Campaign Experiments: A/B Testing von Bid Strategies und Einstellungen in 2026

Jede wesentliche Änderung in einer Google Ads-Kampagne birgt ein Risiko. Der Wechsel von manuellem CPC zu Target CPA, der Umstieg von exact match auf broad match oder das Testen eines engeren Target ROAS-Ziels kann entweder erhebliches Wachstum freisetzen oder die Performance vorübergehend beeinträchtigen. Campaign Experiments sind der native A/B-Testmechanismus von Google Ads und ermöglichen Werbetreibenden, Änderungen auf kontrollierte, datengetriebene Weise zu testen – dabei wird der Live-Traffic unter identischen Marktbedingungen gleichzeitig auf eine Kontrollgruppe und eine experimentelle Variante aufgeteilt. Im Jahr 2026 ist dieses Tool für jeden Werbetreibenden, der strukturierte Optimierung ernst nimmt, unverzichtbar geworden.

Was sind Campaign Experiments?

Campaign Experiments sind eine integrierte Funktion in Google Ads, mit der Sie eine bestehende Kampagne klonen und eine einzige Änderung auf die experimentelle Variante anwenden können. Google teilt den Traffic auf Cookie-Ebene zwischen der ursprünglichen Kampagne (der Kontrolle) und dem Experiment auf, sodass einzelne Nutzer konsistent nur eine Variante sehen. Beide Versionen konkurrieren in derselben Auktionsumgebung mit einem Budget, das proportional zur zugewiesenen Traffic-Aufteilung geteilt wird.

Der Kernwert von Campaign Experiments liegt in der Kausalität. Eine direkt angewendete Standard-Kampagnenänderung sagt Ihnen nichts über die Zuordnung aus: Haben sich die Ergebnisse aufgrund der Änderung verbessert – oder wegen eines saisonalen Aufschwungs, des Rückzugs eines Wettbewerbers oder einer Algorithmusverschiebung? Das gleichzeitige Ausführen von Kontrolle und Variante beseitigt diese Unklarheit. Wenn das Experiment abgeschlossen ist und einen statistisch signifikanten Gewinner zeigt, können Sie die Variante mit einem Klick zur vollständigen Kampagne hochstufen.

Die am häufigsten getesteten Variablen sind:

• Bid Strategy-Übergänge, wie z. B. manueller CPC zu Target CPA oder Target ROAS
• Keyword-Match-Types, wie z. B. exact match versus broad match unter Smart Bidding
• Landing-Page-Varianten in Kombination mit identischen Anzeigen
• Audience-Einstellungen, wie z. B. RLSA im Beobachtungs- versus Targeting-Modus
• Kampagnenebenen-Einstellungen, wie z. B. das Aktivieren oder Deaktivieren von Suchnetzwerkpartnern
• tCPA- und tROAS-Zielanpassungen

Nachdem das Experiment einen ausreichenden Zeitraum gelaufen ist, zeigt Google Ads für jede wichtige Kennzahl ein Konfidenzniveau an. Wenn die Variante deutlich besser abschneidet, ist die Hochstufung unkompliziert und risikoarm. Sind die Ergebnisse nicht eindeutig, wird das bestehende Setup ohne Unterbrechung beibehalten.

Wann sollten Sie Campaign Experiments einsetzen?

Campaign Experiment-Workflow: von der Hypothese zum Ergebnis

Durchsatz pro Phase in einem typischen Bid Strategy-Test

Hypothese definiert

Ausgangspunkt: Welche Variable testen Sie?

Experiment aktiv (Traffic-Aufteilung)

Traffic korrekt zwischen Kontrolle und Variante aufgeteilt

Statistisch signifikantes Ergebnis

Nicht jedes Experiment liefert sofort einen Gewinner

Gewinner implementiert

Positive Variante in die Produktionskampagne übernommen

38 % erreichen die Implementierung eines nachgewiesenen Gewinners

Campaign Experiments liefern den größten Mehrwert bei Entscheidungen mit hohem Einsatz und großer Unsicherheit. Die wirkungsvollste Anwendung im Jahr 2026 bleibt der Bid Strategy-Wechsel. Smart Bidding-Algorithmen benötigen eine Lernphase, in der die Performance volatil sein kann. Ein Experiment schützt Ihre Baseline, indem die Kontrollkampagne intakt bleibt, während die neue Strategie sich an einem Teil des Traffics bewährt.

Für ToetsJeKennis.nl, eine Online-Prüfungs- und Kursplattform mit einem durchschnittlichen Bestellwert von 50 €, ist die Frage, ob der Wechsel von manuellem CPC zu Target ROAS sinnvoll ist, ein klassisches Experiment-Szenario. Die Marge pro Verkauf ist relativ eng, was einen ungeschützten Übergang riskant macht. Ein kontrolliertes Experiment ermöglicht es der Smart Bidding-Variante, ihren Mehrwert zu belegen, bevor sie auf die gesamte Kampagne angewendet wird.

Für Lead-Generation-Kampagnen – wie etwa die Kampagnen für Clima-Active.nl, die Angebotsanfragen für Klimaanlagen- und Wärmepumpeninstallationen generieren – ist das Testen eines engeren Target CPA-Ziels ein häufiges Experiment. Statt einen niedrigeren tCPA sofort für die gesamte Kampagne anzuwenden, zeigt ein Experiment, ob der Algorithmus die Lead-Qualität zu einem schärferen Kostenziel aufrechterhalten kann, bevor die Änderung in vollem Umfang eingeführt wird.

Campaign Experiment korrekt einrichten

Ein valides Experiment beginnt mit einer klaren Hypothese. Ohne eine solche können Sie das Ergebnis nicht korrekt interpretieren. Eine gute Hypothese folgt dieser Struktur: „Wenn ich [Variable X] auf [Wert Y] ändere, erwarte ich, dass sich [KPI Z] verbessert, weil [Begründung]."

Der Einrichtungsprozess in Google Ads folgt diesen Schritten:

1. Navigieren Sie zu Ihrer Kampagnenübersicht und wählen Sie die zu testende Kampagne aus.
2. Klicken Sie im linken Menü auf „Experimente" und erstellen Sie ein neues Experiment basierend auf der ausgewählten Kampagne.
3. Legen Sie die Traffic-Aufteilung fest. Eine 50/50-Aufteilung liefert die beste statistische Aussagekraft; bei großen Budgets kann 80/20 ausreichend sein.
4. Wenden Sie Ihre beabsichtigte Änderung ausschließlich auf die Experimentvariante an. Lassen Sie die Kontrollkampagne vollständig unverändert.
5. Legen Sie die Experimentdauer fest. Planen Sie mindestens vier Wochen ein; sechs bis acht Wochen bei Kampagnen mit geringerem Traffic.
6. Definieren Sie im Voraus Ihre primäre Erfolgskennzahl: conversions, CPA, ROAS oder CPL, und überprüfen Sie, ob das conversion tracking in beiden Varianten korrekt funktioniert.
7. Überwachen Sie wöchentlich, aber widerstehen Sie dem Drang, vorzeitig einzugreifen. Ein frühzeitiger Abbruch erhöht das Risiko eines falsch positiven Ergebnisses erheblich.

Der mit Abstand häufigste Fehler bei Campaign Experiments ist ein zu frühes Beenden. Die ersten ein bis zwei Wochen eines Smart Bidding-Experiments sind aufgrund der Lernphase des Algorithmus naturgemäß volatil. Was in Woche eins wie Underperformance aussieht, kehrt sich bis Woche drei häufig um. Geduld und Disziplin beim Einhalten der vordefinierten Laufzeit sind entscheidend für valide Ergebnisse.

Durchschnittliche Verbesserung nach Anwendung der Gewinner-Experimentvariante

Benchmarks aus E-Commerce- und Lead-Gen-Kampagnen in 2026

Conversion Rate (CVR)

28%

Kosten pro Conversion (CPA)

22%

ROAS

31%

Click-through Rate (CTR)

18%

Quality Score

14%

Eine zweite entscheidende Regel lautet: immer nur eine Variable gleichzeitig testen. Wenn die Experimentvariante sowohl die Bid Strategy als auch die Match Types gleichzeitig ändert, lässt sich nicht bestimmen, welche Variable das Ergebnis beeinflusst hat. Eine Variable, ein Experiment – das ist das unverzichtbare Prinzip eines fundierten A/B-Tests in Google Ads.

Bid Strategy-Experimente: der wirkungsstärkste Testtyp

Unter allen Experimenttypen liefern Bid Strategy-Tests konsistent die größten Leistungsverbesserungen, wenn ein Gewinner ermittelt wird. Die Bid Strategy bestimmt, wie Google Ads in jeder einzelnen Auktion vorgeht, und ist damit der Hebel mit der größten Reichweite über die gesamte Kampagne.

Die relevantesten Bid Strategy-Experimente im Jahr 2026 umfassen das Testen von manuellem CPC gegenüber Target CPA für Kampagnen mit ausreichender Conversion-Historie, den Vergleich von Target CPA mit Target ROAS für E-Commerce-Kampagnen mit variablen Bestellwerten sowie die Bewertung von broad match gegenüber exact match unter Smart Bidding für Kampagnen mit begrenztem Suchvolumen, die ihre Reichweite ohne Einbußen bei der Effizienz ausbauen möchten.

Für E-4motion.com, den Online-Shop für neue elektrische Falträder, ist ein broad match-Experiment unter Target ROAS ein starkes Beispiel. Verbraucher, die nach elektrischen Falträdern suchen, verwenden vielfältige Suchanfragen: Modellnamen, Anwendungsfälle wie Pendeln oder Stadtfahrten sowie Produktspezifikationen wie faltbar oder leichtgewichtig. Broad match unter Smart Bidding kann diese vielfältige Nachfrage abdecken, aber das Risiko irrelevanter impressions ist real. Ein Experiment liefert eine eindeutige Antwort: Generiert die broad match-Variante mehr Umsatz bei einem akzeptablen ROAS, oder bietet die Präzision von exact match einen strukturellen Vorteil?

Experimenttypen auf einen Blick

Nutzen Sie diese Tabelle als Referenz bei der Planung Ihres Experiment-Kalenders. Priorisieren Sie Experimente nach erwartetem Impact und Grad der Unsicherheit: Die Kombinationen mit dem höchsten Risiko und dem größten Potenzial verdienen die erste Priorität im Testplan.

Wie AdBrains KI Campaign Experiments automatisiert

Manuelles Testen vs. KI-gesteuerte Campaign Experiments

Was ändert sich, wenn AdBrains die Experimente verwaltet?

Manuelle Verwaltung

• Einrichten eines Experiments dauert 2–4 Stunden pro Kampagne
• Keine automatische Erkennung statistisch signifikanter Ergebnisse
• Gewinner wird nach wochenlangem Warten manuell angewendet
• Risiko der Fehlinterpretation von Daten bei kleinen Stichprobengrößen
• Ein Experiment gleichzeitig pro Kampagne
• Keine Verknüpfung mit kundenspezifischen tCPA/tROAS-Zielen

AdBrains KIEmpfohlen

• Experiment-Setup in Minuten über automatisierten Workflow
• Tägliche Signifikanzprüfung pro Experiment
• Automatische Hochstufung der Gewinnervariante
• Multi-Agenten-Verifizierung verhindert falsche Schlussfolgerungen
• Parallele Experimente über mehrere Kampagnen hinweg
• Experimentziele direkt an kundenspezifische Ziele geknüpft

Campaign Experiments sind im Prinzip leistungsstark, aber die manuelle Verwaltung ist zeitaufwendig, fehleranfällig und führt häufig zu fehlerhaften Schlussfolgerungen. Ein zu frühes Beenden, unzureichendes Datenvolumen, das gleichzeitige Testen mehrerer Variablen oder schlicht das Vergessen, die Gewinnervariante hochzustufen – das sind bekannte Fallstricke, die den gesamten Wert strukturierter Tests untergraben. Die AdBrains KI-Plattform ist speziell darauf ausgelegt, diese Fallstricke systematisch zu eliminieren.

AdBrains KI verwaltet den gesamten Experiment-Lebenszyklus – von der Hypothesengenerierung bis zur Implementierung des Gewinners. Durch die Analyse der Kampagnendaten jedes Kunden identifiziert unser System automatisch, welche Bid Strategy-Übergänge oder Match-Type-Änderungen das größte Wachstumspotenzial bieten. Dies basiert auf Mustern in Conversion-Daten, Quality Score-Trends, Suchanfragen-Mining-Ergebnissen und tCPA/tROAS-Performance-Verläufen pro Kunde. Die Hypothese ist nicht zufällig – sie ist datengetrieben und kundenspezifisch.

Vier unabhängige KI-Agenten überwachen anschließend täglich jedes aktive Experiment. Diese Multi-Agenten-Verifikationsarchitektur prüft, ob die Traffic-Aufteilung korrekt funktioniert, ob das conversion tracking keine Abweichungen aufweist, ob externe Marktfaktoren die Ergebnisse nicht verzerren und ob das Konfidenzniveau tatsächlich zuverlässig ist. Erst wenn alle vier Agenten ein valides Signal bestätigen, wird eine Empfehlung ausgelöst – was falsch positive Schlussfolgerungen und voreilige Entscheidungen strukturell verhindert.

Für Clima-Active.nl-Kampagnen beispielsweise überwacht die KI die CPL-Entwicklung in Kontroll- und Experimentvariante wöchentlich. Wenn eine statistisch signifikante Differenz erkannt wird, die mit dem vordefinierten tCPA-Ziel des Kunden übereinstimmt, aktiviert das System eine Hochstufungsempfehlung. Ein menschlicher Stratege prüft und bestätigt, woraufhin die Gewinnervariante automatisch angewendet wird. Das Ergebnis ist ein Experimentprozess, der schneller, zuverlässiger und vollständig transparent ist.

Darüber hinaus führt AdBrains parallel Experimente über mehrere Kampagnen gleichzeitig durch – etwas, das sich manuell in großem Maßstab praktisch nicht verwalten lässt. Die Ergebnisse jedes abgeschlossenen Experiments werden zentral protokolliert und zur Formulierung zukünftiger Hypothesen genutzt, wodurch ein wachsendes Wissensmodell pro Kunde und Kampagnentyp entsteht, das jedes folgende Experiment intelligenter macht als das vorherige.

Häufige Fehler bei Campaign Experiments und wie man sie vermeidet

Selbst erfahrene Werbetreibende machen bei Campaign Experiments vermeidbare Fehler. Sich dieser bewusst zu sein, bevor man beginnt, spart Zeit und verbessert die Qualität der Ergebnisse.

• Zu frühes Beenden: Widerstehen Sie der Versuchung, das Experiment zu stoppen, sobald eine Variante zu führen scheint. Ein frühzeitiger Abbruch erhöht das Risiko falsch positiver Ergebnisse erheblich. Warten Sie immer auf statistische Signifikanz und eine Mindestlaufzeit von vier Wochen.
• Mehrere Variablen testen: Ändern Sie pro Experiment nur eine Variable. Zwei gleichzeitige Änderungen machen es unmöglich zu bestimmen, welche das Ergebnis verursacht hat.
• Falsche primäre Kennzahl: Stimmen Sie Ihre Erfolgskennzahl auf Ihr Kampagnenziel ab. Für Lead-Gen verwenden Sie CPL oder Conversion Rate. Für E-Commerce verwenden Sie ROAS oder CPA, nicht CTR.
• Saisonale Effekte ignorieren: Vermeiden Sie es, Experimente während großer saisonaler Peaks wie Black Friday oder der Weihnachtszeit durchzuführen. Die Ergebnisse sind dann nicht repräsentativ für normale Kampagnenbedingungen.
• Nicht verifiziertes Conversion Tracking: Bestätigen Sie, dass das conversion tracking in beiden Varianten identisch und korrekt funktioniert, bevor Sie beginnen. Selbst eine geringfügige Abweichung macht das gesamte Experiment ungültig.

Häufig gestellte Fragen zu Campaign Experiments

Wie viel Budget benötige ich für ein zuverlässiges Campaign Experiment?

Es gibt keinen festen Budget-Schwellenwert, aber der Grundsatz lautet: Jede Variante sollte über die Dauer des Experiments mindestens 100 conversions generieren, um statistisch aussagekräftige Ergebnisse zu erzielen. Kampagnen, die weniger als 20 conversions pro Monat generieren, sollten zunächst das Conversion-Volumen erhöhen, bevor sie ein Bid Strategy-Experiment durchführen.

Kann ich ein Campaign Experiment vorzeitig beenden, wenn die Variante klar schlechter abschneidet?

Ja, wenn die Variante wesentlich schlechtere Leistung zeigt und der geschäftliche Impact erheblich ist, ist ein vorzeitiger Abbruch vertretbar. Bedenken Sie jedoch, dass die ersten ein bis zwei Wochen eines Smart Bidding-Experiments aufgrund der Lernphase naturgemäß volatil sind. Was in Woche eins wie Underperformance aussieht, korrigiert sich oft bis Woche drei. Legen Sie eine Mindest-Beobachtungszeit von zwei Wochen fest, bevor Sie eine Entscheidung über einen vorzeitigen Abbruch treffen.

Was ist der Unterschied zwischen einem Campaign Experiment und einer direkten Kampagnenänderung?

Eine direkte Kampagnenänderung wird sofort auf die gesamte Kampagne ohne Kontrollgruppe angewendet. Sie können anschließend nicht bestimmen, ob eine Veränderung der Ergebnisse durch Ihre Modifikation oder durch externe Faktoren verursacht wurde. Ein Campaign Experiment führt Kontrolle und Variante gleichzeitig unter identischen Bedingungen aus, sodass das Ergebnis kausal interpretierbar ist. Für weitreichende Entscheidungen wie Bid Strategy-Wechsel ist ein Experiment fast immer einer direkten Änderung überlegen.

Funktionieren Campaign Experiments für Performance Max-Kampagnen?

Google Ads unterstützt ein spezifisches Experimentformat für Performance Max, primär den Vergleich einer PMax-Kampagne mit einer Standard-Shopping- oder Search-Kampagne. Damit können Werbetreibende messen, ob das Hinzufügen von Performance Max inkrementellen Mehrwert über die bestehende Kampagnenstruktur hinaus liefert. Klassisches A/B-Testing innerhalb einer einzelnen PMax-Kampagne auf Asset-Gruppen-Ebene ist im Jahr 2026 nach wie vor begrenzt. Die zuverlässigsten PMax-Experimente sind daher Kampagnenvergleiche auf Kanalebene.