AdWords-Reports: Eine grosse Herausforderung?

Reports aus Pay-per-Click-Massnahmen werden gebraucht – von der Agentur an den Auftraggeber, aber genauso intern, wenn Google Ads inhouse gemacht wird. Und was auf den ersten Blick als leichte Aufgabe erscheint, war 2017 richtig tricky: Die Werkzeuge konnten das, was ein Campaign Manager brauchte, nur zur Hälfte.

Neun Jahre später sind die technischen Hürden von damals verschwunden. Geblieben ist das eigentliche Problem, das ich schon 2017 an den Anfang gestellt hatte: Der Report wird von Menschen gelesen, die Google Ads nicht verstehen. Ein Report, der nicht gelesen und verstanden wird, ist keiner.

Aktualisiert im September 2026. Der ursprüngliche Text bezog sich auf AdWords (seit Juli 2018 Google Ads) und auf Google Data Studio, das seit Oktober 2022 Looker Studio heisst. Die beiden Einschränkungen, die ich 2017 beschrieb – keine Daten aus mehreren Konten, kein Filter nach Conversion-Namen –, existieren nicht mehr. Der Abschnitt dazu ist entsprechend neu geschrieben.

Was ein Report leisten muss

Das grösste Hindernis beim Vorstellen von PPC-Ergebnissen ist fehlendes Verständnis für die Funktionsweise von Google Ads und die daraus entstehenden Kennzahlen. Wer den Unterschied zwischen Klick und Conversion, zwischen CPC und CPO nicht kennt, kann eine Tabelle mit vierzig Spalten nicht lesen. Deshalb braucht ein Report wenige, aber wichtige Parameter, eine klare grafische Aufbereitung und eindeutige schriftliche Kommentare. Die Zahl ohne den Satz dazu ist wertlos – der Satz erklärt, warum sie so ist und was daraus folgt.

Das gilt umso mehr, weil zusätzliche Zwischenreports auf Wochen- oder Monatsbasis dazukommen, vom Chef oder vom Auftraggeber verlangt. Jeder davon muss ohne Nachfrage verständlich sein.

Die Werkzeuge 2017 – und was daraus geworden ist

2017 standen vier Wege zur Auswahl, jeder mit einem Haken:

• Das Dashboard in AdWords. Unübersichtlich, für Laien verwirrend, und nicht teilbar ohne eigenen Kontozugang. Heute bietet Google Ads unter «Berichte» eigene Dashboards und einen Berichtseditor, die sich als PDF planen und per E-Mail verschicken lassen. Für den schnellen internen Überblick reicht das; für Kunden ist es weiterhin zu roh.
• Excel mit SVERWEIS und Pivot-Tabellen. Braucht Know-how, muss bei jeder neuen Kampagne angepasst werden und ist fehleranfällig. Daran hat sich nichts geändert. Excel ist heute der Ort für die Ausnahme-Analyse, nicht für den wiederkehrenden Report.
• Tableau und ähnliche BI-Lösungen. Ein bunter Strauss an Möglichkeiten, aber mit Lizenzkosten und Einrichtungsaufwand, der sich für Grossunternehmen lohnt und für ein einzelnes Suchkonto nicht.
• Google Data Studio, heute Looker Studio. Kostenlos und für kleine und mittlere Konten die naheliegende Wahl. 2017 hatte es zwei Grenzen, die ich als «den grössten Pain» bezeichnete – und genau die sind gefallen.

Der Conversion-Name war der Pain – und ist es nicht mehr

Zwei Dinge konnte Data Studio 2017 nicht: Tabellen mit Daten aus mehreren Google-Ads-Konten bauen, und nach Conversion-Namen filtern, um zum Beispiel den CPO nur auf Kaufabschlüsse zu rechnen statt auf alle Conversions inklusive Newsletter-Anmeldungen. Wer ein Kundenkonto in mehrere Konten eines Verwaltungskontos gegliedert hatte, brauchte BigQuery oder ein Skript, das Daten in ein Google Sheet kopierte.

Heute verbindet sich eine Looker-Studio-Datenquelle direkt mit dem Verwaltungskonto und zieht bis zu 50 Unterkonten in eine Abfrage. Und der Google-Ads-Connector liefert die Conversion-Aufschlüsselung nach Conversion-Aktion, sodass sich Kosten und Klicks mit genau den Conversions verrechnen lassen, die im Report zählen sollen. Was 2017 einen Daten-Feed mit Budget und Know-how brauchte, ist eine Einstellung in der Datenquelle.

Wenn Looker Studio an Grenzen stösst – bei sehr grossen Konten, langen Zeiträumen oder der Verknüpfung mit CRM-Daten –, ist der Google-Ads-Transfer in BigQuery der nächste Schritt. Er kopiert die Konto-Daten täglich in eine eigene Tabelle, auf der Looker Studio dann ohne Abfragelimits arbeitet. Das kostet BigQuery-Gebühren, aber deutlich weniger Zeit als jedes Skript.

Die neue Hürde: Welche Zahl stimmt?

Damit ist das technische Problem gelöst und ein inhaltliches an seine Stelle getreten. 2017 gab es eine Wahrheit: die Conversions in AdWords. Heute gibt es mehrere, und der Report muss sagen, welche er zeigt.

Google Ads zählt Conversions attribuiert auf den Klick, mit Conversion-Fenster und – bei fehlender Einwilligung – als modellierte Conversions aus dem Consent Mode. GA4 zählt dieselben Abschlüsse sitzungsbasiert und nach eigenem Attributionsmodell. Das Shop-Backend zählt Bestellungen. Die drei Zahlen stimmen nie überein, und ein Auftraggeber, der sie nebeneinander sieht, verliert das Vertrauen in alle drei.

Ein guter Report legt deshalb fest, welche Quelle für welche Aussage gilt: Google-Ads-Conversions für die Steuerung der Kampagnen, weil Smart Bidding darauf optimiert; Backend-Umsatz für den Geschäftserfolg; GA4 für das Verhalten nach dem Klick. Und er erklärt einmal, warum sie sich unterscheiden. Wie sich Consent Mode auf die gezählten Conversions auswirkt, steht im Leitfaden zu Consent Mode v2.

Was in den Report gehört

Mein Massstab hat sich seit 2017 nicht geändert, nur die Reihenfolge ist mir wichtiger geworden:

1. Die Antwort zuerst. Ein Satz: Ziel erreicht oder nicht, und warum. Wer nur den ersten Satz liest, weiss das Wichtigste.
2. Drei bis fünf Kennzahlen, immer dieselben: Kosten, Conversions oder Umsatz, CPO oder ROAS, dazu je nach Ziel Impression Share oder Neukundenanteil. Nicht mehr.
3. Der Vergleich, nicht der Absolutwert: gegenüber Vormonat, Vorjahr und Ziel.
4. Der Kommentar: Was wurde getan, was hat es bewirkt, was ist als Nächstes geplant.
5. Der Anhang für alle, die tiefer wollen – Kampagnen, Geräte, Regionen. Im Anhang, nicht auf Seite eins.

Fazit

2017 endete dieser Artikel mit dem Satz, ein teilautomatisierter Excel-Report bleibe oft die gangbare Möglichkeit, und Abhilfe sei nicht in Sicht. Die Abhilfe ist da. Looker Studio mit Verwaltungskonto-Anbindung und Conversion-Aufschlüsselung löst beide Probleme von damals, und BigQuery fängt den Rest ab. Die Herausforderung ist eine andere geworden: nicht mehr, wie die Zahl in den Report kommt, sondern welche Zahl es ist und ob der Leser sie versteht. Das war schon 2017 der eigentliche Punkt.