Apple Search Ads: Kampagnenarchitektur als Funnel-Modell

Wenn du Apple Search Ads mit nur einer Broad-Match-Kampagne fährst, verschleuderst du 40 % deines Budgets bei den falschen Nutzern. 2026 hat ASA's algorithmisches Lernvermögen zugenommen, aber ohne Funnel-Logik bringt du der Maschine falsche Signale bei. Discovery liefert billigere Installs, Brand höhere D7-LTV — aber vermischst du beide, verlierst du beide. Eine Kampagnenarchitektur als Funnel-Schicht zu strukturieren bedeutet nicht nur Budgeteffizienz, sondern auch die richtige Attribution-Signalisierung.

Discovery-Schicht: Broad Match als Erkennungsmotor

Die Discovery-Kampagne nutzt ASAs breites Netzwerk, um neue Nutzer-Segmente zu finden. Broad Match, generische Keywords, Kategorietermen — hohe Install-Volumen, niedrige IPM, aber hier erzeugst du Lern-Signale. Der Algorithmus weiß noch nicht, welches Profil zu deinem Spiel passt, und du kannst auch nicht raten. Die Aufgabe der Discovery-Kampagne ist es, in den ersten 72 Stunden herauszufinden, welche Nutzer Engagement zeigen.

Die Budgetverteilung sollte in der Discovery-Schicht 25–30 % des Gesamt-ASA-Ausgabenetats ausmachen. Darüber hinaus wirkt der CPI zwar niedrig, aber die LTV kommt nicht zurück. Darunter bleibst du in den bereits von Konkurrenten gefundenen Nutzergruppen stecken. Beispiel: Mit einem monatlichen ASA-Budget von $50.000 reservierst du $12–15.000 für Discovery. Das Kampagnenziel sollte CPIn (Cost-per-Install) sein, nicht CPT, weil in dieser Schicht das Volumen zählt, nicht die Tap-Qualität.

Keyword-Strategie:

• Kategorie-Begriffe (z. B. „Puzzle Game", „Strategy RPG")
• Breite Intent-Abfragen („free games", „offline games")
• Namen von Konkurrenz-Spielen (Broad Match erfasst verwandte Spiele auch)

Je mehr du die Negative-Keyword-Liste in Discovery-Kampagnen verschärfst, desto mehr engt du den Lernbereich ein. Fahre die erste Woche ohne Negatives, füge ab Woche 3 Search-Terms mit D1-Retention unter 15 % zur Blockliste hinzu.

Competitor-Schicht: Exact Match für die Konkurrenz-Übernahme

Die Competitor-Kampagne zielt auf ASAs höchstes Intent-Traffic ab. Wenn ein Nutzer den Namen eines Konkurrenz-Spiels eingibt, hat er eine klare Download-Absicht — deine Aufgabe ist es, eine Alternative anzubieten. Broad Match erfasst auch „ähnliche" Suchanfragen zum Konkurrenz-Namen, aber die Competitor-Schicht sollte mit Exact Match laufen, weil Budgetkontrolle entscheidend ist. Ein Nutzer, der nach dem Namen eines Konkurrenz-Spiels sucht, will entweder genau dieses Spiel, eine Alternative oder ein neues Spiel.

Budgetanteil: 20–25 %. Mit steigender Anzahl von Konkurrenten kann dieser Anteil wachsen, aber behandle nicht alle gleich. Tier-1-Konkurrenten (Marktführer, mechanisch ähnlich zu deinem Spiel) und Tier-2-Konkurrenten (andere Mechaniken, ähnliches Nutzerprofil) arbeiten nicht mit demselben CPI. Für Tier-1 ein Bid-Multiplikator von 120–150 %, für Tier-2 von 80–100 %.

Bei Competitor-Kampagnen ist Creative-Differenzierung entscheidend. Der Nutzer kennt bereits das Konkurrenz-Spiel, deine Custom Product Page muss den Vergleich liefern — ohne Namen explizit zu nennen. Beispiel: Wenn das Konkurrenz-Spiel rundenbasierte Kämpfe nutzt, sollte deine CPP „Real-Time PvP" in den Vordergrund stellen. Eine gut ausgearbeitete App Store Optimization-Strategie mit CPP-Varianten für diese Schicht steigert die IPM um 18–25 %.

Negatives Signal ist entscheidend: Versuche nicht, einen Nutzer, der eine Konkurrenz-App deinstalliert hat, über deren Keywords wieder zu erreichen. ASA hat kein natives „Previous Downloader"-Signal, aber wenn D1-Retention unter 10 % liegt, ist dieses Nutzer-Segment bereits zu hot.

Brand-Schicht: Exact Match zur Defensivstrategie

Die Brand-Kampagne ist ASAs defensive Linie. Ein Nutzer, der nach deinem Spiel sucht, kennt dich bereits — aber Konkurrenten bieten Anzeigen auf deinen Brand-Terms. Ohne Brand-Kampagne erscheint Konkurrenz-Werbung über deiner, und du verlierst 8–12 % der Nutzer. Diese Schicht liefert den niedrigsten CPI, aber geringes Volumen; die LTV ist aber am höchsten, weil der Nutzer bewusst kommt.

Budgetanteil: 10–15 % — klein, aber kontinuierlich. Pausierst du die Brand-Kampagne, merkt der Konkurrent das innerhalb von 48 Stunden und erhöht sein Bid. Keyword-Strategie: nur Spielname und Varianten:

Führe keine Creative-Tests in der Brand-Kampagne durch. Der Nutzer kennt das Spiel bereits, Konsistenz in der Creative ist wichtig — App-Icon, Spiel-Logo, bekannte Charaktere. CPP-Varianten verwirren hier eher.

Die Bid-Strategie kann niedrig gehalten werden, weil Apple deinen Brand-Term bereits bevorzugt. Selbst wenn ein Konkurrent 150 % bid auf seinen Brand-Term setzt, schlägt dein 100 %-Bid ihn. Aber drücke das Bid nicht auf Null; Konkurrenten können die organische Liste immer noch verdrängen, daher brauchst du ein Minimum von etwa $0,50 pro Bid.

Broad Match in verschiedenen Schichten: Unterschiedliche Anwendung

Broad Match ist in ASA nicht eine einzelne Einstellung, sondern dient in jeder Schicht einem anderen Zweck. In der Discovery-Schicht ist Broad Match ein Erkennungswerkzeug — maximale Reichweite, minimale Negatives. In der Competitor-Schicht ist Broad Match riskant, weil es irrelevante Suchanfragen auslöst und das Budget zerstreut. In der Brand-Schicht wird Broad Match nur für Tippfehler-Varianten verwendet.

Das Lernvermögen von Broad Match ist 2026 größer geworden, aber Kontrollmechanismen sind weiterhin nötig. Der ASA-Algorithmus lernt, welcher Search-Term konvertiert, kann aber nicht feststellen, welches Nutzerprofil D7-LTV liefert. Deshalb sollten Broad-Match-Kampagnen in 14-Tage-Zyklen analysiert werden:

1. Tag 1–7: Fahre ohne Negative-Keywords, sammle Search-Term-Bericht
2. Tag 8–14: Blockiere Terms mit D1-Retention <15 %, erhöhe Bids um 10 %
3. Tag 15–21: Überprüfe D7-LTV-Daten, aktualisiere Blockliste

Bei Broad-Match-Kampagnen sollte der Bid-Multiplikator für Discovery 80–90 %, für Competitor 100–120 % betragen. Der Algorithmus nutzt das Bid-Signal, um „ähnliche Suchanfragen" zu finden; niedrige Bids verlängern den Lernprozess.

Budgetfluss als Funnel-Logik

Nach dem Aufbau der Kampagnenschichten sollte der Budgetfluss wie ein Funnel funktionieren. Discovery-Installs haben hohes Volumen, aber unklare LTV; Competitor-Installs haben mittleres Volumen, aber vorhersagbare LTV; Brand-Installs haben niedriges Volumen, aber hohe LTV. Die Budgetverteilung ist nicht statisch, sondern wird wöchentlich nach LTV-Berichten dynamisch angepasst:

Woche 1 (Erkennungsphase):

• Discovery 35 %
• Competitor 25 %
• Brand 15 %
• Reserve 25 % (für Tests bereithalten)

Woche 2–4 (Lernphase):

• Discovery 30 % (sinkt mit wachsender Blockliste)
• Competitor 30 % (erhöhe für gewinnende Konkurrenten)
• Brand 15 %
• Reserve 25 %

Woche 5+ (Optimierungsphase):

• Discovery 25 %
• Competitor 35 % (skaliere für LTV-positive Konkurrenten)
• Brand 15 %
• Reserve 25 % (für neue Tests oder saisonale Push)

Verteile das Reserve-Budget nie auf feste Kampagnen. Halten es für Seasonal Events, neue Feature Launches oder wenn Konkurrenten große Updates vornehmen. Plötzliche Budgeterhöhungen in ASA stören den Algo-Lernprozess; langsames Zufüttern aus der Reserve ist effizienter.

Messung in der Funnel-Kampagnenarchitektur

Nachdem du die Kampagnenschichten strukturiert hast, darf das Attribution-Signal nicht verzerrt werden. ASA arbeitet nativ mit SKAdNetwork, aber für Post-Install-Metriken wie D7-LTV brauchst du MMP-Integration. Tools wie AppsFlyer, Adjust oder Singular verknüpfen die ASA-Campaign-IDs mit Cohort-Analysen. Discovery, Competitor und Brand müssen je eine eigene Campaign-ID haben, damit du die LTV-Daten pro Schicht auswerten kannst.

Ohne Mess-Infrastruktur ist Funnel-Architektur nur Budget-Aufteilung, keine Optimierung. Jede Schicht hat ihre eigenen Erfolgskennzahlen:

Metriken sollten in 14-Tage-Zyklen analysiert werden, nicht täglich, weil der ASA-Algorithmus seinen Lernprozess in 10–14 Tagen abschließt. Tägliche Optimierung verzerrt das Signal.

Kampagnenarchitektur testen und skalieren

Starte mit 3 Kampagnen (Discovery, Competitor, Brand). Bei einem Budget unter $10K pro Monat kannst du mehrere Ad Groups in einer Kampagne nutzen, aber das verzerrt die LTV-Schicht. Das ideale Startbudget ist monatlich $15K — auf diesem Niveau erhält jede Schicht ausreichendes Volumen und der Lernprozess beschleunigt sich.

Beim Skalieren vertiefst du bestehende Schichten, statt neue hinzuzufügen. Beispiel: Teile Competitor in Tier-1 und Tier-2 auf, oder segmentiere Discovery nach Ländern (Tier-1-Länder vs. Emerging Markets). Jede neue Aufteilung setzt den Lernprozess zurück, daher triff Skalierungs-Entscheidungen erst nach stabilen LTV-Daten.

Erstelle während des Tests keine Duplikat-Kampagnen. In ASA konkurriert deine Kopie mit sich selbst und störe den Algo. Nutze stattdessen Creative Sets für CPP-Varianten-Tests, wende die Gewinner-Variante auf alle Kampagnen an. Im Rahmen des Premium-Publisher-Programms kannst du ASA-Creative-Test-Ergebnisse cross-channel (UAC, Meta) kombinieren und die Iterations-Geschwindigkeit erhöhen.

Nachdem die Funnel-Architektur aufgebaut ist, bleibt die Wartung leicht, aber kontinuierlich. Wöchentliche Search-Term-Berichte, 14-täglich LTV-Berichte, monatliche Cohort-Analysen — überspring diesen Zyklus nicht, sonst optimiert die Kampagne nicht selbst. Der ASA-Algorithmus sendet dir Signale, du sendest ihm auch richtige Signale zurück. Was du von Discovery über Profile lernst, transportiere zu Competitor; was Competitor an LTV bringt, nutze für Brand-Schutz. Kampagnenarchitektur ist kein statisches Blatt, sondern ein dynamischer Lern-Loop.