A/B Testing bei Anzeigen: die beste Vorgehensweise für eine höhere Kampagnenleistung

A/B Testing bei Anzeigen bedeutet, zwei oder mehr Anzeigenvarianten systematisch zu vergleichen, um festzustellen, welche Version bei einer gewählten Kennzahl besser abschneidet, zum Beispiel CTR, Conversion Rate oder CPA. Indem Sie jeweils ein Element verändern und die Ergebnisse statistisch auswerten, erfahren Sie genau, was bei Ihrer audience ankommt. Ohne strukturiertes Testing bleiben Anzeigenentscheidungen reines Raten.

Das Wichtigste auf einen Blick

• A/B Testing vergleicht Anzeigenvarianten anhand jeweils einer Variable für verlässliche Schlussfolgerungen.
• Responsive Search Ads (RSA) bieten eine eingebaute Rotation, erfordern aber dennoch eine bewusste Testing-Strategie.
• Ad Strength ist ein nützlicher Indikator für die RSA-Qualität, ersetzt jedoch keine echten Conversion-Daten.
• Ein Keyword Incubator-Ansatz testet neue Varianten sicher, bevor sie in aktive Kampagnen übernommen werden.
• AdBrains AI automatisiert den gesamten Testing-Prozess, vom Erkennen schwacher Anzeigen bis zum Umschreiben und Überführen in die Produktion.

Was ist A/B Testing in Google Ads und warum funktioniert es?

A/B Testing in Google Ads bedeutet, zwei oder mehr Anzeigenversionen gleichzeitig vergleichbaren Nutzern zu zeigen. Der Punkt ist, dass Leistungsunterschiede nicht durch externe Faktoren wie Saisonalität, den Wochentag oder die Suchabsicht verzerrt werden. Nur wenn Sie jeweils ein Element isoliert testen, wissen Sie mit einiger Sicherheit, welche spezifische Änderung tatsächlich den Ausschlag gegeben hat.

Nehmen wir eine Kampagne für ToetsJeKennis.nl, eine Plattform für Online-Prüfungen und Kurse. Angenommen, Sie schalten eine RSA mit der Headline "Holen Sie sich Ihr Zertifikat online" und möchten wissen, ob "Starten Sie heute Ihre Prüfung" besser konvertiert. Ändern Sie gleichzeitig Headline und Description, tappen Sie anschließend im Dunkeln. Isolieren Sie nur die Headline, hat der Test eine Aussage.

Google Ads verfügt über Campaign Experiments, die genau dafür gedacht sind. Der Traffic wird auf eine Kontrollvariante und eine Testvariante aufgeteilt, und Sie legen fest, welcher Prozentsatz des Budgets auf den Test entfällt. So bleibt das Risiko überschaubar, während trotzdem genug Daten gesammelt werden.

Responsive Search Ads und die Herausforderung beim Testing

Responsive Search Ads sind das Standardanzeigenformat in Google Ads. Sie liefern bis zu 15 Headlines und 4 Descriptions, und Google probiert automatisch Kombinationen aus. Das klingt nach eingebautem A/B Testing, und gewissermaßen ist es das auch, doch es gibt einen grundlegenden Unterschied: Google optimiert auf die erwartete Click-Through-Rate, nicht auf conversions oder ROAS.

Der Ad Strength Score (POOR, AVERAGE, GOOD, EXCELLENT) zeigt, wie gut eine RSA aufgebaut ist. Es handelt sich dabei nicht um eine Conversion-Kennzahl. Laut Google Ads Help (2026) gibt eine höhere Ad Strength Google mehr Kombinationsmöglichkeiten, doch das schlägt sich nicht in einer besseren Kampagnenleistung nieder, wenn die Headlines schlecht zur tatsächlichen Suchanfrage passen.

Für echtes A/B Testing auf RSA-Ebene gibt es zwei praktische Ansätze:

1. Varianten über Campaign Experiments testen: Erstellen Sie eine experimentelle Kampagne mit einer veränderten RSA (andere Headline 1 oder Description) und lassen Sie Google den Traffic aufteilen. Werten Sie die Gewinnervariante anhand Ihrer gewählten KPI aus, sobald ausreichend Daten gesammelt wurden.
2. Anzeigenrotation auf "Nicht optimieren" setzen: Lassen Sie mehrere RSAs gleichzeitig laufen, ohne dass Google einen Gewinner auswählt. So erhalten Sie eigene Vergleichsdaten, was aber nur bei ausreichendem Volumen funktioniert.

Zu früh Schlussfolgerungen zu ziehen ist ein häufiger Fehler. Nehmen Sie Clima-Active.nl, das sich auf die Installation von Klimaanlagen und Wärmepumpen spezialisiert hat. Angebotsanfragen sind im Verhältnis zu Klicks selten. Nach 50 Klicks sehen Sie kein Muster, sondern Rauschen. Warten Sie, bis Sie statistisch signifikante Daten haben, mit einer Konfidenzgrenze von mindestens 95%.

Welche Elemente sollten Sie zuerst testen?

Beginnen Sie mit den Elementen, die den größten Einfluss auf die Click-Through-Rate und die Relevanz für den Suchenden haben. Nicht jedes Element hat dasselbe Gewicht.

• Headline 1: Das ist das Erste, was ein Nutzer sieht. Testen Sie, ob eine nutzenorientierte Headline ("Bestehen Sie Ihre Prüfung heute") eine funktionsbezogene Headline ("Online-Prüfungen in Ihrem eigenen Tempo") übertrifft.
• Call-to-Action in der Headline: "Jetzt Angebot anfragen" gegenüber "Wärmepumpen vergleichen" kann einen erheblichen Unterschied bei der Klickabsicht machen.
• Preisnennung: Transparenz über den Preis filtert die Klickqualität. Bei ToetsJeKennis.nl (AOV 50 Euro) kann "Ab 50 Euro pro Prüfung" die CTR senken, aber die Conversion Rate erhöhen.
• Description 1: Hier haben Sie mehr Spielraum für Argumente. Testen Sie einen USP-fokussierten Satz gegen einen Dringlichkeitsauslöser.
• Display-URL-Pfadfelder: "/online-pruefung/jetzt-starten" gegenüber "/zertifikat/zertifiziert-werden" beeinflusst die wahrgenommene Relevanz.

Testen Sie niemals zwei oder mehr Elemente gleichzeitig, wenn Sie wissen möchten, welches Element den Unterschied gemacht hat. Erst wenn Sie bei Headline 1 einen Gewinner kennen, gehen Sie zum nächsten Element über.

Wie lange sollte ein A/B Test laufen?

Ein A/B Test läuft so lange, bis Sie statistische Signifikanz erreicht haben, und nicht länger. In der Praxis bedeutet das mindestens ein bis drei volle Wochen, damit tägliche Schwankungen und Wochenendeffekte herausgemittelt werden.

Beenden Sie einen Test niemals vorzeitig wegen eines vorübergehenden Ausreißers in den Daten. Das Experiment-Tool von Google zeigt einen Signifikanzindikator, der erst dann grün wird, wenn genügend Daten gesammelt wurden. Vertrauen Sie darauf, oder nutzen Sie einen externen Signifikanzrechner.

Wie AdBrains AI den Testing-Prozess automatisiert

Manuelles A/B Testing kostet Zeit, die den meisten Werbetreibenden schlicht fehlt. Ein Kampagnenmanager jongliert bereits mit Dutzenden von Anzeigengruppen, weshalb die Wahrscheinlichkeit, dass jede RSA mit POOR Ad Strength erkannt und behoben wird, bevor sie Geld kostet, nicht besonders hoch ist. AdBrains hat eine vollständig automatisierte Testing-Infrastruktur aufgebaut, die systematisch auf drei Ebenen arbeitet.

Das RSA-Verbesserungssystem prüft täglich die Ad Strength jeder aktiven RSA in allen verwalteten Konten. Sobald eine Anzeige auf POOR fällt, wird ein automatischer Umschreibeprozess ausgelöst. KI-Agenten gehen die vorhandenen Headlines und Descriptions durch, analysieren Überschneidungen, Keyword-Präsenz und Einzigartigkeit und erstellen dann neue Varianten mit dem Ziel, den Score zu verbessern. Bevor irgendetwas live geht, durchläuft die umgeschriebene Anzeige ein Multi-Agent-Verifizierungssystem, in dem vier unabhängige KI-Agenten sie auf Relevanz, Markenton und technische Korrektheit prüfen.

Der Keyword Incubator fügt eine zweite Ebene hinzu. Neue Keywords und die zugehörigen Anzeigenvarianten werden niemals direkt in die aktive Produktionskampagne übernommen. Stattdessen laufen sie zunächst in einer separaten Inkubatorkampagne mit begrenztem Budget. Erst wenn eine Variante genug impressions gesammelt hat und eine positive Ad Strength sowie Conversion-Potenzial zeigt, überführt das System das Keyword und seine Anzeige in die Produktionskampagne. Für E-4motion.com, den Webshop für neue elektrische Faltfahrräder, bedeutet das, dass saisonale Suchbegriffe wie "elektrisches Faltrad Sommer" einen ordentlichen Testlauf durchlaufen, bevor sie einen nennenswerten Teil des Budgets verbrauchen können.

Die dritte Komponente ist das automatisierte Search Term Mining. Täglich wertet das System jeden eingehenden Suchbegriff in allen Kampagnen aus. Jeder Suchbegriff, der nicht zur ausgelösten Anzeigenvariante passt und damit die Testergebnisse verfälschen oder Budget sinnlos verbrennen würde, wird markiert und als negatives Keyword hinzugefügt. Das Ergebnis ist, dass die Daten aus jedem Test sauber bleiben: Gemessen wird die Wirkung der Anzeigenvariante selbst, nicht das Rauschen durch irrelevanten Traffic.

Für Clima-Active.nl läuft das kontinuierlich über die Wärmepumpen- und Klimaanlagenkampagnen. Eine Suchanfrage wie "Wärmepumpe reparieren" signalisiert einen Servicebedarf, keine Installationsabsicht, und wird daher automatisch blockiert. Die Conversion-Daten in der Testkampagne spiegeln dann ausschließlich echte Angebotsanfragen wider. Das macht die Schlussfolgerungen aus jedem A/B Test erheblich zuverlässiger.

Häufige Fehler beim Anzeigen-Testing

Selbst erfahrene Werbetreibende machen beim A/B Testing Fehler, die die Verlässlichkeit der Ergebnisse untergraben. Die häufigsten:

• Zu frühes Abbrechen: Ein vorübergehender Ausreißer durch einen externen Faktor wird fälschlicherweise als Gewinner gewertet.
• Mehrere Elemente gleichzeitig ändern: Sie werden nicht wissen, was den Unterschied gemacht hat.
• Optimierung auf die falsche Kennzahl: Eine hohe CTR klingt positiv, aber wenn die Conversion Rate sinkt, verlieren Sie insgesamt Geld.
• Ungleiche Budgetverteilung: Wenn die Testvariante nur 10% des Budgets erhält, haben Sie nach demselben Zeitraum weit weniger Daten und weit mehr Unsicherheit.
• Kein separates Testumfeld: Varianten, die in derselben Anzeigengruppe wie die Kontrollvariante laufen, erhalten je nach Verwaltung der Rotation durch Google nicht immer gleiche Sichtbarkeit.

Vom Testergebnis zur Maßnahme: Was tun Sie mit einem Gewinner?

Einen A/B Test zu gewinnen ist nicht das Ziel an sich. Sobald Variante B Variante A deutlich übertrifft, wird sie zur neuen Kontrollvariante, und Sie gehen dazu über, Variante C zu testen.

Für E-Commerce-Kunden wie HACCP-cursus.com hört das eigentlich nie auf. Online-Lebensmittelsicherheitskurse sprechen eine breite Mischung von Menschen an: Gastronomiemitarbeiter, Kantinenpersonal, Produktionsbetriebe. Was bei einer Gruppe ankommt, kann bei einer anderen völlig verfehlen. Separate Testzyklen je Kampagne ermöglichen es Ihnen, eine Bibliothek von Headlines und Descriptions aufzubauen, die sich tatsächlich bewährt haben und jederzeit als Vorlagen genutzt werden können.

Dokumentieren Sie jeden Test. Halten Sie die Hypothese fest, welche Elemente Sie geändert haben, was das Ergebnis war und was Sie als Nächstes unternommen haben. Überspringen Sie diesen Schritt, werden Sie sich Monate später dabei ertappen, dieselben Tests erneut durchzuführen, ohne klüger geworden zu sein.

Häufig gestellte Fragen zum A/B Testing bei Anzeigen

Wie unterscheidet sich A/B Testing von multivariaten Tests in Google Ads?

A/B Testing vergleicht zwei Versionen eines einzelnen Elements. Multivariate Tests gehen weiter: Sie testen mehrere Elemente gleichzeitig, in jeder möglichen Kombination. Dafür sind weit mehr Traffic und conversions erforderlich, bevor statistisch verlässliche Schlussfolgerungen gezogen werden können, was es für die große Mehrheit der Google Ads Kampagnen unpraktisch macht. Beginnen Sie mit A/B Testing. Ziehen Sie multivariate Tests erst in Betracht, wenn Sie Hunderte von conversions pro Tag erzielen.

Kann ich A/B Testing mit Performance Max Kampagnen kombinieren?

Performance Max (PMax) lässt wenig Raum für klassisches A/B Testing, da Google Ihre Assets automatisch kombiniert. Sie können über die PMax-Experimentfunktion eine Variantenkampagne einrichten und diese mit dem Original vergleichen, aber das kontrollierte, isolierte Testen zweier spezifischer Asset-Kombinationen innerhalb einer PMax-Kampagne ist nicht möglich. Wenn Sie ordentliche kontrollierte Tests benötigen, sind Search-Kampagnen nach wie vor die beste Wahl.

Wie viele conversions brauche ich, bevor ein Testergebnis verlässlich ist?

Die weit verbreitete Faustregel lautet: mindestens 100 conversions je Variante bei einem Konfidenzniveau von 95%. Darunter ist das Risiko eines falsch positiven Ergebnisses schlicht zu hoch, um darauf zu handeln. Bei Kampagnen, bei denen conversions selten sind, kann es helfen, stattdessen auf eine Zwischenkennzahl zu optimieren, etwa Klicks auf einen Angebotsbutton, um diese Lücke zu überbrücken.

Was tue ich, wenn mein A/B Test keinen klaren Gewinner liefert?

Ein Unentschieden ist ein legitimes Ergebnis. Es sagt Ihnen, dass das getestete Element in Ihrem spezifischen Kontext kein entscheidender Leistungsfaktor ist. Behalten Sie die Variante, die besser zu Ihrer Markenidentität passt, und testen Sie als Nächstes etwas anderes. Es lohnt sich auch, das Test-Setup zu überdenken: Wenn die beiden Varianten zu ähnlich waren, war der Kontrast möglicherweise einfach nicht groß genug, um bei dem verfügbaren Volumen einen Effekt nachzuweisen. Vergrößern Sie beim nächsten Mal den Unterschied zwischen den Varianten.