Performance-Max zerstört deinen Feed: $200k Audit

Im März analysierten wir drei achtstellige DTC-Marken—Möbel, Activewear, Hautpflege—alle mit hybriden PMax- und Standard-Shopping-Kampagnen. Dieselbe Beschwerde von allen drei Leistungschefs: Das Budget verschob sich zu PMax, die ROAS sah akzeptabel aus, aber die Bruttomarge sank um 18–22 % gegenüber dem Vorquartal. Der Schuldige war nicht Gebotsstrategie, Kreativität oder Audience-Signale. Es war ihre Produkt-Feed-Architektur, und PMax-Asset-Groups verstärkten jeden strukturellen Mangel im großen Maßstab.

Das $200k-Problem: Warum PMax unsere schlechtesten Produkte bewarb

Brand eins verkaufte modulare Möbel. Ihre Standard-Shopping-Kampagnen nutzten benutzerdefinierte Labels, um Hero-SKUs (Sofas, $800+ AOV, 42% Marge) von Accessoires (Dekokissen, $35 AOV, 18% Marge) zu trennen. Performance Max startete im Januar mit einer einzelnen Asset-Group für „alle Produkte" und einem Feed ohne hierarchische product_type-Werte. Bis Mitte März gingen 67 % der PMax-Ausgaben an Accessoires unter $50. Der gesamte zusätzliche Umsatz sah gut aus—$340k—aber der Nettobeitrag nach Erfüllung und Produktkosten betrug nur $61k. Das gleiche Budget in ihren pausierten Standard-Shopping-Kampagnen lieferte historisch $140k Beitrag.

Wir prüften den Feed. Jedes Produkt hatte product_type auf den Shopify-Sammlungsnamen gesetzt: „Wohnzimmer", „Schlafzimmer", „Accessoires". Keine Taxonomie. Keine Parent-Child-Struktur. Gemäß Googles offizieller Asset-Group-Dokumentation nutzt PMax product_type und google_product_category, um Produktbeziehungen zu verstehen und das Budget innerhalb von Asset-Groups zu verteilen. Flache Kategorien bedeuten, dass der Algorithmus ein $900-Sectional und ein $28-Kissen als gleichwertig wertvolle Bestände in derselben Gruppe behandelt. Er optimiert für Konvertierungsvolumen, nicht für Marge, und Kissen konvertieren schneller bei niedrigeren CPCs.

Brand zwei—Activewear—hatte das inverse Problem. Sie segmentierten Asset-Groups nach Geschlecht (Herren, Damen, Unisex), aber ihr product_type-Feld kombinierte Stoff und Stil: „Feuchtigkeitsableitende Leggings", „Baumwoll-T-Shirts", „Kompressionsshorts". Keine gemeinsamen Parent-Kategorien. PMax konnte „Leggings" nicht unter „Bottoms" oder „T-Shirts" unter „Tops" gruppieren, also behandelte es 140 Produktvarianten als 140 unterschiedliche Kategorien. Asset-Groups fragmentierten Ausgaben über Mikro-Segmente, keines erreichte die Lernphase. CPA stieg 34 % Monat für Monat, während Standard Shopping—mit benutzerdefinierten Labels wie label_0:high-margin—stabile Performance hielt.

Hier ist die Margin-Erosion, die wir bei allen drei Marken in Q1 2026 sahen:

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

Wie Asset-Groups schlechte Feed-Architektur erben

Performance-Max-Asset-Groups sind nicht dumm. Sie zeigen Signale aus deinem Feed, Anzeigenkreativen, Landing Pages und Erstanbieter-Daten auf und verteilen dann das Budget dynamisch. Das Problem ist Garbage in, Garbage out. Wenn deine Feed-Felder product_type, custom_label_0-4 und item_group_id Marge, Geschwindigkeit oder strategische Priorität nicht kodieren, interpretiert PMax alle Bestände als gleich und optimiert für den Weg des geringsten Widerstands—meist niedrig-AOV Impulskäufe.

Wir sehen fünf Feed-Architektur-Fehler, die Asset-Groups sabotieren:

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

2. Keine benutzerdefinierten Labels für Margen-Stufen. custom_label_0 sollte High/Medium/Low-Marge segmentieren. custom_label_1 kann Saisonalität oder Bestandsrisiko kodieren. Ohne diese kann PMax nicht zwischen einer Hero-SKU und einer Clearance-Artikel unterscheiden.

3. Inkonsistente item_group_id-Nutzung. Wenn du Varianten (Farbe, Größe) verkaufst, sollten alle Varianten eine item_group_id teilen und eindeutige id-Werte haben. Defekte Gruppierung verursacht, dass PMax ein blaues Shirt und ein rotes Shirt als unabhängige Produkte behandelt, was das Learning fragmentiert.

4. Generische oder Keyword-gepolsterte Titel. Titel wie „Kaufen Sie Premium-Bio-Baumwoll-T-Shirt Online bester Preis" verwirren Asset-Group-Thema-Clustering. PMax nutzt Titel-Semantik, um Produkte zu Kreativmitteln zu mappen. Keyword-Spam verschlechtert diese Zuordnung.

5. Leere oder Platzhalter-description-Felder. Beschreibungen unterstützen PMax's Verständnis von Produktvorteilen und Anwendungsfällen. Eine 20-Wort-Generalbeschreibung über 500 SKUs kopiert gibt dem Algorithmus nichts zum Differenzieren.

Der Möbel-Brand hatte Probleme in Punkten 1, 2 und 5. Wir exportierten seinen Merchant-Center-Feed und führten eine schnelle Python-Audit durch:

import pandas as pd

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

# Check product_type depth
df['pt_levels'] = df['product_type'].str.count('>') + 1
print(df['pt_levels'].value_counts())
# Output: 1.0 → 2,847 rows (100% single-level)

# Check for custom labels
print(df[['custom_label_0','custom_label_1']].isna().sum())
# Output: custom_label_0 2847, custom_label_1 2847 (all empty)

# Check description uniqueness
print(df['description'].nunique(), '/', len(df))
# Output: 23 / 2847 (23 unique descriptions across 2,847 SKUs)

Als wir ihren Feed umstrukturierten—fünfebenenige product_type hinzufügten, custom_label_0 mit Margen-Buckets füllten und Beschreibungen mit KI-gestützter Produktkategorisierung umschrieben—stabilisierte sich die PMax-Asset-Group-Performance innerhalb von zwei Wochen. High-Margin-Sofas zurückgefordert 51% der Impressionen, 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, begrenzt durch >. Die meisten E-Commerce-Plattformen standardisieren auf zwei oder drei basierend auf Storefront-Kategorien, aber PMax profitiert von tieferen, Margen-bewussten Hierarchien. So strukturierten wir product_type für die drei Marken um:

Möbel (vorher):

Wohnzimmer
Schlafzimmer
Accessoires

Möbel (nachher):

Möbel > Sitzmöbel > Sofas > Sectional > Premium
Möbel > Sitzmöbel > Stühle > Accent > Mid-Tier
Möbel > Dekoration > Dekokissen > Dekorativ > Budget

Activewear (vorher):

Feuchtigkeitsableitende Leggings
Baumwoll-T-Shirts
Kompressionsshorts

Activewear (nachher):

Kleidung > Damen > Bottoms > Leggings > High-Performance
Kleidung > Damen > Tops > T-Shirts > Essentials
Kleidung > Herren > Bottoms > Shorts > Compression

Hautpflege (vorher):

Feuchtigkeitscremes
Seren
Reiniger

Hautpflege (nachher):

Hautpflege > Gesicht > Feuchtigkeitscremes > Anti-Aging > Luxury
Hautpflege > Gesicht > Seren > Vitamin C > Core
Hautpflege > Gesicht > Reiniger > Gel > Value

Beachte das Muster: Kategorie > Geschlecht oder Raum > Produkttyp > Stil oder Vorteil > Margen-Stufe. Die letzte Ebene kodiert explizit die strategische Priorität (Premium, Core, Budget oder Luxury, Mid-Tier, Value). Dies lässt dich Asset-Groups nach Level-vier-Werten erstellen und Level-fünf nutzen, um Budget-Zuteilung über Smart-Bidding-Ziele zu steuern.

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

Ein wichtiger Hinweis: product_type ist Freitext, während google_product_category mit Googles Taxonomie übereinstimmen muss. Nutze product_type für strategische Segmentierung und google_product_category für Compliance. PMax liest beide, aber product_type trägt mehr Gewicht für Asset-Group-Targeting, weil es einzigartig für deinen Katalog ist.

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

Wenn du verdächtigst, dass PMax Marge kanibalisiert, prüfe diese acht Feed-Felder, bevor du Gebote oder Asset-Group-Einstellungen anfasst. Wir nutzen diese Checkliste bei jedem Kunden-Onboarding:

Der Möbel-Brand hatte kritische Probleme in Zeilen 1–4, mittlere in Zeilen 5–6. Der Activewear-Brand hatte kritische in Zeilen 1 und 3, plus ein einzigartiges Problem: ihre item_group_id nutzte SKU-Präfixe, die sich saisonal änderten, also waren Frühjahrs-2025-Leggings und Herbst-2025-Leggings unabhängige Produkte. PMax konnte Learning nicht über Jahreszeiten hinweg übertragen.

Nach Behebung dieser acht Attribute schrieben wir Feeds zu Merchant Center und relaunchten PMax-Kampagnen mit umstrukturierten Asset-Groups. Der Hautpflege-Brand sah die schnellste Rückgewinnung—Margen-Recovery traf Break-even in 11 Tagen—weil sein Katalog kleinster (340 SKUs) und sauberster nach dem Fix war.

Für detaillierte Anleitung zu Custom-Label-Strategie siehe unser Breakdown, wie DTC-Marken Custom Labels nutzen, um Ad Spend zu steuern. Dieser Beitrag enthält Label-Schema-Vorlagen für Abonnement-Produkte, Bundles und Margen-Risiko-Matrizen.

Kampagnen-Struktur: Wann man PMax von Standard Shopping trennt

Eine der häufigsten Fragen, die wir erhalten: Sollten wir PMax und Standard Shopping simultan ausführen oder in PMax konsolidieren? Die Antwort hängt von Feed-Reife und Margen-Varianz ab.

Hybrid ausführen (PMax + Standard Shopping) wenn:

• Dein Katalog hohe Margen-Varianz hat (z. B. 10–50% Bruttomarge über SKUs). Standard Shopping mit manuellen Listing-Groups lässt dich Hero-Produkte schützen.
• Du granulare Kontrolle über Branded- vs. Non-Branded-Traffic brauchst. PMax kombiniert Search, Shopping, Display, YouTube und Discover; Standard Shopping ist nur Shopping.
• Dein Feed-Audit-Score ist <70/100 (unser interner Benchmark: 8 Attribute × 10 Punkte je, Abzüge für fehlende/kaputte Felder). Räume zuerst den Feed auf, dann konsolidiere.

In PMax konsolidieren wenn:

• Dein Katalog Margen-homogen ist (z. B. alle SKUs sind 35–45% Marge). PMax optimiert für Umsatz ohne Margenrisiko.
• Du hochwertige Produktbilder, Video-Assets und ausreichend Budget hast, um Lernphase über Asset-Groups zu treffen ($500+/Tag pro Group).
• Dein Feed hat hierarchische product_type, gefüllte Custom Labels und eindeutige Beschreibungen. PMax braucht diese, um sich selbst zu segmentieren.

Wir empfehlen einen Phasen-Ansatz. Starten hybrid, auch wenn dein Feed sauber ist. Teile 60–70% des Budgets zu Standard Shopping und 30–40% zu PMax. Überwache Margen-Beitrag nach Channel wöchentlich. Wenn PMax konsistent vergleichbare oder bessere Margen-Effizienz nach 30 Tagen und vier vollständigen Lernzyklen liefert, verschiebe weitere 20pp Budget. Wenn Marge sinkt, pausiere PMax und diagnostiziere Feed-Probleme, bevor du weitermachst.

Der Möbel-Brand lief hybrid für 60 Tage nach Feed-Fix. Bei Tag 45 matching PMax-Beitragsmarge Standard Shopping (39,2 % vs. 39,8 %), also wechselten sie zu 50/50. Bei Tag 75 zog PMax vorne (41,1 % vs. 38,4 %), und sie wechselten zu 70/30 zugunsten von PMax. Das Schlüssel: Sie konsolidierten nicht blind. Sie validierten Feed-Änderungen mit Daten.

Ein struktureller Fehler, den wir oft sehen: Single-„all products"-PMax-Kampagne laufen. Wenn dein Katalog mehrere Verticals oder Margen-Stufen umfasst, teile in 2–4 Asset-Groups mit nicht-überlappenden product_type-Filtern. Zum Beispiel lief der Activewear-Brand drei Asset-Groups:

1. High-Margin Core (Leggings, Sports Bras, Joggers): product_type enthält „High-Performance" oder „Core", custom_label_0 = „High Margin"
2. Essentials (T-Shirts, Tanks, Socken): product_type enthält „Essentials", custom_label_0 = „Medium Margin"
3. Clearance/Seasonal (Farben der letzten Saison, eingestellte Styles): custom_label_1 = „Clearance"

Jede Asset-Group hatte unterschiedliche ROAS-Ziele (2,8×, 2,2×, 1,5×) und Kreativ-Sets, die unterschiedliche Wertaussagen betonten (Performance, Vielseitigkeit, Preis). Dies ließ PMax innerhalb Margen-Guardrails optimieren, statt High und Low AOV in einem einzigen Learning-Pool zu mischen.

Echte Zahlen: Margen-Recovery nach Feed-Umstrukturierung

Wir verfolgten alle drei Marken 90 Tage nach Feed-Fix. Hier ist die Margen-Beitrag-Steigerung pro Woche, indexiert auf Woche null (Pre-Fix-Baseline = 100):

Durchschnittlicher Margen-Beitrag verbesserte sich um 29% bei Woche 12. Der Möbel-Brand—mit der schlechtesten initialen Feed-Qualität—sah die größte absolute Wiederherstellung: von $61k auf $142k monatlicher Nettobeitrag auf die gleichen $88k PMax-Ausgaben. Das ist ein $81k monatlicher Swing, oder $972k annualisiert, nur aus Feed-Fixes.

Wir verfolgten auch Non-PMax-Performance, um externe Faktoren zu kontrollieren (Saisonalität, Promo-Kalender). Standard Shopping und Paid-Social-Beitrag blieb flach ±3pp, was bestätigte, dass der Lift PMax-spezifisch war. Der Mechanismus: Bessere product_type-Hierarchien lassen PMax Budget zu höher-Margen-SKUs verteilen, und eindeutige Beschreibungen + Titel verbesserten Ad-Relevanz-Scores, CPCs um 11–17% senkend.

Ein nicht-offensichtlicher Vorteil: Kunden-LTV verbesserte sich. Wenn PMax High-Margin-SKUs bewirbt, akquirierst du Kunden durch bessere Produkte. Die PMax-sourced Kunden des Möbel-Brands hatten 18% höheres 180-Tage-LTV als Pre-Fix-PMax-Kunden, wahrscheinlich weil Sectionals (hohe Marge) kaufen, die einen Raum verankern, während Kissen (niedrige Marge) Impulskäufe sind. Besserer erstes-Bestell-Produkt-Mix → stärkere Kunden-Kohorten.

Für Marken, skeptisch zum Feed-Investment, bieten wir kostenloses Audit an, das deinen Feed auf die acht kritischen Attribute scored und Margen-Recovery-Potenzial schätzt. Der Möbel-Brand's initialer Score war 28/100; nach Fix war es 91/100. Diese 63-Punkt-Verbesserung entsperrte die $81k monatliche Steigerung.

FAQ

Verwandte Artikel

google shopping

Google Shopping Seitenpanel – Produktmerkmale optimieren

Google Shopping Seitenpanel Produktmerkmale werden wortwörtlich angezeigt — nutzen Sie die 4-teilige ABPD-Bullet-Formel, um die CTR um 22 %+ zu steigern.

20. Mai 2026·10 min

google shopping

Shopify-Metafelder: PMax-Signale für bessere Feed-Performance

Shopify-Metafelder für Google Shopping erschließen PMax-Signale, die Konkurrenten übersehen. Material-, Zertifizierungs- und Bundle-Daten für schnellere Impressions-Anteile.

18. Mai 2026·11 min

google shopping

Zero-Click Shopping: Wissensbereich-Optimierung

Google zeigt Preis, Verfügbarkeit und Spezifikationen direkt in Suchergebnissen für 34% der Produktabfragen. Optimieren Sie Ihren Shopping-Feed und Schema-Markup, um den Wissensbereich zu kontrollieren und die Sichtbarkeit der Markensuche zu schützen.

14. Mai 2026·16 min