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

Wir haben den März damit verbracht, drei achtstellige DTC-Marken zu analysieren – Möbel, Activewear, Hautpflege – alle mit hybriden PMax- und Standard-Shopping-Kampagnen. Alle drei Performance-Leiter hatten die gleiche Beschwerde: Das Budget verlagerte sich zu PMax, der ROAS sah akzeptabel aus, aber die Bruttomarge sank um 18-22% im Quartalsvergleich. Der Übeltäter war nicht das Bieten, die Creatives oder die Zielgruppensignale. Es war ihre Produktfeed-Architektur, und PMax Asset-Gruppen verstärkten jeden strukturellen Fehler in großem Maßstab.

Das 200.000-Dollar-Problem: Warum PMax unsere schlechtesten Produkte bewarb

Marke eins verkaufte modulare Möbel. Ihre Standard-Shopping-Kampagnen verwendeten Custom Labels, um Hero-SKUs (Sofas, 800+ Dollar AOV, 42% Marge) von Accessoires (Dekokissen, 35 Dollar AOV, 18% Marge) zu trennen. Performance Max startete im Januar mit einer einzigen Asset-Gruppe für „alle Produkte" und einem Feed ohne hierarchische product_type-Werte. Bis Mitte März gingen 67% der PMax-Ausgaben an Accessoires unter 50 Dollar. Der gesamte zusätzliche Umsatz sah gut aus – 340.000 Dollar – aber der Nettobeitrag nach Versand und Produktkosten betrug 61.000 Dollar. Das gleiche Budget in ihren pausierten Standard-Shopping-Kampagnen lieferte historisch 140.000 Dollar Beitrag.

Wir analysierten den Feed. Jedes Produkt hatte product_type auf den Shopify-Sammlungsnamen gesetzt: „Wohnzimmer", „Schlafzimmer", „Accessoires". Keine Taxonomie. Keine Eltern-Kind-Struktur. Laut Googles offizieller Asset-Gruppen-Dokumentation verwendet PMax product_type und google_product_category, um Produktbeziehungen zu verstehen und das Budget innerhalb von Asset-Gruppen zuzuweisen. Flache Kategorien bedeuten, dass der Algorithmus ein 900-Dollar-Sofa und ein 28-Dollar-Kissen als gleichwertig wertvolles Inventar in derselben Gruppe behandelt. Er optimiert auf Conversion-Volumen, nicht auf Marge, und Kissen konvertieren schneller bei niedrigeren CPCs.

Marke zwei – Activewear – hatte das umgekehrte Problem. Sie segmentierten Asset-Gruppen nach Geschlecht (Herren, Damen, Unisex), aber ihr product_type-Feld verknüpfte Stoff und Stil: „Feuchtigkeitsableitende Leggings", „Baumwoll-T-Shirts", „Kompressions-Shorts". Keine gemeinsamen Oberkategorien. PMax konnte „Leggings" nicht unter „Hosen" oder „T-Shirts" nicht unter „Oberteile" gruppieren, also behandelte es 140 Produktvarianten als 140 verschiedene Kategorien. Asset-Gruppen fragmentierten die Ausgaben über Mikrosegmente, keines erreichte die Lernphase. Der CPA stieg um 34% im Monatsvergleich, während Standard Shopping – mit Custom Labels wie label_0:high-margin – stabile Performance beibehielt.

Hier ist die Margenerosion, die wir bei allen drei Marken im Q1 2026 gesehen haben:

Der gemeinsame Nenner: Feeds strukturiert für menschliches Browsen (Shopify-Sammlungen, WooCommerce-Kategorien), aber nicht für algorithmische Segmentierung. Asset-Gruppen können sich nicht selbst regulieren ohne Feed-Gerüst.

Wie Asset-Gruppen schlechte Feed-Architektur übernehmen

Performance Max Asset-Gruppen sind nicht dumm. Sie erfassen Signale aus Ihrem Feed, Werbemitteln, Landing Pages und First-Party-Daten und verteilen dann das Budget dynamisch. Das Problem ist Müll rein, Müll raus. Wenn die Felder product_type, custom_label_0-4 und item_group_id Ihres Feeds keine Marge, Geschwindigkeit oder strategische Priorität kodieren, interpretiert PMax das gesamte Inventar als gleichwertig und optimiert für den Weg des geringsten Widerstands – normalerweise Low-AOV-Impulskäufe.

Wir sehen fünf Feed-Architekturfehler, die Asset-Gruppen sabotieren:

1. Flache oder fehlende product_type-Hierarchie. Einstufige Werte („Bekleidung") verhindern, dass PMax Produktbeziehungen versteht. Google empfiehlt bis zu fünf Ebenen: Bekleidung & Accessoires > Kleidung > Activewear > Leggings > High-Waisted.

2. Keine Custom Labels für Margenstufen. custom_label_0 sollte hohe/mittlere/niedrige Marge segmentieren. custom_label_1 kann Saisonalität oder Bestandsrisiko kodieren. Ohne diese kann PMax nicht zwischen einer Hero-SKU und einem Clearance-Artikel unterscheiden.

3. Inkonsistente item_group_id-Verwendung. Wenn Sie Varianten (Farbe, Größe) verkaufen, sollten alle Varianten eine item_group_id teilen und eindeutige id-Werte haben. Gebrochene Gruppierung führt dazu, dass PMax ein blaues und ein rotes Shirt als unabhängige Produkte behandelt und das Lernen fragmentiert.

4. Generische oder keyword-gestopfte Titel. Titel wie „Bio-Baumwoll-T-Shirt online kaufen bester Preis Premium" verwirren Asset-Gruppen-Themen-Clustering. PMax verwendet Titel-Semantik, um Produkte auf kreative Assets zu mappen. Keyword-Spam verschlechtert dieses Mapping.

5. Leere oder Platzhalter-description-Felder. Beschreibungen nähren PMax' Verständnis von Produktvorteilen und Anwendungsfällen. Eine 20-Wort-Generik-Beschreibung, die über 500 SKUs kopiert wurde, gibt dem Algorithmus nichts zur Differenzierung.

Der Möbel-Marken-Feed hatte Probleme 1, 2 und 5. Wir exportierten ihren Merchant Center Feed und führten ein schnelles Python-Audit durch:

import pandas as pd

df = pd.read_csv('product_feed.csv')

# Überprüfe product_type-Tiefe
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0  →  2.847 Zeilen (100% einstufig)

# Überprüfe Custom Labels
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0  2847, custom_label_1  2847 (alle leer)

# Überprüfe Beschreibungs-Einzigartigkeit
print(df['description'].nunique(), '/', len(df))
# Output: 23 / 2847 (23 einzigartige Beschreibungen über 2.847 SKUs)

Als wir ihren Feed umstrukturierten – fünfstufiges product_type hinzufügten, custom_label_0 mit Margen-Buckets befüllten und Beschreibungen mit KI-gesteuerter Produktkategorisierung neu schrieben – stabilisierte sich die PMax Asset-Gruppen-Performance innerhalb von zwei Wochen. High-Margin-Sofas eroberten 51% der Impressions zurück, und die Beitragsmarge erholte sich um 14 Prozentpunkte.

Die Product_Type-Hierarchie, die PMax tatsächlich braucht (mit Beispielen)

Googles Feed-Spezifikation erlaubt bis zu fünf Ebenen in product_type, getrennt durch >. Die meisten E-Commerce-Plattformen standardmäßig zwei oder drei basierend auf Storefront-Kategorien, aber PMax profitiert von tieferen, margenorientierten Hierarchien. So haben wir product_type für die drei Marken neu aufgebaut:

Möbel (vorher):

Wohnzimmer
Schlafzimmer
Accessoires

Möbel (nachher):

Möbel > Sitzgelegenheiten > Sofas > Ecksofa > Premium
Möbel > Sitzgelegenheiten > Stühle > Akzentstuhl > Mittelklasse
Möbel > Deko > Dekokissen > Dekorativ > Budget

Activewear (vorher):

Feuchtigkeitsableitende Leggings
Baumwoll-T-Shirts
Kompressions-Shorts

Activewear (nachher):

Bekleidung > Damen > Hosen > Leggings > High-Performance
Bekleidung > Damen > Oberteile > T-Shirts > Essentials
Bekleidung > Herren > Hosen > Shorts > Kompression

Hautpflege (vorher):

Feuchtigkeitscremes
Seren
Reiniger

Hautpflege (nachher):

Hautpflege > Gesicht > Feuchtigkeitscremes > Anti-Aging > Luxus
Hautpflege > Gesicht > Seren > Vitamin C > Kern
Hautpflege > Gesicht > Reiniger > Gel > Wert

Beachten Sie das Muster: Kategorie > Geschlecht oder Raum > Produkttyp > Stil oder Vorteil > Margen-Stufe. Die letzte Ebene kodiert explizit strategische Priorität (Premium, Kern, Budget oder Luxus, Mittelklasse, Wert). Dies ermöglicht es Ihnen, Asset-Gruppen nach Ebene-Vier-Werten zu erstellen und Ebene-Fünf zu verwenden, um die Budgetallokation über Smart-Bidding-Ziele zu steuern.

Wir füllten auch custom_label_0 mit Margen-Buckets und custom_label_1 mit Bestandsrisiko (Dauerhaft, Saisonal, Clearance). Kombiniert mit der neuen Hierarchie konnten PMax Asset-Gruppen sich selbst segmentieren ohne manuelle Listing-Gruppen-Ausschlüsse.

Eine wichtige Anmerkung: product_type ist Freitext, während google_product_category mit Googles Taxonomie übereinstimmen muss. Verwenden Sie product_type für strategische Segmentierung und google_product_category für Compliance. PMax liest beide, aber product_type hat mehr Gewicht für Asset-Gruppen-Targeting, weil es einzigartig für Ihren Katalog ist.

Audit-Checkliste: 8 Feed-Attribute, die PMax-Verhalten steuern

Wenn Sie vermuten, dass PMax Marge kannibalisiert, prüfen Sie diese acht Feed-Felder, bevor Sie Gebote oder Asset-Gruppen-Einstellungen anfassen. Wir verwenden diese Checkliste bei jedem Kunden-Onboarding:

Die Möbelmarke hatte kritische Probleme in Zeilen 1-4, mittlere Probleme in Zeilen 5-6. Die Activewear-Marke hatte kritische Probleme in Zeilen 1 und 3, plus ein einzigartiges Problem: ihre item_group_id verwendete SKU-Präfixe, die sich saisonal änderten, also wurden Frühling 2025 Leggings und Herbst 2025 Leggings als unabhängige Produkte behandelt. PMax konnte das Lernen nicht über Saisons übertragen.

Nach der Behebung dieser acht Attribute reichten wir Feeds beim Merchant Center ein und starteten PMax-Kampagnen mit umstrukturierten Asset-Gruppen neu. Die Hautpflegemarke sah die schnellste Wende – Margenwiederherstellung erreichte Breakeven in 11 Tagen – weil ihr Katalog am kleinsten (340 SKUs) und saubersten nach der Behebung war.

Für detaillierte Anleitungen zur Custom-Label-Strategie siehe unsere Aufschlüsselung darüber, wie DTC-Marken Custom Labels verwenden, um Werbeausgaben zu steuern. Dieser Beitrag enthält Label-Schema-Vorlagen für Abo-Produkte, Bundles und Margen-Risiko-Matrizen.

Kampagnenstruktur: Wann man PMax von Standard Shopping trennen sollte

Eine der häufigsten Fragen, die wir erhalten: Sollten wir PMax und Standard Shopping gleichzeitig laufen lassen oder zu PMax konsolidieren? Die Antwort hängt von Feed-Reife und Margenvarianz ab.

Führen Sie hybrid (PMax + Standard Shopping), wenn:

• Ihr Katalog hohe Margenvarianz hat (z.B. 10-50% Bruttomarge über SKUs). Standard Shopping mit manuellen Listing-Gruppen lässt Sie Hero-Produkte schützen.
• Sie granulare Kontrolle über Marken- vs. Non-Branded-Traffic benötigen. PMax kombiniert Suche, Shopping, Display, YouTube und Discover; Standard Shopping ist nur Shopping.
• Ihr Feed-Audit-Score <70/100 ist (unsere interne Benchmark: 8 Attribute × 10 Punkte je, Abzüge für fehlende/gebrochene Felder). Bereinigen Sie zuerst den Feed, dann konsolidieren.

Konsolidieren Sie zu PMax, wenn:

• Ihr Katalog margenhomogen ist (z.B. alle SKUs sind 35-45% Marge). PMax optimiert auf Umsatz ohne Margenrisiko.
• Sie qualitativ hochwertige Produktbilder, Video-Assets und genug Budget haben, um die Lernphase über Asset-Gruppen zu erreichen (500+$/Tag pro Gruppe).
• Ihr Feed hierarchisches product_type, befüllte Custom Labels und einzigartige Beschreibungen hat. PMax braucht diese, um sich effektiv selbst zu segmentieren.

Wir plädieren für einen phasenweisen Ansatz. Starten Sie hybrid, auch wenn Ihr Feed sauber ist. Verteilen Sie 60-70% des Budgets auf Standard Shopping und 30-40% auf PMax. Überwachen Sie den Margenbeitrag nach Kanal wöchentlich. Wenn PMax nach 30 Tagen und vier vollständigen Lernzyklen konsistent vergleichbare oder bessere Margeneffizienz liefert, verschieben Sie weitere 20pp Budget. Wenn die Marge sich verschlechtert, pausieren Sie PMax und diagnostizieren Sie Feed-Probleme, bevor Sie fortfahren.

Die Möbelmarke lief 60 Tage lang hybrid nach der Feed-Behebung. Am Tag 45 entsprach der PMax-Beitragsmarge dem Standard Shopping (39,2% vs. 39,8%), also wechselten sie zu 50/50. Am Tag 75 zog PMax voran (41,1% vs. 38,4%), und sie wechselten zu 70/30 zugunsten von PMax. Der Schlüssel: Sie konsolidierten nicht blind. Sie validierten Feed-Änderungen mit Daten.

Ein struktureller Fehler, den wir oft sehen: eine einzige „Alle Produkte"-PMax-Kampagne. Wenn Ihr Katalog mehrere Verticals oder Margen-Stufen umfasst, teilen Sie in 2-4 Asset-Gruppen mit nicht überlappenden product_type-Filtern. Zum Beispiel führte die Activewear-Marke drei Asset-Gruppen:

1. High-Margin Core (Leggings, Sport-BHs, Jogger): product_type enthält „High-Performance" oder „Kern", custom_label_0 = „High Margin"
2. Essentials (T-Shirts, Tanks, Socken): product_type enthält „Essentials", custom_label_0 = „Medium Margin"
3. Clearance/Saisonal (Letzte Saison-Farben, ausgelaufene Stile): custom_label_1 = „Clearance"

Jede Asset-Gruppe hatte unterschiedliche ROAS-Ziele (2,8×, 2,2×, 1,5×) und Creative-Sets, die verschiedene Wertversprechen betonten (Performance, Vielseitigkeit, Preis). Dies ließ PMax innerhalb von Margen-Leitplanken optimieren, anstatt hohe und niedrige AOV in einen einzigen Lern-Pool zu mischen.

Echte Zahlen: Margenwiederherstellung nach Feed-Umstrukturierung

Wir verfolgten alle drei Marken 90 Tage nach der Feed-Behebung. Hier ist der Margenbeitrags-Lift nach Woche, indexiert auf Woche null (Vor-Behebung-Baseline = 100):

Der durchschnittliche Margenbeitrag verbesserte sich bis Woche 12 um 29%. Die Möbelmarke – die die schlechteste anfängliche Feed-Qualität hatte – sah die größte absolute Erholung: von 61.000 $ auf 142.000 $ monatlicher Nettobeitrag bei den gleichen 88.000 $ PMax-Ausgaben. Das sind 81.000 $ monatliche Schwankung oder 972.000 $ annualisiert, allein durch Feed-Behebungen.

Wir verfolgten auch Nicht-PMax-Performance, um externe Faktoren (Saisonalität, Promo-Kalender) zu kontrollieren. Standard Shopping und Paid Social Beitrag blieben flach ±3pp, was bestätigt, dass der Lift PMax-spezifisch war. Der Mechanismus: Bessere product_type-Hierarchien ließen PMax Budget an höher-margige SKUs zuweisen, und einzigartige Beschreibungen + Titel verbesserten Ad-Relevanz-Scores, wodurch CPCs um 11-17% sanken.

Ein nicht offensichtlicher Vorteil: Der Kunden-LTV verbesserte sich. Wenn PMax High-Margin-SKUs bewirbt, gewinnen Sie Kunden durch bessere Produkte. Die PMax-beschafften Kunden der Möbelmarke hatten 18% höheren 180-Tage-LTV als Vor-Behebung-PMax-Kunden, wahrscheinlich weil Ecksofas (hohe Marge) überlegte Käufe sind, die einen Raum verankern, während Kissen (niedrige Marge) Impuls-Zusätze sind. Besserer Erstbestellungs-Produkt-Mix → stärkere Kundenkohorten.

Für Marken, die skeptisch gegenüber Feed-Investitionen sind, bieten wir ein kostenloses Audit an, das Ihren Feed auf die acht kritischen Attribute bewertet und das Margenwiederherstellungspotenzial schätzt. Der anfängliche Score der Möbelmarke war 28/100; nach der Behebung war er 91/100. Diese 63-Punkte-Verbesserung ermöglichte den 81.000-$-monatlichen Lift.

FAQ

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

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

Reverse-Engineering der auf Marge-Velocity, Saisonalität und LTV basierenden Custom Label Architekturen, mit denen drei DTC-Marken die $50k/Monat-Grenze durchbrochen und 8-stellige ROAS auf Google Shopping erreicht haben.

12. 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