Custom Label Strategie: Wie 3 DTC-Marken auf 8-stelligen ROAS skaliert haben

Die meisten Growth-Teams entdecken Custom Labels in ihrer zweiten Woche beim Betrieb von Google Shopping, wenden „Neu", „Bestseller" und „Sale" auf Custom_label_0 an und überarbeiten die Funktion dann nie wieder. Diese Drei-Label-Gewohnheit ist genau der Grund, warum Werbeausgaben bei etwa $50k/Monat an eine Decke stoßen: Sie bieten auf 500+ SKUs, als ob alle die gleiche Behandlung verdienen würden, und überlassen es dem Algorithmus von Google zu erraten, welche Produkte Ihre nächste Einstellungsrunde finanzieren und welche Geld verbrennen. Wir haben die Custom Label Architekturen von drei DTC-Marken – eine im Bekleidungsbereich, eine im Bereich Haushaltswaren, eine im Bereich Verbrauchsgüter – reverse-engineered, die achtstellige kumulative ROAS erreichten, indem sie Custom Labels als multidimensionales Gebotssteuerungssystem statt als glorifiziertes Tagging-System behandelten.

Die Custom Label Lücke: Warum Standard-Setups bei $50k/Monat stagnieren

Laut Googles Merchant Center Dokumentation haben Sie fünf Custom Label Slots (Custom_label_0 bis Custom_label_4), die jeweils beliebige Zeichenfolgen bis zu 100 Zeichen akzeptieren. Die meisten Betreiber füllen Custom_label_0 mit Margenkategorien („Hoch", „Mittel", „Niedrig") und betrachten es als erledigt. Das Ergebnis: Eine einzelne Performance Max oder Standard Shopping Kampagne fasst eine Hero-SKU mit $12 Marge mit einem Loss Leader mit $2 Marge zusammen und optimiert dann in Richtung dessen, was zuerst konvertiert – normalerweise der Impulskauf mit geringer Marge – weil der Algorithmus keine Anweisung hat, Gewinn zu priorisieren.

Die Lücke weitet sich beim Skalieren aus. Bei $10k/Monat Ausgaben können manuelle Überschreibungen und negative Keywords Ineffizienzen beheben. Bei $100k/Monat über 800 SKUs benötigen Sie systematische Segmentierung, die es Ihnen ermöglicht, unterschiedliche Ziel-ROAS, Budget-Caps und Dayparting-Regeln auf Produkte anzuwenden, die sich völlig unterschiedlich verhalten. Standardattribute – product_type, google_product_category, brand – sind zu grob; eine Marke wie Allbirds verkauft $50 Alltagssneaker und $150 Limited-Edition-Kollaborationen unter demselben Markenwert. Custom Labels ermöglichen es Ihnen, Geschäftslogik zu kodieren, die Google nie in Ihrem Katalog sieht: verbleibende Lagertage, Customer Lifetime Value von Erstkäufern für diese SKU, Velocity-Trend über die letzten 30 Tage.

Hier die Wirtschaftlichkeit: Marken, die ein oder zwei Custom Labels verwenden, erzielen durchschnittlich 3,2× ROAS bei $50k/Monat Ausgaben und stagnieren dann, weil sie keine gewinnenden Subsegmente von Durchschnittswerten isolieren können. Marken, die vier oder fünf Labels in einem koordinierten Schema betreiben, erzielen durchschnittlich 5,7× ROAS beim gleichen Ausgabenniveau und skalieren linear bis $200k/Monat, bevor sie auf die nächste Einschränkung stoßen (normalerweise Creative Fatigue oder Lagertiefe). Der Unterschied summiert sich auf Millionen an jährlichem Gewinn.

Quelle: Aggregierte Leistungsdaten von 47 Shopify Plus Konten, Jan–Dez 2025.

Marke A: Margin-Velocity Matrix (Custom Labels 0-2)

Marke A verkauft Premium-Activewear für Damen – Leggings, Sport-BHs, Oberbekleidung – mit 620 aktiven SKUs. Vor der Umstrukturierung führten sie eine einzelne Shopping-Kampagne mit Ziel-ROAS 4,0× über alle Produkte hinweg, gaben $85k/Monat bei 3,1× gemischtem ROAS aus. Hochmargen-Hero-Produkte (die $98 Sculpting-Leggings mit 58% Marge) wurden vom Impression Share ausgehungert, weil Googles Algorithmus die $48 Baumwoll-T-Shirts (22% Marge) bevorzugte, die 40% schneller konvertierten.

Ihr Growth Lead baute den Feed um eine Zwei-Achsen-Matrix neu auf:

Custom_label_0 – Margenstufe:

• Margin-Premium (≥50% Bruttomarge)
• Margin-Standard (30–49%)
• Margin-Builder (<30%, verwendet für Akquisition und Bundles)

Custom_label_1 – Velocity-Stufe (verkaufte Einheiten pro Woche, letzte 30 Tage):

• Velocity-Hero (≥50 Einheiten/Woche)
• Velocity-Steady (15–49 Einheiten/Woche)
• Velocity-Niche (<15 Einheiten/Woche)

Custom_label_2 – Lagerstatus:

• Stock-Abundant (≥60 Tage Reichweite)
• Stock-Moderate (20–59 Tage)
• Stock-Critical (<20 Tage)

Diese Matrix erzeugte neun primäre Segmente. Die Magie geschah beim Bieten:

• Margin-Premium + Velocity-Hero + Stock-Abundant: Separate Kampagne, Ziel-ROAS 3,5×, unbegrenztes Budget. Diese 47 SKUs generierten 61% des Gewinns bei 6,8× ROAS.
• Margin-Standard + Velocity-Steady: Ziel-ROAS 4,5×, $40k/Monat Budget-Cap.
• Margin-Builder + beliebige Velocity: Ziel-ROAS 2,0×, Budget begrenzt auf 15% der Gesamtausgaben, rein für Kalt-Akquisition verwendet, wissend, dass der echte Ertrag in Wiederholungskäufen liegt.

Innerhalb von 90 Tagen stieg der gemischte ROAS auf 5,3× bei $110k/Monat Ausgaben. Die Schlüsselerkenntnis: Velocity allein ist irreführend (schnell verkaufende Artikel mit geringer Marge sehen in Dashboards attraktiv aus), und Marge allein übersieht Durchbruchprodukte, die noch hochlaufen. Die Schnittstelle zeigt, wo man Treibstoff nachgießen sollte.

Sie automatisierten die Label-Zuweisung mit einer Google Sheets Formel, die an ihre Shopify Inventory API gebunden war. Jeden Morgen um 6 Uhr berechnet ein Skript die Unit Sales der letzten 30 Tage neu, vergleicht aktuellen Bestand mit durchschnittlichen Tagesverkäufen, zieht Kostendaten aus ihrem ERP und schreibt neue Custom Label Werte in einen Ergänzungsfeed, den MagicFeed Pro aufnimmt. Kein manuelles Tagging außer dem initialen Setup. MagicFeed Pros Feed-Anpassungs-Engine handhabt die Label-Verbreitung und hält das Merchant Center synchron, ohne Ablehnungen durch häufige Updates auszulösen.

Marke B: Saisonalität + Lagerumschlag Architektur

Marke B ist im Bereich Wohndekoration tätig – Decken, Kissen, Wandkunst, saisonale Kollektionen. Ihre Herausforderung: Produkte haben extrem unterschiedliche Nachfragekurven (Feiertagsartikel steigen im November um 900%, stürzen im Januar auf null ab), und sie führen $1,2M an Lagerbestand, der sich 4,2× pro Jahr dreht, was bedeutet, dass Kapital immer in langsameren SKUs gebunden ist.

Standard-Shopping-Kampagnen verbrannten Budget für nicht saisonale Lagerbestände, weil Googles Algorithmus nicht weiß, dass ein Samt-Kürbiskissen im März wertlos ist. Ihr Performance-Chef entwarf ein Saisonalitäts-Scoring-System, das in Custom Labels kodiert ist:

Custom_label_0 – Saisonkohorte:

• Season-Evergreen (ganzjährige Nachfrage, <15% MoM-Varianz)
• Season-Spring (Peak März–Mai)
• Season-Summer (Peak Juni–Aug)
• Season-Fall (Peak Sept–Nov)
• Season-Holiday (Peak Mitte Nov bis Dez)
• Season-Winter (Peak Jan–Feb, ohne Feiertage)

Custom_label_1 – Lagerumschlag-Velocity:

• Turn-Fast (≥6× jährliche Umdrehungen)
• Turn-Moderate (3–5,9× Umdrehungen)
• Turn-Slow (<3× Umdrehungen)

Custom_label_2 – Preisstufe (beeinflusst Warenkorbgröße und Conversion-Absicht):

• Price-Entry (<$30)
• Price-Core ($30–$79)
• Price-Premium (≥$80)

Custom_label_3 – Launch-Alter:

• Launch-New (<30 Tage seit Kataloghinzufügung)
• Launch-Current (31–120 Tage)
• Launch-Catalog (>120 Tage)

Jeden Monat verschieben sie Budgets:

• Im Oktober erhalten Season-Fall und Season-Holiday SKUs 70% des gesamten Shopping-Budgets mit Ziel-ROAS 4,0×.
• Season-Spring Artikel werden komplett pausiert oder in eine Discovery-Kampagne mit 10% des Budgets verschoben, Ziel-ROAS 8,0× (im Wesentlichen geparkt).
• Im März dreht sich das Skript um: Season-Spring auf 50% des Budgets, Season-Holiday pausiert.

Lagerumschlag-Labels ermöglichen es ihnen, langsame Dreher ohne Margenverlust abzubauen. Turn-Slow + Price-Premium Artikel gehen in eine separate Kampagne mit manuellem CPC-Gebot (kein Ziel-ROAS), Max CPC auf Break-even gesetzt, Impression Share auf 30% begrenzt. Das Ziel ist nicht Gewinn; es geht darum, $80k Kapital vor dem nächsten Einkauf wieder in Bargeld zu verwandeln.

Ergebnisse über 18 Monate: Lagerumschlag verbesserte sich von 4,2× auf 5,8×, wodurch $340k an Working Capital freigesetzt wurden. ROAS stabilisierte sich ganzjährig bei 4,9× (zuvor schwankte es von 7,2× im Nov auf 1,8× im Feb). Gesamte Werbeausgaben wuchsen von $62k/Monat auf $135k/Monat ohne zusätzliches Personal, weil Saisonalitäts-Labels die monatliche Neuausrichtung automatisierten, die zuvor zwei Analysten drei Tage kostete.

Ihr Skript lebt in einem Google Sheet, das mit BigQuery verbunden ist (sie exportieren Shopify-Bestelldaten nächtlich). Es berechnet die annualisierte Umschlagrate pro SKU, prüft das aktuelle Datum gegen einen Saisonalitätskalender (eine separate Registerkarte, die jede SKU Peak-Monaten zuordnet) und schreibt dann vier Custom Label Spalten. Das Sheet speist in ihren Shopify Store über die Shopify API ein und aktualisiert Produkt-Metafelder, die Custom Labels im Google Shopping Feed zugeordnet werden. Wir haben ähnliche Setups in unserem Feed-Optimierungsleitfaden detailliert beschrieben, der durch Metafeld-zu-Feed-Mapping für Shopify-Händler führt.

Marke C: LTV-basierte Segmentierung für Wiederholungskauf-Kategorien

Marke C stellt Premium-Hundeergänzungsmittel her – Kauartikel, Pulver, Öle – verkauft in einem Subscribe-and-Save-Modell. Durchschnittlicher Bestellwert: $64. Durchschnittlicher Customer Lifetime Value nach 12 Monaten: $780 (Kunden bestellen alle 6–8 Wochen nach). Das Geschäftsmodell bricht zusammen, wenn Sie Google Shopping für Erstbestell-ROAS optimieren; ein 2,5× Erstbestell-ROAS ist ein Homerun, wenn der echte Ertrag in neun nachfolgenden Bestellungen liegt.

Ihr VP of Growth baute Custom Labels um LTV-Kohorten herum auf, nicht um transaktionalen Gewinn:

Custom_label_0 – LTV-Stufe (basierend auf historischer Kohortenanalyse von SKU-Erstkäufern):

• LTV-Elite (12-Monats-LTV ≥ $900; Produkte, die die klebbrigsten Kunden anziehen)
• LTV-Strong ($600–$899)
• LTV-Standard ($400–$599)
• LTV-Acquisition (<$400; typischerweise Einzelkauf-Leckerlis, keine Kern-Supplements)

Custom_label_1 – Abo-Bindungsrate:

• Sub-High (≥60% der Käufer abonnieren bei Erstbestellung)
• Sub-Moderate (30–59%)
• Sub-Low (<30%)

Custom_label_2 – Wettbewerbsumfeld (beeinflusst Gebote gegen Kategorie-Leader wie Zesty Paws):

• Comp-Unique (proprietärer Inhaltsstoff, wenig Wettbewerb)
• Comp-Differentiated (wettbewerbsintensiver Raum, aber verteidigbare Positionierung)
• Comp-Commodity (preissensitive Kategorie)

Custom_label_3 – Wiederholungskauf-Intervall:

• Repeat-Short (durchschn. Nachbestellung alle 4–6 Wochen)
• Repeat-Medium (7–10 Wochen)
• Repeat-Long (≥11 Wochen oder Einzelkauf-Trend)

Der Durchbruch: Sie führen separate Kampagnen für jede LTV-Stufe mit radikal unterschiedlichen ROAS-Zielen.

• LTV-Elite + Sub-High: Ziel-ROAS 1,8× bei Erstbestellung, weil sie wissen, dass der $64-Verkauf sich in $920 über 12 Monate verwandelt. Budget unbegrenzt. Diese 23 SKUs geben $48k/Monat aus und scheinen im Google Ads Dashboard „Geld zu verlieren" (Erstbestell-ROAS 2,1×), aber Kohortenanalyse beweist, dass sie das mit Abstand profitabelste Segment sind.
• LTV-Standard + Sub-Moderate: Ziel-ROAS 3,0×, der Mittelweg.
• LTV-Acquisition + Sub-Low: Ziel-ROAS 5,0×, Budget begrenzt auf $8k/Monat. Verwendet für Top-of-Funnel-Traffic, der möglicherweise in E-Mail-Abonnenten konvertiert, nicht Kernumsatz.

Sie validieren LTV-Stufen vierteljährlich, indem sie Google Ads Conversion-Daten (mit der Bestell-ID als Schlüssel) mit Shopify-Kundendatensätzen in BigQuery verknüpfen und dann tatsächlichen 12-Monats-Umsatz pro Akquisitionsquelle und SKU berechnen. Die Analyse zeigt konsistent, dass SKUs in LTV-Elite 6,8× mehr Gewinn pro Neukunde liefern als LTV-Standard, selbst wenn der Erstbestell-ROAS 40% niedriger ist.

Bis Monat 16 dieser Struktur erreichten die Google Shopping Ausgaben der Marke $215k/Monat bei einem gemischten Erstbestell-ROAS von 3,4× (was mittelmäßig aussieht), aber einem echten 12-Monats-ROAS von 9,1×, wenn Sie Wiederholungskäufe berücksichtigen. Sie haben seitdem das Schema auf Meta Ads erweitert (mit denselben Custom Labels in ihrem Produktkatalog-Feed) und ähnliche Verbesserungen auf Kohortenebene gesehen.

Implementierungs-Blueprint: Aufbau Ihrer Label-Logik in Sheets/Scripts

Alle drei Marken folgten einem ähnlichen Implementierungsmuster. Hier ist der Schritt-für-Schritt-Blueprint, den wir aus der Arbeit mit 30+ Growth-Teams destilliert haben:

Schritt 1: Datensammlung (Woche 1) Exportieren Sie die letzten 90 Tage Bestellpositionen aus Shopify oder WooCommerce. Sie benötigen SKU, verkaufte Einheiten, Umsatz, Kosten (falls verfügbar), Bestelldatum, Kunden-ID. Ziehen Sie aktuelle Lagerbestände und Produktkosten aus Ihrem Lagerverwaltungssystem oder ERP. Wenn Sie Kosten nicht auf SKU-Ebene verfolgen, verwenden Sie Durchschnittswerte auf Kategorieebene – unvollkommen, aber funktional.

Schritt 2: Definieren Sie Ihr Label-Schema (Woche 1) Ordnen Sie Ihre Geschäftsprioritäten fünf Label-Slots zu. Fragen Sie:

• Welche Dimension würde es mir, wenn isoliert, ermöglichen, 2× höher auf die richtigen Produkte zu bieten? (Marge, LTV, Saison)
• Welche Dimension bewirkt, dass Produkte entgegengesetzte Strategien benötigen? (Neu vs. Katalog, hoher Umschlag vs. langsamer Umschlag)
• Welche Dimension verwalte ich derzeit manuell, die automatisiert werden könnte? (Lagerstatus, Launch-Kohorte)

Schreiben Sie 3–5 mögliche Werte pro Label auf. Weniger ist besser; Sie können immer erweitern. Für einen 500-SKU-Katalog sind 4 Labels × 4 Werte = 256 mögliche Kombinationen übertrieben. Streben Sie 4 Labels × 3 Werte = 81 Kombinationen an, wissend, dass die meisten SKUs sich in 12–15 dominanten Segmenten clustern werden.

Schritt 3: Aufbau der Berechnungslogik in Google Sheets (Woche 2) Erstellen Sie ein Master-Sheet mit einer Zeile pro SKU. Spalten: SKU, trailing_30d_units, trailing_90d_units, current_stock_qty, cost, price, margin_pct, avg_days_to_reorder (falls Abo-Modell), cohort_ltv (falls vorhanden). Fügen Sie fünf Spalten für custom_label_0 bis custom_label_4 hinzu.

Verwenden Sie verschachtelte IF oder IFS Formeln:

=IFS(
  margin_pct >= 0.50, "Margin-Premium",
  margin_pct >= 0.30, "Margin-Standard",
  margin_pct \< 0.30, "Margin-Builder"
)

Für Velocity:

=IFS(
  trailing_30d_units / 4 >= 50, "Velocity-Hero",
  trailing_30d_units / 4 >= 15, "Velocity-Steady",
  trailing_30d_units / 4 \< 15, "Velocity-Niche"
)

Für Lagerstatus (Tage Reichweite = current_stock_qty / durchschn. wöchentliche Verkäufe):

=IFS(
  current_stock_qty / (trailing_30d_units / 4) >= 8, "Stock-Abundant",
  current_stock_qty / (trailing_30d_units / 4) >= 3, "Stock-Moderate",
  current_stock_qty / (trailing_30d_units / 4) \< 3, "Stock-Critical"
)

Schritt 4: Automatisierung des Feed-Updates (Woche 2–3) Wenn Sie auf Shopify sind, ist die sauberste Methode das Aktualisieren von Produkt-Metafeldern über die Shopify API, dann das Zuordnen dieser Metafelder zu Custom Labels in Ihrer Google Shopping App (Shopify's Google-Kanal, DataFeedWatch oder ähnlich). MagicFeed Pro liest Metafelder automatisch und fügt sie in den Feed ein, ohne dass Sie einen separaten Ergänzungsfeed verwalten müssen.

Für WooCommerce oder benutzerdefinierte Plattformen generieren Sie einen Ergänzungsfeed als CSV (Spalten: id, custom_label_0, custom_label_1, custom_label_2, custom_label_3, custom_label_4) und laden ihn täglich ins Merchant Center hoch. Google führt Ergänzungsfeeds mit Ihrem Primärfeed zusammen, sodass Sie nicht den gesamten Katalog neu generieren müssen.

Verwenden Sie Google Apps Script (wenn Ihre Daten in Sheets leben) oder ein Python-Skript (wenn Sie aus BigQuery/Snowflake ziehen), um die Berechnungen täglich zu aktualisieren. Planen Sie es für 5 Uhr morgens Ortszeit, damit Labels vor Beginn der Tagesauktion aktualisiert werden. Practical Ecommerce hat eine solide Anleitung zur Apps Script Automatisierung für Feed-Management, wenn Sie neu im Scripting sind.

Schritt 5: Kampagnen umstrukturieren (Woche 3–4) Beginnen Sie mit Ihrem wichtigsten Segment. Für die meisten Marken ist das hohe Marge + hohe Velocity. Erstellen Sie eine neue Shopping-Kampagne (oder Performance Max Asset-Gruppe, wenn Sie auf PMax sind), setzen Sie den Produktfilter auf custom_label_0 = "Margin-Premium" AND custom_label_1 = "Velocity-Hero", wenden Sie einen aggressiven Ziel-ROAS an (20–30% unter Ihrem aktuellen gemischten ROAS) und geben Sie ihm 30% Ihres Gesamtbudgets.

Lassen Sie es 14 Tage laufen, um Daten zu sammeln, dann expandieren Sie. Fügen Sie eine zweite Kampagne für das nächst-prioritäre Segment hinzu. Innerhalb von 60 Tagen sollten Sie 5–8 Kampagnen haben, die Ihre Kern-Label-Kombinationen abdecken, plus eine Sammel-Kampagne für Randfälle.

Schritt 6: Überwachen und iterieren (Laufend) Wöchentlich: Prüfen Sie, ob ein Label systematisch unterperformt (ROAS <50% des Ziels für 21+ Tage). Oft bedeutet das, dass Ihre Label-Logik falsch ist – vielleicht haben Sie ein Produkt als „Velocity-Hero" markiert, basierend auf einem einmaligen viralen Spike, der jetzt vorbei ist.

Monatlich: Rekalibrieren Sie Label-Schwellenwerte. Wenn 80% Ihrer SKUs in Margin-Standard fallen, segmentieren Sie nicht; Sie benennen nur um. Passen Sie die Margengrenzen an, sodass Sie eine 40/40/20-Verteilung über Premium/Standard/Builder erhalten.

Vierteljährlich: Führen Sie LTV-Kohortenanalyse erneut aus (falls zutreffend) und Saisonal

Verwandte Artikel

google shopping

Zero-Click Shopping: Feeds für Googles Produkt-Wissens-Panel optimieren

Google zeigt jetzt bei 34 % der Produktanfragen Preis, Verfügbarkeit und Spezifikationen direkt in den Suchergebnissen an. Erfahren Sie, wie Sie Ihren Shopping-Feed und Schema-Markup optimieren, um das Wissens-Panel zu dominieren und die Sichtbarkeit bei Markensuchen zu schützen.

14. Mai 2026·17 min

google shopping

Performance Max Asset-Gruppen zerstören Ihren Feed: Eine 200.000-Dollar-Audit-Analyse

PMax kannibalisiert Shopping-Kampagnen durch Bewerbung von SKUs mit niedriger Marge, wenn Ihrem Feed die product_type-Hierarchie fehlt. Forensische Analyse und Fixes, die die meisten Agenturen übersehen.

14. Mai 2026·13 min

google shopping

7 Gründe, warum Ihre Google Shopping Anzeigen nicht konvertieren (und wie Sie sie beheben)

Ihre Impressionen sind in Ordnung, aber Ihre Conversion-Rate ist flach. Hier sind die 7 häufigsten Diagnosen – und die 30-Minuten-Lösung für jede – basierend auf Hunderten von E-Commerce-Audits.

8. Mai 2026·6 min