Vom Keyword-Set zum Budget: Wie Suchvolumen, CPC und Wettbewerb zu einer Zahl werden

Ein Keyword-Tool zeigt Suchvolumen, CPC und Wettbewerb für einzelne Begriffe. Für die Launch-Planung reicht diese Tabelle aber nicht: Entscheidend ist eine Budgetzahl dafür, wie viel ein Keyword-Set in diesem Monat erhalten sollte. Genau um die Übersetzung dieser drei Einzelmetriken in eine belastbare Budgetentscheidung geht es hier – und darum, an welchen Stellen ein Modell wirklich Zeit spart und wo es die Analyse eher verschlechtert.

Vorab die Abgrenzung: Alle Daten stammen aus den öffentlichen Ad Libraries und Creative Centern der jeweiligen Plattformen, abgerufen über den eigenen Account. Keine Signaturen, keine Umgehungen. Es geht ausschließlich darum, öffentlich sichtbare Daten in eine Budgetentscheidung zu überführen.

Drei Kennzahlen – und drei typische Irrtümer

Viele behandeln die drei Spalten im Keyword-Export wie feste, eindeutige Werte. Tatsächlich ist keine davon so stabil, wie sie wirkt.

Das Suchvolumen hängt vom betrachteten Zeitraum ab. Derselbe Begriff kann in einem 7-, 30- oder 180-Tage-Fenster ein mehrfach anderes Volumen ausweisen; oft stehen daneben zusätzlich Veränderungen zum Vormonat und Vorjahr. „Niedriges Volumen, aber gegenüber dem Vorjahr verdoppelt“ und „hohes Volumen, aber gegenüber dem Vorjahr halbiert“ sind völlig unterschiedliche Signale. Wer nur die Volumenspalte übernimmt, macht beide Fälle optisch gleich.

Auch der CPC ist kein einzelner Wert, sondern eine Spanne. Der Planner liefert einen Bereich von niedrig bis hoch. Wer daraus beiläufig einen Median macht, ignoriert genau die Unsicherheit, auf die die Plattform hinweist. Für eine konservative Budgetplanung zählt das obere Ende der Spanne, für einen optimistischen Return das untere. Ein Punktwert suggeriert Wissen, das nicht vorhanden ist.

Der Wettbewerb wiederum ist eine relative Stufe, keine absolute Schwierigkeit. „Niedrig / Mittel / Hoch“ wird zum Zeitpunkt der Filterung relativ zum gesamten Keyword-Pool der Plattform vergeben. Die Kennzeichnung sagt nur: Unter diesen Begriffen ist dieses Keyword eher umkämpft. Sie sagt nicht, wie schwierig es absolut ist, eine Auktion zu gewinnen. Mit Markt oder Kategorie verschiebt sich auch die Einordnung. Wer diese Stufen über verschiedene Keyword-Pools hinweg wie einen absoluten Score vergleicht, tappt in die subtilste der drei Fallen.

Keyword-Sets bewerten, nicht Einzelbegriffe addieren

Wenn alle drei Kennzahlen ihre Tücken haben, liegt die nächste Frage nahe: Warum nicht einfach für jedes Keyword „Volumen × CPC“ rechnen und alles aufsummieren?

Weil sich Suchvolumina ähnlicher Suchanfragen nicht einfach addieren lassen. „X kaufen“ und „X Preis“ werden mit hoher Wahrscheinlichkeit von denselben Personen im selben Kaufprozess gesucht. Eine direkte Addition zählt diese Nutzer doppelt und bläht das Budget ohne Grundlage auf.

Ein ausgereifter Planner bietet deshalb neben der Ansicht pro Begriff auch eine aggregierte Sicht auf Keyword-Sets: Eine Gruppe von Keywords wird als Set eingereicht, und zurück kommt die Suchvolumen- und Budgetschätzung für das gesamte Set. Die Überschneidungen zwischen den Begriffen werden dabei bereits herausgerechnet. Die Plattform selbst kalkuliert Budgets auf Set-Ebene. Die drei Spalten pro Keyword sind zum Sortieren und Gruppieren da – nicht zum Addieren.

Produktbegriffe sind nicht automatisch Suchbegriffe

Das ist die wertvollste Erkenntnis dieses Beitrags – und zugleich der Fehler, den die meisten machen: Die Begriffe, mit denen ein Unternehmen sein Produkt beschreibt, sind oft nicht die Wörter, die Menschen tatsächlich in die Suchleiste tippen.

Ein Business- oder Themenbegriff ist interne Sprache: Produktname, Feature-Bezeichnung, Positionierungsbegriff auf einer Folie. Ein Suchbegriff ist die Sprache der Nutzer – meist umgangssprachlicher und stärker problemorientiert. Das Angebot heißt vielleicht „AI video generation“, intern lautet der Themenbegriff ebenfalls „AI video generation“. Gesucht wird aber nach „how to turn a photo into a video“ oder „text to video free“. Beide Wortgruppen landen bei Volumen, CPC und Wettbewerb nicht im selben Fach.

Besonders teuer wird diese Verwechslung bei Cross-Market-Launches, wenn der Themenbegriff einfach übersetzt wird, der Zielmarkt aber ganz anders darüber spricht. Dasselbe gilt für neue Kategorien: Das Unternehmen hat einen neuen Begriff geprägt, während der Markt das neue Bedürfnis weiterhin mit älteren Wörtern beschreibt. Die Lösung ist unkompliziert: Der Themenbegriff dient nur als Seed. In die Budgettabelle gehören die Suchbegriffe, die aus der Sprache des Marktes hervorgehen. Ein reifer Prozess führt „kreative Themenbegriffe“ und „Markt-Suchbegriffe“ als getrennte Felder. Der Themenbegriff bestimmt, worüber das Creative spricht; der Suchbegriff entscheidet, wohin das Budget fließt. Wer beides vermischt, kauft im Zweifel Begriffe ein, nach denen niemand sucht – nur weil sie zur eigenen Sprache passen.

Keyword-Erweiterung mit Modellen: Seeds, Kontext und Intent mitgeben

Der erste Punkt, an dem ein Modell tatsächlich Zeit sparen kann, ist der Weg von wenigen Seeds zu einer Keyword-Tabelle, die reale Marktsuchen abdeckt. Vorausgesetzt, die Anfrage ist richtig gestellt. Auf „Erweitere mir verwandte Keywords“ folgt meist ein unstrukturierter Haufen von Synonymen. Ein guter Prompt liefert Geschäftskontext und verlangt pro Begriff drei konkrete Angaben:

I'm doing search advertising for <one-sentence product description> in
<target market/country>.
Seeds: <3 to 10 words you already know>

Expand the keywords, and output each in the structure below, no prose:

1. Keyword
2. Intent stage it belongs to (awareness / comparison / decision / brand)
   awareness: the user is describing a problem, doesn't know the solution yet
   comparison: the user is weighing several solutions
   decision: the user is ready to buy, looking for a channel/price/alternative
   brand: the user is searching a specific brand name
3. Why it's adjacent to the seed (a different phrasing of the same need?
   the downstream next step? an adjacent need in the same scenario?)

Der zweite Punkt schafft die Verbindung zwischen Keyword und Budget: Ohne Intent-Stufe bleibt ein erweiterter Begriff bloß eine Zeichenfolge. Der dritte Punkt dient der Prüfung. Begriffe, die das Modell zwar erfunden hat, aber tatsächlich nichts mit dem Geschäft zu tun haben, fallen in dieser Spalte meist schnell auf. Diese zwei Zusatzspalten zwingen das Modell zu einer überprüfbaren Struktur statt zu einer nur plausibel klingenden Assoziation.

Feedback-Validierung: Reales Suchvolumen entscheidet über Modellhypothesen

Dieser Schritt ist das Tor für die gesamte Kette. Viele überspringen ihn und starten dann mit einer Tabelle halluzinierter Begriffe. Die vom Modell erweiterten Keywords sind Vermutungen, bis sie wieder durch das Tool laufen. Ein Begriff kann sprachlich sauber sein, einen plausiblen Intent-Tag haben und trotzdem in einem Monat von niemandem gesucht werden. Das Modell kennt kein aktuelles Suchvolumen. Es schätzt danach, ob etwas wie eine echte Suchanfrage aussieht – nicht danach, ob tatsächlich danach gesucht wird.

Das Vorgehen ist rein mechanisch: Jeden Begriff zurück in den Planner geben, echtes Suchvolumen, CPC und Wettbewerb abrufen und nur Begriffe mit Volumen größer null behalten, deren Intent-Tag zu den realen Kennzahlen passt. Konsistent heißt: Ein vom Modell als „Decision Intent“ eingeordneter Begriff hat in der Regel einen höheren CPC und stärkeren Wettbewerb. Ist er als Decision Intent markiert, aber CPC und Wettbewerb liegen absurd niedrig beziehungsweise in der niedrigsten Stufe, dann ist das kein Fundstück, sondern ein falsch zugeordneter Intent. Der Begriff muss zurück in die Prüfung.

Diese Arbeitsteilung – das Modell liefert die Hypothese, echte Daten treffen die Entscheidung – folgt demselben Muster wie beim Erkennen von Algorithmen in verschleiertem Code mit einem Modell und dem anschließenden Abfangen seiner Halluzinationen durch Differential Testing im Reverse Engineering. Modelle sind stark darin, Kandidaten zu erzeugen, aber schwach darin, Fakten zu verifizieren. Deshalb sollten sie nicht beides zugleich übernehmen. Die „Feedback-Validierung“ ist bei Keywords der Differentialtest, und die Bedingung volume > 0 ist deutlich maßgeblicher als die Aussage des Modells, ein Begriff sei gut.

Das Budget wird nach Intent-Stufen geplant

Die validierte Keyword-Tabelle hat jetzt eine verwendbare Struktur: Jeder Begriff verfügt über eine echte Suchvolumen-Spanne, eine CPC-Spanne, eine Wettbewerbsstufe und einen Intent-Tag. Erst jetzt lässt sich das Budget berechnen. Entscheidend ist, es nicht gleichmäßig über alle Wörter zu verteilen, sondern nach Intent-Stufe zuzuordnen:

• Keywords mit Decision Intent wie „X price“, „X alternative“ oder „buy X“ liegen der Conversion am nächsten. Sie sind pro Klick besonders wertvoll, haben aber geringes Volumen, den stärksten Wettbewerb und die höchsten CPC-Obergrenzen. Sie verdienen hohe Priorität und eine hohe Preisakzeptanz – allerdings mit einem Deckel, denn nur eine begrenzte Zahl von Menschen ist gerade kaufbereit.

• Keywords mit Comparison Intent liegen bei Conversion und Volumen jeweils in der Mitte. Sie fangen Budget auf, das über die Decision-Begriffe hinausgeht.

• Keywords mit Awareness Intent wie „how to do X“ oder „what is X“ haben das höchste Volumen und den niedrigsten CPC, sind aber am weitesten von der Conversion entfernt. Sie erhalten einen kleineren Anteil für die Abdeckung – und sollten nicht an der Conversion-Erwartung eines Decision-Keywords gemessen werden.

Innerhalb jeder Gruppe lässt sich weiter nach „Volumenspanne × Zielanteil × CPC-Spanne“ sortieren. Am Ende wird ein Keyword-Set also nicht zu einer willkürlich gezogenen Zahl verdichtet, sondern zu einer nach Intent-Stufen gegliederten Budgetstruktur – mit einer Spanne pro Stufe.

Das passende Modell für jeden Arbeitsschritt

Die Modellaufgaben entlang dieser Kette unterscheiden sich stark. Ein einziges Modell für alles kostet entweder unnötig Geld oder Präzision:

Besonders relevant ist der erste Schritt: Bei Erweiterung und Intent-Klassifizierung verändert ein Modellwechsel sichtbar das Ergebnis. Hier wird getestet, ob das Modell das Geschäft versteht und ob es erkennt, dass ein Begriff eigentlich irrelevant ist. Ein schwächeres Modell liefert eine vollständig erweiterte Tabelle, in der jeder Intent als „decision“ markiert ist. Ein Durchlauf der Feedback-Validierung zeigt dann eine miserable Trefferquote. Ein starkes Reasoning-Modell kennzeichnet nicht angrenzende Begriffe schon selbst. Der Unterschied lässt sich leicht testen:

1. Ein Seed-Keyword-Set auswählen: 5 bis 10 Begriffe, deren Geschäftskontext bekannt ist.

2. Den gleichen Input aus „Seeds + Geschäftskontext“ an claude-opus-5 und gpt-5.6-sol schicken und jeweils 50 Begriffe im Format „Wort + Intent-Stufe + why adjacent“ anfordern.

3. Beide Listen erneut durch den Planner schicken, um echtes Volumen, CPC und Wettbewerb abzurufen.

4. Zwei Dinge prüfen: Wie viele erweiterte Begriffe haben echtes Volumen größer null und sind keine erfundenen Zeichenfolgen? Und passen die Intent-Tags zu realem CPC und Wettbewerb? Decision-Keywords sollten teurer und umkämpfter sein.

5. Diese Trefferquote ist das Auswahlkriterium. Sie entscheidet direkt, wie viele halluzinierte Begriffe im weiteren Prozess verworfen werden müssen. Schon eine Runde zeigt den Unterschied unmittelbarer als jeder Benchmark.

Der eigentliche Engpass: Kosten beim Modellwechsel

Vier Modelle von drei Anbietern bedeuten drei SDKs, drei Authentifizierungsverfahren und drei Fehlerformate. Den Client dreimal umzuschreiben, nur um zwischen Erweiterung, Bulk-Tagging und Abweichungsanalyse das Modell zu wechseln, lohnt sich nicht. Deshalb bleiben viele bei einem Modell für den gesamten Prozess, nutzen für die Erweiterung eine Stufe, die Intent-Tiering nicht zuverlässig beherrscht, und erhalten eine niedrige Feedback-Trefferquote, ohne den Grund zu kennen.

AIReiter nimmt diese Schicht heraus: ein Key, eine OpenAI-kompatible Schnittstelle und alle vier Stufen dahinter. Zum Wechseln genügt es, das Feld model im Request-Body anzupassen.

# Keyword expansion + intent classification: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<expansion prompt + seeds + business context>"}]
  }'

# Tag hundreds of expanded words in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Post-feedback deviation attribution:
#   "model": "gpt-5.6-sol"

Wer bereits das OpenAI SDK nutzt, setzt base_url auf https://aireiter.com/api/v1 und muss nichts weiter ändern. Mit dem Anthropic SDK wird POST /api/v1/messages mit demselben Key verwendet.

Preislich laufen Claude-Modelle mit 30 % Rabatt auf den Listenpreis, GPT-Modelle zum halben Preis. Die Keyword-Erweiterung selbst verursacht in diesem Ablauf nicht die Hauptkosten: Ein Keyword-Set braucht nur wenige Aufrufe auf der Reasoning-Stufe. Das eigentliche Volumen entsteht beim Bulk-Tagging – bei Hunderten bis Tausenden Kandidaten pro Planungsdurchlauf, die einzeln nach Intent getaggt und dedupliziert werden. Genau bei diesem dichtesten Call greift die günstige Bulk-Stufe mit hoher Parallelität, und Claude mit 30 % Rabatt passt dort direkt hinein.

• API-Key abrufen

• Ohne Anmeldung ausprobieren: Zuerst ein Keyword-Set manuell erweitern und die Feedback-Trefferquote der Begriffe aus beiden Stufen vergleichen. Danach entscheiden, ob sich die Integration lohnt.

Fazit

Ein Keyword-Tool liefert drei uneindeutige Kennzahlen: Suchvolumen hängt vom Zeitfenster ab, CPC ist eine Spanne und Wettbewerb eine relative Stufe. Für einen Launch braucht es dagegen eine Budgetstruktur nach Intent-Stufen. Der Weg dorthin sieht so aus: Auf Set-Ebene deduplizieren statt Begriffe einzeln zu summieren, mit Markt-Suchbegriffen statt mit internen Themenbegriffen starten, das Modell Keywords inklusive Intent erweitern lassen, aber jeden Begriff gegen echtes Suchvolumen validieren – und das Budget nach Intent-Stufe statt gleichmäßig über alle Wörter verteilen. Das Modell beschleunigt Erweiterung und Intent-Tiering, entscheidet aber nicht über das Budget.

Ist diese Budgetzahl berechnet, wird sie zur Eingabe für die kommerzielle Validierung in der Pipeline vom Keyword zum fertigen Ad-Creative: Nur Keyword-Sets, deren Budget die erforderliche Schwelle erreicht, sollten in Creator-Matching und Asset-Generierung weiterlaufen. Die parallele Entscheidungslinie ist das Lesen der sekündlichen Retention-Kurve einer Anzeige: Die eine bestimmt, auf welche Wörter Budget gesetzt wird, die andere, auf welche Creatives.