Audience Signals für Performance Max: Wie KI deine Zielgruppen 2026 automatisch optimiert

Was sind Audience Signals - und warum sind sie kein Targeting?

Wenn du mit klassischen Google-Ads-Kampagnen aufgewachsen bist, kennst du das Konzept: Du wählst Zielgruppen aus, legst Gebotsanpassungen fest und steuerst damit, wer deine Anzeigen sieht. Performance Max funktioniert grundlegend anders - und genau hier entsteht der häufigste Denkfehler.

Audience Signals bei Performance Max sind keine Zielgruppen im klassischen Sinne. Sie sind Orientierungspunkte - Hinweise, die du der Google-KI gibst, damit sie schneller versteht, wer deine idealen Kunden sind. Die KI ist dabei nicht auf diese Signale beschränkt. Sie nutzt sie als Startpunkt und expandiert eigenständig in verwandte Segmente, wenn sie dort bessere Conversion-Chancen erkennt.

Das klingt nach Kontrollverlust - ist es aber nicht, wenn du es richtig aufstellst. Denn je präziser und relevanter deine Audience Signals sind, desto effizienter startet der Lernprozess der KI. Du gibst ihr damit einen Vorsprung von Wochen, nicht Tagen.

Die drei Signal-Typen im Überblick

Google unterscheidet im Wesentlichen drei Kategorien von Audience Signals, die du in deiner Asset Group hinterlegen kannst:

Wie die Google-KI deine Zielgruppen 2026 wirklich lernt

Performance Max hat sich seit seinem Launch erheblich weiterentwickelt. Was 2022 noch eine weitgehend unkontrollierbare Black Box war, ist heute ein hochentwickeltes System, das auf mehreren Ebenen gleichzeitig optimiert - Placements, Creatives, Gebote und eben Zielgruppen.

Die KI analysiert in Echtzeit Hunderte von Signalen: Suchanfragen, YouTube-Verhalten, Gmail-Aktivität, Google-Maps-Nutzung, Chrome-Browsing-Muster und vieles mehr. Deine Audience Signals helfen ihr dabei, diese riesige Datenmenge auf die relevantesten Segmente zu fokussieren.

Entscheidend ist das Verständnis der Lernphase: In den ersten zwei bis vier Wochen einer neuen Performance-Max-Kampagne versucht die KI aktiv, Muster in deinen Conversion-Daten zu erkennen. Je klarer und konsistenter diese Daten sind, desto schneller konsolidiert sich die Optimierung.

Conversion-Signale als Treibstoff der KI

Hier liegt ein oft übersehener Punkt: Die KI ist nur so gut wie die Signale, auf die sie optimiert. Wenn du Micro-Conversions wie Seitenaufrufe als primäre Conversion-Aktion verwendest, wird die KI Traffic maximieren - nicht Käufe. Wenn du Käufe misst, aber das Tracking fehlerhaft ist, optimiert sie ins Leere.

Sam Tomlinson bringt es in seinem Newsletter auf den Punkt, wenn er argumentiert, dass erfolgreiches digitales Advertising grundsätzlich ein mathematisches Optimierungsproblem ist: Klare Signale, intentionales Targeting und ausreichendes Budget sind die drei Grundvoraussetzungen - nicht kreative Brillanz allein. Übertragen auf Performance Max bedeutet das: Bevor du überhaupt über Audience Signals nachdenkst, muss dein Conversion-Tracking sauber und vollständig sein.

Die Drei-Schichten-Architektur für effektive Audience Signals

In der Welt der KI-basierten Google-Ads-Optimierung hat sich ein strukturierter Ansatz bewährt, den wir bei galineo nach mehr als zwei Jahrzehnten Agenturerfahrung konsequent einsetzen. Ein Rahmenwerk aus dem Bereich der AI-powered Google Ads Workflows beschreibt es treffend als Drei-Schichten-Architektur: KI benötigt drei Arten von Kontext, um wirklich effektiv zu funktionieren - eine Wissensbasis als Fundament, kampagnenspezifische Daten als zweite Schicht und Live-Performance-Signale als dritte Schicht.

Dieses Konzept lässt sich direkt auf Audience Signals übertragen:

Schicht 1: Das strategische Fundament

Die erste Schicht besteht aus deinem dokumentierten Wissen über deine Kunden - Buyer Personas, historische Kundendaten, Segmente nach Kaufwert und Wiederkaufsrate. Ohne diese Grundlage gibt es keinen sinnvollen Ausgangspunkt für Audience Signals.

Konkret bedeutet das: Welche deiner Kunden sind am profitabelsten? Welche Segmente haben den höchsten Customer Lifetime Value? Diese Erkenntnisse fließen direkt in deine First-Party-Daten und Kundenlisten ein - und damit in deine Audience Signals.

Schicht 2: Kampagnenspezifische Signale

Auf der zweiten Schicht befinden sich die konkreten Audience Signals, die du in Performance Max hinterlegst: Kundenlisten segmentiert nach Kaufverhalten, Website-Besucher-Listen nach Seitentyp, benutzerdefinierte Segmente auf Basis von Wettbewerber-URLs und relevanten Keywords.

Ein wichtiger Aspekt hier: Nicht alle Asset Groups einer Performance-Max-Kampagne müssen dieselben Audience Signals haben. Im Gegenteil - wenn du verschiedene Produktkategorien oder unterschiedliche Zielgruppen in getrennten Asset Groups abbildest, kannst du die KI präziser steuern.

Schicht 3: Live-Performance-Feedback

Die dritte Schicht ist der kontinuierliche Feedback-Loop: Was funktioniert, was nicht? Welche Segmente zeigen überdurchschnittliche Conversion-Raten? Diese Erkenntnisse fließen zurück in die Optimierung deiner Audience Signals - und in die Erstellung neuer Kundenlisten, die du der KI als zusätzliche Orientierung gibst.

First-Party-Daten: Dein stärkstes Asset für Google Ads Zielgruppen-Optimierung 2026

Mit dem schrittweisen Rückzug von Third-Party-Cookies und den verschärften Datenschutzrichtlinien hat sich die Landschaft 2026 fundamental verändert. First-Party-Daten - also Daten, die du direkt von deinen Kunden erhebst - sind zum wertvollsten Rohstoff im digitalen Advertising geworden.

Für Performance Max bedeutet das konkret: Werbetreibende, die strukturierte und gut segmentierte Kundenlisten in ihre Audience Signals einpflegen, haben einen massiven Vorteil gegenüber solchen, die sich ausschließlich auf Googles vordefinierte Segmente verlassen.

Welche First-Party-Daten du nutzen solltest

Besonders wirkungsvoll ist die Segmentierung nach Kaufwert. Anstatt eine undifferenzierte Kundenliste hochzuladen, solltest du mindestens zwei bis drei Segmente unterscheiden: Gelegenheitskäufer, regelmäßige Käufer und High-Value-Kunden. Die KI lernt so, in welche Richtung sie expandieren soll.

Die wichtigsten Audience-Signal-Kombinationen für Performance Max

Einzelne Audience Signals sind gut - Kombinationen sind besser. Die KI kann aus mehreren gleichzeitig hinterlegten Signalen ein komplexes Profil deiner Zielgruppe ableiten und findet so schneller die profitabelsten Nutzer.

Basierend auf unserer Arbeit mit E-Commerce-, Lead-Gen- und B2B-Kunden haben wir bei galineo die effektivsten Kombinationen identifiziert. Den vollständigen Blueprint mit allen zehn Kombinationen kannst du dir unten herunterladen - hier zeigen wir dir die drei wichtigsten:

Kombination 1: E-Commerce High-Value Setup

Für Online-Shops mit ausreichend Transaktionsdaten ist diese Kombination der Goldstandard:

• Kundenliste: High-Value-Käufer (Top 20 % nach Umsatz)
• Remarketing: Website-Besucher der letzten 30 Tage (ohne Käufer)
• Benutzerdefiniertes Segment: Keywords der direkten Wettbewerber
• Google-Segment: In-Market für deine Produktkategorie

Diese Kombination gibt der KI drei verschiedene Perspektiven auf deine Zielgruppe: wer bereits kauft (und viel ausgibt), wer kurz davor ist zu kaufen, und wer aktiv nach ähnlichen Produkten sucht.

Kombination 2: Lead-Gen mit Qualifizierungsfokus

Bei der Lead-Generierung ist die Qualität des Leads oft wichtiger als die Quantität. Dieses Signal-Set trainiert die KI auf qualifizierte Anfragen:

• Kundenliste: Konvertierte Leads, die zu echten Kunden wurden
• Remarketing: Nutzer, die spezifische High-Intent-Seiten besucht haben (Preisseite, Kontaktformular)
• Benutzerdefiniertes Segment: Nutzer, die Wettbewerber-Websites besucht haben
• Google-Segment: Kaufbereite Zielgruppen im relevanten B2B-Bereich

Kombination 3: B2B-Signal-Stack

Im B2B-Bereich sind die Audiences oft kleiner, dafür aber deutlich wertvoller. Hier gilt: Qualität vor Quantität.

• Kundenliste: Alle bestehenden Unternehmenskunden (auch wenn die Liste klein ist)
• Benutzerdefiniertes Segment: Branchenspezifische Keywords und Branchen-URLs
• Google-Segment: Firmografisch relevante Segmente (z. B. Führungskräfte, IT-Entscheider)
• Remarketing: Demo-Anfragen und Webinar-Teilnehmer

Typische Fehler bei Audience Signals - und wie du sie vermeidest

In der Praxis sehen wir immer wieder dieselben Fehler, die Performance-Max-Kampagnen ausbremsen. Hier sind die häufigsten mit konkreten Lösungen:

Fehler 1: Zu breite oder generische Signale

Wer als Audience Signal einfach «Alle Website-Besucher der letzten 540 Tage» oder sehr breite Interessen-Kategorien hinterlegt, gibt der KI kaum verwertbaren Kontext. Das Ergebnis: Die Lernphase dauert länger und die Kampagne verbrennt Budget in unrentablen Segmenten.

Lösung: Segmentiere deine Remarketing-Listen zeitlich (7 Tage, 30 Tage, 90 Tage) und nach Verhalten (Käufer, Warenkorb-Abbrecher, Blog-Leser). Verwende die spezifischsten Listen als primäre Signale.

Fehler 2: Kein Abgleich mit Kampagnenzielen

Sam Tomlinson weist in seiner Analyse von digitalen Werbestrategien darauf hin, dass Marken ihre Kampagnen nach Margin-Profil segmentieren sollten - und nicht alle Produkte oder Dienstleistungen in einen Topf werfen sollten. Das gilt ebenso für Audience Signals: Wenn du eine Performance-Max-Kampagne auf maximalen ROAS optimierst, sollten deine primären Audience Signals aus deinen profitabelsten Kundensegmenten bestehen - nicht aus allen Kunden.

Fehler 3: Fehlende Ausschlüsse

Audience Signals sagen der KI, wen sie ansprechen soll. Aber ebenso wichtig ist es zu definieren, wen du explizit ausschließen möchtest: aktuelle Kunden bei Neukundenkampagnen, Nutzer, die erst kürzlich konvertiert haben, oder Mitarbeiter des eigenen Unternehmens.

In Performance Max funktionieren Audience-Ausschlüsse anders als in klassischen Kampagnen. Bestandskunden-Ausschlüsse müssen auf Kontoebene definiert werden - eine Detail, das viele übersehen.

Fehler 4: Signals werden nie aktualisiert

Audience Signals sind kein «Set and Forget». Kundenlisten veralten, Nutzerverhalten ändert sich und neue Segmente entstehen. Wer seine Signals einmal einrichtet und dann sechs Monate nicht anfasst, verschenkt Potenzial.

Performance-Max-Kampagnen richtig messen und iterativ optimieren

Eine der größten Herausforderungen bei Performance Max ist die begrenzte Transparenz in Standardberichten. Du siehst keine einzelnen Placement-Daten, keine vollständige Aufschlüsselung nach Audience-Segment. Aber du kannst deutlich mehr messen, als viele denken.

Insights-Berichte nutzen

Unter dem Reiter «Insights» in Performance Max findest du wertvolle Informationen darüber, welche Zielgruppen-Segmente die KI tatsächlich angesprochen hat - und wie diese im Vergleich zu deinen hinterlegten Audience Signals performen. Diese Daten sind Gold wert für die Iteration.

Die wichtigsten Metriken im Blick

Psychologie trifft Algorithmus: Warum menschliche Signale die KI schlagen

Es gibt einen wichtigen Aspekt, der in vielen Audience-Signal-Diskussionen zu kurz kommt: die menschliche Psychologie hinter den Daten. Reine Algorithmus-Optimierung führt oft zu einem Zielgruppen-Profil, das technisch korrekt ist - aber die eigentlichen Kaufmotive der Menschen nicht widerspiegelt.

Sam Tomlinson stellt in seinem I.R.I.S.-Framework (Instinct, Resonance, Imprint, Signals) einen provokanten Gedanken in den Raum: Die meiste Creative-Optimierung - und damit auch Zielgruppen-Optimierung - ist anti-human geworden, weil sie für Plattformen statt für Menschen optimiert. Die KI optimiert auf Klicks und Conversions, aber die eigentlichen Treiber menschlichen Kaufverhaltens sind unveränderlich: Überleben, Anerkennung, Erfolg, Zugehörigkeit.

Was bedeutet das für Audience Signals in Performance Max? Deine Signale sollten nicht nur demographisch oder verhaltensbasiert sein, sondern psychografische Aspekte einbeziehen. Wer kauft aus Statusgründen? Wer aus Sicherheitsbedürfnis? Wer weil er Zugehörigkeit sucht? Diese Erkenntnisse helfen dir, bessere benutzerdefinierte Segmente zu erstellen - beispielsweise durch die Auswahl von Keywords und URLs, die diese psychologischen Treiber widerspiegeln.

Creative und Audience Signals: Das untrennbare Duo

Audience Signals und Creative-Assets gehören in Performance Max zusammen. Die KI entscheidet nicht nur, wen sie anspricht, sondern auch welche Assets sie wem zeigt. Ein starkes Audience Signal mit schwachem Creative führt trotzdem zu schlechten Ergebnissen - weil die richtige Person die falsche Botschaft erhält.

Wenn du deine Audience Signals nach psychografischen Mustern organisierst, sollten auch deine Creative-Texte und Bilder diese Muster widerspiegeln. Für status-orientierte Käufer andere Botschaften als für sicherheitsorientierte - auch wenn beide dieselbe Produktkategorie kaufen.

Praktisches Setup: Audience Signals für Performance Max 2026 konfigurieren

Theorie ist gut - Praxis ist besser. Hier findest du eine Schritt-für-Schritt-Anleitung für das optimale Audience-Signal-Setup in Performance Max.

Schritt 1: Audience-Inventur durchführen

Bevor du irgendetwas in Google Ads konfigurierst, inventarisiere deine verfügbaren Daten. Welche Kundenlisten existieren bereits? Welche Remarketing-Audiences sind in Google Analytics oder Google Ads vorhanden? Welche Segmente könntest du aus deinem CRM exportieren?

Erstelle eine einfache Tabelle mit allen verfügbaren Listen, ihrer Größe und ihrer Aktualität. Das gibt dir einen klaren Überblick über dein Signal-Inventar.

Schritt 2: Segmentierung nach Priorität

Ordne deine Audiences nach Qualität und Relevanz. First-Party-Daten aus dem CRM stehen ganz oben, Google-vordefinierte breite Interessen-Segmente ganz unten. Deine Top-Prioritäten landen als primäre Audience Signals in der Asset Group.

Schritt 3: Asset Groups nach Signalen strukturieren

Plane deine Asset-Group-Struktur so, dass jede Gruppe einen klaren Fokus hat - sowohl produktseitig als auch zielgruppenseitig. Eine Asset Group für Neukundengewinnung mit entsprechenden Signalen, eine für Remarketing, eine für High-Value-Segmente.

Schritt 4: Monitoring und Iteration planen

Leg von Anfang an fest, wann und wie du die Performance überprüfst. Empfehlung: In den ersten vier Wochen täglich die Ausgaben im Blick behalten, aber keine größeren Änderungen vornehmen. Ab Woche fünf wöchentliche Überprüfung der Insights und monatliche Aktualisierung der Kundenlisten.

Antworten für die Umsetzung