Die N-Gramm-Analyse ist eine Auswertungsmethode für Suchbegriffe in Google Ads, bei der Suchanfragen in einzelne Wörter oder Wortgruppen (N-Gramme) zerlegt werden. Statt jeden Suchbegriff einzeln zu betrachten, analysiert man wiederkehrende Wörter über viele Anfragen hinweg. So lassen sich Muster erkennen, etwa welche einzelnen Begriffe systematisch teuer sind oder nicht konvertieren.
Was ist die N-Gramm-Analyse?
Die N-Gramm-Analyse ist eine Auswertungsmethode für Suchbegriffe in Google Ads, bei der Suchanfragen nicht als Ganzes, sondern in ihre einzelnen Wortbausteine zerlegt und über viele Anfragen hinweg zusammengefasst betrachtet werden. Ein N-Gramm ist dabei eine Folge von N aufeinanderfolgenden Wörtern: Ein Unigramm ist ein einzelnes Wort, ein Bigramm eine Zweiwortkombination und ein Trigramm eine Dreiwortkombination. Der Begriff stammt ursprünglich aus der Computerlinguistik und der statistischen Sprachverarbeitung, wo N-Gramme seit Jahrzehnten zur Modellierung von Texten dienen; eine allgemeine Einordnung liefert der Wikipedia-Artikel zum N-Gramm.
Im Suchmaschinenmarketing überträgt man dieses Prinzip auf den Suchbegriffe-Bericht: Statt jede einzelne Suchanfrage isoliert zu bewerten, sucht man nach wiederkehrenden Wörtern, die systematisch mit hohen Kosten oder ausbleibenden Conversions verbunden sind. Die N-Gramm-Analyse ist damit ein Werkzeug, um in großen Suchkampagnen verborgene Muster sichtbar zu machen und die Keyword-Recherche sowie die Pflege von Negative Keywords datengetrieben zu steuern.
Der Reiz der Methode liegt darin, dass sie ein statistisches Problem löst, an dem die reine Einzelbetrachtung scheitert: Viele Suchanfragen sind sogenannte Long-Tail-Anfragen, die nur ein- oder zweimal ausgelöst werden. Für sich genommen enthalten sie zu wenig Daten für eine belastbare Entscheidung. Erst wenn man ihre gemeinsamen Wortbausteine bündelt, entsteht eine Stichprobe, die groß genug ist, um Aussagen über Kosten und Ertrag zu treffen.
Wie funktioniert die N-Gramm-Analyse in Google Ads?
Ausgangspunkt ist der Suchbegriffbericht, den Google Ads für jede Suchkampagne bereitstellt und in dem die tatsächlich eingegebenen Suchanfragen mit Kennzahlen wie Klicks, Kosten und Conversions erscheinen. Die offizielle Google-Ads-Hilfe zum Suchbegriffbericht beschreibt, welche Daten dort verfügbar sind. Für die Analyse exportiert man diesen Bericht und zerlegt jede Anfrage programmatisch in ihre N-Gramme.
Anschließend werden die Kennzahlen je N-Gramm über alle Suchanfragen hinweg aufsummiert. Das Wort „kostenlos“ etwa taucht vielleicht in hundert verschiedenen Anfragen auf, jede für sich mit zu wenig Daten für eine Entscheidung. Summiert man aber Kosten und Conversions all dieser Anfragen, zeigt sich schnell, ob dieses eine Wort insgesamt Budget verbrennt, ohne zu konvertieren. Technisch ähnelt das Vorgehen dem Bag-of-Words-Modell, bei dem ein Text auf die Häufigkeit seiner Wörter reduziert und die Reihenfolge zunächst ignoriert wird.
In der Praxis arbeitet man auf mehreren Ebenen. Die Unigramm-Ebene deckt einzelne problematische Wörter auf, während Bigramme und Trigramme ganze Wortgruppen sichtbar machen, die eine bestimmte Absicht verraten. Eine Anfrage wie „günstige gebrauchte ersatzteile“ zerfällt in die Unigramme „günstige“, „gebrauchte“, „ersatzteile“, die Bigramme „günstige gebrauchte“ und „gebrauchte ersatzteile“ sowie das Trigramm der gesamten Folge. Jede Ebene beleuchtet einen anderen Aspekt der Suchintention.
Die eigentliche Auswertung erfolgt in einer Tabellenkalkulation, mit Python-Skripten oder direkt über Google Ads Scripts. Wichtig ist eine ausreichende Datenbasis: Ein N-Gramm sollte über genügend Klicks und einen sinnvollen Zeitraum verfügen, bevor man daraus eine Entscheidung wie den Ausschluss über eine Negativliste ableitet. Sinnvoll ist es zudem, Stoppwörter wie Artikel und Präpositionen herauszufiltern, damit die Analyse sich auf bedeutungstragende Begriffe konzentriert.
Warum ist die N-Gramm-Analyse wichtig?
In großen Konten entstehen durch Broad Match und Phrase Match tausende einzelner Suchanfragen, von denen viele nur wenige Male ausgelöst werden. Einzeln betrachtet sind sie statistisch bedeutungslos, in der Summe aber können sie einen erheblichen Teil des Tagesbudgets verschlingen. Die N-Gramm-Analyse bündelt diese verstreuten Signale und macht systematische Verschwender erkennbar, die in der Einzelbetrachtung untergehen.
Der zweite Nutzen liegt in der Qualitätssteuerung. Wörter, die zwar Klicks bringen, aber nie zu einer Conversion führen, senken die Conversion-Rate und treiben den Cost-per-Lead in die Höhe. Umgekehrt lassen sich N-Gramme mit überdurchschnittlicher Performance identifizieren und gezielt als eigene Keywords oder Anzeigengruppen ausbauen. So wird die Methode zum Bindeglied zwischen reiner Kostenkontrolle und aktiver Kampagnenentwicklung.
Gerade in Zeiten weitgehend automatisierter Gebote gewinnt diese Transparenz an Bedeutung. Wenn Smart Bidding über Broad Match viele neue Suchanfragen erschließt, verliert der Werbetreibende leicht den Überblick, wofür sein Geld tatsächlich ausgegeben wird. Die N-Gramm-Analyse gibt einen Teil dieser Kontrolle zurück, ohne die Automatisierung auszuhebeln.
N-Gramm-Analyse in der Praxis
Ein typischer Anwendungsfall ist die Suche nach kommerziell unpassenden Zusätzen. Ein Dienstleister, der zahlende Kunden sucht, findet über die Analyse oft Wörter wie „kostenlos“, „gebraucht“, „Job“ oder „selber machen“, die eine andere Kaufabsicht signalisieren. Diese Begriffe wandern gebündelt in eine Negativliste, statt sie mühsam Anfrage für Anfrage auszuschließen. Ein einziges gut gewähltes negatives Unigramm kann so hunderte unrentabler Anfragen auf einmal abfangen.
Auch die Abgrenzung von Branded Keywords und generischen Begriffen profitiert von der Methode: Enthält ein N-Gramm den Markennamen, verhält es sich meist völlig anders als ein rein generisches. Wer beides trennt, kann Zielwerte wie den Ziel-CPA sauberer steuern und das Budget-Pacing gezielter planen. Für stark umkämpfte Long-Tail-Keywords hilft die Bigramm- und Trigramm-Ebene, weil hier ganze Wortgruppen die Kaufabsicht verraten.
Fortgeschrittene Anwender verknüpfen die N-Gramm-Auswertung mit weiteren Dimensionen — etwa Gerät, Region oder Tageszeit — und decken so auf, dass ein Wort nur in bestimmten Kontexten problematisch ist. Solche Erkenntnisse fließen zurück in die Kampagnenstruktur und schärfen das Zusammenspiel von Keywords, Anzeigen und Zielseiten.
Typische Fehler und Grenzen
Der häufigste Fehler ist die vorschnelle Entscheidung auf zu dünner Datenbasis. Ein N-Gramm mit drei Klicks und null Conversions ist kein Beleg für schlechte Qualität, sondern schlicht statistisches Rauschen. Ausschlüsse sollten erst erfolgen, wenn ein Wort über viele Anfragen und einen aussagekräftigen Zeitraum hinweg konsistent schlecht abschneidet. Wer zu aggressiv ausschließt, riskiert, versehentlich profitable Nischen mitzublockieren.
Eine weitere Grenze ist der Kontext: Dasselbe Wort kann je nach Umgebung völlig unterschiedliche Bedeutung haben. „Kostenlos“ ist für einen Rechtsanwalt, der ein kostenloses Erstgespräch bewirbt, womöglich sogar erwünscht. Deshalb sollte die N-Gramm-Analyse nie mechanisch, sondern immer im Zusammenspiel mit der Kampagnenstruktur und dem jeweiligen Qualitätsfaktor interpretiert werden.
Schließlich verschiebt der zunehmende Einsatz von Broad Match in Verbindung mit automatisierten Geboten die Rolle der Methode: Sie dient heute stärker der Beobachtung und dem Ausschluss klarer Fehlgriffe als der kleinteiligen Steuerung. Als analytisches Frühwarnsystem bleibt die N-Gramm-Analyse aber unverzichtbar — sie ist eine der wenigen Techniken, die verstreute Kostentreiber überhaupt sichtbar macht.
N-Gramm-Analyse im Kontext moderner Kampagnen
Die N-Gramm-Analyse steht nicht allein, sondern greift in ein ganzes Geflecht von Steuerungsinstrumenten ein. Sie liefert die Datengrundlage für saubere Ausschlusslisten, doch ihre Ergebnisse wirken erst im Zusammenspiel mit einer durchdachten Kampagnenaufteilung, passenden Keyword-Optionen und einer klaren Zielsetzung. Wer die Methode isoliert betreibt, optimiert einzelne Wörter, ohne das große Bild im Blick zu behalten.
In modernen Konten, die stark auf Performance Max und Broad Match setzen, verschiebt sich der Fokus von der manuellen Aussteuerung hin zur Kontrolle. Hier zeigt die N-Gramm-Analyse, ob die Automatisierung in eine sinnvolle Richtung lernt oder ob sie Budget in Suchanfragen mit falscher Absicht lenkt. Sie wird damit zum Kontrollinstrument gegenüber der Blackbox automatisierter Systeme.
Perspektivisch gewinnt die Methode durch die Verbindung mit KI-Werkzeugen an Kraft: Sprachmodelle können N-Gramme nach Bedeutung gruppieren, Absichten erkennen und Ausschlussvorschläge priorisieren. Der Kern bleibt jedoch derselbe — verstreute Signale zu bündeln, damit aus einzelnen unauffälligen Suchanfragen ein klares, handlungsleitendes Muster wird.