Meta's KI-gesteuerte Advantage+ Shopping Campaigns optimieren automatisch auf Conversion – aber sie verändern dabei, welche Preise und Angebote Konsumenten als normal empfinden. Was das für Pricing-Strategien bedeutet.
Meta Advantage+ Shopping Campaigns (ASC) sind 2026 für die meisten E-Commerce-Brands der Standard-Kampagnentyp auf Facebook und Instagram. Der Algorithmus steuert automatisch Zielgruppe, Platzierung, Creative und Budgetverteilung – alles mit dem Ziel, Conversions zu maximieren. Für Pricing-Teams gibt es eine wichtige Nebenwirkung: ASC lernt, welche Preisangebote auf welche Zielgruppen wirken – und das beeinflusst die Preiserwartungen dieser Zielgruppen.
Wie ASC Preiserwartungen verschiebt
ASC optimiert systematisch auf Angebote, die klicken und konvertieren. Das bedeutet: Wenn ein Brand mit einem Rabattangebot ("30 % Einführungsrabatt") in ASC startet, lernt der Algorithmus, dass dieser Preis die Zielgruppe aktiviert – und bespielt sie zunehmend mit Rabatt-Messaging. Mit der Zeit entsteht eine Audience, die diese Brand nur mit Rabatt assoziiert. Der Vollpreis verliert an Glaubwürdigkeit – nicht weil das Produkt es nicht wert ist, sondern weil die Werbealgorithmus-Logik eine Rabatterwartung eintrainiert hat.
Vollpreis-Training in ASC
Brands, die diesem Effekt entgegenwirken wollen, müssen ASC aktiv mit Vollpreis-Creatives trainieren – und die KPIs entsprechend adjustieren. Vollpreis-Conversions haben niedrigere ROAS (Return on Ad Spend) als Rabatt-Conversions im kurzfristigen Vergleich, aber höhere Bruttomarge und bessere LTV-Prognosen. Best Practice: Separate ASC-Kampagnen für Vollpreis-Acquisition und Reaktivierungsrabatte – mit getrennten ROAS-Zielen und separaten Custom Audiences.
Preistest über Meta-Traffic
ASC ermöglicht auch gezielte Preis-A/B-Tests über verschiedene Ad Sets: Identisches Creative, zwei Landing Pages mit unterschiedlichen Preispunkten, gleiche Zielgruppe. Das liefert reale Elastizitätsdaten unter echten Marktbedingungen – allerdings mit der Einschränkung, dass Meta den Traffic nicht perfekt randomisiert (Algorithmus-Selektion bleibt aktiv).