Neue Keywords für Amazon PPC finden: Ein reproduzierbarer Prozess für Seller und Vendoren

Klassisches „Keyword Harvesting" in Amazon Advertising ist faktisch tot. Viele Seller verlassen sich noch immer auf Standard-Search-Term-Reports, um Performance-Winner periodisch von Auto- in Manual-Kampagnen zu migrieren. Dieser reaktive Ansatz erzeugt Datensilos, verschwendet Budget und scheitert an den granularen Komplexitäten des modernen Amazon PPC. Für echte Skalierbarkeit müssen Advertiser auf ein empfehlungsbasiertes System umstellen, das sofortige Steuerbarkeit und systematisches Quellenausschöpfen priorisiert.

Warum klassisches Keyword Harvesting überholt ist

Das klassische Harvesting-Modell folgt einem linearen, langsamen Pfad: Ein Search Term taucht in einer Auto-Kampagne auf, erreicht irgendwann eine Erfolgsschwelle (z. B. fünf Sales), und der Advertiser verschiebt ihn dann in eine Broad-Match-Kampagne. Wochen später rückt er vielleicht zu Phrase vor, schließlich zu Exact.

Dieser Prozess ist fundamental fehlerhaft, weil er die Natur der gesammelten Daten ignoriert. Wenn ein Kunde auf einen bestimmten Search Term in einer Auto-Kampagne konvertiert, hat man soeben „Exact"-Daten für dieses spezifische Target gesammelt. Wochenlang darauf zu warten, diesen Term durch einen Broad-zu-Exact-Funnel zu bewegen, ist Zeit- und Geldverschwendung. Außerdem konzentriert sich Standard-Harvesting oft nur auf „Winner" und lässt unterperformende Search Terms weiter Budget in der Auto-Kampagne verbrennen, anstatt sie zu isolieren und zu korrigieren.

Das moderne Ziel ist nicht nur, neue Keywords zu finden, sondern „die Quellen auszutrocknen". Das bedeutet: Jedes relevante Target in einer Auto- oder Broad-Kampagne identifizieren und in eine steuerbare Einheit überführen, wo der Bid präzise nach individueller Performance gemanagt werden kann.

Die Logik des simultanen Transfers

Eine ausgereifte PPC-Strategie übergeht den traditionellen Funnel zugunsten eines simultanen Transfers. Wenn ein relevantes Target mit ausreichend Daten identifiziert wird, sollte es gleichzeitig in Broad-, Phrase- und Exact-Match-Typen überführt werden.

Der Grund liegt in der Datenpräzision. Wenn der Search Term „blauer Stift" konvertiert, kennt man seine exakte Performance. Durch die sofortige Platzierung in einer Exact-Match-Ad-Group gewinnt man 100 % Kontrolle über den Bid für diesen spezifischen Term. Durch gleichzeitige Platzierung in Broad und Phrase (mit entsprechenden Negativ-Match-Typen zur Vermeidung von Kannibalisierung) erlaubt man dem System, weiterhin Variationen zu erkunden (z. B. „blaue Stifte für Schüler"), ohne die Effizienz des ursprünglich entdeckten Terms zu verlieren.

Das Problem regelbasierter Starrheit

Viele Tools nutzen willkürliche Regeln: „Wenn Klicks > 10 und Sales > 1, dann Keyword transferieren." Diese Logik berücksichtigt den tatsächlichen Target ACOS nicht. Ein Keyword mit nur zwei Sales und einem ACOS von 5 % ist ein enormer Gewinn, der sofort gepusht werden sollte – viele Harvesting-Regeln ignorieren es aber. Umgekehrt muss ein Keyword mit 20 Sales aber 80 % ACOS genauso schnell isoliert werden – nicht um gelöscht zu werden, sondern um per Bid-Anpassung auf das gewünschte Target gebracht zu werden.

Die mathematische Engine: Bid-Berechnung

Ein Keyword zu finden ist nur die halbe Miete; die andere Hälfte ist, den richtigen Bid von der ersten Sekunde an zu setzen. Professionelle Amazon Advertiser setzen auf die Standard-Bietformel, um sicherzustellen, dass jede neue Empfehlung mit einem „mathematisch korrekten" Bid startet:

Bid = Target ACOS × Conversion Rate × Verkaufspreis

Mithilfe der Daten aus der Quellkampagne (z. B. der Auto-Kampagne) lässt sich exakt berechnen, welcher Bid nötig ist, um den Target ACOS in der neuen Manual-Kampagne zu erreichen. Das eliminiert das Rätselraten und die „Lernphase", die beim Start neuer Targets typischerweise Budget verbrennt. Durch die Integration von Amazon Marketing Stream lassen sich diese Daten zusätzlich nach Tageszeit-Performance verfeinern – Empfehlungen basieren so nicht nur darauf, was funktioniert, sondern wann es funktioniert.

Strukturelle Integrität und „saubere" Kampagnen

Eine Empfehlungs-Engine ist nur so gut wie die Kampagnenstruktur, die sie speist. Für einen hochfrequenten Keyword-Discovery-Prozess muss der Account in logische, handhabbare Einheiten organisiert sein.

Match-Type-Trennung: Broad-, Phrase- und Exact-Match-Typen in einer einzigen Ad Group zu mischen ist ein Rezept für Scheitern. Es macht Negative-Keyword-Management unmöglich und verwässert die Daten.
Preispunkt-Konsistenz: Niemals Produkte mit deutlich unterschiedlichen Preispunkten in derselben Ad Group mischen. Da der Bid eine Funktion des Preises ist, benötigen ein 10-€- und ein 50-€-Produkt unterschiedliche Bids – selbst für dasselbe Keyword.
Quell-Target-Abgleich: Vor dem Transfer eines Keywords muss sichergestellt werden, dass die SKUs in der Quellkampagne (z. B. Auto) mit den SKUs in der Ziel-Manual-Kampagne übereinstimmen. Performance-Daten von einem FBA-SKU auf ein FBM-SKU mit niedrigerer Conversion Rate zu übertragen führt zu einem zu hohen Bid und einem aufgeblähten ACOS.

Der multidirektionale Lernkreislauf

Keyword-Discovery sollte nicht nur von „Auto" zu „Manual" fließen. Eine ausgereifte System nutzt eine kreuzdiagonale Logik, bei der jeder Kampagnentyp von jedem anderen lernt:

Vorwärts-Lernen: Auto-Kampagnen finden neue Search Terms für Broad, Phrase und Exact.
Rückwärts-Lernen: Eine Exact-Match-Kampagne konvertiert auf eine falsch geschriebene Version eines Keywords oder einen Plural. Diese Variation sollte als neues Target zurück in die Broad- und Phrase-Strukturen fließen, mit entsprechenden Negatives, um die Exact-Kampagne „rein" zu halten.
Selbst-Anreicherung: Eine Broad-Match-Kampagne identifiziert einen spezifischen Long-Tail-Ausdruck mit außergewöhnlicher Performance. Das System sollte dies als eigenes isoliertes Target innerhalb derselben Struktur empfehlen.

Dieser „Hygiene"-Aspekt des Keyword-Managements stellt sicher, dass der Account nicht nur im Volumen, sondern auch in der strukturellen Klarheit wächst. Es verhindert „doppelte" Targets, bei denen dasselbe Keyword in 20 verschiedenen Ad Groups aktiv ist.

Skalierung in internationalen Märkten

Die größte Hebelwirkung eines empfehlungsbasierten Prozesses liegt in der internationalen Expansion (Pan-EU oder Nordamerika). Die meisten Seller haben Schwierigkeiten mit Keyword-Recherche in Sprachen, die sie nicht sprechen.

Durch ein datengetriebenes Empfehlungssystem entfällt die Sprachbarriere. Man muss kein Französisch oder Italienisch sprechen, um zu wissen, dass ein bestimmter Search Term eine CVR von 12 % und einen ACOS von 4 % hat. Das System identifiziert Relevanz auf Basis des Kundenverhaltens (Daten) statt linguistischen Wissens. Es überträgt diese Terms und wendet sofort den korrekten Bid an. Das verschafft einen entscheidenden Vorteil in ausländischen Märkten: Werbung lässt sich so schnell skalieren, wie die Daten es erlauben – ohne auf manuelle Übersetzungen oder Marktforschung warten zu müssen.

Praktische Maßnahmen für das PPC-Management

Für die Implementierung eines wiederholbaren Keyword-Discovery-Prozesses folgende technische Anpassungen priorisieren:

Auto-Kampagnen ausschöpfen: Auto-Kampagnen als Forschungsumgebungen behandeln. Ziel ist es, jeden Search Term, der Klicks generiert, in eine Manual-Struktur zu überführen, wo er bid-gesteuert werden kann.
„Negative Hygiene" implementieren: Immer wenn ein Keyword in eine Exact-Match-Gruppe verschoben wird, als „Negative Exact" in der Auto- oder Broad-Quellkampagne hinzufügen. Das „trocknet" die Quelle aus und zwingt Amazon, neue Search Terms zu finden.
„Negative Kill" vermeiden: Unterperformende Keywords nicht einfach auf negativ setzen. In eine Exact-Match-Gruppe überführen und den Bid mit der ACOS/CR/Preis-Formel senken. So können „günstige" Sales eingefangen werden, die sonst verloren gehen.
Empfehlungs-Batches begrenzen: Zu viele Keywords auf einmal zu verarbeiten, ist überwältigend. Auf Batches von 500 Empfehlungen pro Zyklus fokussieren, um die manuelle Kontrolle zu wahren.
Auf Dubletten auditieren: Regelmäßig prüfen, ob dasselbe Target in mehreren Ad Groups geboten wird. In den leistungsstärksten Datenstrang konsolidieren.

Der eigentliche Hebel: Relevanz vor Content

Viele Advertiser investieren Tausende in besseren Content (Bilder, A+ Content) in der Hoffnung auf 5 % mehr Conversion Rate. Wichtig – aber der eigentliche Hebel liegt darin, mehr relevante Targets zu finden, bei denen der Target ACOS erreichbar ist.

100 Keywords, die auf Target performen, limitieren die Sales auf das Suchvolumen dieser 100 Keywords. Ein Empfehlungssystem, das 1.000 relevante Targets findet – selbst wenn einige geringes Suchvolumen haben – erzeugt kumulativ weit mehr Wachstum als eine kleine Anpassung am Produktbild. Im Wettbewerb gewinnt derjenige Seller, der die granularste und am besten gemanagte Keyword-Liste hat.

Fazit

Effektive Keyword-Discovery ist ein kontinuierlicher Kreislauf: automatisierte Quellen ausschöpfen und Daten in steuerbare Manual-Einheiten überführen. Durch mathematische Bietformeln und strikte strukturelle Hygiene lässt sich die Reichweite skalieren, ohne die Profitabilität zu opfern. Der Schritt von manuellem Harvesting zu einem datengespeisten Empfehlungssystem ist der einzige Weg, heute auf Amazon wettbewerbsfähig zu bleiben.