten möglich

Variante Lead-Kosten
"Online-Immobilienbewertung" (reine Angebotsvorstellung) 44,94 € pro Lead
"Preiskorrekturen prüfen" (Angle: Pain Point + Solution Frame) 23,10 € pro Lead

In manchen Konstellationen lassen sich Lead-Kosten von 257 € über mittelmäßige Angles auf 50 € absenken – und mit dem richtigen Angle auf 10–20 €.

Warum monatlich?

Ohne monatlichen Rhythmus wiederholen sich AI-generierte Assets nach wenigen Monaten. Frische Angle-Recherchen sorgen für inhaltliche Erneuerung und verhindern Wiederholungsschleifen.

Eigene Angles vs. Wettbewerber-Angles

Die wirkungsvollsten Angles sind oft die, die NIEMAND sonst bedient. Die Wettbewerbsanalyse dient zwei Zwecken: Inspiration für tragfähige Stoßrichtungen UND Ausschluss übersättigter Angles ("plattgetreten" vs. "unbesetzt").

System-Architektur & Spezifikation

METRIKEN & STRUKTUR-SETUP
GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung) System-Matrix Reporting-Ebenen

Datenquellen für die Recherche

Quelle Was wird extrahiert
AI-Grounding (Online-Suche) Analyse von Wettbewerber-Websites, Markt-Trends und aktuellen Online-Daten
BigQuery / GA4 Eigene Performance-Daten als Kontext
Eigene Hypothesen (Reißbrett) Selbst gedachte Angles – oft am besten, weil unbesetzt

Was konkret recherchiert wird (4 Output-Kategorien)

Angles (Customer Pain Point × Solution Frame)

  • Top 10–25 Angles pro Offer, sortiert nach Reichweite
  • Pro Angle: Pain Point, Solution Frame, Begründung
  • Tagging: "plattgetreten" vs. "unbesetzt"

Hooks (Headline-Aufhänger)

  • Welche Hook-Typen dominieren in der Branche?
  • Typen: Neugier, Beweis, Dringlichkeit, Paradox, Frage, Urgency, Story-Hook
  • Beispiel Immobilien: "Wie viel ist Ihre Immobilie wert?", "Kennen Sie den wahren Wert?"

CTAs (Call-to-Action-Buttons)

  • Welche CTAs werden im Markt verwendet?
  • Beispiele: "Termin vereinbaren", "Kostenlose Bewertung", "Jetzt prüfen"

Awareness Stages / Funnelstufen

  • Top of Funnel: Allgemeine Fragen, Grundlagen
  • Middle of Funnel: Strategie-Fragen, Vergleiche
  • Bottom of Funnel: Konkrete Conversion-Themen

Prozessablauf & SOP-Schritte

SCHRITT-FÜR-SCHRITT IMPLEMENTIERUNG
GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung) Execution Flow Step-by-Step

Voraussetzungen

  • AI-System mit Online-Suche/Grounding (Claude, ChatGPT, Gemini)
  • BigQuery-Zugang (für eigene Performance-Daten)
  • Output-Speicher (ClickUp, Airtable, Asana)
  • Naming-Convention (Angle-Name in Kampagnen-Benennung)
  • Kunden-Review-Prozess

Prozessablauf

Schritt 1 – Offer-Briefing erstellen

  • Offer mit Kerneigenschaften dokumentieren
  • Bestehende Performance pro Offer auswerten
  • Branche und Region festlegen

Schritt 2 – Wettbewerber-Inventar erstellen

  • Top 5–10 Wettbewerber pro Offer identifizieren
  • URLs der Wettbewerber-Websites sammeln
  • AI-Prompt: "Finde mir die 5 größten Wettbewerber im Bereich X in Region Y"

Schritt 3 – Daten über Grounding und BigQuery ziehen

  • Eigene Performance-Daten aus BigQuery exportieren
  • Wettbewerber-Websites und Marktdaten via AI-Grounding (Online-Suche) recherchieren
  • Daten für die Analyse konsolidieren

Schritt 4 – AI-Aggregation

  • Rohdaten in AI-System laden
  • Strukturierter Prompt: "Aggregiere die 10–25 wichtigsten Angles, sortiert nach Reichweite, nach Customer Pain Point und Solution Frame"
  • Parallel: Hooks, CTAs, Awareness Stages aggregieren

Schritt 5 – Tagging "plattgetreten" vs. "unbesetzt"

  • Plattgetreten (alle Wettbewerber) → niedrige Priorität
  • Unbesetzt (kaum jemand) → hohe Priorität

Schritt 6 – Zoom-In und Zoom-Out Angles ergänzen

  • Zoom In: Kleinere Details des Angebots (z. B. "Bauvorhaben im Kiez und Immobilienwert")
  • Zoom Out: Größere Themen, in die das Angebot eingebettet ist (z. B. "Vermögensplanung", "Immobilienverkauf nach 10 Jahren")
  • Oft die unbesetztesten und performance-stärksten Angles

Schritt 7 – Output in Review-System

  • Aggregierte Liste in ClickUp / Airtable / Asana
  • Pro Angle: Name, Pain Point, Solution Frame, Tag, Quelle

Schritt 8 – Review & Freigabe

  • Kunde oder Strategy-Lead geht Angles durch
  • Markenkonformität, rechtliche Tragfähigkeit
  • Freigegebene Angles → Status "Aktiv"

Schritt 9 – Übergabe an AI-Asset-Pipeline

  • Freigegebene Angles als Input für Asset Creation
  • Naming-Convention: Angle-Name als Teil der Kampagnen-Benennung

Schritt 10 – Auswertung nach 14 Tagen → Budget-Shift

  • Performance pro Angle auswerten
  • Top-Performer identifizieren
  • Übergabe an Budget-Shifting-SOP

Schritt 11 – Monatlicher Re-Run

  • Neue Detection mit Kontext der bereits getesteten Angles
  • AI-Agent kennt Vormonats-Outputs
  • Neue Marktthemen aufnehmen (Zinsen, Bauvorhaben, gesellschaftliche Trends)

Zwei Methoden: Manuell vs. Automatisiert

Manuell (Claude/Gemini mit Grounding) Automatisiert (Make-Workflow)
Prompt-basiert – ad hoc nutzbar Läuft monatlich automatisch durch
Schnell für einzelne Analysen Skaliert über viele Kunden parallel
Höhere Flexibilität Standardisierte Outputs
Höherer Zeitaufwand Setup-Aufwand einmalig
Empfohlen für: Erst-Setup, Sonderfragen Empfohlen für: Multi-Account-Skalierung

Qualitäts-Guardrails & Troubleshooting

AUDIT-PRÜFPROTOKOLL & FEHLERBILDER
GitHub CLI Agent ↗ Prüft Vorhandensein (keine Ausführung) Monitoring Sofortmaßnahmen

Qualitätskriterien

  • Jeder Angle hat klar benannten Pain Point UND Solution Frame – kein USP
  • Übersättigte Angles als "plattgetreten" getaggt
  • Mindestens 2–3 Zoom-In/Zoom-Out-Angles (oft die Top-Performer)
  • Jeder Angle ist auf Quelle rückführbar
  • Kein Angle geht ohne Review in die Asset Creation
  • Angle-Namen wandern in die Entitäten-Benennung in Google Ads

Troubleshooting

Problem Lösung
AI liefert nur USPs statt Angles Prompt schärfen: explizit nach Pain Point UND Solution Frame fragen
Angles wirken austauschbar Zoom-In- und Zoom-Out-Schicht fehlt – gezielt nach Detail-Angles fragen
Datenberge ohne Erkenntnis Strukturierten Aggregations-Prompt nutzen (sortiert nach Reichweite, Pain Point)
Im Folgemonat dieselben Angles AI-Agent muss Conversation-Verlauf der Vormonate kennen
Nischen-Offer – Angles greifen nicht Bei fehlendem Produkt-Markt-Fit ist Angles Detection nicht der richtige Hebel
Angle-Performance nicht zuordenbar Naming-Convention war nicht eingehalten
Kunde lehnt fast alle Angles ab Briefing schärfen: Marken-Guidelines, No-Gos im Vorfeld
× Vollbild Vorschau

Slava Wagner

Google Ads & Meta Ads Lead-Generierung für Hochpreis-Branchen. AI-Automatisierungen für Werbesystem APIs.

info@slavawagner.de
+49 176 588 744 04

Google Ads Strategies

Strategie-Implementierung anfragen

Jetzt anfragen und wir gehen in einem Call die Strategie-Implementierung durch.