Amazon PPC von Grund auf neu denken — mit Antonio Ziemann

Jahrelang war der Goldstandard im Amazon PPC-Management grundlegend reaktiv. Werbetreibende zogen wöchentlich Massen-Dateien (Bulk Sheets), bewerteten die Verkaufsdaten der letzten 7 oder 14 Tage und passten Gebote manuell an, in dem verzweifelten Versuch, einen chaotischen Marktplatz in einen ordentlichen Ziel-ACoS (Advertising Cost of Sales) zu drängen. Es war ein Spiel mit Latenzen, bei dem menschliche Manager versuchten, mit Algorithmen Schritt zu halten. Heute hat die Infrastruktur der Amazon-Werbung einen Paradigmenwechsel erfahren. Die Einführung des Amazon Marketing Streams – ein Framework, das stündlich Leistungsdaten sendet, anstatt auf API-Abrufe zu warten – hat das Ökosystem der Verkäufer in zwei Lager gespalten: diejenigen, die immer noch mit verzögerten Durchschnittswerten arbeiten, und diejenigen, die Echtzeit-Mathematik auf Target-Basis nutzen. In einer kürzlichen Amazon Ads Real Talk-Sitzung setzte sich AMALYZE-Moderator Chris mit Antonio „Tony“ Ziemann zusammen, einem ehemaligen Militär-Daten-Puristen, der zum Senior-PPC-Strategen wurde, um zu analysieren, wie moderne Amazon-Werbung an dieser technologischen Front tatsächlich aussieht.

Von militärischer Präzision zur Target-basierten PPC-Automatisierung

Tony Ziemanns Ansatz für Amazon-Werbung ist stark von seinem Hintergrund geprägt. Mit fast militärischer Strenge bei der Kampagnenarchitektur behandelt Ziemann PPC nicht als kreative dunkle Kunst, sondern als eine Übung in struktureller Disziplin, Datenvertrauen und absoluter Transparenz. Bevor er stark in das Werbe-Ökosystem von AMALYZE migrierte, wurde Ziemann, wie viele Betreiber auf Agenturseite oder Freiberufler, Zeuge eines Marktplatzes, der in komplexen Benennungskonventionen, überlappenden Kampagnen und subjektiven Gebotsanpassungen basierend auf „Bauchgefühl“ ertrank.

Was Ziemann ursprünglich an der AMALYZE-Plattform reizte, war nicht nur das Versprechen der Automatisierung, sondern die Synergie aus zeitsparender Software gepaart mit einem agnostischen Ansatz zur Kampagnenstruktur.

„Der größte Vorteil für alle Seller und Betreiber, die Konten verwalten, war, dass ihre bestehende Struktur – abgesehen von einigen kritischen Kalibrierungen der Modifikatoren – in ihrer aktuellen Form übernommen und optimiert werden konnte“, stellte Ziemann fest. AMALYZE erzwingt keine proprietäre Benennungskonvention. Stattdessen verlässt es sich auf die Zuordnung von Targets über Drag-and-Drop-Mechanismen oder tiefgreifende Filterregeln. Ziemann sieht darin einen unmittelbaren Fortschritt: Die kognitive Belastung des Managers verlagert sich weg von der administrativen Kampagnenerstellung und direkt hin zur strategischen Zielgruppenansprache und Gebotsmathematik.

Die Macht der stündlichen Amazon Marketing Stream-Daten

Gibt es einen einzigartigen technologischen Vorsprung im aktuellen Amazon-Werbe-Ökosystem, so ist es die Integration des Amazon Marketing Streams. Die meisten herkömmlichen PPC-Tools funktionieren so, dass sie einmal am Tag oder bestenfalls alle paar Stunden Daten von der Amazon-API abrufen. Das bedeutet, dass Gebotsanpassungen auf einem geglätteten Durchschnitt der Tagesleistung vorgenommen werden.

AMALYZE geht dies ganz anders an und nutzt den Stream, um stündlich Echtzeit-Daten zu erhalten. Wie Chris während der Sitzung verriet, ist die Nutzung dieser Daten durch AMALYZE so aggressiv und effektiv, dass Amazon nach dem letztjährigen Prime Day formell anfragte, welche Methoden hinter dem immensen Wachstum der AMALYZE-Nutzer stecken.

Das Geheimnis? Eine Gebotselastizität innerhalb des Tages, die die Nachfrage der Verbraucher genau dann widerspiegelt, wenn sie auftritt.

Wenn das Suchvolumen und die Conversion-Geschwindigkeit um 19:00 Uhr sprunghaft ansteigen, wird ein Tool, das mit Tagesdurchschnittswerten arbeitet, die Gebote erst am nächsten Morgen anpassen – und damit die Welle komplett verpassen. Durch die Durchführung mathematischer Optimierungen auf stündlicher Basis erfasst das Tool die Absicht, während sie skaliert, und drosselt sie, wenn die Nachfrage nachlässt. Ziemann weist die Vorstellung, dass dies manuell repliziert werden könne, schnell zurück. „Ich habe LinkedIn-Posts von Leuten gesehen, die behaupten, sie würden die Daten des Marketing Streams manuell nutzen, um Entscheidungen zu treffen“, lachte er. „Es übersteigt Ihre Kapazität als Mensch, diese Art von Daten in diesem Zeitrahmen so genau zu verarbeiten.“

Das „Hockeyschläger“-Problem: Warum der durchschnittliche ACoS eine Lüge ist

Eine der hartnäckigsten Illusionen im Bereich Amazon PPC ist der ACoS auf Portfolio-Ebene. Viele Verkäufer schauen sich eine Anzeigengruppe an, die Tausende von Targets enthält, sehen einen durchschnittlichen ACoS von 20 % und erklären den Sieg. Chris weist darauf hin, dass diese aggregierte Sichtweise eine gefährliche „Hockeyschläger“-Kurve verborgener Ineffizienzen erzeugt.

In einem typischen Setup, das manuell oder durch einfache regelbasierte Tools verwaltet wird, könnte ein Werbetreibender diesen Durchschnittswert von 20 % erreichen, weil die Hälfte seiner Targets mit einem unglaublich profitablen ACoS von 4 % läuft, während die andere Hälfte bei einem ACoS von 300 % Geld verbrennt. Der Mix sieht akzeptabel aus, aber die zugrunde liegende Mechanik ist kaputt.

Durch die Festlegung einer pauschalen Gebotsstrategie, um einem aggregierten Durchschnitt hinterherzujagen, entzieht der Werbetreibende seinen profitabelsten Keywords das notwendige Budget und überlässt damit effektiv den Wettbewerbern den Marktanteil. Umgekehrt subventioniert er massive, ineffiziente Ausgaben für irrelevante Long-Tail-Suchbegriffe.

AMALYZE löst dies durch eine hyper-granulare Optimierung auf Target-Ebene. Jedem einzelnen Suchbegriff, jeder ASIN und jedem Kategorie-Target wird eine eigene mathematische Trajektorie zugewiesen, um das Ziel zu erreichen. Wenn ein Keyword bei einem Ziel von 20 % mit einem ACoS von 4 % konvertiert, wird das System die Gebote aggressiv erhöhen, massives Volumen generieren und Wettbewerber direkt angreifen, bis sich das Target bei 20 % normalisiert. Dies verändert die Marktpositionierung grundlegend von defensiv zu offensiv.

Das Paradoxon des Warenkorbwerts

Ein ausgeklügelter Gebotsalgorithmus ist nutzlos, wenn die zugrunde liegenden Daten falsch verstanden werden. Die grundlegende Gleichung für den ACoS lautet: Gebot / (Conversion Rate * Preis). Daher wirkt sich jede Schwankung des durchschnittlichen Warenkorbwerts direkt auf das zulässige Gebot aus.

Ziemann hebt einen kritischen Fehler hervor, den die meisten Verkäufer machen: die Gruppierung von Produktvarianten mit drastisch unterschiedlichen Preispunkten in einer einzigen Anzeigengruppe. Wenn Sie einen Premiumartikel für 100 € und ein Zubehörteil für 10 € in derselben Kampagne unterbringen, sind die Algorithmen blind für diesen Unterschied. Wenn ein Kunde auf eine Anzeige klickt, die für den 100-€-Artikel bestimmt war, aber den 10-€-Artikel kauft, wird die Conversion registriert, aber der ACoS schießt in die Höhe.

Wenn das System auf diese Conversion reagiert, indem es das Gebot für das Keyword erhöht, entsteht ein katastrophaler Kreislauf. Sie nehmen nun mit Premium-Geboten an der Auktion teil, konvertieren aber bei margenschwachem Zubehör. Ziemann forciert ein striktes Segmentierungsmodell und rät Verkäufern, ihre Produkte gnadenlos nach Preispunkt und Absicht zu analysieren, um sicherzustellen, dass die ACoS-Ziele mathematisch mit dem tatsächlich pro Klick generierten Umsatz übereinstimmen.

Zeitreisen im PPC: Dynamische Rückblick-Zeiträume

Amazon ist ein zutiefst zyklischer Marktplatz. Produkte leben und sterben durch saisonale Trends – von Grillausrüstung im Sommer bis hin zu Geschenken zum Valentinstag. Der historische Standard für PPC-Tools besteht darin, die Daten der letzten 30 oder 60 Tage zu betrachten, um Gebotsentscheidungen zu treffen. Aber was passiert mit einem Adventskalender für Weihnachten, der seit letztem Dezember nicht mehr verkauft wurde?

Die meisten Tools behandeln ihn im November als neues Produkt, beginnen mit niedrigen Geboten und zwingen den Verkäufer, eine „Optimierungssteuer“ zu zahlen, während der Algorithmus langsam frische Daten sammelt, um das neu zu lernen, was er eigentlich schon wusste.

AMALYZE umgeht dies durch die Nutzung von bis zu 365 Tagen historischer Daten. Darüber hinaus wird das Konzept der dynamischen und statischen Rückblick-Zeiträume (Lookback Windows) eingeführt. Wenn Sie Osterprodukte auf den Markt bringen, können Sie das System explizit anweisen, ausschließlich die 2,5 Monate Daten aus der Osterzeit des letzten Jahres zu betrachten.

„Es ist Wahnsinn“, bemerkte Chris. „Die Gebote kehren sofort auf das optimale Niveau zurück, das sie hatten, als die Kampagnen hocheffektiv waren, ohne dass wir Zeit und Geld investieren müssen, um den Markt 'neu zu lernen'. Die Daten lügen nicht, und das Suchverhalten der Verbraucher für diese Events ändert sich nicht.“

Ziemann pflichtet dem bei und behält die spezifische Segmentierung exakt für saisonale Ereignisse bei. Er legt extreme Ziele fest, die genau auf die historische Conversion Rate und den ACoS dieser spezifischen saisonalen Spitzen abgestimmt sind, sodass die Software im Ruhezustand verbleiben kann und dann mit Präzision zuschlägt, sobald der Kalender es verlangt.

Die Attributionslücke: Windeln vs. Saugroboter

Die vielleicht raffinierteste Nuance, die in der Real Talk-Sitzung diskutiert wurde, ist der Unterschied in der Kauf-Latenz, am besten illustriert durch die Analogie „Windeln vs. Saugroboter“.

Wenn ein Verbraucher nach Windeln sucht, ist die Kaufabsicht unmittelbar. Er klickt, er kauft innerhalb von 24 Stunden. Ein Saugroboter hingegen ist eine wohlüberlegte Anschaffung. Ein Nutzer klickt vielleicht am Dienstag auf eine Anzeige, sieht sich am Donnerstag eine Rezension an, wartet am Freitag auf seinen Gehaltsscheck und tätigt schließlich am Sonntag den Kauf.

Die API von Amazon weist die Verkaufsuordnung (Attribution) auf einer gleitenden Skala zu (1, 7, 14 und 30 Tage). Die meisten Standard-Tools bewerten den ACoS basierend auf dem unmittelbaren oder dem 7-Tage-Fenster. Das bedeutet, dass die Saugroboter-Kampagne am dritten Tag wie ein massiver Misserfolg aussieht, was herkömmliche Software dazu veranlasst, die Gebote drastisch zu senken, genau in dem Moment, in dem der Kunde seine endgültige Entscheidung trifft.

AMALYZE behandelt das Attributionsfenster als einen dreidimensionalen Steuerungshebel. Wenn ein Werbetreibender weiß, dass sein Produkt eine mehrtägige Entscheidungsphase hat, kann er die Software so einstellen, dass sie verzögerte Conversions erwartet.

Zum Beispiel: Eine Anzeige startet mit 150 Klicks und 5 Verkäufen (eine Conversion Rate von 3,3 %). Darauf basierend wird das optimale Gebot mit 0,17 € berechnet. Da das System jedoch weiß, dass es das 14-tägige Attributionsfenster abwarten muss, überwacht es die verzögerten Daten. Sechs Tage später werden zwei weitere Verkäufe dieser ersten Klick-Kohorte zugeordnet, wodurch die tatsächliche Conversion Rate auf 4,6 % steigt. Das System weiß nun, dass es profitabel 0,24 € hätte bieten können. Durch die explizite Anpassung der Attributionsparameter pro Target verhindert AMALYZE, dass Werbetreibende vorzeitig die Gebote für hochpreisige Produkte mit langer Entscheidungsdauer senken.

Taktischer Deep Dive: Sponsored Brands und Modifikatoren

Da sich der Marktplatz weiterentwickelt, wird der Platz auf den Suchergebnisseiten (SERPs) von Amazon zunehmend von Sponsored Brands (SB) und Sponsored Display (SD) dominiert. Ziemann hat seine Strategie entsprechend angepasst. Da die Kosten pro Bestellung (CPO) für Sponsored Brands aufgrund der Premium-Platzierung (Top-of-Search-Videos, benutzerdefinierte Bilder) in der Regel höher sind, ist Präzision oberstes Gebot.

Ziemanns Playbook für SB ist chirurgisch: „Ich richte Exact- und Phrase-Match-Kampagnen ein, um Suchbegriffe zu ernten, gleiche sie mit dem Search Query Performance-Bericht ab und segmentiere dann die drei am besten konvertierenden Keywords in Single-Keyword-Kampagnen.“

Die Kopplung von Single-Keyword-SB-Kampagnen mit benutzerdefinierten, an das Target angepassten Lifestyle-Bildern ergibt einen hochgradig defensiven, gut konvertierenden Funnel. Da AMALYZE nun auch Sponsored Brands-Daten über den Marketing Stream bezieht, können diese Premium-Platzierungen derselben unnachgiebigen stündlichen Optimierung unterzogen werden wie Standard-Produktkampagnen.

Dies erfordert jedoch ein tiefes Verständnis der Platzierungs-Modifikatoren von Amazon. Modifikatoren für „Oben in den Suchergebnissen“ oder „Produktseiten“ können Gebote um bis zu 900 % skalieren. Wenn ein Werbetreibender 1,00 € bietet, aber einen Modifikator von 400 % für „Oben in den Suchergebnissen“ hat, beträgt das tatsächliche Gebot 5,00 €. Da Modifikatoren auf Kampagnenebene angewendet werden, ist es finanzieller Selbstmord, sie leichtfertig auf Anzeigengruppen anzuwenden, die Dutzende von Keywords enthalten. Ziemann und Chris betonen, dass diese Multiplikatoren mathematisch in die Kern-ACoS-Ziele zurückgerechnet werden müssen, was hochgradig restriktive, isolierte Kampagnenstrukturen erfordert, um sie sicher auszuführen.

Widerlegung des „No ACoS“-Launch-Mythos

In der Amazon-Verkäufergemeinschaft ist es in Mode gekommen, für die Phase einer Produkteinführung einen „No ACoS“-Ansatz zu propagieren – die Idee dahinter ist, dass man wild ausgeben sollte, unabhängig von der Rentabilität, nur um Daten zu sammeln und das organische Ranking zu sichern.

Ziemann und Chris lehnen diese Prämisse grundlegend ab und sehen darin ein Missverständnis grundlegender betriebswirtschaftlicher Zusammenhänge. Wenn man eine Launch-Kampagne mit einem ACoS von 500 % fährt, um die Geschwindigkeit zu forcieren, was zu 10.000 € Mehrausgaben führt, verschwindet dieses Defizit nicht auf magische Weise, wenn der Launch endet.

Um ein Gleichgewicht zu erreichen, in dem das Produkt wirklich profitabel ist, muss der erforderliche ACoS nach der Markteinführung drastisch sinken – oft auf unhaltbare 10 % oder weniger –, nur um die Schulden der Markteinführung zurückzuzahlen. Durch die Integration des organischen Rank-Trackings (das AMALYZE gleichzeitig über mehr als 180 IP-Konfigurationen überwacht, um subjektive, Cookie-basierte SERP-Verzerrungen zu umgehen) direkt neben den PPC-Daten, bevorzugt Ziemann den Launch mit hohen, aber mathematisch fundierten Zielen. Ein Launch-Segment könnte auf einen ACoS von 100 % oder 150 % eingestellt sein, aber es bleibt eine kontrollierte Variable, die die langfristige Marge der SKU schützt.

Die Wirtschaftlichkeit der Automatisierung

Letztendlich scheitert die Nutzung fortschrittlicher Tools oft an den wahrgenommenen Kosten. Das Modell von AMALYZE berechnet derzeit 300 € pro Monat für Konten mit Werbeausgaben unter 10.000 € und pauschal 3 % für Ausgaben darüber.

Auf die Frage nach der Rentabilität, 300 € für ein Konto zu zahlen, das nur 5.000 € ausgibt, formulierte Chris die Gleichung um den Wert der Zeit eines Betreibers herum neu. Wenn die manuelle Verwaltung vier Stunden pro Woche in Anspruch nimmt, bewertet der Wechsel zu einem automatisierten, Stream-gesteuerten System diese Zeit mit nur 18 € pro Stunde. Wichtiger noch: Es befreit den Manager von den mühsamen Gebotsanpassungen und ermöglicht es ihm, sich auf Aktivitäten mit hoher Hebelwirkung zu konzentrieren: die Entwicklung von Creatives, die Expansion von Sponsored Display und die Portfoliostrategie. Es verändert die Denkweise von der administrativen Wartung hin zur aktiven Geschäftsentwicklung.

Ob man nun eine Marke mit 50 SKUs oder den derzeit größten Kunden von AMALYZE mit 1,2 Millionen SKUs verwaltet – das System bleibt strukturell agnostisch. Die Größe ist irrelevant; die Mathematik ist die gleiche.

Die Zukunft der Amazon-Platzierungen

Zum Ende der Sitzung äußerte Ziemann einen letzten Gedanken zur Entwicklung der Amazon-Werbung. Der Anzeigenraum wird immer dichter. Er prognostiziert, dass sich in den nächsten zwei bis drei Jahren die von Sponsored Display und Sponsored Brands eingenommenen Flächen weiterentwickeln werden, was potenziell völlig neue, marktplatzübergreifende oder tief integrierte Plattform-Platzierungen eröffnen wird, die wir heute noch nicht gesehen haben.

Damit Marken in dieser Zukunft überleben können, wird es nicht ausreichen, sich auf eine Woche alte Daten und Gebotsanpassungen nach Bauchgefühl zu verlassen. Der Marktplatz bewegt sich zu schnell. Er bewegt sich buchstäblich im Stundentakt. Und für diejenigen, die mit der richtigen Datenarchitektur ausgestattet sind, ist der Übergang von defensiven Ausgaben hin zur mathematisch abgesicherten Domination auf Target-Ebene bereits Realität.