Die besten Optionen für Audience Targeting in Google Ads für SaaS-Teams

Wenn euer Google-Ads-Konto im SaaS-Bereich nur dann funktioniert, wenn ihr jede verfügbare Audience-Ebene übereinanderlegt, dann habt ihr keine Targeting-Strategie, sondern eine Krücke. Genau darin liegt einer der Hauptgründe für verschwendetes Budget bei Audience Targeting in Google Ads für SaaS: Teams ergänzen immer neue Segmente, Job-Funktions-Annäherungen, Remarketing-Fenster, Customer-Match-Listen und Beobachtungs-Ebenen, bis das Konto zwar komplex aussieht, das eigentliche Signal aber schwach bleibt. Die Analyse von Forrester aus 2025 bringt das Problem auf den Punkt: Adtech ohne abgeleitete Kaufabsicht und ohne Prognose der Performance wird zu „dummen Leitungen“. Anders gesagt: Wenn euer Audience-Setup Google nicht dabei hilft zu verstehen, wer wahrscheinlich konvertiert und warum, dann ist das keine Präzision, sondern nur Unordnung.

Das wiegt heute umso schwerer, weil SaaS-Teams Traffic in einem deutlich teureren Markt einkaufen. Laut den Google-Ads-Benchmarks 2024 von WordStream ist der CPC in 86 % der Branchen gestiegen, der Cost per Lead in 19 von 23 Branchen, und die Google-Ads-Kosten lagen im Jahresvergleich im Schnitt 10 % höher. Gleichzeitig zeigt der Benchmark-Report 2025 von WordStream, dass die Conversion Rates in 65 % der Branchen gestiegen sind, obwohl die Kosten weiter zulegten. Das ist eine wichtige Erkenntnis: Nicht Targeting an sich funktioniert schlechter. Sichtbar geworden ist vor allem, wie teuer schlechtes oder bequemes Targeting wirklich ist.

Die beste Herangehensweise ist meist deutlich zurückhaltender, als viele Teams erwarten. Für SaaS ist die klügste Audience-Strategie oft die kleinstmögliche Kombination von Signalen, die Kaufabsicht zuverlässig vorhersagt – ergänzt um saubere Conversion-Messung, damit Google sinnvoll skalieren kann. Es geht nicht darum, jede Impression manuell zu steuern. Es geht darum, dem System die richtigen Hinweise zu geben. Und das ist eine ganz andere Aufgabe.

Warum Audience Targeting weiterhin wichtig ist

Die Aussage „Audiences sind heute weniger relevant, weil Google ohnehin alles automatisiert“ klingt nur so lange plausibel, bis man sich die Daten ansieht. Der Artikel der Harvard Business Review von 2018 zeigt, dass digitales Targeting die Werbewirkung messbar verbessert – und dass die Performance sinkt, wenn Marketer keinen Zugriff mehr auf Nutzerdaten haben. Forrester schärft diese Sicht 2025 weiter: Moderne Werbesysteme brauchen nach wie vor Kundenverständnis, Intent-Erkennung und Performance-Prognosen. Automatisierung verändert also die Art des Targetings. Sie ersetzt es nicht.

Gerade für SaaS ist das entscheidend, weil Käufe selten impulsiv passieren. Menschen suchen, weil sie ein konkretes Problem lösen wollen: Onboarding, Reporting, Call Tracking, Product Analytics, elektronische Signaturen oder Attribution. Audiences funktionieren deshalb am besten, wenn sie vorhandene Kaufabsicht verstärken, statt sie zu ersetzen. Wer nach Wettbewerbern sucht, zweimal die Pricing-Seite besucht und anschließend einen Trial startet, liefert Google deutlich mehr verwertbare Information als Alter oder Haushaltsnettoeinkommen jemals könnten.

Was leistet Audience Targeting in Google Ads eigentlich?

Praktisch betrachtet erfüllt Audience Targeting in Google Ads drei Aufgaben.

• Es hilft Google, Nutzer zu erkennen, die mit höherer Wahrscheinlichkeit eure gewünschte Conversion abschließen.
• Es ermöglicht, Botschaften und Gebote an unterschiedliche Intent-Stufen anzupassen.
• Es schafft einen kontrollierten Weg, über reines Keyword-Targeting hinauszugehen, ohne sofort komplett breit zu werden.

Ein einfaches SaaS-Beispiel: Ihr schaltet Search-Kampagnen auf „Projektmanagement Software für Agenturen“. Ohne Audience-Layer läuft jeder Klick auf dieses Keyword in dieselbe Auktionslogik. Ergänzt ihr nun eine Customer-Match-Liste mit früheren Demo-Anmeldungen, eine Remarketing-Audience für Besucher der Pricing-Seite und ein Custom Segment auf Basis von Wettbewerber-Suchen, entsteht deutlich mehr Kontext. Google erkennt dann, dass Nutzer mit Ähnlichkeit zu diesen Gruppen häufiger konvertieren. Das System bekommt also bessere Trainingsdaten.

Der vielleicht wichtigste Punkt dabei: Audience Targeting dreht sich heute nicht mehr primär um Ausschlüsse oder maximale manuelle Kontrolle. Es geht vor allem um Signalqualität. Teams, die Audiences noch wie einen manuellen Filter aus dem Jahr 2017 behandeln, drosseln oft das Volumen und nehmen dem Algorithmus Lernmöglichkeiten. Teams, die Audiences komplett ignorieren, zwingen Google wiederum dazu, aus deutlich verrauschteren Klicks zu lernen. Beides ist keine gute Strategie.

Warum machen es die meisten SaaS-Teams unnötig kompliziert?

Weil Komplexität sich sicherer anfühlt als Unsicherheit. Eine Kampagne mit 12 Audience-Layern wirkt durchdacht. Eine Kampagne mit drei sauber ausgewählten Signalen wirkt unfertig. In Wahrheit ist es oft genau umgekehrt.

Dieses Muster sehen wir in B2B-SaaS-Konten ständig: Es wird gleichzeitig nach Unternehmensgröße, Jobtitel-Proxys, breiten In-Market-Segmenten, Remarketing-Fenstern, Affinity-Kategorien und Customer-Listen targetiert. Am Ende weiß niemand mehr, welches Signal tatsächlich Pipeline vorhergesagt hat. Noch problematischer wird es, wenn die Performance sinkt: Statt Messung, Suchanfragen oder Landingpage-Relevanz zu verbessern, wird einfach noch eine weitere Audience-Ebene ergänzt.

Auch die Analyse der HBR von 2018 warnt davor, dass Targeting nach hinten losgehen kann, wenn es zu spezifisch oder zu invasiv wirkt. Das Problem überkomplexer Setups ist also nicht nur operativ. Es kann auch die Reaktion auf Anzeigen verschlechtern, wenn diese wie Überwachung wirken. Ein B2B-Buyer, der nach nur einem Website-Besuch eine unheimlich präzise Botschaft sieht, fühlt sich selten verstanden – eher beobachtet.

Die bessere Frage lautet deshalb nicht: „Wie viele Audience-Einstellungen können wir kombinieren?“ Sondern: „Welche zwei oder drei Signale trennen ernsthafte Käufer zuverlässig vom Rest?“ Und damit sind wir beim Thema Intent. Denn ohne Intent wird Audience-Setup schnell zu teurer Dekoration.

Mit Kaufabsicht starten, nicht mit Demografie

Wenn ihr Software verkauft, ist der Auslöser fast immer situativ. Jemand hat ein Problem im Workflow, eine Lücke im Reporting, ein Compliance-Risiko oder muss ein Budget rechtfertigen. Deshalb beginnt die verlässlichste Audience-Strategie für SaaS nicht bei demografischen Annahmen, sondern bei Intent-Signalen. Suchanfragen, Wettbewerbsrecherche, Seitentiefe, wiederholte Besuche, Trial-Verhalten und CRM-Status zeigen, welches Problem Käufer gerade lösen wollen. Demografische Daten sagen nur, in welcher Schublade sie theoretisch liegen. Das ist nicht dasselbe.

Gerade in einem teureren Suchmarkt wird dieser Unterschied noch wichtiger. Der Benchmark-Report 2025 von WordStream betont, dass eine kluge Strategie wichtiger ist als billige Klicks. Genau darum geht es hier. Wenn Broad Match eure Suchanfragen in Richtung geringerer kommerzieller Relevanz ausweitet, muss euer Audience-Modell echte Kaufsignale verstärken – statt zu raten, dass „Menschen zwischen 35 und 44 im SaaS-Umfeld“ automatisch bessere Prospects seien.

Für welche Intent-Signale lohnt es sich zu zahlen?

Nicht jede Form von Intent ist gleich wertvoll. Für SaaS würden wir Signale in dieser Reihenfolge priorisieren:

1. CRM-Status-Signale: Sales-qualified Lead, Opportunity erstellt, Trial aktiviert, Demo wahrgenommen.
2. Produktverhaltens-Signale: Teammitglieder eingeladen, Nutzungs-Schwelle erreicht, Datenquelle verbunden, Billing angesehen.
3. Website-Verhalten mit hoher Kaufabsicht: Pricing-Besuche, Vergleichsseiten-Besuche, wiederholte Sessions, Formularstarts.
4. Suchintention als Proxy: Wettbewerber-Keywords, Kategorie-Keywords mit kommerziellen Zusätzen, Integrations-Suchen.
5. Breite Interessenssignale: In-Market- oder interessenbasierte Custom Segments.

Aus dieser Reihenfolge ergibt sich unser erstes Framework.

Der Signalqualitäts-Stapel

Der Signalqualitäts-Stapel ordnet Audience-Inputs danach, wie stark sie Umsatz vorhersagen. Ganz oben stehen CRM- und Produktdaten, weil sie tatsächlichen Fortschritt in Richtung Kauf abbilden. Ganz unten stehen breite Interessenskategorien, weil sie oft eher Neugier als echte Kaufabsicht beschreiben.

Hier ist ein einfaches Scoring-Modell, das ihr direkt übernehmen könnt:

Nehmen wir nun ein hypothetisches Konto mit 1.000 monatlichen Konvertierern über alle Mikro-Conversions hinweg:

• 40 Nutzer erreichen Opportunity erstellt
• 120 Nutzer aktivieren einen Trial
• 180 Nutzer buchen eine Demo
• 260 Nutzer sehen Pricing zweimal
• 220 Nutzer kommen über Wettbewerber-Suchen
• 180 sind Blog-Abonnenten

Wenn ihr Gebotslogik und Audience-Strategie auf den unteren beiden Zeilen aufbaut, trainiert ihr Google mit 190 bis 400 Punkten schwacher Kaufabsicht pro Nutzerkohorte. Priorisiert ihr dagegen die oberen drei Zeilen, trainiert ihr das System mit 70 bis 100 Punkten starker Kaufabsicht. Das sind zwar weniger Nutzer, aber ein deutlich saubereres Signal. Und genau das performt meist besser als größere, aber verrauschte Pools.

Die Ausnahme sind SaaS-Unternehmen in einer sehr frühen Phase mit geringem Conversion-Volumen. Wenn ihr nur auf Opportunities oder aktivierte Trials optimiert und davon fünf pro Monat habt, lernt Google womöglich nicht genug. Dann geht ihr eine Stufe im Stapel nach unten. Nutzt zum Beispiel Pricing-Seiten-Tiefe oder qualifizierte Demo-Starts als Zwischenziel, bis mehr Volumen vorhanden ist.

Wann sind demografische Daten tatsächlich nützlich?

Demografie ist dann hilfreich, wenn sie wirtschaftliche Zusammenhänge abbildet – nicht, wenn sie nur nach Identität klingt. Wenn ihr ein Tool für Studierende verkauft, kann Alter relevant sein. Wenn ihr lokale Field-Service-Software anbietet, kann Haushaltsnettoeinkommen in manchen Märkten grob mit dem Unternehmensprofil korrelieren. Wenn euer Produkt nur in einem Land oder nur in einer Sprache funktioniert, ist Standort oft entscheidend. Für die meisten SaaS-Käufer sind jedoch Rollen-Kontext und Problem-Kontext wichtiger als demografische Merkmale.

Nehmen wir ein hypothetisches Compliance-SaaS-Unternehmen. Das Team geht davon aus, dass Firmen mit mehr als 200 Mitarbeitenden am besten konvertieren, und schränkt Audiences deshalb auf größere Unternehmen und ältere Entscheider ein. Nach drei Monaten zeigt sich: Kleinere Firmen in regulierten Branchen konvertieren schneller, weil der Gründer oder die Gründerin noch näher am Problem ist. Der demografische Filter hat das Targeting also nicht verbessert – sondern gute Käufer ausgeschlossen.

Genau hier müssen Keyword- und Audience-Strategie zusammenspielen. Wenn ihr Kampagnen bereits rund um Kategorie- und Wettbewerber-Nachfrage aufbaut, liegt die wertvollere Arbeit oft in der Zuordnung von Suchintention und passender Botschaft. Deshalb holen Teams, die an Wettbewerber-Keyword-Targeting in Google Ads arbeiten, meist mehr aus problemorientierter Segmentierung heraus als aus demografischer Verengung.

Intent liefert das Rohmaterial. Der nächste Schritt ist die Frage, welche Audience-Typen in Google daraus skalierbare Kampagnen machen.

Googles Audience-Typen gezielt in Ebenen nutzen

Viele Vergleichsartikel behandeln Google-Ads-Audiences wie eine reine Feature-Checkliste. Für SaaS-Teams ist das wenig hilfreich. Sinnvoller ist es, Audience-Typen danach zu ordnen, wie nützlich sie in unterschiedlichen Reifestufen eines Kontos sind. In der Praxis würden wir sie so priorisieren: First-Party-Listen, Custom Segments, Remarketing, In-Market-Audiences und erst danach breitere Erweiterungsoptionen.

Diese Reihenfolge folgt der Vorhersagekraft. First-Party-Listen hängen direkt an eurem Funnel. Custom Segments können Kategorie- oder Wettbewerber-Intent erfassen. Remarketing aktiviert bereits vorhandenes Interesse. In-Market-Audiences können helfen, liegen bei B2B-SaaS aber oft einen Schritt von der tatsächlichen Deal-Qualität entfernt. Breitere Expansion ergibt erst dann Sinn, wenn genug Conversion-Signal vorhanden ist, damit das Konto nicht in irrelevante Reichweite abdriftet.

Welche Google-Ads-Audiences funktionieren für SaaS am besten?

Das ist der Vergleich, den die meisten SaaS-Teams wirklich brauchen:

Ein hypothetisches Beispiel macht den Trade-off greifbarer. Angenommen, ein SaaS-Unternehmen betreibt über 30 Tage vier Search- und Demand-Gen-Kampagnen mit Audience-Unterstützung:

• Customer Match: 1.200 Klicks, 96 Demos, 18 Opportunities, 280 $ CPL, 18,8 % Demo-zu-Opportunity-Rate
• Remarketing: 1.800 Klicks, 110 Demos, 16 Opportunities, 240 $ CPL, 14,5 % Demo-zu-Opportunity-Rate
• Custom Segments: 3.600 Klicks, 150 Demos, 15 Opportunities, 180 $ CPL, 10 % Demo-zu-Opportunity-Rate
• In-Market: 4.200 Klicks, 190 Demos, 9 Opportunities, 150 $ CPL, 4,7 % Demo-zu-Opportunity-Rate

Wenn das Team nur auf den niedrigsten CPL optimiert, fließt immer mehr Budget in In-Market. Wenn es dagegen auf Opportunity-Erstellung optimiert, wirken Customer Match und Remarketing deutlich stärker. Genau deshalb muss Lead-Qualität wichtiger sein als oberflächliche Effizienz.

Die Gegenposition ist also simpel: Die „beste“ Audience ist nicht die mit der billigsten Frontend-Metrik. Es ist die Audience mit den besten nachgelagerten wirtschaftlichen Ergebnissen.

Sollte man In-Market-Audiences im B2B nutzen?

Ja – aber mit realistischen Erwartungen und einer klaren Testrolle. Für B2B-SaaS funktionieren In-Market-Audiences meist eher als Ergänzung als als Fundament. Sie können helfen, wenn eure Kategorie genug Nachfrage-Dichte hat, damit Google kurzfristiges Kaufverhalten sinnvoll ableiten kann, oder wenn ihr einen breiteren Top-of-Funnel-Pool für Remarketing aufbauen wollt. In engen oder neuen Software-Kategorien verdienen sie selten blindes Vertrauen.

Eine gute Faustregel ist, sie auf eine von drei Arten einzusetzen:

• Als Beobachtungs-Audiences in Search, um Conversion-Qualität zu vergleichen.
• Als Test-Layer in YouTube- oder Demand-Gen-Kampagnen mit klaren Ausschlüssen.
• Als Seed für Automatisierung – aber erst dann, wenn First-Party- und intentstarke Signale bereits stehen.

Ein Beispiel: Ein SaaS-Anbieter für Product Analytics hat wenig Markenbekanntheit. In-Market-Audiences wie „Business Technology“ und ähnliche breite Segmente liefern 300 Leads zu einem CPL von 90 $ – auf den ersten Blick hervorragend. Aber nur 6 davon werden zu Pipeline-Opportunities. Ein Custom Segment auf Basis von Wettbewerber-Suchen und Integrations-Keywords bringt dagegen 90 Leads zu 190 $ CPL, aus denen 14 Opportunities entstehen. Die breitere Audience sah effizient aus – bis Umsatz ins Spiel kam.

Wenn ihr die Passung zwischen Botschaft und Intent verbessern wollt, bevor ihr Audience-Pools erweitert, solltet ihr meist zuerst auf das Zusammenspiel von Anzeige und Landingpage schauen. Unsere Leitfäden zu Best Practices für Anzeigentexte und was eine Landingpage wirklich konvertieren lässt sind hier relevant, weil schwacher Audience-Traffic oft durch zu allgemeine Botschaften kaschiert wird.

Diese Audience-Hierarchie funktioniert allerdings nur, wenn die zugrunde liegenden Daten belastbar sind. Deshalb verdient First-Party-Data einen eigenen Abschnitt.

Euren First-Party-Data-Stack aufbauen

Wenn es ein Targeting-Asset gibt, das Plattformwechsel, Datenschutzänderungen und steigende CPCs übersteht, dann ist es First-Party-Data. Die Forrester-Empfehlung von 2024 rät ausdrücklich dazu, Zero-Party-Daten auszubauen, in Second-Party-Beziehungen zu investieren, Contextual Targeting zu testen und Creatives zu verbessern – statt auf das nächste Kapitel der Cookie-Debatte zu warten. Gleichzeitig liefert die HBR 2018 die nötige Warnung: Wenn Targeting zu invasiv wirkt, kann die Reaktion der Nutzer sinken. Es geht also nicht darum, möglichst viele Identifikatoren zu sammeln. Es geht darum, nützliche, erlaubnisbasierte und verständliche Listen aufzubauen.

Für SaaS-Teams entsteht der nachhaltigste Audience-Vorteil meist aus Daten, die ohnehin schon im Funnel vorhanden sind: product-qualified Accounts, aktivierte Trials, Demo-Teilnehmer, verlorene Opportunities nach Grund, Bestandskunden für Ausschlüsse und hochintente Website-Besucher mit sauberer Einwilligungsbasis. Das ist deutlich wertvoller als eine aufgeblähte CSV mit Webinar-Anmeldungen von vor zwei Jahren.

Welche First-Party-Listen sollten SaaS-Teams hochladen?

Startet mit Listen, die eine von vier Fragen beantworten:

• Wer steht kurz vor dem Kauf?
• Wer war nah dran, ist aber ins Stocken geraten?
• Wer hat bereits gekauft und sollte ausgeschlossen oder separat für Upselling angesprochen werden?
• Welche Kontakte ähneln gewonnenen Kunden stark genug, um als Seed für Expansion zu dienen?

Eine praktikable Upload-Struktur sieht so aus:

Schauen wir auf die Zahlen. Angenommen, euch stehen insgesamt 12.000 Kontakte zur Verfügung. Alle hochzuladen fühlt sich produktiv an – ist es aber nicht. Zerlegen wir die Menge:

• 500 aktivierte Trials
• 800 SQLs
• 1.200 offene Opportunities und aktuelle Demos
• 3.500 Kunden
• 6.000 alte Content-Leads ohne aktuelle Aktivität

Wenn ihr die ersten vier Gruppen priorisiert und die veraltete Content-Liste aus der Akquise herausnehmt, sinkt euer Match-Volumen von 12.000 auf 6.000 hochwertige Profile. Genau das ist das Ziel: kleiner, sauberer, vorhersagbarer.

Die Ausnahme: Wenn euer Sales-Zyklus 9 bis 12 Monate dauert und Produktnutzungsdaten erst spät verfügbar sind, können ältere Content-Leads weiterhin relevant sein. Aber selbst dann solltet ihr sie separat segmentieren. Schwach-intente Listen sollten nicht eure stärksten Kampagnen verwässern.

Wie vermeidet man gruseliges Targeting?

Die Grenze zwischen relevant und invasiv ist keine moralische Nebensache. Sie beeinflusst die Performance direkt. Die HBR-Forschung von 2018 warnt davor, dass sehr spezifische Anzeigen und Anzeigen, die Nutzer über Websites hinweg verfolgen, Gegenreaktionen auslösen können – gerade dann, wenn Menschen stärker verstehen, wie ihre Daten verwendet werden. Für SaaS ist das wichtig, weil viele Teams „personalisiert“ mit „wirksam“ verwechseln.

Eine praktische Regel: Eure Anzeige sollte Problemverständnis zeigen, nicht verstecktes Datenwissen. „Brauchen Sie einen besseren Weg, Demo-Anfragen zu verteilen?“ ist in Ordnung, wenn jemand eure Demo-Seite besucht hat. „Sie haben diese Woche unsere Pricing-Seite schon dreimal angesehen – immer noch unentschlossen?“ ist dagegen offensichtlich keine gute Idee.

Prüft vor dem Start audience-spezifischer Creatives diese drei Fragen:

• Könnte der Nutzer plausibel nachvollziehen, warum er diese Anzeige sieht?
• Spricht die Botschaft ein bekanntes Business-Problem an statt privates Verhalten?
• Würde die Anzeige auch dann noch Sinn ergeben, wenn der Nutzer den Website-Besuch vergessen hätte?

Wenn eine dieser Fragen mit Nein beantwortet wird, sollte die Botschaft überarbeitet werden. Relevanz steigert die Response. Creepy Messaging zerstört Vertrauen.

Welche First-Party-Listen Geld verbrennen

Nicht jede Liste verdient Media-Budget. Drei typische Beispiele performen immer wieder schwach:

• Alte Webinar-Listen ohne anschließendes Verhalten.
• Newsletter-Abonnenten, die nie Produktseiten besucht haben.
• Alle Leads zusammengefasst in einer einzigen großen Customer-Match-Audience.

Ein hypothetischer Benchmark: Ein SaaS-Team retargetet auf YouTube zwei Listen:

• Pricing-Seiten-Besucher, 30 Tage: 40.000 Impressionen, 620 Klicks, 28 Demos, 171 $ Kosten pro Demo
• Alle Newsletter-Abonnenten, 365 Tage: 95.000 Impressionen, 1.100 Klicks, 9 Demos, 533 $ Kosten pro Demo

Die zweite Liste ist größer und erzeugt mehr Klicks. Trotzdem ist sie mit großem Abstand die schlechtere Audience. Größere Listen erzeugen oft nur billigeres Rauschen statt besserer Nachfrage.

First-Party-Data bringt Präzision. Aber Präzision allein schafft noch keine Skalierung. Um verantwortungsvoll zu wachsen, braucht ihr Automatisierung – und ihr müsst aufhören, sie entweder für Magie oder für Betrug zu halten.

Automatisierung sinnvoll skalieren lassen

Das Argument für Automatisierung lautet nicht, dass Google euren Ideal Customer besser kennt als ihr selbst. Das Argument ist: Wenn ihr klare Intent-Signale und verlässliche Conversion-Ziele liefert, kann das System angrenzende Nachfrage oft schneller finden als ein Mensch. Die Forrester-Analyse von 2025 verweist darauf, dass Googles machine-learning-basierte Anzeigen so relevant sind, dass die Werbeumsätze mehr als doppelt so schnell wachsen wie der Traffic auf Google.com. Das ist ein starkes Indiz dafür, dass maschinell gesteuerte Relevanz in großem Maßstab funktioniert. Auch der HBR-Artikel von 2024 argumentiert, dass Marketer heute bessere Segmentierungsfähigkeiten und Automatisierungs-Tools haben als je zuvor – und dadurch Audiences breiter ausweiten können.

Der Haken ist allerdings offensichtlich: Automatisierung skaliert das, was ihr ihr beibringt. Wenn ihr schwache Conversions, gemischte Lead-Qualität oder veraltete Listen einspeist, wird das System nicht intelligent. Es wird nur sehr selbstbewusst falsch.

Wann sollte man Audience Expansion vertrauen?

Audience Expansion, optimiertem Targeting oder breiterem Smart Bidding solltet ihr dann vertrauen, wenn drei Bedingungen erfüllt sind:

• Ihr habt eine stabile Haupt-Conversion, die echten Kauf-Fortschritt abbildet.
• Ihr könnt qualifizierte und unqualifizierte Leads im Nachgang sauber trennen.
• Eure Seed-Audiences zeigen bereits akzeptable Lead-zu-Opportunity-Werte.

Daraus entsteht unser zweites Framework.

Die Intent-zu-Skalierung-Leiter

Die Intent-zu-Skalierung-Leiter ist ein einfaches Expansionsmodell für SaaS-Konten. Ihr startet auf der engsten, bereits bewährten Intent-Stufe, validiert die Umsatzqualität und erweitert dann Sprosse für Sprosse. Es geht nicht darum, für immer eng zu bleiben. Es geht darum, erst dann breiter zu werden, wenn jede Stufe bewiesen hat, dass sie mehr Budget verdient.

Die Leiter sieht so aus:

1. Sprosse 1: First-Party-Präzision – SQLs, aktivierte Trials, Pricing-Remarketing.
2. Sprosse 2: Search-Intent erfassen – Custom Segments, Wettbewerber-Keywords, hochintente Kategorie-Suchanfragen.
3. Sprosse 3: Unterstützte Skalierung – In-Market-Beobachtung, optimiertes Targeting, ähnliche Muster aus Gewinnern.
4. Sprosse 4: Breite Expansion – nur wenn die Conversion-Qualität stabil bleibt.

Ein Zahlenbeispiel: Ein SaaS-Unternehmen startet mit 12.000 $ Monatsbudget:

• Sprosse 1: 4.000 $, CPA 220 $, Opportunity-Rate 18 %
• Sprosse 2: 5.000 $, CPA 260 $, Opportunity-Rate 14 %
• Sprosse 3: 3.000 $, CPA 170 $, Opportunity-Rate 6 %

Eine naive Optimierung würde mehr Budget auf Sprosse 3 verschieben, weil der CPA besser aussieht. Die Leiter sagt: nein. Die Opportunity-Rate ist zu schwach. Stattdessen verbessert das Team Ausschlüsse und Conversion-Gewichtung, testet Sprosse 3 erneut und skaliert erst dann, wenn die Opportunity-Rate einen Schwellenwert erreicht – zum Beispiel mindestens 10 %. Diese eine Regel kann Monate falscher Effizienz verhindern.

Die Ausnahme sind ganz neue Konten ohne Remarketing-Pool oder CRM-Sync. Dann startet ihr auf Sprosse 2 mit intentstarken Keywords und Custom Segments – erweitert aber trotzdem vorsichtig.

Wie viel Automatisierung ist zu viel?

Zu viel Automatisierung ist dann erreicht, wenn das Konto nicht mehr erklären kann, warum sich die Performance verändert hat. Wenn Broad Match, optimiertes Targeting, Max Conversions und minderwertige Lead-Ziele gleichzeitig aktiviert sind, betreibt ihr kein System mehr. Ihr schaut nur noch einer Black Box beim Geldausgeben zu.

Sauberer ist ein gestuftes Vorgehen:

• Startet mit einer Haupt-Conversion und 1 bis 2 sekundären Beobachtungen.
• Erweitert Audience-Einstellungen in einer kontrollierten Reihenfolge.
• Haltet Ausschlüsse und Audience-Reporting sichtbar.
• Prüft Suchanfragen und Offline-Ergebnisse wöchentlich.

Ein hypothetisches Beispiel zeigt, warum. Kampagne A nutzt Exact und Phrase Match mit Customer-Match-Beobachtung und nur „Demo gebucht“ als Conversion. Kampagne B nutzt Broad Match, optimiertes Targeting, Max Conversions und zählt E-Book-Downloads sowie Besuche der Kontaktseite als gleichwertige Conversions. Kampagne B erzeugt 30 % mehr Leads bei 20 % niedrigerem CPL – aber 40 % weniger Opportunities. Das ist kein Erfolg von Automatisierung. Das ist ein Reporting-Trick.

Automatisierung ist wichtig, weil sie entscheidet, wo eure Anzeigen als Nächstes ausgespielt werden. Messung ist wichtig, weil sie zeigt, ob diese Platzierungen echten Wert geschaffen haben – oder nur Bewegung im Dashboard.

Audiences nach Umsatz bewerten, nicht nach Klicks

Audience-Entscheidungen sollten nie bei CTR oder selbst beim Cost per Lead enden. Laut der Marketing-Statistik-Seite 2026 von HubSpot ist die Lead-zu-Kunde-Conversion die zweitwichtigste KPI für Marketer in Unternehmen jeder Größe. Das klingt selbstverständlich, aber viele SaaS-Teams bewerten Audiences noch immer so, als wäre mit dem ausgefüllten Formular die Arbeit erledigt. Ist sie nicht. Der WordStream-Report 2024 zeigt eine durchschnittliche Google-Ads-CTR von 6,42 % über mehr als 17.000 Kampagnen, der Report 2025 eine durchschnittliche CTR von 6,66 % über mehr als 16.000 Kampagnen. Nützlicher Benchmark-Kontext – aber keine Entscheidungsgrundlage.

Klicks zeigen, dass eine Anzeige Aufmerksamkeit erzeugt hat. Leads zeigen, dass jemand das Formular ausgehalten hat. Umsatz zeigt, ob die Audience überhaupt in die Kampagne gehörte.

Welche Kennzahlen sollten SaaS-Teams beobachten?

Für die Bewertung von Audiences empfehlen wir eine einfache Metrik-Hierarchie:

• Primär: erzeugte Pipeline, Opportunity-Rate, SQL-Rate, CAC-Payback-Proxy
• Sekundär: Cost per Qualified Lead, Demo-zu-Opportunity-Rate, Trial-zu-Paid-Rate
• Tertiär: CTR, CPC, Frontend-Conversion-Rate

Genau darin zeigt sich die praktische Realität steigender Auktionskosten. Die WordStream-Daten von 2024 zeigen, dass der CPC in 86 % der Branchen und der Cost per Lead in 19 von 23 Branchen gestiegen ist. Der Report 2025 zeigt, dass der CPC in 87 % der Branchen weiter zulegte, aber gleichzeitig 65 % der Branchen bessere Conversion Rates verzeichneten. Die Schlussfolgerung ist klar: Teams können Marktpreise nicht kontrollieren – aber sie können steuern, ob sie auf qualifizierte Ergebnisse optimieren.

Ein konkretes Dashboard-Beispiel:

Die vielleicht kontraintuitive Erkenntnis: Die Audience mit der schlechtesten CTR kann trotzdem eure beste Audience sein. SaaS-Käufer sind oft selten, abgelenkt und teuer. Entscheidend ist die kommerzielle Dichte – nicht der Applaus in Form von Klicks.

Woran erkennt man, ob eine Audience wirklich funktioniert?

Legt eure Entscheidungsregel fest, bevor ihr startet. Sonst wird jede Audience-Diskussion politisch.

Wir empfehlen meist eine einfache Formel:

Audience-Value-Score = (Opportunity-Rate × durchschnittlicher Opportunity-Wert) ÷ Cost per Lead

Drei hypothetische Audiences:

• Audience A: Opp-Rate 15 %, durchschnittlicher Opportunity-Wert 8.000 $, CPL 200 $
• Audience B: Opp-Rate 7 %, durchschnittlicher Opportunity-Wert 12.000 $, CPL 130 $
• Audience C: Opp-Rate 4 %, durchschnittlicher Opportunity-Wert 10.000 $, CPL 90 $

Die Scores:

• A = (0,15 × 8.000) ÷ 200 = 6,0
• B = (0,07 × 12.000) ÷ 130 = 6,46
• C = (0,04 × 10.000) ÷ 90 = 4,44

Nur nach CPL betrachtet sieht C am besten aus. Nach Value Score gewinnt B. Und genau das verändert die Budgetverteilung komplett.

Wenn ihr eine taktischere Version dieses Denkens sucht, passt das sehr gut zu unserem Ansatz in unserem Leitfaden zur richtigen Berechnung von ROAS. Das Prinzip ist identisch: Frontend-Effizienz ohne Umsatzkontext ist keine echte Effizienz.

Die Messfalle bei mobilen Journeys

Ein weiterer Punkt ist wichtig. Laut HubSpot 2026 bevorzugen 63 % der Verbraucher mobile Geräte, um Informationen über Marken und Produkte zu finden, und Google hält über 93,9 % Marktanteil bei der mobilen Suche weltweit. Selbst im B2B-SaaS-Bereich bedeutet das: Ein großer Teil der frühen Recherche findet mobil statt, bevor die eigentliche Conversion später am Desktop erfolgt.

Wenn eure Audience-Analyse Desktop-Formulare in derselben Session übergewichtet, unterschätzt ihr womöglich Upper- und Mid-Funnel-Audiences, die ernsthafte Kaufprozesse unterstützen. Das heißt nicht, dass man plötzlich View-through-Rauschen feiern sollte. Es heißt nur, dass Attribution und CRM-Verknüpfung gut genug sein müssen, um Rechercheverhalten mit echten Ergebnissen zu verbinden.

Deshalb sind auch Landingpages und Experiment-Disziplin so wichtig. Wenn eine Audience schwach aussieht, kann das an der Traffic-Qualität liegen. Es kann aber genauso gut ein Messaging-Mismatch oder mobile Reibung sein. Teams, die regelmäßig A/B-Testing-Programme mit den richtigen Tools fahren, erkennen das meist schneller als Teams, die jede sinkende Conversion Rate pauschal den Audience-Einstellungen zuschreiben.

Wenn die umsatzbasierte Messung steht, könnt ihr endlich vernünftig entscheiden, wie ein vollständiges SaaS-Targeting-Setup aussehen sollte.

Ein praxisnaher Targeting-Stack für SaaS

Die meisten Teams brauchen nicht mehr Audience-Optionen. Sie brauchen ein Betriebsmodell. Das beste, das wir kennen, ist erstaunlich schlicht: Nutzt präzise Audiences, um klare Kaufabsicht einzufangen, Expansions-Audiences, um erst nach nachgewiesener Qualität zu skalieren, und Ausschlüsse, um offensichtliche Verschwendung zu stoppen. Mehr braucht das System im Kern nicht.

Hier wird die zentrale These des Artikels praktisch: Das klügste Setup ist meist weniger Targeting, nicht mehr. Eng genug, um echte Kaufabsicht zu erfassen. Breit genug, damit Google lernen kann. Und diszipliniert genug, um nach Umsatz statt nach CTR zu urteilen.

Was sollte ein schlankes SaaS-Team zuerst tun?

Wenn ihr ein kleines Team mit begrenzten Daten seid, startet mit einem Minimum Viable Stack:

• Search-Kampagnen rund um kommerzielle Kategorie- und Wettbewerber-Intent
• Custom Segments auf Basis von Wettbewerber- und problemorientierten Suchanfragen
• Remarketing für Besucher von Pricing-, Demo- und Vergleichsseiten
• Customer Match aus aktuellen Demos, Trials und SQLs, sofern genug Volumen vorhanden ist
• Ausschlüsse für Bestandskunden, disqualifizierte Leads und irrelevante Regionen

Budget-Beispiel für ein Unternehmen mit 15.000 $ pro Monat:

• 50 % für hochintente Search-Kampagnen mit Audience-Beobachtungen
• 25 % für Tests mit Wettbewerber-/Custom-Segmenten
• 15 % für Remarketing
• 10 % als Reserve für kontrollierte Expansionstests

Entscheidungsregeln:

• Eine Audience skalieren, wenn SQL-Rate > 30 % und CPL innerhalb von 20 % des Konto-Durchschnitts liegt
• Begrenzen, wenn Opp-Rate < 8 % nach statistisch brauchbarem Volumen
• Stoppen, wenn Leads entstehen, aber nach einem vollständigen Sales-Cycle-Checkpoint keine Pipeline

Auch hier spielen unterstützende Assets eine große Rolle. Wenn schlanke Teams ihr Targeting verbreitern, bevor sie ihre Seiten verbessern, kaufen sie vor allem mehr Verwirrung ein. Deshalb bringt es oft mehr, an Best Practices für Landingpages zu arbeiten, als noch eine zusätzliche Audience-Ebene einzubauen.

Was sollte ein reifes Konto anders machen?

Ein reifes Konto sollte eher wie ein Portfolio-Manager agieren. Ihr habt genug Daten, um Audience-Rollen sauber zu trennen.

Nutzt drei klar getrennte Bereiche:

• Präzisions-Bereich: CRM-Listen, hochintentes Remarketing, Brand- und Bottom-Funnel-Search
• Wachstums-Bereich: Custom Segments, Wettbewerber-Intent, Integrations-Keywords, angrenzende Kategorie-Nachfrage
• Explorations-Bereich: In-Market-Tests, breitere Automatisierung, neue Kampagnentypen mit klaren Leitplanken

Ein Beispiel für ein Quartalsbudget bei einem SaaS-Konto mit 120.000 $ pro Monat:

• Präzision: 48.000 $, Ziel-Opp-Rate 18 %+
• Wachstum: 54.000 $, Ziel-Opp-Rate 10–14 %
• Exploration: 18.000 $, Ziel-Opp-Rate 6–8 % mit harten Stop-Regeln

Auffällig ist, was sich verändert: Das reife Konto wird nicht überall breit. Es wird strukturiert. Exploration darf lernen – aber nicht das Budget dominieren, nur weil sie zwei Wochen lang billige Leads produziert hat.

Die Ausschlüsse, die Budget schützen

Ausschlüsse sind der unspektakulärste Teil jeder Audience-Strategie – und oft einer der profitabelsten. Je stärker Automatisierung skaliert, desto wichtiger werden sie.

Mindestens ausgeschlossen werden sollten:

• Bestandskunden aus Net-New-Akquise-Kampagnen
• Offene Opportunities aus Prospecting-Kampagnen, wenn der Vertrieb die Beziehung bereits führt
• Disqualifizierte Leads wie Studierende, irrelevante Agenturen, Wettbewerber oder Jobsuchende
• Regionen mit geringem Wert, wenn euer Vertrieb sie nicht bedienen kann
• Aktuelle Konvertierer aus aggressiven Retargeting-Fenstern, wenn Message Fatigue offensichtlich ist

Ein kurzes Beispiel: Angenommen, eine Kampagne gibt 18.000 $ pro Monat aus und 12 % davon gehen an Bestandskunden und klar disqualifizierte Leads, weil keine Ausschlüsse synchronisiert werden. Das sind 2.160 $ pro Monat vermeidbare Verschwendung – also 25.920 $ pro Jahr durch ein einziges vermeidbares Systemproblem. Viele Teams feilen lieber an Geboten und lassen so etwas über Quartale laufen. Eine merkwürdige Priorität.

Der Sonderfall, den niemand gern zugibt

Manchmal ist die richtige Antwort tatsächlich, weniger Audiences zu nutzen, als die Plattform empfiehlt. Wenn eure Kategorie spitz ist, euer Funnel lang und eure Offline-Conversion-Daten lückenhaft sind, können In-Market-, Affinity- und Expansion-Einstellungen das Konto schneller verwässern, als sie helfen. In solchen Fällen ist es oft besser, länger enger zu bleiben, den CRM-Sync zu verbessern, Landingpages zu optimieren und Expansion später erneut zu prüfen.

Es gibt keinen Preis für „fortgeschrittenes Targeting“, wenn das Konto nicht zwischen einer Enterprise-Demo und einem Studentendownload unterscheiden kann. Der eigentliche Gewinn ist nicht Komplexität. Der Gewinn ist vertrauenswürdiger Signalfluss.

Damit sind wir beim nächsten praktischen Schritt. Wenn klar ist, welche Signale zählen und wie sie gemessen werden, wird Umsetzung zu einer Systemfrage – und genau dort sollte Tooling manuelle Arbeit reduzieren, statt noch mehr Dashboards zu produzieren.

Signalqualität in Wachstum übersetzen

Die eigentliche Herausforderung bei Audience Targeting in Google Ads für SaaS besteht nicht darin, in Google Ads noch mehr Stellschrauben zu finden. Entscheidend ist ein wiederholbares System, das Audience-Signale, Relevanz zwischen Anzeige und Seite und umsatzorientierte Messung miteinander verbindet, ohne dass euer Team alles manuell zusammenflicken muss. Genau hier setzt dynares.ai an. Wir helfen SaaS-Teams dabei, Landingpage-Relevanz zu verbessern, schnellere Testing-Workflows aufzubauen und die Optimierung von Paid Traffic mit den Kennzahlen zu verknüpfen, die wirklich zählen – damit ihr nicht länger auf billige Leads optimiert, die nie zu Pipeline werden.

Wenn euer aktuelles Setup auf überladenen Audience-Stacks, vagen Conversion-Zielen und langsamer Seiteniteration basiert, ist das Ergebnis vorhersehbar: Google lernt aus Rauschen, CPCs steigen und das Reporting sieht gesünder aus als das Geschäft. dynares.ai gibt Teams die Werkzeuge an die Hand, um conversion-orientierte Landingpage-Erlebnisse zu bauen, Botschaften gegen echte Audience-Segmente zu testen und die Feedback-Schleife zwischen Kampagnen-Traffic und qualifizierten Ergebnissen enger zu ziehen. Wenn euer Google-Ads-Targeting auf stärkeren Signalen statt auf mehr Rätselraten skalieren soll, ist der nächste sinnvolle Schritt, dieses System jetzt mit dynares.ai aufzubauen.