TL;DR
| Metrik | Wert |
|---|---|
| Analysierte Suchbegriffe | 7.525 |
| Empfohlene Negatives | 273 |
| Kategorien | 16 |
| Teuerstes irrelevantes Keyword | > 500 € |
| Für Review geflaggt | > 1.200 |
| Account-Spend (Zeitraum) | sechsstellig |
- Branche: Enterprise Software (B2B)
- Zeitraum: 6 Monate
- Kanal: Google Ads (Search, Multi-Region)
- Kern-Maßnahme: Systematische Search-Term-Klassifizierung mit 8-Kategorie-Intent-Modell und 16-Kategorien-Negative-Framework
Das Problem: Warum Enterprise-Accounts stärker bluten
In einem B2B-Account mit sechsstelligem Halbjahres-Spend über mehrere Regionen weltweit haben wir den Search Terms Report der letzten 30 Tage exportiert.
Das Ergebnis: 7.525 Suchbegriffe.
Davon relevant? Vielleicht die Hälfte.
Enterprise-Accounts sind besonders anfällig für Search-Term-Inflation — und das hat drei Gründe:
1. Generische Keywords in spezialisierten Märkten
Begriffe wie “Enterprise CMS”, “Content Management Platform” oder “Digital Experience” sind breit genug, dass Google sie auf Dutzende irrelevante Queries matcht — von Shopify-Händlern bis Confluence-Nutzern.
2. Produkt-Homonymie
Der Markenname des Kunden hatte eine Doppelbedeutung — derselbe Name existierte auch in einem völlig anderen Kontext (Medien/Consumer). Ein einziger irrelevanter Suchbegriff mit dieser Doppelbedeutung verbrannte einen hohen dreistelligen Betrag bei quasi null ROAS. Dutzende Klicks, vereinzelte Micro-Conversions ohne nennenswerten Wert.
3. Die AI-Keyword-Explosion
Seit 2024 behauptet jedes SaaS-Produkt, “AI-powered” zu sein. Keywords wie “AI CMS” oder “AI Content Management” matchen plötzlich auf Suchanfragen zu Gemini Enterprise, Coveo AI, oder generischen AI-Chatbot-Alternativen. In unserem Account fanden wir allein 20+ irrelevante AI-Tool-Queries.
Das Mindset: Warum “Negatives hinzufügen” nicht reicht
Bevor wir zum Prozess kommen, ein Wort zum Denkmodell. Die meisten Account Manager behandeln Negative Keywords als reaktive Hygiene-Aufgabe: “Da ist ein komischer Suchbegriff, den schließe ich aus.” Das ist wie Unkraut jäten — es wächst immer nach.
Der bessere Ansatz: Search Terms als Intent-Klassifizierung betrachten.
Jeder Suchbegriff, der in deinem Account auftaucht, hat eine Suchintention. Die Frage ist nicht “Ist dieser Term gut oder schlecht?”, sondern “In welche Intent-Kategorie fällt er — und was ist die richtige Aktion für diese Kategorie?”
Wir arbeiten mit einem 8-Kategorie-Intent-Modell:
| Kategorie | Beschreibung | Aktion |
|---|---|---|
| Brand | Eigene Marke | Brand-Kampagne, höchste Priorität |
| Navigational | Wettbewerber-Suchen | Competitor-Kampagne oder bewusster Ausschluss |
| High Intent | Kaufsignale (Demo, Preis, Vergleich) | Prio 1, Exact/Phrase Match |
| Medium Intent | Produktrecherche (Alternative, Review) | Prio 2, Phrase Match |
| Low Intent | Informational (Was ist…, Definition) | Prio 3, Content-Kampagne |
| Negative | Wird nie konvertieren (Job, kostenlos, DIY) | Ausschließen |
| Low Volume | Untere 5% nach Impressionen | Beobachten oder ignorieren |
| Non-Latin | Andere Schrift als Latein | Ausschließen (in DACH-Accounts) |
Wie du diese Intent-Kategorien in konkrete B2B-Funnel-Kampagnen bei Google Ads übersetzt, zeigen wir im Detail in unserem Funnel-Guide.
Warum das wichtig ist: Die meisten Negative-Keyword-Empfehlungen operieren nur binär — relevant oder irrelevant. Das 8-Kategorie-Modell gibt dir eine differenzierte Handlungsanweisung pro Suchbegriff. Ein Competitor-Term ist nicht “irrelevant” — er gehört in eine eigene Kampagne. Ein Low-Intent-Term ist nicht “negativ” — er gehört in eine Content-Kampagne.
Zwei psychologische Prinzipien untermauern diesen Ansatz:
- Pareto-Prinzip (80/20): In unserem Account verursachten weniger als 5% der Suchbegriffe über 80% des irrelevanten Spends. Wer nur die Top-Terms nach Spend prüft, erwischt den Großteil des Problems.
- Inversion: Statt zu fragen “Welche Keywords funktionieren?”, fragen wir “Was würde garantiert zu Budget-Verschwendung führen?” — und eliminieren es systematisch. Das ist oft der schnellere Hebel als Keyword-Expansion.
Der Prozess: 7.525 Suchbegriffe in einer Pipeline klassifizieren
Die Standard-Empfehlung lautet: “Prüfe regelmäßig deinen Search Terms Report.” Aber wie prüft man 7.500+ Einträge systematisch?
Die Antwort: Mit einer Pipeline, die kostenlose Schritte zuerst erledigt.
Das Prinzip dahinter: Je billiger eine Methode ist, desto früher kommt sie in der Pipeline. Einfache Regelsets (Brand-Matching, Spracherkennung, Signal-Detection) erledigen 60-80% der Arbeit — kostenlos und in Sekunden. Nur der Rest braucht menschliche oder KI-gestützte Bewertung.
Schritt 1: Export & automatische Vorsortierung
Export des vollständigen Search Terms Reports (30 Tage). Dann laufen drei automatisierte Checks:
- Non-Latin-Filter: Suchbegriffe in kyrillischer, arabischer oder asiatischer Schrift → sofort als Negative (in einem DACH/EN-Account irrelevant)
- Low-Volume-Filter: Untere 5% nach Impressionen markieren → beobachten, nicht aktiv bearbeiten
- Brand-Matching: Alle Terms, die eigene Markennamen enthalten, werden als “Brand” getaggt
Erkenntnis: Die große Mehrheit der 7.525 Terms hatte 0 Kosten und nur 1-8 Impressionen. Das sind Long-Tail-Queries, die kurz aufblitzen und verschwinden. Der echte Schaden konzentriert sich auf wenige hundert Begriffe.
Schritt 2: Competitor-Matching & Signal-Detection
Zwei weitere regelbasierte Schritte — kostenlos, aber strategisch:
- Competitor-Matching: Wir haben eine Liste von 25+ Wettbewerber-Marken aus der Account-Konfiguration. Jeder Suchbegriff, der einen Competitor-String enthält, wird als “Navigational” getaggt — nicht als Negative, sondern als Kandidat für die Competitor-Kampagne.
- Signal-Detection: Bekannte Intent-Keywords erkennen. “kaufen”, “Preis”, “Demo” → High Intent. “was ist”, “Definition”, “Tutorial” → Low Intent. “Job”, “Gehalt”, “Praktikum” → Negative.
Nach diesen vier automatisierten Schritten waren bereits ~60% der Terms klassifiziert — ohne einen einzigen manuell anzusehen.
Schritt 3: Kategorisierung der Grauzone
Für die verbleibenden ~40% haben wir manuell Muster erkannt und 16 Kategorien definiert. Das Prinzip: Statt einzelne Terms abzuarbeiten, identifizierst du das Muster einmal — und wendest die Entscheidung auf alle zugehörigen Terms an.
Das ist ML-Propagation im kleinen: Ein erkanntes Muster (“alle Terms mit ‘salesforce’ sind CRM-Intent → Negative”) wird auf alle Variationen angewendet (“salesforce cms”, “salesforce content management”, “salesforce enterprise platform” → alle Negative).
Schritt 4: Priorisierung nach Impact
Nicht alle Negatives sind gleich dringend. Priorisierung nach:
- Spend — Was kostet uns am meisten? (dreistelliger Fehler → sofort)
- Impressionen — Was verschwendet Impression Share? (generisches Keyword: hunderte Impressions, 0 Conversions)
- Volumen — Wie viele Terms fallen in diese Kategorie? (CRM/Sales: 75+ Terms)
Schritt 5: Scope zuweisen
Negatives wirken auf drei Ebenen — und die falsche Ebene richtet Schaden an:
| Scope | Wann | Beispiel |
|---|---|---|
| Account-Ebene | Universell irrelevant | ”Job”, “Gehalt”, “kostenlos”, CRM-Plattformen |
| Kampagnen-Ebene | Kontextabhängig irrelevant | Competitor-Names in Brand-Kampagnen, falsche Branche |
| Anzeigengruppen-Ebene | Funnel-spezifisch | Informational Terms in BOFU-Anzeigengruppen |
In unserem Fall: Die 16 Kategorien landeten größtenteils auf Account-Ebene (universell irrelevant für diesen Kunden). Nur Competitor-Terms und einige Branche-spezifische Negatives wurden auf Kampagnen-Ebene gesetzt.
Die 16 Kategorien: Ein Framework für B2B Enterprise Accounts
Das ist der Kern dieses Posts. Statt einer generischen Liste (“Job, Kostenlos, Praktikum”) zeigen wir, welche Kategorien in einem echten Enterprise-Software-Account auftauchen — und warum.
| Kategorie | Größe | Warum diese Terms matchen |
|---|---|---|
| CRM/Sales/Service-Plattformen | groß | ”Enterprise Platform” matcht auf CRM- und Service-Tools |
| Development Frameworks | groß | ”Headless CMS” matcht auf Open-Source-Developer-Tools |
| E-Commerce Platforms | mittel | ”CMS” matcht auf Shop-Systeme und Integrationen |
| Knowledge Management/Wiki | mittel | ”Enterprise Content” matcht auf Wiki- und Collaboration-Tools |
| AI Tools (generisch + Writing/Design) | mittel | ”AI CMS” / “AI Content” matcht auf generische AI-Produkte |
| Social Media & Marketing Automation | klein | ”Content Management” / “Marketing Platform” matcht auf MarTech |
| Learning Management (LMS/LXP) | klein | Branchenabkürzungen matchen auf Lernplattformen |
| Falscher Kontext / Homonymie | klein | Markenname hat Consumer-/Medienbedeutung |
| Infrastruktur & Website Builder | klein | ”CMS Cloud” matcht auf Hosting- und No-Code-Tools |
| Sonstige (Firmen, Analytics, Legal, Ad-Tech) | vereinzelt | Namensähnlichkeiten, Abkürzungen in Produktnamen |
Deep-Dive: Die 5 größten Kategorien
CRM/Sales Platforms — größte Kategorie
Die größte Kategorie. Warum? Begriffe wie “Enterprise Platform”, “Customer Experience”, “Digital Experience” sind breit genug, dass Google Ads sie auf CRM-Suchen matcht. Salesforce, Zendesk, HubSpot und Co. — alles “Enterprise Customer Experience Platforms”.
Takeaway: Wer generische Enterprise-Keywords nutzt, braucht eine aggressive Negative-Liste für angrenzende Software-Kategorien.
Development Frameworks — zweitgrößte Kategorie
“Headless CMS” ist ein Kern-Keyword für Enterprise Content-Management-Plattformen. Aber “Headless CMS” ist auch, was ein React-Developer googelt, wenn er ein leichtgewichtiges Open-Source-Tool für sein Nebenprojekt sucht. Django CMS, Symfony CMS, NuxtJS CMS — alles irrelevant, alles gematcht.
In unserem Account: “headless cms” allein hat einen dreistelligen Betrag verbraucht bei 0 Conversions in einer Region. In einer anderen Region: hunderte Impressions, zweistellige Klicks, 0 Conversions.
Takeaway: Technologie-Keywords matchen auf Developer-Intent. Enterprise-Buyer suchen anders als Entwickler. Hier hilft das Intent-Modell: “headless cms” ohne Qualifier ist Low Intent (informational/developer), “enterprise headless cms platform” ist Medium Intent (Buyer-Recherche). Gleiches Keyword-Stammwort, komplett andere Intention.
E-Commerce Platforms
“CMS” und “Content Management” sind auch E-Commerce-Begriffe. Shopify, Prestashop, WooCommerce, diverse CMS-Shop-Integrationen — alles taucht auf.
Takeaway: Die Grenze zwischen CMS, E-Commerce und Enterprise-Software ist für Google’s Algorithmen unsichtbar.
Knowledge Management/Wiki
“Enterprise Content” matcht auf Confluence, Corporate Wiki, Notion. Das sind keine Wettbewerber — das sind völlig andere Produktkategorien. Aber Google sieht “Enterprise” + “Content” und sagt: “Nah genug.”
Generic AI Tools
Die jüngste und am schnellsten wachsende Kategorie. Seit 2024 hat jedes Tool “AI” im Namen. Wenn dein Keyword “AI CMS” oder “AI Content Management” enthält, matchst du auf Gemini Enterprise, Coveo AI und Dutzende andere generische AI-Suchanfragen.
Takeaway: AI-Keywords brauchen proaktive Negative-Listen — das Problem wird 2026/2027 nur schlimmer.
Der dreistellige Fehler: Wenn der Markenname eine Doppelbedeutung hat
Ein einziger Suchbegriff. Dutzende Klicks. Ein hoher dreistelliger Betrag. Quasi null verwertbarer Return.
Die Suchintention? Menschen, die nach einem Consumer-Produkt oder Medienangebot suchten — das zufällig den gleichen Namen trug wie die Software-Plattform unseres Kunden.
In einer Brand-Kampagne mit exaktem Markennamen als Keyword hatte Google entschieden, dass “markenname [consumer-kontext]” nahe genug an “markenname software” ist.
In unserem Intent-Modell: ein klarer Fall von Negative — physisches Produkt/falscher Intent, Kategorie 10. Das Problem: Ohne systematische Klassifizierung fällt so ein Term nicht auf. Er versteckt sich in einer Brand-Kampagne, die insgesamt gut performt. Der Verlust geht im Rauschen unter.
Was wir gelernt haben:
- Produkt-Homonymie prüfen: Bei Marken mit Alltagsbedeutung (Ortsnamen, Medienbegriffe, generische Wörter) sofort proaktive Negatives setzen
- Brand-Kampagnen sind nicht “safe”: Auch bei exaktem Marken-Keyword matcht Google auf verwandte Entitäten
- Regionale Unterschiede: Die Consumer-Bedeutung war in bestimmten Märkten stärker verbreitet — dort war der Waste am höchsten. In anderen Regionen: minimal.
- Loss Aversion nutzen: Hunderte Euro für einen einzigen falschen Suchbegriff. Das ist kein Rundungsfehler — das ist ein Flug nach Barcelona. Verluste fühlen sich doppelt so stark an wie gleichwertige Gewinne. Nutze dieses Framing, um Search-Term-Hygiene im Team zu priorisieren.
Competitor-Strategie: Warum wir Wettbewerber-Keywords NICHT ausschließen
Die Standard-Empfehlung bei Wettbewerber-Suchbegriffen: Als Negative Keyword hinzufügen, Budget sparen.
Unser Ansatz ist das Gegenteil.
Im Search Terms Report fanden wir Dutzende Wettbewerber-Namen — von Open-Source-Alternativen bis zu Enterprise-Plattformen. Die instinktive Reaktion: Ausschließen.
Stattdessen haben wir eine dedizierte Competitor-Kampagne aufgebaut mit 25+ Wettbewerber-Marken als Keywords.
In unserem Intent-Modell sind Wettbewerber-Suchen “Navigational” — nicht “Negative”. Der Unterschied ist entscheidend:
- Negative = Wird nie konvertieren. Ausschließen.
- Navigational = Sucht aktiv nach einer Lösung, kennt aber (noch) nur den Wettbewerber. Umleiten.
Warum?
- Hoher kommerzieller Intent: Wer nach “[Wettbewerber] Alternative” oder “[Wettbewerber] Enterprise” sucht, evaluiert aktiv. Diese Nutzer sind offen für Alternativen.
- Kontrolle statt Zufall: In einer eigenen Kampagne kontrollieren wir Budget, Gebote und Anzeigentexte separat — statt dass Wettbewerber-Queries unbemerkt Budget aus generischen Kampagnen fressen.
- Andere Copy, anderer CTA: Competitor-Anzeigen brauchen Vergleichs-Messaging (“Warum Unternehmen wechseln”), nicht generische Produktbeschreibungen.
Mehr dazu in unserem Guide: Wettbewerber-Keywords in Google Ads: B2B Strategie mit Beispielen
Der AI-Effekt: Warum dein Account 2026 mehr Rauschen hat als je zuvor
Wir widmen diesem Thema eine eigene Sektion, weil es ein wachsendes Problem ist, das kaum jemand adressiert.
Seit 2024 hat praktisch jedes SaaS-Produkt “AI” in seinen Marketingmaterialien. Das bedeutet: Keywords wie “AI CMS”, “AI Content Management” oder “AI Enterprise Platform” matchen auf eine Flut generischer AI-Suchanfragen.
Aus unserem Account — reale Beispiele:
| Suchbegriff | Impressions | Was der Nutzer suchte |
|---|---|---|
| gemini enterprise for customer experience | zweistellig | Google Gemini, nicht unser Produkt |
| agentic workflows | zweistellig | AI-Agent-Frameworks, nicht CMS |
| coveo ai | zweistellig | Coveo Search Tool |
| easy site ai | einstellig | AI Website Builder |
| wizdom ai | einstellig | AI Knowledge Tool |
Keiner dieser Nutzer hatte Interesse an einer Enterprise-Content-Management-Plattform. Aber Google’s Broad-Match-Algorithmus sah “AI” + “Enterprise” und matchte.
Empfehlung: Erstelle eine proaktive Negative-Keyword-Liste für generische AI-Tools — und aktualisiere sie quartalsweise. Neue AI-Tools tauchen wöchentlich auf. Im Intent-Modell: Diese Terms sind eindeutig Negative, aber sie erfordern laufende Pflege statt einmaligem Ausschluss.
Search Term Hygiene als wiederkehrender Prozess
Die 273 Negatives, die wir identifiziert haben, sind kein einmaliges Projekt. Search Term Hygiene ist ein laufender Prozess — besonders in Accounts mit generischen Keywords und Broad-Match-Strategien.
Empfohlener Rhythmus
| Frequenz | Aktion | Aufwand |
|---|---|---|
| Wöchentlich | Top-50 Search Terms nach Spend prüfen | 15 Min |
| Monatlich | Vollständiger Export + Pipeline durchlaufen lassen | 1-2 Std |
| Quartalsweise | Negative-Keyword-Listen reviewen, neue Kategorien erkennen, AI-Tools aktualisieren | 2-3 Std |
| Bei jedem Launch | Proaktive Negative-Listen aus Branchenwissen + Intent-Modell erstellen | 1 Std |
Die Pipeline wird schneller mit der Zeit
Ein wesentlicher Vorteil des Pipeline-Ansatzes: Caching. Einmal klassifizierte Terms werden gespeichert. Beim zweiten Durchlauf erkennt die Pipeline 60-80% der Terms automatisch wieder — weil dieselben Muster wiederkehren. “salesforce cms” war letzten Monat irrelevant und ist es diesen Monat auch.
Das reduziert den manuellen Aufwand mit jedem Durchlauf. Der erste Export ist der arbeitsintensivste. Danach prüfst du nur noch die neuen, unbekannten Terms.
Checkliste: Search Term Review
- Search Terms Report exportiert (letzte 30 Tage)
- Nach Spend sortiert (teuerste zuerst)
- Pipeline durchlaufen: Non-Latin → Low Volume → Brand → Competitor → Signal Detection
- Verbleibende Terms manuell in Intent-Kategorien einordnen
- Negatives als Phrase Match hinzugefügt
- Scope zugewiesen: Account, Kampagne oder Anzeigengruppe
- Competitor-Terms geprüft: In Competitor-Kampagne umleiten, nicht ausschließen
- AI-spezifische Queries identifiziert und excluded
- Produkt-Homonymie-Queries geprüft
- Klassifizierungs-Cache aktualisiert für nächsten Durchlauf
Was wir daraus gelernt haben
1. Generische Listen reichen nicht
Die Standard-Negative-Keyword-Listen (“Job, Kostenlos, Praktikum, Bewerbung”) decken vielleicht 10% der irrelevanten Queries in einem Enterprise B2B Account ab. Die restlichen 90% sind branchenspezifisch — und müssen aus den eigenen Daten kommen.
2. Intent-Klassifizierung schlägt Binär-Bewertung
“Relevant oder irrelevant” ist zu simpel. Das 8-Kategorie-Modell differenziert zwischen Terms die ausgeschlossen, umgeleitet, oder in andere Kampagnen übernommen werden sollten. Ein Competitor-Term ist kein “Negativ” — er ist eine Opportunity.
3. Pipeline schlägt manuelle Prüfung
Kostenlose Schritte zuerst (Spracherkennung, Brand-Matching, Signal-Detection), manuelle Bewertung nur für die Grauzone. Das skaliert von 500 auf 50.000 Terms — mit demselben Prozess.
4. Der größte Hebel ist oft ein einzelner Term
Hunderte Euro für einen einzigen irrelevanten Suchbegriff — wegen einer Namens-Doppelbedeutung. In vielen Accounts gibt es solche “stillen Budget-Killer”, die im Rauschen untergehen.
Fazit
Search Term Hygiene ist keine Aufgabe für Praktikanten. In Enterprise B2B Accounts mit generischen Keywords, Multi-Region-Strukturen und der wachsenden AI-Keyword-Inflation ist systematische Klassifizierung ein echtes Budget-Instrument.
7.525 Suchbegriffe. 273 Negatives. 16 Kategorien. Ein 8-Kategorie-Intent-Modell. Eine Pipeline, die sich mit jedem Durchlauf verbessert.
Ein Framework, das sich auf jeden B2B-Account übertragen lässt.
Kommt dir das bekannt vor? Als spezialisierte Google Ads Agentur helfen wir B2B-Unternehmen, genau solche Hebel zu finden. Lass uns über deinen Account sprechen.
Häufige Fragen
Wie oft sollte ich den Search Terms Report prüfen?
Wöchentlich die Top-50 nach Spend, monatlich den vollständigen Export durch die Pipeline. Bei Accounts über 10.000 €/Monat lohnt sich der wöchentliche Deep-Dive.
Reichen die Standard-Negative-Keyword-Listen?
Nein. Standard-Listen (Job, Kostenlos, Praktikum) fangen nur einen Bruchteil der irrelevanten Queries in B2B Enterprise Accounts ab. Du brauchst branchenspezifische Kategorien — und die kommen nur aus deinen eigenen Daten.
Soll ich Competitor-Keywords ausschließen?
Nicht pauschal. In unserem Intent-Modell sind Competitor-Suchen “Navigational”, nicht “Negative”. Wenn Wettbewerber-Suchbegriffe kommerziellen Intent haben (und das haben sie fast immer im B2B), leite sie in eine eigene Competitor-Kampagne um. Dort kannst du Budget, Gebote und Messaging separat steuern.
Was mache ich mit Broad Match im B2B?
Broad Match funktioniert im B2B — aber nur mit aggressiver Search-Term-Hygiene. Ohne regelmäßige Negative-Keyword-Pflege frisst Broad Match dein Budget für irrelevante Queries. Die Kombination aus Broad Match + Smart Bidding + engmaschiger Pipeline-basierter Pflege ist der Sweet Spot.
Wie viele Negative Keywords sind zu viele?
Es gibt keine Obergrenze, die schadet. Google erlaubt bis zu 5.000 Negatives pro Kampagne und 10.000 pro Account (über Listen). In unserem Fall waren 273 neue Negatives in einem bereits gepflegten Account — das ist normal für einen gründlichen Review.
