PMF Seeker
AI Asset Creation (10k+) for Google Ads
Mit über 10.000 AI Assets (Headlines und Descriptions) ermitteln, mit welcher Ansprache die Masse der Leadsbei Google Ads reinkommt und nach 14 Tagen Shifting, um in die eigentliche Produktion von Leads zum besten Kostenpunkt zu kommen.
Schnellstart
Das sind die Ziele
Conversion Value
Über die Conversion-Wert-Hierarchie
Systematik
AI Asset Creation erklärt
Bist du bereit?
Jetzt einsteigen
10k AI Asset für algorithmisches Lernen – Standard-Strategie. Ohne Geheimrezepte.
Das Standard-Verfahren ohne Geheimrezepte: Häufig muss ein Product Market Fit (PMF) im Bereich Lead Gen mit Google Ads erst gefunden werden. Denn andernfalls gibt werden Offers, die eigentlich funktionieren könnten, verworfen, auch wenn nur ein leichter Dreh des Angebotsdesigns vonnöten gewesen wäre. Zudem werden Offers nicht mit einer On-Point-Ansprache beworben. Hierzu muss also der PMF gefunden werden.
Das geht: Mit AI-Automatisierungen in der Asset Creation – mit Angled Data und Shifting. Mit tausenden von AI Assets finden wir die Ad, den Angle und die Hooks, die die meisten Leads reinbringt. Der Hebel: Der Weg der Creative-Masse zur maximalen Abdeckung an Tonalitäten, Ansprachen und Needs wird konsequenter zuendegegangen, als mit einer manuellen Asset Creation: Statt beim Launch zu einem Offer nur eine Kampagne zu verwenden, können zehn Kampagnen mit mehreren Business Frameworks gelauncht werden. Statt in einer Kampagne drei Angles zu verwenden, werden 10 Angles verwendet. Statt zu jedem Angle 3 Hooks einzubauen, werden 10 Ads AI-generiert. Nach einem Launch sehen wir nach 14 Tagen, wo die meisten und besten Leads und Deals reinkamen – auf Kampagnen-, Angle- und Anzeigenebene. Dann stellen wir alle anderen Kampagnen, Anzeigengruppen und Anzeigen ab, und gehen in die eigentliche Produktion. So wird der PMF entlang des Geschäftsprozesses in der Akquise hergestellt.
Der Weg der Creative-Produktion wird also durch AI Assets konsequenter zuendegegangen:
- Mehr Massen an Creatives im Creative-Testing
- Mehr Angles im Testing durch AI-Wettbewerbsanalyse und eigene Marktanalys
- Eine reichhaltigere Conversion-Wert-Hierarchie mit radikalstem Ausschlag auf dem wertvollsten Conversion-Event
Was passiert ohne PMF im Lead Gen?
Was passiert, wenn es keinen PMF (Product Market Fit) für ein Offer gibt? Gerade im Bereich Lead Gen entsteht dabei eine Ausgangssituation und eine Ableitung:
- Ausgangssituation: Unklar, ob ein PMF gegeben ist. Das Offer kann in keinem Geschäftsprozess erfolgreich platziert werden, denn es fehlt der Umsatz (in ausreichendem Maße ausgehend vom Ad Spend). Die generelle Idee, die dem Angebot in der Vermarktung zugrunde lag, wird an sich verwerfen und als nicht funktionierend gewertet.
- Ableitung: Ad Spend wird nicht erhöht, denn der Offer mit den bisherigen Kampagnen hat – gemessen an der Marge – nicht ausreichend Umsatz abgeworfen. Wenn der Ad Spend nicht erhöht wird, kann entsprechend auch nicht skaliert werden. Es gibt kein Wachstum.
Das bedeutet: Zur Lösung einer solchen Ausgangslage muss erst der PMF gefunden werden. Das geht aber, und zwar mit einem AI-basierten Kampagnen-Setup: Mit tausenden von AI Assets finden wir die Ad, den Angle und die Hooks, die die meisten Leads reinbringt. Zudem wird der Offer und die Landingpage iteriert, bis der richtige Fit auf den Customer Pain Points und Solution Frames anliegt, der die Nutzer wirklich interessiert.
Im Endergebnis stehen dann Szenarien, bei denen beispielsweise gesehen werden kann, welche Kampagne mit welchen Customer Pain Points und Solution Frames bei 257,73€ pro Lead rausgeht – und welche bei 10,91€ pro Lead liegt.
Wozu braucht man Massen an AI Assets?
Im PMF Seeker für Google Ads gibt es eine grundlegende Systematik: Die Assets. Statt in einer Peformance Max Kampagne – selbst mit kleinem Tagesbudget – nur 3 Asset-Gruppen zu launchen, werden mit AI Assets direkt 20 Asset-Gruppen gelauncht. Statt in einer Suchnetzwerkkampagne nur 3 Anzeigengruppen zu launchen, werden 10 Anzeigengruppen mit je zwei responsiven Suchanzeigen gelauncht. Das gibt den Kampagnen Futter für das algorithmische Lernen und eine hervorragende Basis für das Shifting im nächsten Schritt.
Durch die vielen AI Assets und Tests bei PMax- und Suchnetzwerkkampagnen wird schnell ersichtlich, dass manche AI-basierte Asset-Gruppen wesentlich größere Conversion-Werte abwerfen als andere. Aus diesem Grund müssen großflächige Tests für AI Assets mit der AI Asset Library für Google Ads gefahren werden: Für jede bestehende oder neue Performance-Max-Kampagne sollten mehrere AI-basierte Asset-Gruppen hinterlegt werden. Diese Systematik hat zudem den Vorteil, dass du anschließend einen Budget-Shift für eine noch stärkere Konsolidierung durchführen kannst, indem du die Asset-Gruppen pausierst, die geringere Conversion-Werte aufweisen.
Statt viele verschiedene Ansprachen im Speerspitzenansätzen hintereinander zu testen, werden die Anzeigen mit Tonnen an Headlines und Descriptions in einem massierten Launch gestartet, sodass nach 14 Tagen der Shift stattfinden kann: Die erfolgreichsten Anzeigentexte werden aktiviert gelassen und alle anderen pausiert, sodass die Kampagne mit den besten Lead-Kosten in die eigentliche Produktion geht.
Abbildung: Beispiel von Asset-Gruppen aus einer Performance Max Kampagne bei Google Ads mit AI Assets (Headlines und Descriptions). Demo Case: Unverbindliche Visualisierung.
Abbildung: Wir sehen hier direkt, wie stark die Unterschiede zwischen Speersptzenansätzen und Massen an AI Assets (Headlines und Descriptions) sein können. Demo Case: Unverbindliche Visualisierung.
1. Conversion-Wert-Hierarchie: Hockey Stick
Die Grundlage für das Funktionieren von Tonnen an AI Assets auf Basis von Business Frameworks bildet die Conversion-Wert-Hierarchie mit stufenweise aufsteigenden Conversion-Werten, die von Micro Conversions bis Offline Conversions einen exponentiellen Hockeystick ergibt. Das Ausspielen der vielen Ansprachen, Tonalitäten und Needs auf mehreren Lifecycle Stages lohnt sich nur bei konsolidierten Kampagnen mit der Gebotsstrategie Conversion-Wert maximieren.
Dabei gibt es mehrere Conversion-Aktionen, die bei Google Ads getrackt werden, angefangen von stufenweise aufsteigenden Sitzungsdauern in 10-Sekunden-Schritten, Page-View-Throughs (3, 5, 8, 10) bis hin zu CTA-Button-Klicks, Formular-Klicks und Formulareinsendungen. Nach der Formulareinsendung können noch Offline Conversions zugeschaltet werden mit dem entsprechend groéren Conversion-Wert, wie etwa Marketing Qualified Leads, Sales Qualified Leads, Opportunities und Customers aus HubSpot.
Der Effekt: Gerade mit Performance Max Kampagnen können auf diese Weise mehr Ads den Nutzern ausgespielt werden, die bereits eine der geringeren Conversion-Aktionen betätigt haben, wie etwa einige Sitzungsdauern und Page View Throughs. Wenn der Nutzer dann ein Retargeting erhält, nochmal auf die Website zurückkehrt, das Kontaktformular anklickt, hat er noch mehr Conversion-Werte verbucht – und kann automatisch noch einmal retargeted werden.
Abbildung: Micro Conversions in der Hierarchie, die für ein Retargeting mit Conversion-Wert maximieren eingesetzt werden können: Wer schon einige Sitzungsdauern und Page-View-Throughs hatte, hat eine höhere Wahrscheinlichkeit, das Kontaktformular abzuschicken.
Abbildung: Offline Conversions aus HubSpot: Nachdem ein Nutzer ein Kontaktformular abgeschickt hat, wird das Erreichen der nächsthöheren Lifecycle Stage mit einem entsprechend höheren Conversion-Wert versehen, als dem Absenden des Kontaktformulars: Vom Marketing Qualified bis zum Customer.
2. Angles Detection aus Marktanalysen
Wie kann aus der Rohmasse an Wettbewerbs- und Marktdaten ein echter Erkenntnisgewinn stattfinden, der mit einer großen Hebelwirkung verwendet werden kann? Die Rohmasse an Daten ist an sich nicht aussagekräftig und die Angles – auf Basis von Customer Pain Points und Solution Frames – sind die eigentlich interessante Information, da diese für die eigene Asset Creation (mit AI Assets und Automatisierungen) verwendet können.
Viele Werbetreibende iterieren mithilfe von Customer Pain Points und daraus abgeleiteten Solution Frames ihre Kampagnen – und jeder Solution Frame hat mehrere Hooks mit klassischen Copywriter-Überschriften (zum Beispiel: Vorteil, Paradox, Neugier, Einzigartigkeit, Dringlichkeit, Beweis). So lassen sich beispielsweise aus Landingpages die prominentesten Angles identifizieren, um auf dieser Basis selbst Anzeigentexte generieren zu lassen und nach einem massierten Asset Launch die Kostenpunkte pro Lead zu ermitteln, mit dem Ziel, das Budget auf die erfolgreichsten Kampagnen, Angles und Ads zu shiften.
Die Angles können anschließend in der Benennung auf Kampagnen, Anzeigengruppen- und Asset-Gruppen-Ebene benannt werden, sodass wir im späteren Shifting sehen, welcher Angle welche Lead-Kosten abwarf – und welche Ansprache wir im Zukunft zu diesem Angle immer verwenden können.
Abbildung: Darstellung von Angles aus einer Wettbewerbsanalyse, die für die Asset Creation verwendet werden können.
Abbildung: Analyse der Hook-Arten (Frage-Hook, Problem-Hook, Proof-Hook) zu einem Offer im Rahmen einer Marktrecherche mit Polar Scatter als Visualisierung.
Abbildung: Analyse der prominentesten CTAs zu einem Offer im Rahmen einer Marktrecherche mit Streudiagramm.
3. AI Asset Automatisierungen mit Bulk Upload
Sobald die Angles Detection finalisiert ist, kann die Asset Creation starten. Die Systematik besteht darin, monatlich neue AI-Assets zu bilden, basierend auf festgelegten Datenquellen sowie Trainingsdatensätzen und Frameworks für die Erstellung. Anschließend werden die Assets redigiert, ein Review gemacht und nach der Abnahme hochgeladen. Daraufhin werden regelmäßig die Asset-Gruppen (in Performance Max Kampagnen) und die responsiven Suchanzeigen (in Suchnetzwerkkampagnen) abgeschaltet, die unterdurchschnittliche Conversion-Werte hatten.
- Frameworks: Die AI Assets können gebildet werden auf Basis der Big Five aus der Psychologie, auf Basis von MVP Pivots. Das ermöglicht eine hohe Tiefe an Ansprachen für Tonalitäten, Blickwinkel und Needs.
- Reviews und Freigaben: Unabhängig davon, mit welchen Trainingsdaten gearbeitet wird, sollte – wie bei Freelancern und Agenturen auch, eine Freigabe und ein Review der Assets stattfinden. Nach Prüfung der Botschaften, Wortwahlen und Zeichenbegrenzungen können die Assets hochgeladen werden.
- Transponierte Importvorlage für den Google Ads Editor: Über eine transponierte Importvorlage können die AI Assets im Google Ads Editor per Bulk-Upload hochgeladen und bearbeitet werden, beziehungsweise in Performance Max Kampagnen noch die entsprechenden Bilder, Videos und Zielgruppensignale zugewiesen bekommen.
AI Framework: MVP Pivots
Eines von vielen Frameworks zum Bilden von AI Assets für Google Ads sind die MVP Pivot Tests aus dem Buch „The Lean Startup“. Dabei werden Zoom-In-Pivots, Zoom-Out-Pivots oder Customer Segment Pivots gemacht.
AI Framework: Big Five
Für eine breitere Abdeckung in der Ansprache durch Google Ads gibt es als Trainingsdatensatz unter anderem das Framework zu den Big Five (OCEAN-Modell) aus der Psychologie.
Angled Data in der Asset Creation
Die Asset Creation (Headlines und Descriptions) für die monatlichen Runs besteht in einer Grid-Struktur, die in der Ausgabe die generierten responsiven Suchanzeigen und PMax Asset-Gruppen nach Angles sortiert, mit je mehreren Anzeigenvorschlägen (Hooks) auf Basis der Frameworks: Big Five (OCEAN-Modell), 5 Copywritings und MVP Pivots. Jeder Angle wird dabei aus einem identifizierten Customer Pain Point mit Solution Frame gebildet (jeder Angle bekommt mehrere RSAs / Asset Groups).
Das ermöglicht es, die Angles (aus Customer Pain Points und Solution Frames) mit ihren zugeordneten RSAs / PMax Asset Gruppen auf Kampagnen- und Anzeigengruppen zu verteilen, um daraus zu ermitteln, welchen Rücklauf was brachte – und was nicht. Hinterher kommt nach 14 Tagen der Budget-Shift auf die erfolgreichsten Kampagnen- und Anzeigengruppen, um in die eigentliche Maximierung von Leads zu gehen.
Abbildung: Erstellung von Anzeigentexten aus Customer Pain Points und Solution Frames (Angles).
Abbildung: Transponierte Struktur in GSheet, formatiert mit=SPLIT() und =IMPORTRANGE() aus einem Template im Make-Prozess.
Transponiertes Format für Bulk-Upload
Für den Bulk-Upload im Google Ads Editor ist eine transponierte Importvorlage erforderlich, in der die Dimensionswerte in den Kopfzeilen stehen und die Inhalte der Anzeigentitel und Beschreibungen in den Zeilen, sodass eine Zeile horizontal einer responsiven Suchanzeige entspricht bzw. einer Performance Max Asset-Gruppe. Für die transponierte Vorlage wird ein Google Sheet aus einem Template heraus generiert, und die AI Assets werden Semikolon-getrennt in einzelne Blöcke des GSheets importiert, von wo aus sie in einem zweiten Tabellenblatt des Templates mit der =SPLIT()-Funktion horizontal getrennt werden, ausgehend vom Semikolon als Divider.
Abbildung: Auszug aus dem Prompt in Gemini Pro für die Herstellung einer Semikolon-getrennten Darstellung der Anzeigentitel und Beschreibungen, um sie mit der SPLIT-Funktion im Google Sheets Template automatisch transponiert trennen zu können.
Abbildung: Transponiertes Einfügen von AI Assets im Google Ads Editor.
Bulk-Erstellung von Kampagnen
Es gibt auch eine automatisierte Kampagnenerstellung für Google Ads in Make. Dabei wird aus Themen eines Eingabeblattes in Google Sheets (Custom Table) pro Zeile eine Kampagne, eine Anzeigengruppe und eine responsive Suchanzeige erstellt, sowie das Fokus-Keyword hinzugefügt. Es gibt hierbei noch den Abruf historischer Performances der erfolgreichsten Anzeigentexte (wahlweise gemessen an Kosten pro Conversion oder Conversion-Wert), um diese Auswertung mit Gemini in die Erstellung der neuen Assets einfließen zu lassen, sofern sie inhaltlich zum beworbenen Gegenstand aus dem Custom Table passen. Zudem gibt es für jeden einzelnen Anzeigentitel einen eigenen Review-Schritt, damit auch wirklich nichts schiefgeht, sei es bei der Zeichenlimitierung oder bei Unstimmigkeiten im Sprachgebrauch.
Abbildung: So sieht die komplette Automatisierung zur Bulk-Erstellung von Search-Kampagnen bei Google Ads aus.
Abbildung: Über die Google Ads API wird eine neue Kampagne über ein Make-Modul angelegt.
4. Shifting Automations für Google Ads
Immer, wenn du neue Angles und Ad Sets auf ihrer Basis ausgerollt hast: Kommt der eigentlich spaßige Teil – das Shifting! Öffne dein Looker Studio, und schaue, auf welchem Angle auf welcher Kampagne oder Anzeigen-Set (je nachdem, welche Entität nach dem entsprechenden Angle benannt ist) am besten funktioniert hat. Nach 14 Tagen wird geschaut, welche AI Assets am erfolgreichsten liefen und die besten Lead-Kosten hatten. Dann wird das Budget auf die erfolgreichsten Assets geshifted. Die Kampagne geht in die Produktion mit den Kampagnen, Anzeigengruppen und Anzeigen, die die meisten und besten Leads mit dem erfolgreichsten Kostenpunkt pro Deal reinbringen.
Dabei gibt es Automatisierungen zur AI-Unterstützung für Shifting-Vorschläge. Als Trigger für die Asset Creation gibt es eine Reihe von Make-Automatisierungen, die auf die unterschiedlichen Ebenen der Reporting-Module der Google Ads API zugreifen und Daten für weitere Prozesse verwenden können. Dabei gibt es standardmäßig diese Report-Ebenen mit Metriken: Kampagnen, Anzeigengruppen, Asset-Gruppen, responsive Suchanzeigen, Landingpages, Video-Kampagnen, Placements, Keywords, Search Terms, Impression Shares und Bid Strategies.
Campaign Shifting
Mit einem Custom API Call werden über Google Ads die Kampagnendaten eingeholt, damit Shifting-Vorschläge über einen AI-Prompt mit Gemini (Google Cloud) getätigt werden können, ob per E-Mail oder in der Ablage in Google Drive.
Abbildung: Custom Request in der Google Ads API in einer AI-Automatisierung mit Make für Shifting-Vorschläge auf Kampagneneben.
Looker Studio: Kampagnen
Im Looker Studio gibt es mehrere Seiten für die Reporting-Ebenen bei Google Ads, damit wir auf einen Blick sehen können, welche Kampagnen, Angles und Anzeigen wir pausieren können – zum Beispiel Kampagnen.
Abbildung: Kampagnenebene mit Lead-Daten im Looker Studio. Nach jedem Run mit AI Assets kann ermittelt werden, wo die besten Lead-Kosten oder Deal-Kosten zustandekamen.
Ad Group Shifting
Mit einem Custom API Call werden über Google Ads die Anzeigengruppen- oder Asset-Gruppen-Daten eingeholt, damit Shifting-Vorschläge über einen AI-Prompt mit Gemini (Google Cloud) getätigt werden können, ob per E-Mail oder in der Ablage in Google Drive.
Abbildung: Custom Request in der Google Ads API in einer AI-Automatisierung mit Make für Shifting-Vorschläge in Ad Groups.
Looker Studio: Ad Groups
Im Looker Studio gibt es mehrere Seiten für die Reporting-Ebenen bei Google Ads, damit wir auf einen Blick sehen können, welche Kampagnen, Angles und Anzeigen wir pausieren können – zum Beispiel Ad Groups.
Abbildung: Anzeigengruppenebenee mit Lead-Daten im Looker Studio. Nach jedem Run mit AI Assets kann ermittelt werden, wo die besten Lead-Kosten oder Deal-Kosten zustandekamen.
Keyword Shifting
Mit einem Custom API Call werden über Google Ads die Keyword-Daten eingeholt, damit Shifting-Vorschläge über einen AI-Prompt mit Gemini (Google Cloud) getätigt werden können, ob per E-Mail oder in der Ablage in Google Drive.
Abbildung: Custom Request in der Google Ads API in einer AI-Automatisierung mit Make für Shifting-Vorschläge bei Keywords und Search Terms.
Looker Studio: Keywords
Im Looker Studio gibt es mehrere Seiten für die Reporting-Ebenen bei Google Ads, damit wir auf einen Blick sehen können, welche Kampagnen, Angles und Anzeigen wir pausieren können – zum Beispiel Keywords.
Abbildung: Keyword-Ebene mit Lead-Daten im Looker Studio. Nach jedem Run mit AI Assets kann ermittelt werden, wo die besten Lead-Kosten oder Deal-Kosten zustandekamen.
5. Ziel-ROAS und Ziel-CPA-Tests bei Google Ads
Häufig fragen sich Werbetreibende, was sie in einem Google-Ads-Konto noch tun können, nachdem bereits alle Register gezogen sind: Die Kontohygiene stimmt, alle Optimierungsroutinen wurden durchgeführt, Anzeigen-Assets und Keywords wurden A/B-getestet und es sind schon viele Conversion-Daten fürs algorithmische Lernen eingeflossen.
Was viele aber nicht wissen: Ohne einen eingesetzten Ziel-ROAS im Rahmen der Gebotsstrategie Conversion-Wert maximieren ist kaum noch eine Maximalleistung möglich. Schon ein kleiner Ziel-ROAS, der niedriger angesetzt ist als der reale ROAS, hilft in der Hälfte aller Tests, einen insgesamt besseren Conversion-Wert aus gleichem Budget zur erreichen. Mit einem Ziel-ROAS kannst du dem Google-Algorithmus vorgeben, welchen Zielwert dieser erreichen soll. Ziel-ROAS-Tests bedeuten entsprechend das routinierte und systematische Testen von neuen Ziel-ROAS-Werten, um den Algorithmus zu trainieren und auf die richtige Fährte zu führen.
Du kannst den Google-Ads-Algorithmus durch das kontinuierliche Anheben und Absenken des Ziel-ROAS auf die richtige Fährte bringen und auf neue Höhen treiben – über Wochen und Monate, Stück für Stück, mit realistischen, sicheren und nachhaltigen Fortschritten -bis deine Kampagne auf eine Maximalleistung stößt, ab der es keine weiteren Verbesserungen mehr mit der Ausreizung des Ziel-ROAS gibt.
Abbildung: Beispiel für die Teststrategie bei routinierten Ziel-CPA-Tests.
Abbildung: Beispiel für die Teststrategie bei routinierten Ziel-CPA-Tests.
