225 % höhere Conversion-Rate für Schweizer Möbel-Startup

Die Ausgangssituation

Pabio, ein Schweizer Startup, das hochwertige und nachhaltige Möbel im Abonnement anbietet, brauchte Unterstützung bei der Neukundengewinnung und der Verbesserung des Verhältnisses von Customer Acquisition Cost (CAC) zu Lifetime Value (LTV).

Das Unternehmen befand sich in einer interessanten Marktlage: Schweizer Städte sind voll von Berufstätigen mit befristeten Verträgen, und Wohnungen werden dort in der Regel unmöbliert vermietet. Gleichzeitig brachte genau das erhebliche Herausforderungen mit sich:

• Bekanntmachung einer völlig neuen Kategorie – Möbel-Mietabonnements – in einem Markt, in dem Kunden dieses Konzept schlicht nicht kannten
• Wettbewerb gegen etablierte Budgetmöbelhändler in einem bereits gesättigten Markt
• Identifikation und Ansprache von Kunden, die offen für Möbelmiete statt -kauf sind
• Eine ineffiziente Kampagnenstruktur, die das volle Potenzial des Machine Learnings blockierte
• Fehlende Granularität bei den Conversion-Daten, um den echten Kundenwert zu optimieren

Die Strategie

Mein Ansatz: Machine Learning und KI gezielt einsetzen, um die Nutzer zu identifizieren und anzusprechen, die am ehesten bereit sind, das Abo-Modell anzunehmen – während gleichzeitig strategische Optimierungen die Kampagneneffizienz steigern.

Die drei strategischen Säulen

Die Strategie baute auf drei Kernbereichen auf:

• Audience Intelligence: Googles Machine-Learning-Fähigkeiten nutzen, um Verhaltens- und Intentionssignale zu erkennen, die auf eine Offenheit für Möbelmiete statt Kauf hindeuten
• Messaging-Optimierung: Überzeugende Value Propositions rund um Nachhaltigkeit und Kostenvorteile entwickeln – zugeschnitten auf Berufstätige mit befristeten Verträgen im DACH-Raum
• Kampagnenarchitektur neu aufsetzen: Kampagnen konsolidieren und restrukturieren, um die Wirksamkeit des Machine Learnings zu maximieren und Ineffizienzen durch Übersegmentierung zu eliminieren

Umsetzung & zentrale Optimierungsmaßnahmen

1. Kampagnenkonsolidierung

Die bestehende Account-Struktur war ein echter Performancekiller. Pabio betrieb 120 aktive Google-Ads-Kampagnen – eine Fragmentierung, die verhinderte, dass die Machine-Learning-Algorithmen in einzelnen Kampagnen genug Daten sammeln konnten.

Lösung: Ich habe die Kampagnen von 120 auf 16 konsolidiert und sie rund um übergeordnete Themen statt übermäßig spezifischer Segmente organisiert. Dadurch konnte jede Kampagne:

• Mehr Conversion-Daten für schnelleres Lernen akkumulieren
• Die kritische Datenmasse erreichen, damit automatisierte Gebotsstrategien effektiv arbeiten
• Den Verwaltungsaufwand reduzieren und die Gesamteffizienz steigern
• Das Budget gezielter auf leistungsstarke Themen verteilen

2. Erweitertes Conversion-Tracking

Um Qualität statt Quantität zu optimieren, habe ich gemeinsam mit dem Pabio-Team das Conversion-Tracking verbessert – konkret durch Anpassungen am Website-Formular und im Onboarding-Prozess:

„Ich schaue mich nur um"-Option

Die Option „Ich schaue mich nur um" im Onboarding-Formular wurde gezielt isoliert, damit die Gebotsstrategien zwischen Nutzern mit echter Abo-Absicht und solchen, die noch unverbindlich stöbern, unterscheiden können. Das ermöglichte Smart Bidding, den Fokus auf Nutzer mit konkreter Kaufbereitschaft zu legen.

Monatsbudget-Frage

Das Onboarding-Formular wurde um eine Frage nach dem monatlichen Budget ergänzt. In Kombination mit durchschnittlichen Conversion-Raten konnten wir Kampagnen so optimieren, dass der geschätzte Customer Lifetime Value – und nicht nur das Lead-Volumen – im Vordergrund stand. Der Algorithmus lernte dadurch, hochwertigere Kunden zu priorisieren und das CAC:LTV-Verhältnis zu verbessern.

3. Broad-Match-Keyword-Strategie

Für möbelbezogene Suchbegriffe wurde auf 90 % Broad-Match-Keywords umgestellt – weg von der restriktiven Exact- und Phrase-Match-Strategie, die sich als nicht kosteneffizient erwiesen hatte.

Dieser Ansatz funktionierte, weil:

• Starke Conversion-Tracking-Daten Googles Algorithmen die nötigen Signale lieferten, um relevante Suchanfragen zu erkennen
• Verhaltensbezogene Audience-Signale dabei halfen, Nutzer zu identifizieren, die offen für Abo-Modelle sind
• Broad Match generische Long-Tail-Möbelbegriffe erfasste, die Exact Match schlicht nicht erreicht hatte
• Das System aus Nutzerverhalten lernen konnte, um qualifizierte Interessenten jenseits offensichtlicher Keyword-Ziele zu finden

Ergebnisse

Die strategische Neustrukturierung und Optimierung lieferte substanzielle Verbesserungen in allen relevanten Kennzahlen:

• 76 % geringere Kosten pro Lead – Kampagnenkonsolidierung und verbessertes Targeting steigerten die Effizienz erheblich
• 50 % mehr Neukunden-Abo-Umsatz – Besser qualifizierte Leads schlugen sich direkt im Unternehmenswachstum nieder
• 30 % mehr qualifizierte Leads aus generischen Möbel-Keywords – Die Broad-Match-Strategie erschloss erfolgreich bislang ungenutzte Nachfrage
• 225 % höhere Conversion Rate – Verbessertes Tracking und präziseres Audience-Targeting brachten deutlich mehr qualifizierten Traffic

Operative Effizienzgewinne

Neben den Headline-Kennzahlen brachte die Konsolidierungsstrategie weitere operative Vorteile:

• Schnellere Optimierungszyklen durch konzentrierte Daten in weniger Kampagnen
• Verbesserte Quality Scores im gesamten Keyword-Portfolio
• Klarere Performance-Signale für eine gezieltere Budgetverteilung
• Reduzierter Verwaltungsaufwand – mehr Kapazität für strategische Tests

Wichtigste Erkenntnisse

Dieses Projekt hat wertvolle Einblicke geliefert, wie man Kampagnen für aufstrebende Subscription-Geschäftsmodelle optimal aufstellt:

• Konsolidierung steigert Effizienz und Skalierbarkeit: Übersegmentierung bremst das Machine Learning aus. Wenige, gut strukturierte Kampagnen mit ausreichend Daten schlagen fragmentierte Strukturen jedes Mal – ohne Ausnahme.
• Broad Match + starke Conversion-Daten ist eine kraftvolle Kombination: Wer sauberes Conversion-Tracking aufgebaut hat, kann Broad-Match-Keywords in Kombination mit Googles Audience-Signalen nutzen, um Kunden zu finden, die bereit sind, neue Verhaltensweisen (wie Abos) für generische Hochvolumen-Begriffe zu übernehmen.
• „Vorqualifizierung" ohne komplexe Integrationen: Einfache Anpassungen am Website-Formular können die Kampagneneffizienz direkt verbessern – ganz ohne aufwendige Offline-Conversion-Integrationen oder CRM-Anbindungen.
• Machine Learning vertrauen: Mit einer soliden Datenbasis und sauberem Conversion-Tracking erkennen automatisierte Gebotsstrategien Muster und Chancen, die manuelle Optimierung schlicht übersieht.
• Qualitätssignale schlagen Quantität: Die richtigen Conversions zu tracken – qualifizierte statt aller Leads – ermöglicht es dem Algorithmus, auf echten Business-Value zu optimieren, nicht nur auf Volumen.

Kundenstimme