4 Wege, um Performance Max 2026 zu optimieren

Es gibt 4 Wege, Performance Max aufzusetzen – von einfach bis fortgeschritten. Die wirkungsvollste Strategie, oft als Campaign Orchestration bezeichnet, geht über statische Kampagnenstrukturen hinaus. Anstatt Produkte manuell nach Kategorien oder fixen Margen zu gruppieren, behandelt dieser Ansatz Ihr Sortiment als ein fließendes Ökosystem. Er nutzt Dynamic Segments, um Produkte automatisch und in Echtzeit zwischen verschiedenen Kampagnen und Budget-Pools zu verschieben – basierend auf Live-Signalen wie Lagerdruck, Preisänderungen der Konkurrenz oder Deckungsbeitrag. So richtet sich Ihr Werbebudget immer an Ihrer aktuellen Geschäftsrealität aus, nicht an den Zielen von gestern.

Hinweis: Dieser Artikel wurde ursprünglich im Januar 2025 von Irene Ehrengruber veröffentlicht und im Januar 2026 von smec aktualisiert.

Was? Noch ein „How to PMax“-Artikel? Ja – aber das hier ist der umfassendste, den Sie bisher gelesen haben! Allein 2025 haben wir über 1.000 Kampagnen für unsere Kunden:innen aufgesetzt und dabei unsere PMax-Optimierungstechniken weiter verfeinert, um profitables E-Commerce-Wachstum voranzutreiben.

Dieser Artikel ist nicht nur ein Leitfaden; er ist ein Blick hinter die Kulissen, wie Sie die KI für maximale Wirkung steuern. Also gehen wir es durch:

„Sollte ich Performance Max 2026 nutzen?“

Ja. Performance Max hat seit seiner Einführung 2022 einen weiten Weg zurückgelegt. Google hat mehrere neue und äußerst nützliche Reporting- und Steuerungshebel eingeführt, die es zur leistungsstärksten Google-Ads-Lösung machen, die heute verfügbar ist. In seiner Fähigkeit, Umsatz zu steigern und Kund:innen über das gesamte Google-Inventar hinweg zu erreichen, ist es unübertroffen.

Doch nicht alles ist perfekt. Auch wenn es nicht mehr fair ist, PMax eine Black Box zu nennen, fehlen ihm nach wie vor mehrere entscheidende Steuerungsmechanismen aus dem Standard Shopping, die das Setup zu einer kleinen Knobelaufgabe machen. Sein hoher Automatisierungsgrad bedeutet, dass es Ihnen Out-of-the-Box keine Kontrolle auf Artikelebene bietet.

Doch wie Sie in diesem Leitfaden sehen werden, können Sie PMax sehr wohl den nötigen Daten-Boost geben, um diese Kontrolle zurückzugewinnen. In diesem Sinne ist PMax zu einem Spiegel geworden. Ein Spiegel für Ihre Fähigkeit, Googles Algorithmus zu steuern. Es spiegelt die Daten wider, mit denen Sie es füttern. Wenn Sie lernen, es zu meistern, erreichen Sie nahezu dieselbe Kontrolle, die Sie aus dem Standard Shopping schätzen – gepaart mit der herausragenden Reichweite von Performance Max.

Verbessern mehr PMax-Kampagnen die Kontrolle?

Entgegen der landläufigen Meinung verringern mehr Kampagnen oft die Kontrolle, weil sie die Datendichte verwässern. Unsere Analyse zeigt: Verteilt man Conversion-Daten auf zu viele granulare Kampagnen, hindert das den Algorithmus daran, effektiv zu lernen – häufig mit schlechteren tROAS-Ergebnissen als Folge. Echte Kontrolle in der PMax-Optimierung entsteht nicht durch eine maximale Anzahl an Kampagnen, sondern durch smarte Strukturen, die Segmentierung und ausreichendes Datenvolumen pro Kampagne in Balance halten.

Werfen Sie einen Blick auf die unterperformenden Abschnitte der Balken oben: Kampagnen mit unzureichenden Daten haben Mühe, ihre Ziele zu erreichen. Sie geben damit im Grunde Ihre gesamte Kontrolle an PMax ab und haben keinen Einfluss mehr darauf, welche Produkte ausgespielt werden – und wo und wie aggressiv. Wollen Sie das wirklich?

Die zentrale Erkenntnis? Bei der PMax-Optimierung geht es nicht darum, mehr Kampagnen zu erstellen, sondern smartere Strukturen zu bauen, die Datendichte und Segmentierung in Balance bringen.

Was sind die besten PMax-Kampagnenstrukturen für 2026?

Die wirkungsvollsten PMax-Strukturen für 2026 reichen von einfachen Setups bis zu fortgeschrittenen Dynamic Segments. Während Einsteiger-Strategien auf einzelne Kampagnen oder statische, margenbasierte Cluster setzen, nutzt der optimale Ansatz Campaign Orchestration, um Produkte dynamisch zu verschieben – basierend auf Echtzeit-Geschäftskontext wie Lagerbestand und prognostizierter Profitabilität.

Wir haben vier gängige Ansätze zur Strukturierung von PMax-Kampagnen identifiziert, die von Einsteiger-Setups bis zu fortgeschrittenen, datengetriebenen Strategien reichen.

Ganz gleich, ob Sie gerade erst beginnen oder Ihr bestehendes Setup verfeinern wollen – das Verständnis dieser Methoden hilft Ihnen, das volle Potenzial von PMax zu erschließen:

Worst Case: 1 Kampagne = Black Box

Das ist Googles Lieblings-Ausgangspunkt für die PMax-Optimierung: eine einzige Full-Funnel-Kampagne, bei der Sie ein Budget festlegen, einen tROAS hinzufügen und sich zurücklehnen. Es ist simpel und bringt Sie ans Laufen, aber hier liegt der Haken – es berücksichtigt nicht Ihre individuellen Geschäftsanforderungen.

Google optimiert Auktion für Auktion und nutzt dabei nur die Daten, die es sehen kann. Das führt oft dazu, dass eine Handvoll überdurchschnittlich starker Produkte das Werbebudget und den Umsatz dominiert. Geht einer dieser „Heroes“ aus dem Bestand, kann Ihre Performance abstürzen.

Wann dieser Ansatz für Sie funktioniert:

• Sie sind neu in der PMax-Optimierung und wollen erste Erkenntnisse sammeln.
• Ihr Produktkatalog ist klein und übersichtlich.

Wenn Sie große Kataloge haben und/oder auf langfristiges Wachstum setzen, ist das nur ein Zwischenschritt.

Bad Case: 1-dimensionale Segmentierung

Bei diesem Setup kann die PMax-Optimierung aus dem Ruder laufen. Produkte nach einem einzigen Attribut zu segmentieren – etwa nach Margen oder historischer Performance – klingt clever, schafft aber oft mehr Probleme, als es löst.

Unter einer 1-dimensionalen Segmentierung verstehen wir zwei verschiedene Szenarien:

• Kampagnen, die auf 1 Attribut im Feed aufbauen (z. B. hohe/mittlere/niedrige Marge)
• Kampagnen, die lediglich die Performance-Snapshots einer Item-ID nutzen, um Produkte zu clustern (Sie werden später eine 2-D-Matrix sehen, die wir nach wie vor als 1-dimensionale Segmentierung betrachten 🤯)

Behalten wir im Hinterkopf, dass wir die KI auf profitable Weise steuern wollen. Da fragen Sie sich vielleicht, warum ein Kampagnen-Setup, das Produkte mit ähnlichen Margen zusammenfasst, nur wenig mit Profitabilität zu tun hat?

#1: Kampagnen, die auf 1 Attribut im Feed aufbauen

Bei den meisten von uns analysierten Händlern (z. B. durch Anpassung des Pixels mit Conversions inklusive Warenkorbdaten) ist uns aufgefallen, dass rund 50 % der geklickten Produkte entweder gar nicht gekauft oder gemeinsam mit anderen Produkten erworben wurden.

Das bedeutet: Die Marge der geklickten Produkte ist in den meisten Fällen etwas völlig anderes als die tatsächliche Warenkorbmarge. Wenn Sie nun Produkte mit hohen Margen pushen (die – seien wir ehrlich – oft nicht die attraktivsten Produkte in Ihrem Sortiment sind), führt das schlicht zu mehr Klicks auf eben diese Produkte.

Was danach im Shop passiert, liegt komplett außerhalb der Reichweite einer PPC-Kampagne.

Und hier kommt noch ein weiteres Problem: Nur weil Sie Produkte nach Marge clustern, heißt das nicht, dass diese Produkte gefragt, relevant oder saisonal aktuell sind. E-Commerce-Erfolg wird nicht von einer einzigen Kennzahl getrieben – er wird von Konsumverhalten, Markttrends, Saisonalität und Lagerdynamik beeinflusst.

Eine 1-dimensionale Sichtweise vernachlässigt diese Komplexität und führt zu Kampagnen, die bei Käufer:innen nicht ankommen.

#2: Kampagnen mit dem Snapshot einer Item-ID:

Die anderen Möglichkeiten der 1-dimensionalen Segmentierung sind Frameworks, bei denen Sie Produkte nach Volumen und Effizienz clustern, häufig per Script.

Sie definieren einen Schwellenwert, ab dem Sie ein Produkt als hoch/niedrig in der Effizienz und hoch/niedrig im Volumen einstufen, und landen am Ende bei 4 verschiedenen Gruppen.

Das führt dazu, dass 80–90 % der Produkte mit wenig Daten in Kampagne #1 landen, 1–3 % in Kampagne #4, die dann ein überproportional hohes/niedriges Budget erhalten – und die Longtail-Produkte ihrem Schicksal überlassen werden.

Wann dieser Ansatz für Sie funktioniert:

• Sie fokussieren sich auf kurzfristigen ROAS statt auf strategisches Wachstum.
• Ihrem PMax-Optimierungsprozess fehlt der Zugang zu differenzierteren Daten.

Wenn das einschränkend klingt, dann weil es das ist. Also machen wir es smarter:

Ok Case: PMax-Scoring auf Basis von Business-Daten

Hier wird die PMax-Optimierung allmählich smarter. Doch warum brauchen wir überhaupt Business-Daten in der Kampagnenstruktur? Nun, manche Kennzahlen sind für Kund:innen, Heads of Ecommerce, CFOs oder Google Ads schlicht wichtiger als andere. Es ist also unsere Aufgabe als PPC-Manager:innen, die KI in die richtige Richtung zu steuern.

Schritt 1:

Denken Sie über die Natur Ihres Geschäfts nach und fügen Sie relevante Daten über Custom Labels in Ihren Data Feed ein:

• Welche USPs schätzen Ihre Kund:innen?
• Welche Kennzahlen bringen Ihre Kolleg:innen im Controlling auf?
• Was sagt Google Ads über die bisherige Performance?

Denken Sie an Bruttomarge, Lagerverfügbarkeit oder saisonale Nachfrage – allesamt Faktoren, die im E-Commerce zählen, aber für den Algorithmus nicht sichtbar sind.

Schritt 2:

Als Nächstes brauchen Sie die Daten in einem (Google) Spreadsheet, um die Gewichtung zu definieren. Jedes Ihrer Produkte erhält einen numerischen Score, und Sie können diese Information dann an Google senden, um im Merchant Center ein Custom Label zu erstellen. Diese Custom Labels können Sie nutzen, wenn Sie in Google Ads PMax-Kampagnen und ihre Listing-Gruppen anlegen.

Wenn Sie dieses Script einmal täglich laufen lassen und etwas Fallback-Logik ergänzen, kann dieser Ansatz einen vorübergehenden Schub bringen, indem er die KI auf Produktebene mit mehr geschäftsrelevanten Informationen füttert.

Aber beschönigen wir nichts: Die Daten für Tausende Produkte täglich zu aktualisieren, ist eine zermürbende und fehleranfällige Aufgabe. Es ist ein manueller, zeitintensiver Prozess, der unter der Last der Skalierung zusammenbrechen kann.

Irgendwann stoßen Sie unweigerlich an eine Wand – nicht nur an die Grenzen des Spreadsheets, sondern auch an den Aufwand, der nötig ist, um die Daten korrekt und aktuell zu halten. Über die Beschränkung von 4 Custom Labels hinauszuwachsen oder zusätzliche Kennzahlen einzubinden, wird zum Kraftakt.

Wann dieser Ansatz für Sie funktioniert:

• Sie haben ein Team, das mit Datentools und Scripting vertraut ist.
• Sie haben begonnen, Business-Kennzahlen in Ihre PMax-Kampagnen zu integrieren.

Dieser Ansatz mag als Übergangslösung funktionieren, ist aber alles andere als robust oder nachhaltig für Unternehmen mit größeren Katalogen oder langfristigen Zielen.

Best Case: Campaign Orchestration

Die Königsdisziplin der PMax-Optimierung liegt nicht allein im Segmentieren, sondern in der Orchestrierung.

Die technische Realität von PMax: Statische Segmente sind in dem Moment veraltet, in dem sie hochgeladen werden. Lagerbestände schwanken, Wettbewerber passen ihre Preise an, und Nachfragekurven verschieben sich im Stundentakt. Um die KI wirklich zu steuern, müssen Sie ein Setup entwerfen, in dem sich die Produkte selbst bewegen.

Das erfordert den Schritt weg von simplen Feed-Attributen hin zu Campaign Orchestration – einem multidimensionalen System, das Produkte in Echtzeit bewertet. So funktioniert die technische Architektur:

Schritt 1: Der einheitliche Daten-Layer

Sie können nicht auf Basis von Daten segmentieren, die Sie nicht haben. Der erste Schritt ist die Aggregation verschiedener Datenquellen in einer einzigen „Master-Feed“-Ebene. Das geht über das Merchant Center hinaus. Sie müssen zusammenführen:

• ERP-Daten: Echtzeit-Lagertiefe, Retourenquoten pro SKU und Deckungsbeiträge (nicht nur COGS).
• Wettbewerbsintelligenz: Preisabstände (z. B. „Bin ich günstiger als Amazon?“).
• Google-Ads-Daten: Historische Conversion Rates und verlorener Impression Share (Budget).

Schritt 2: Das multidimensionale Scoring-Modell

Statt eines binären „Hohe Marge“-Flags berechnen Sie für jede Item-ID einen gewichteten Index. Hier findet Multi-Dimensional Segmentation statt. Sie erstellen eine Formel, die Ihre strategischen Prioritäten gewichtet.

• Beispiel: Produkt-Score = (Bruttomarge % * X) + (Stock Velocity * X) + (Preiswettbewerbsfähigkeit * X)

Das erzeugt für jedes einzelne Produkt einen dynamischen Score (z. B. von 1 bis 100). Idealerweise täglich oder sogar stündlich aktualisiert.

Step 3: Dynamische Custom-Label-Injektion

Dieser Score wird dann per API auf die Custom Labels in Ihrem Merchant-Center-Feed gemappt.

• Score 80–100 → Label 0: „Margin Drivers“ (Hohe Marge, hoher Bestand, wettbewerbsfähiger Preis)
• Score 50–79 → Label 0: „High Potential“ (Gute Marge, braucht Sichtbarkeit)
• Score 0–49 → Label 0: „Low Potential“ (Niedrige Marge, hohe Retourenquote)

Schritt 4: Die Kampagnen-Matrix

In Google Ads müssen Sie Listing-Gruppen aufbauen, die auf diese spezifischen Labels abzielen. Der Zauber passiert in der Schleife: Sinkt der Bestand eines Produkts oder verbessert sich seine Marge, ändert sich sein Score. Die API aktualisiert das Custom Label.

Das Produkt verlässt automatisch die „Low Potential“-Kampagne und wandert in die „Margin Drivers“-Kampagne – wo es sofort ein höheres Budget und ein aggressiveres tROAS-Ziel erbt.

Die technische Hürde: Versuchen Sie das nicht in Excel

Auf dem Papier ist diese Architektur makellos. In der Praxis ist es für die meisten In-house-Teams nahezu unmöglich, das in Eigenregie („DIY“) zu bauen. Warum? Weil das Aufrechterhalten einer Live-Verbindung zwischen Ihrem ERP, Ihrem Pricing-Tool und der Content API for Shopping Engineering auf Enterprise-Niveau erfordert.

Komplexe Scores für 50.000 SKUs zu berechnen und Updates stündlich zu pushen, stößt an API-Rate-Limits, sorgt für Albträume bei der Versionskontrolle und erzeugt enorme Wartungsschulden.

Die Lösung: spezialisierte PPC-Tech

Genau deshalb erfordert Campaign Orchestration eine spezialisierte Infrastruktur. Tools wie der smec Campaign Orchestrator sind dafür gebaut, diese Schwerstarbeit zu übernehmen – sie integrieren die Daten, berechnen die prädiktiven Scores (mithilfe von SmartScoreAI) und automatisieren die API-Pushes.

So können Sie sich auf die Strategie konzentrieren, nicht auf die Pflege von Scripts.

Wann dieser Ansatz für Sie funktioniert:

• Sie sind bereit, in fortgeschrittene Tools zu investieren oder mit Expert:innen zusammenzuarbeiten, die auf PMax-Optimierung spezialisiert sind.
• Sie wollen das volle Potenzial Ihrer Kampagnen durch datengetriebene Strategien erschließen.
• Sie wollen, dass Ihre Kampagnen Profit und Strategie widerspiegeln – nicht nur Umsatz.

PMax-Optimierung: Wie geht’s weiter?

Bei der PMax-Optimierung geht es nicht nur darum, Kampagnen aufzusetzen – es geht darum, sie kontinuierlich zu verbessern. Die erfolgreichsten Advertiser fokussieren sich darauf, PMax mit überlegenen Daten zu füttern, den Algorithmus strategisch zu lenken und ihren Ansatz über die Zeit zu verfeinern.

Bei smec haben wir uns darauf spezialisiert, PMax in einen Wachstumsmotor zu verwandeln. Von dynamischer, multidimensionaler Segmentierung bis zur prädiktiven Budget-Allokation helfen wir E-Commerce-Unternehmen, neue Chancen zu erschließen und nachhaltigen Erfolg zu erzielen.

Bereit, PMax zu meistern?

Lassen Sie Ihre Kampagnen sich nicht mit dem Durchschnitt zufriedengeben. Vereinbaren Sie einen Termin mit unseren Expert:innen und entdecken Sie, wie smartere Strategien und datengetriebene Insights Ihr Geschäft voranbringen.

Verwandeln wir Ihre Herausforderungen in Wachstumschancen.