Google Shopping Custom Labels 2026: Mit KI die Feed-Segmentierung für Smart Bidding optimieren

Was sind Custom Labels - und warum reichen Standard-Attribute nicht aus?

Google Shopping-Feeds bestehen aus Pflichtattributen wie Titel, Beschreibung, Preis und GTIN. Diese Felder sind notwendig, aber sie liefern dem Smart Bidding-Algorithmus keinerlei geschäftsspezifischen Kontext. Ob ein Produkt deine höchste Marge trägt oder gerade im Überbestand sitzt - Google weiss das schlicht nicht.

Genau hier setzen Custom Labels an. Du hast fünf Slots (custom_label_0 bis custom_label_4), die du mit beliebigen Zeichenketten befüllen kannst. Diese Labels erscheinen nicht im Frontend, sie sind ausschliesslich für die interne Kampagnenstrukturierung gedacht. Damit kannst du Produktgruppen bilden, unterschiedliche ROAS-Ziele setzen und das Bidding-Verhalten des Algorithmus in eine für dein Unternehmen sinnvolle Richtung lenken.

Das klingt simpel. Und genau deshalb wird es von so vielen Advertisern unterschätzt. In der Praxis sehen wir bei galineo immer wieder Accounts, die alle fünf Labels entweder leer lassen oder mit identischen Werten befüllen - und sich dann wundern, warum Performance Max oder Standard Shopping die Budgets nicht so verteilt, wie es betriebswirtschaftlich sinnvoll wäre.

Warum Custom Labels 2026 wichtiger sind denn je

Mit dem weiteren Ausbau von Performance Max und dem Rückzug manueller Gebotsstrategien verliert der Advertiser traditionelle Steuerungshebel. Keywordlisten, Anzeigengruppen-Struktur, manuelle CPCs - all das wird in PMax-Kampagnen zunehmend durch Algorithmen ersetzt.

Was bleibt, sind Signale. Und Custom Labels sind eines der mächtigsten Signale, die du noch direkt kontrollieren kannst. Sie entscheiden darüber, in welchen Produktgruppen der Algorithmus mit welchem Ziel-ROAS arbeitet. Sie ermöglichen es dir, Saisonware vor dem Lagerabverkauf mit aggressiveren Geboten zu versehen, ohne die gesamte Kampagne anzufassen.

Hinzu kommt die zunehmende KI-Integration in die Google Ads-Plattform selbst. Google Gemini-Modelle - die laut Ben Tossell's Newsletter-Updates kontinuierlich leistungsfähiger werden - fliessen direkt in Googles eigene Bidding-Modelle ein. Das bedeutet: Die Qualität der Daten, die du dem System gibst, hat einen direkten Einfluss darauf, wie gut die interne KI deine Produkte bewertet.

Die 5 Custom-Label-Ebenen im Überblick

Ein bewährtes Framework, das wir bei galineo für Shop-Betreiber unterschiedlicher Grössen einsetzen, nutzt die fünf verfügbaren Slots für fünf strategische Dimensionen. Jede Dimension liefert dem Bidding-Algorithmus eine andere Art von Kontext.

Dieses Framework ist nicht in Stein gemeisselt. Die konkrete Belegung hängt von deinem Geschäftsmodell ab. Ein Modehändler gewichtet Saison und Lagerbestand stärker, ein B2B-Händler legt den Fokus eher auf Marge und Wettbewerbsposition. Das Entscheidende ist die Konsequenz der Befüllung - nicht die perfekte Theorie.

KI-basierte Feed-Segmentierung: Automatisierung statt manuelle Pflege

Die grösste Schwäche manuell gepflegter Custom Labels ist ihre Statik. Wer einmal im Monat eine Tabelle aktualisiert, arbeitet mit veralteten Segmentierungen. Ein Produkt, das letzte Woche noch «bestseller» war, kann heute zum «schläfer» geworden sein - aber das Label bleibt falsch, bis jemand es manuell ändert.

KI-basierte Feed-Pipelines lösen dieses Problem. Statt statischer Zuweisung analysieren sie kontinuierlich Performance-Daten, Lagerbestände und Preisvergleichsdaten - und schreiben die Custom Labels dynamisch zurück in den Feed. Das Ergebnis ist eine Segmentierung, die immer den aktuellen Zustand deines Sortiments abbildet.

Praktische Implementierung mit Python und GAQL

Ein wichtiger technischer Hinweis aus der Praxis: Wer KI-Workflows für Google Ads implementiert, sollte Berechnungen immer an Code-Execution delegieren. Wie aus den Workflows der Ads-to-AI-Community bekannt ist, führt das Delegieren von Kalkulationen an Python-Code zu präzisen Ergebnissen - korrekte Dezimalstellen, saubere Micros-Konvertierungen (÷ 1.000.000) und verlässliche ROAS-Berechnungen. Das gilt genauso für die automatische Label-Vergabe: Ein Python-Skript, das Conversion-Rate-Schwellenwerte gegen historische Account-Daten abgleicht, liefert zuverlässigere Segmentierungen als jedes manuelle Bauchgefühl.

Ein typischer KI-basierter Workflow für die Custom-Label-Vergabe sieht in der Praxis so aus:

Smart Bidding optimal mit Custom Labels steuern

Smart Bidding ohne strukturierte Feed-Segmentierung ist wie ein Navigationssystem ohne Kartenmaterial. Der Algorithmus optimiert, aber er optimiert ohne Wissen über deine Geschäftsziele. Mit Custom Labels gibst du ihm genau dieses Wissen.

ROAS-Ziele nach Marge differenzieren

Das klassischste Anwendungsbeispiel: Produkte mit hoher Rohertragsmarge können einen niedrigeren Ziel-ROAS rechtfertigen, weil der absolute Gewinn trotzdem stimmt. Produkte mit dünner Marge brauchen einen höheren ROAS, damit sich jeder Klick lohnt. Ohne Custom Labels behandelt der Algorithmus alle Produkte gleich - was betriebswirtschaftlich schlicht falsch ist.

Mit dem Marge-Label (custom_label_0) kannst du in der Kampagnenstruktur separate Produktgruppen bilden und diesen unterschiedliche ROAS-Ziele zuweisen. Das Ergebnis: Der Algorithmus maximiert innerhalb jeder Gruppe den Umsatz - aber auf Basis eines Zielwerts, der zu deiner tatsächlichen Profitabilität passt.

Saisonalität als Bidding-Signal nutzen

Saisonal sind nicht nur Weihnachtsartikel. Auch Sommerreifen, Grillzubehör oder Schulranzen haben enge Zeitfenster höchster Relevanz. Das Saison-Label (custom_label_1) ermöglicht es dir, diese Produkte in den relevanten Wochen mit einem eigenen Budget-Cap und Bidding-Ziel zu versehen - und sie in der Nebensaison zu drosseln oder ganz aus dem aktiven Bidding zu nehmen.

Lagerbestand als Abverkaufs-Hebel

Überbestände kosten Lagerkosten. Das Lagerbestand-Label (custom_label_3) ermöglicht es dir, Produkte mit hohem Lagerbestand kurzfristig aggressiver zu bewerben - mit niedrigerem Ziel-ROAS und höherem CPC-Limit. Gleichzeitig kannst du Produkte, die fast ausverkauft sind, aus dem aktiven Bidding nehmen, um keine Klicks auf Artikel zu zahlen, die ohnehin bald nicht mehr verfügbar sind.

Die Drei-Schichten-Architektur für KI-Workflows im Feed-Management

Wer KI-Systeme für die Automatisierung von Custom Labels einsetzen möchte, stösst schnell auf ein fundamentales Problem: Generische KI-Prompts liefern generische Ergebnisse. Ohne den richtigen Kontext empfiehlt ein KI-System Standardlösungen - die für deinen spezifischen Account möglicherweise komplett falsch sind.

Die Lösung ist eine strukturierte Drei-Schichten-Architektur, wie sie aus aktuellen KI-Workflow-Frameworks bekannt ist. Für das Feed-Management bedeutet das konkret:

Schicht 1: Strukturiertes Google Ads-Wissen (das Fundament)

Das KI-System braucht eine dokumentierte Wissensbasis mit Best Practices, GAQL-Query-Mustern und bewährten Workflows. Aus dem Ads-to-AI-Framework lässt sich ableiten: «Without this, Claude gives generic advice. With it, Claude becomes a Google Ads expert.» Für Custom Labels bedeutet das: Das KI-System muss wissen, welche Label-Kombinationen in Shopping-Kampagnen welche Bidding-Reaktionen auslösen - nicht in der Theorie, sondern basierend auf dokumentierten Account-Erfahrungen.

Schicht 2: Workflow-Kontext (die Methodik)

Die zweite Schicht umfasst die Entscheidungsframeworks und Workflow-Templates. Für die Feed-Segmentierung heisst das: Welche Schwellenwerte definieren «marge_hoch»? Ab welchem Lagerbestand-Wert greift das «überbestand»-Label? Diese Regelwerke müssen dokumentiert und für das KI-System zugänglich sein. Ohne sie trifft die KI willkürliche Entscheidungen statt strategischer.

Schicht 3: Account-Daten (der spezifische Kontext)

Die dritte Schicht sind die tatsächlichen Account-Daten: Performance-Historie, Sortimentsstruktur, saisonale Muster, Wettbewerbsposition. Hier zeigt sich, warum das Prinzip «Context is King» aus den Ads-to-AI-Workflows so treffend ist. Generische Prompts produzieren generische Resultate. Erst wenn das KI-System mit den spezifischen Daten deines Accounts arbeitet - also mit echten ROAS-Werten, CVR-Benchmarks und Margenstrukturen - liefert es Empfehlungen, die tatsächlich umsetzbar sind.

Schritt-für-Schritt-Implementierung: Von null zu vollautomatisierten Custom Labels

Die Implementierung lässt sich in vier Phasen aufteilen, angelehnt an bewährte Roadmaps aus der KI-Workflow-Implementierung. Entscheidend ist, nicht zu versuchen, alles auf einmal umzusetzen.

Phase 1: Fundament legen (Woche 1-2)

Beginne mit einer Bestandsaufnahme deines aktuellen Feeds. Welche Custom Labels sind bereits belegt? Wie ist die Datenlage für die fünf Dimensionen (Marge, Saison, Performance, Lagerbestand, Wettbewerb)? In dieser Phase geht es nicht um Automatisierung, sondern um das manuelle Anlegen eines konsistenten Label-Systems für dein Top-20%-Sortiment.

Phase 2: Datenpipeline aufbauen (Woche 3-4)

Jetzt verbindest du die Datenquellen: Google Ads API für Performance-Daten, dein ERP oder Shopsystem für Lagerbestände und Margen, optional einen Preisvergleichsdienst für das Wettbewerbs-Label. GAQL-Abfragen bilden das Rückgrat dieser Datenpipeline - dokumentiere die wichtigsten Query-Muster in deiner Wissensbasis.

Phase 3: Automatisierung aktivieren (Monat 2)

Mit den Datenquellen verbunden, baust du jetzt die automatische Label-Vergabelogik auf. Python-Skripte bewerten jedes Produkt anhand der definierten Schwellenwerte und schreiben die Labels zurück in den Feed. Starte mit zwei Labels (Marge und Performance), bevor du alle fünf Ebenen aktivierst.

Phase 4: Monitoring und Optimierung (laufend)

Automatisierung ersetzt kein Monitoring. Prüfe wöchentlich, ob die Label-Verteilung noch der Realität entspricht. Gab es grosse Preisänderungen beim Wettbewerb? Hat sich die Margenstruktur durch neue Lieferantenverträge verändert? Passe die Schwellenwerte entsprechend an.

Die häufigsten Fehler und wie du sie vermeidest

In über 22 Jahren Agenturerfahrung bei galineo haben wir nahezu alle Fehler gesehen, die bei der Custom-Label-Implementierung gemacht werden können. Die folgenden sind die kostspieligsten.

Fehler 1: Zu viele granulare Werte

Wer für das Performance-Label 15 verschiedene Werte definiert, zerteilt seinen Feed in zu kleine Produktgruppen. Smart Bidding benötigt ausreichend Conversion-Daten innerhalb einer Gruppe, um sinnvoll zu lernen. Faustregel: Mindestens 30 Conversions pro Monat pro Produktgruppe, sonst ist die Segmentierung zu granular.

Fehler 2: Labels ohne Kampagnenstruktur-Anpassung

Custom Labels allein verändern nichts. Sie müssen in der Kampagnenstruktur tatsächlich genutzt werden, um Produktgruppen zu bilden und unterschiedliche Gebote oder Ziele zu setzen. Wer Labels befüllt, aber die Kampagnenstruktur nicht anpasst, hat viel Aufwand ohne jeden Effekt.

Fehler 3: Inkonsistente Namenskonventionen

«Bestseller», «best_seller», «BestSeller» und «top-produkt» meinen dasselbe - für deinen Feed-Prozess. Für Google sind es vier unterschiedliche Werte und damit vier verschiedene Produktgruppen. Lege eine strikte Namenskonvention fest und halte sie durch - auch über Systemwechsel und Team-Änderungen hinweg.

Fehler 4: Labels nicht regelmässig aktualisieren

Ein Produkt, das im Februar als «schläfer» klassifiziert wurde, könnte im Mai zum Bestseller geworden sein. Veraltete Labels sind in vielen Fällen schlimmer als gar keine Labels, weil sie dem Algorithmus aktiv falsche Informationen liefern.

Praxisbeispiele aus dem Agenturalltag bei galineo

Theorie ist gut. Konkrete Zahlen sind besser. Die folgenden Beispiele basieren auf realen Projekten, bei denen wir Custom Labels im Rahmen unserer Feed-Optimierung eingesetzt haben.

Fallbeispiel 1: Modehändler mit 8.000 SKUs

Ein Modehandels-Kunde mit rund 8.000 aktiven Produkten hatte das Problem, dass saisonale Auslaufartikel die gleichen Gebotsstrategien wie die neue Saison-Kollektion nutzten. Nach der Implementierung eines Saison-Labels (ganzjährig / aktuell / abverkauf / eingestellt) mit angepassten ROAS-Zielen je Gruppe: Der Abverkauf der Restposten stieg im nächsten Quartal um 34%, während der Gesamt-ROAS der Kampagne um 18% verbessert wurde - weil das Budget nicht mehr auf Artikel floss, die kurz vor der Delistung standen.

Fallbeispiel 2: Elektronikhändler mit Margen-Clustering

Ein Elektronikhändler berichtete, dass trotz guter ROAS-Werte die tatsächliche Profitabilität stagnierte. Die Analyse zeigte: Hochvolumige, aber margenarme Produkte dominierten das Bidding-Budget. Nach Einführung eines Marge-Labels mit drei Stufen und differenzierten ROAS-Zielen (hoch: Ziel 400%, mittel: 650%, niedrig: 900%) verschob sich der Umsatzmix innerhalb von sechs Wochen deutlich zugunsten margenstärkerer Produkte. Der Netto-Deckungsbeitrag aus Google Shopping stieg um 22%.

Fallbeispiel 3: Automatisierte Lagerbestand-Labels

Für einen Heimdekorationshändler haben wir einen vollautomatisierten Lagerbestand-Label-Workflow implementiert. Das ERP-System übergibt täglich Lagerbestände per API. Ein Python-Skript klassifiziert Produkte als «überbestand» (>180 Tage Reichweite), «normal» (30-180 Tage), «knapp» (<30 Tage) oder «letzte_stueck» (<5 Einheiten). Das Ergebnis nach drei Monaten: Die durchschnittliche Lagerreichweite sank um 27%, Lagerkosten reduzierten sich messbar, und die Kampagne musste nie manuell angepasst werden.

Was alle drei Beispiele gemeinsam haben: Der Erfolg kam nicht durch das Label allein, sondern durch die Kombination aus klarer Strategie, konsistenter Datenpflege und angepasster Kampagnenstruktur. Custom Labels sind kein Selbstläufer - aber sie sind der präziseste Hebel, den du als Advertiser noch direkt in der Hand hast.

Google Shopping Custom Labels 2026: offene Punkte