Performance Max: Wann es funktioniert – und wann es Budget verbrennt

Performance Max

Performance Max kann stark sein. Oder sehr effizient Geld in die falsche Richtung bewegen.

Einleitung

Performance Max ist für viele Händler gleichzeitig Hoffnung und Ärgernis. Google verspricht Automatisierung, Reichweite und bessere Ergebnisse über alle Kanäle hinweg. In der Praxis sehen viele Shops aber vor allem eines: steigende Ausgaben und schwer verständliche Ergebnisse.

Das Problem ist nicht Performance Max an sich. Das Problem ist, dass viele Kampagnen ohne saubere Struktur, ohne klares Ziel und ohne gute Daten gestartet werden. Dann optimiert Google zwar, aber nicht unbedingt auf das, was wirtschaftlich sinnvoll ist.

PMax funktioniert am besten, wenn Feed, Conversion-Daten, Zielwerte, Produktpriorisierung und Margenlogik sauber sind. Fehlt diese Basis, kann die Kampagne Budget in Produkte, Suchanfragen oder Zielgruppen schieben, die zwar Umsatz bringen, aber keinen Gewinn.

Automatisierung ist kein Ersatz für Strategie. Sie verstärkt eine gute Struktur und verschlimmert eine schlechte. Praktisch wie ein sehr fleißiger Praktikant mit Firmenkreditkarte.

In diesem Artikel zeigen wir, wann Performance Max sinnvoll ist, wann es Budget verbrennt und wie du Kampagnen besser steuerst.

1. Wann Performance Max funktioniert

PMax funktioniert, wenn Google genügend saubere Signale bekommt und das Ziel wirtschaftlich sinnvoll definiert ist.

Worauf du achten solltest

• Sauberer Produktfeed.
• Genügend Conversion-Daten.
• Klarer Ziel-ROAS.
• Strukturierte Asset Groups.
• Gute Landingpages.
• Klare Produktpriorisierung.

2. Wann PMax Budget verbrennt

PMax wird riskant, wenn alle Produkte ungefiltert beworben werden und das System nicht zwischen profitabel und unprofitabel unterscheiden kann.

Worauf du achten solltest

• Alle Produkte in einer Kampagne.
• Keine Margenlabels.
• Schlechte Produktdaten.
• Falsche Conversion-Werte.
• Schwache Landingpages.
• Keine Auswertung nach Produktgruppe.

3. Der Produktfeed entscheidet

Bei Shopping-orientierten Kampagnen ist der Feed ein zentraler Hebel. Schlechte Daten führen zu schlechter Ausspielung.

Worauf du achten solltest

• Titel optimieren.
• Produkttypen pflegen.
• Bilder prüfen.
• Custom Labels nutzen.
• Nicht rentable Produkte trennen.
• Bestseller markieren.

4. Kampagnenstruktur nach Ziel

Nicht jede Produktgruppe sollte gleich behandelt werden. Bestseller, Margenprodukte und Tests brauchen unterschiedliche Logik.

Worauf du achten solltest

• Bestseller separat betrachten.
• Margenprodukte priorisieren.
• Low-Margin-Produkte begrenzen.
• Neue Produkte testen.
• Budgets bewusst verteilen.

5. Landingpages müssen verkaufen

PMax kann Nutzer bringen. Kaufen müssen sie im Shop. Schlechte Produktseiten ruinieren gute Kampagnen.

Worauf du achten solltest

• Produktseiten optimieren.
• Trust ergänzen.
• Mobile UX prüfen.
• CTA sichtbar machen.
• Lieferzeit klar kommunizieren.

6. Kontrolle trotz Automatisierung

Automatisierung bedeutet nicht Kontrollverlust. Du brauchst saubere Auswertung und klare Eingriffe.

Worauf du achten solltest

• Suchbegriffe indirekt prüfen.
• Produktperformance auswerten.
• Budgetverschiebungen beobachten.
• ROAS und DB vergleichen.
• Regelmäßig Feed bereinigen.

Überblick: Problem, Wirkung und Lösung

Problem	Auswirkung	Lösung
Gute Basis	PMax kann skalieren	Feed, Daten, Landingpages sauber
Schlechter Feed	Falsche Ausspielung	Produktdaten verbessern
Keine Marge	Umsatz ohne Gewinn	Custom Labels nutzen
Zu breite Struktur	Budget verteilt sich falsch	Produktgruppen trennen
Schwache Shop-Seiten	Klicks ohne Käufe	CRO zuerst

FAQ: Performance Max: Wann es funktioniert – und wann es Budget verbrennt

Ist Performance Max gut für Shopify?

Ja, wenn Feed, Conversion-Daten und Produktstruktur sauber sind.

Soll ich alle Produkte in PMax nehmen?

Meist nicht. Produkte sollten nach Profit, Nachfrage und Strategie priorisiert werden.

Warum schwankt PMax so stark?

Weil das System stark datengetrieben arbeitet und auf Signale, Budgets und Wettbewerb reagiert.

Was ist wichtiger: Feed oder Assets?

Für Shopping-lastige Shops ist der Feed oft der wichtigste Hebel.

Fazit

Der wichtigste Punkt ist einfach: Wachstum entsteht nicht durch einzelne Tricks, sondern durch ein System. Wenn Botschaft, Produktseiten, Vertrauen, Daten und Nutzerführung zusammenspielen, wird aus einem Shop ein Verkaufskanal. Wenn diese Basis fehlt, helfen auch mehr Budget, mehr Tools und mehr Traffic nur begrenzt.

Genau deshalb lohnt sich der kritische Blick auf die Stellen, an denen Nutzer aussteigen, zweifeln oder nicht verstehen, warum sie kaufen sollten. Dort liegt meistens der Umsatz, der heute schon möglich wäre.

Performance-Max-Struktur prüfen lassen

Die meisten Diskussionen im E-Commerce drehen sich um Traffic. Mehr Besucher, bessere Creatives, höhere Klickrate, bessere ROAS-Ziele in Kampagnen. Das wirkt logisch, weil Traffic messbar ist, schnell skaliert werden kann und von außen sichtbar ist. Gleichzeitig ist es aber auch die bequemste Stellschraube, weil sie nicht zwingend strukturelle Veränderungen im Unternehmen erfordert.

Wenn man sich jedoch reale Shopify-Shops anschaut, zeigt sich ein anderes Bild. Viele Shops haben bereits eine solide Nachfragebasis, sie generieren kontinuierlich Traffic über organische Suche, Paid Ads oder Social Media. Dennoch bleiben zentrale Kennzahlen unter den Erwartungen:

• Conversion Rates stagnieren oder schwanken stark
• Warenkörbe sind zu niedrig oder brechen häufig ab
• Marketingbudgets steigen, ohne dass die Profitabilität mitwächst
• Produkte verkaufen sich, aber nicht die richtigen

Das Problem liegt selten im Kanal selbst. Es liegt in der fehlenden Verbindung zwischen Shop, Daten, Marketing und Entscheidungslogik.

Ein typisches Setup sieht so aus:

• Der Shopify-Shop fungiert primär als Produktkatalog mit Checkout
• Kampagnen in Google Ads laufen weitgehend unabhängig
• CRM-Systeme wie Klaviyo sind vorhanden, aber nicht tief integriert
• Produktdaten sind unvollständig oder nicht strukturiert
• Entscheidungen werden manuell oder auf Basis von Erfahrungswerten getroffen

In diesem Umfeld wird KI oft als Lösung gesehen. Neue Tools werden integriert, Automationen aktiviert, Texte generiert. Das Ergebnis ist jedoch selten eine echte Verbesserung, sondern eher eine zusätzliche Ebene an Komplexität.

Die zentrale Erkenntnis ist unbequem, aber entscheidend:

KI ersetzt kein fehlendes System. Sie verstärkt nur das, was bereits vorhanden ist.

Wenn die Grundlage chaotisch ist, wird das Ergebnis nur schneller chaotisch.

Ein funktionierender Ansatz beginnt daher nicht bei Tools oder Features, sondern bei der Frage, wie ein Shop strukturiert sein muss, um überhaupt sinnvoll gesteuert werden zu können. Genau dieser systemische Ansatz steht im Mittelpunkt moderner E-Commerce-Setups, wie sie beispielsweise auf
https://bergmedia.com/
verfolgt werden.

---

Was KI im Shopify-Kontext wirklich bedeutet – und was nicht

Der Begriff „KI“ ist im E-Commerce inzwischen so weit gefasst, dass er alles und nichts bedeuten kann. In vielen Fällen wird er reduziert auf sichtbare, leicht verständliche Anwendungsfälle:

• automatische Erstellung von Produktbeschreibungen
• Generierung von Werbetexten
• Bildbearbeitung oder Visualisierung

Diese Anwendungen haben ihren Platz, aber sie berühren nur die Oberfläche dessen, was KI im E-Commerce tatsächlich leisten kann. Der eigentliche Mehrwert entsteht nicht auf der Content-Ebene, sondern auf der Ebene der Entscheidungsfindung.

Im Kontext eines Shopify-Systems bedeutet KI vor allem vier Dinge:

1. Automatisierte Entscheidungslogik

Statt manuell zu entscheiden, welche Produkte beworben werden, welche Budgets angepasst werden oder welche Kampagnen priorisiert werden, übernimmt ein System diese Entscheidungen auf Basis definierter Regeln und Daten.

2. Dynamische Priorisierung

Nicht alle Produkte sind gleich wertvoll. KI kann helfen zu erkennen, welche Produkte:

• hohe Margen haben
• stabil performen
• Wachstumspotenzial besitzen

und diese entsprechend priorisieren.

3. Mustererkennung über Zeit

Ein Mensch erkennt Trends oft verzögert. KI-Systeme können Muster schneller identifizieren, beispielsweise:

• saisonale Nachfrage
• wiederkehrende Kaufzyklen
• Veränderungen im Nutzerverhalten

4. Prognose und Szenarien

Auf Basis historischer Daten lassen sich Vorhersagen treffen:

• Welche Produkte werden sich wahrscheinlich besser verkaufen?
• Wo lohnt sich eine Budgeterhöhung?
• Welche Segmente reagieren besonders gut auf bestimmte Maßnahmen?

All diese Funktionen setzen jedoch eines voraus: eine saubere, strukturierte Datenbasis.

Ohne diese Grundlage bleibt KI oberflächlich. Sie produziert Outputs, aber keine echten Entscheidungen. Genau deshalb ist der Aufbau einer klaren Daten- und Systemstruktur die Voraussetzung für jede sinnvolle KI-Integration.

---

Das strukturelle Kernproblem: Fehlende Steuerungslogik im Shop

Viele Shopify-Shops wachsen historisch. Produkte werden hinzugefügt, Kategorien erweitert, Kampagnen gestartet. Mit der Zeit entsteht ein System, das funktioniert, aber nicht bewusst gesteuert wird.

Ein klassisches Beispiel:

Ein Shop hat mehrere hundert oder tausend Produkte im Sortiment. Diese unterscheiden sich erheblich in Bezug auf:

• Marge
• Nachfrage
• Wettbewerb
• Lagerbestand
• strategische Bedeutung

Trotzdem werden sie im Marketing oft gleich behandelt.

Im Produktfeed für das
Google Merchant Center
landen alle Produkte mit denselben grundlegenden Informationen. In Kampagnen werden sie gemeinsam ausgespielt, ohne klare Differenzierung.

Das führt zu mehreren Problemen:

• Budget wird auf Produkte verteilt, die wirtschaftlich wenig sinnvoll sind
• Produkte mit hohem Potenzial werden nicht ausreichend gepusht
• Kampagnen lassen sich schwer optimieren, weil keine klare Segmentierung vorliegt

Ein konkretes Szenario:

• Produkt A hat eine Marge von 5%
• Produkt B hat eine Marge von 25%
• Produkt C liegt irgendwo dazwischen

Wenn alle drei Produkte gleich behandelt werden, kann es passieren, dass Produkt A durch höhere Nachfrage mehr Budget erhält, obwohl es kaum profitabel ist. Gleichzeitig bleibt Produkt B unterrepräsentiert, obwohl es deutlich wertvoller wäre.

Das System optimiert dann auf Umsatz oder Klicks, aber nicht auf Profitabilität.

Genau hier setzt eine saubere Steuerungslogik an.

---

Vom Shopify-Shop zum steuerbaren System

Ein Shopify-Shop kann auf zwei Arten betrieben werden.

Variante 1: Der Shop als Katalog

• Produkte werden eingestellt
• Kampagnen werden manuell gesteuert
• Entscheidungen basieren auf Erfahrung

Diese Variante funktioniert bis zu einem gewissen Punkt, skaliert aber schlecht.

Variante 2: Der Shop als System

Hier wird Shopify nicht nur als Verkaufsplattform genutzt, sondern als zentrale Daten- und Steuerungsinstanz.

Ein solches System verbindet mehrere Ebenen:

• Produktdaten (Shopify)
• Automatisierung (Shopify Flow)
• Marketing (Google Ads)
• CRM (Klaviyo)
• Integrationen (Make)

Typischer Stack:

• Shopify als zentrale Plattform
• Shopify Flow für Logik und Automatisierung
• Make für systemübergreifende Prozesse (https://www.make.com/en)
• Google Ads für Performance Marketing
• Klaviyo für CRM und Kundenbindung

Der Unterschied liegt nicht in den Tools selbst, sondern darin, wie sie miteinander verbunden sind.

Ein gut aufgebautes System sorgt dafür, dass:

• Daten zentral gepflegt werden
• Änderungen automatisch weitergegeben werden
• Kampagnen auf Basis dieser Daten gesteuert werden

Genau dieser Ansatz wird auch in strukturierten E-Commerce-Projekten verfolgt, wie sie etwa unter
https://bergmedia.com/#leistungen
beschrieben werden.

---

Shopify Flow: Automatisierung als Grundlage für Skalierung

Viele Händler nutzen Shopify Flow nur oberflächlich. Typische Anwendungsfälle sind:

• E-Mail-Benachrichtigungen
• einfache Trigger bei Bestellungen

Das ist funktional, aber weit entfernt von dem, was möglich ist.

Shopify Flow ist im Kern eine Regel-Engine. Sie erlaubt es, Logiken zu definieren, die automatisch ausgeführt werden, sobald bestimmte Bedingungen erfüllt sind.

Das grundlegende Prinzip ist einfach:

Trigger → Bedingung → Aktion

Der entscheidende Punkt ist jedoch, was man damit steuert.

Statt nur Prozesse zu automatisieren, kann Shopify Flow genutzt werden, um:

• Produktdaten dynamisch zu klassifizieren
• Prioritäten zu setzen
• Entscheidungen vorzubereiten

Beispielsweise kann ein Flow:

• erkennen, wenn sich der Preis eines Produkts ändert
• darauf basierend die Marge neu bewerten
• ein entsprechendes Metafield setzen

Diese Information kann dann in anderen Systemen weiterverwendet werden.

Damit wird aus einer simplen Automation eine zentrale Steuerungskomponente.

---

Metafields: Das unsichtbare Rückgrat der Steuerung

Metafields sind einer der am meisten unterschätzten Bestandteile eines Shopify-Systems. Viele Shops nutzen sie gar nicht oder nur für zusätzliche Informationen auf Produktseiten.

In Wirklichkeit sind Metafields jedoch das Bindeglied zwischen:

• Shop
• Automatisierung
• Marketing

Sie ermöglichen es, strukturierte Informationen zu speichern, die über die Standarddaten hinausgehen.

Beispiele für sinnvolle Metafields:

• margin_level (low, medium, high)
• priority (push, neutral, reduce)
• stock_status (low, ok)
• performance_tag (bestseller, slow mover)

Diese Felder werden nicht manuell gepflegt, sondern automatisch über Shopify Flow gesetzt.

Der Vorteil:

• Daten sind konsistent
• Logiken sind nachvollziehbar
• Systeme können darauf zugreifen

Ohne Metafields fehlt die Grundlage für jede weiterführende Automatisierung.

---

Metafields als Basis für Kampagnensteuerung in Google Ads

Der eigentliche Mehrwert entsteht, wenn diese Metafields nicht im Shop bleiben, sondern in Marketing-Systeme überführt werden.

Im
Google Merchant Center
können zusätzliche Attribute wie Custom Labels genutzt werden, um Produkte zu segmentieren.

Typisches Mapping:

• margin_level → custom_label_0
• priority → custom_label_1
• performance_tag → custom_label_2

Dadurch wird der Produktfeed nicht nur eine Liste von Artikeln, sondern ein Steuerungsinstrument.

In
Google Ads
können diese Labels genutzt werden, um Kampagnen gezielt aufzubauen:

• Kampagnen für High-Margin-Produkte
• Kampagnen für Bestseller
• reduzierte Ausspielung für Low-Performer

Das Ergebnis ist eine deutlich präzisere Steuerung des Budgets.

---

Fazit dieses Abschnitts (bevor du wieder denkst „reicht doch jetzt“)

Der entscheidende Unterschied zwischen durchschnittlichen und gut performenden Shopify-Shops liegt nicht in einzelnen Maßnahmen, sondern in der Struktur des Systems.

• Ohne Datenstruktur keine Automatisierung
• Ohne Automatisierung keine Skalierung
• Ohne Skalierung keine nachhaltige Profitabilität

KI spielt in diesem Kontext eine wichtige Rolle, aber erst dann, wenn das Fundament steht.

Alles andere ist nur Kosmetik.