← Konzepte

Go-to-Market

Marketing-Inkrementalität & Uplift

Marketing-Inkrementalität misst den kausalen Mehrumsatz eines Kanals, der ohne den Werbeeinsatz nicht entstanden wäre. Kausalität, Mathematik und Grenzen.

Go-to-Market 4 Min. Lesezeit 2 Quellen KaTeX-Formel

Kanonische Definition · Antwort-Zuerst-Spezifikation

Marketing-Inkrementalität bezeichnet die kausale Messung von Umsatz, Leads oder Abschlüssen, die direkt auf eine gezielte Marketingintervention zurückzuführen sind. Sie wird ermittelt, indem eine exponierte Testgruppe mit einer nicht-exponierten Kontroll- oder Holdout-Gruppe verglichen wird, um echten Mehrwert von organischer Grundlast und Attributionsfehlern zu trennen.

Synonyme: Inkrementalitätsmessung · Kausaler Lift · Holdout- und Geo-Lift-Testing

Auf dieser Seite

Operative Formulierung & Berechnung

Mathematisches Modell
Lift=YTest−YKontrolleYKontrolle×100%,iROAS=ΔRinkrΔSinkr\text{Lift} = \frac{Y_{\text{Test}} - Y_{\text{Kontrolle}}}{Y_{\text{Kontrolle}}} \times 100\%, \quad \text{iROAS} = \frac{\Delta R_{\text{inkr}}}{\Delta S_{\text{inkr}}}

Variablen & Parametereigenschaften

Symbol Parameter Ökonomische Bedeutung & operative Abgrenzung
Lift\text{Lift} Inkrementeller Uplift Prozentualer Unterschied in der Zielgröße (Umsatz, Conversions) zwischen Test- und Kontrollgruppe.
YTest,YKontrolleY_{\text{Test}}, Y_{\text{Kontrolle}} Ergebniswerte der Gruppen Beobachteter Wert der exponierten Testgruppe im Vergleich zur unberührten Holdout-Kontrollgruppe.
iROAS\text{iROAS} Inkrementeller Return on Ad Spend Kausaler Mehrumsatz dividiert durch die inkrementell eingesetzten Marketingbudgets.
ΔRinkr,ΔSinkr\Delta R_{\text{inkr}}, \Delta S_{\text{inkr}} Inkrementeller Umsatz & Spend Zusätzlicher kausaler Mehrumsatz und der entsprechende zusätzliche Werbeaufwand.

Operative Anatomie & Fehlermodi

Grenzziehungen, Verzerrungsmuster und zulässige Management-Entscheidungen.

Bruchstellen-Analyse

Grenzen & Bruchstellen

  • Kreuzkontamination: Nutzer in Kontrollregionen sehen Testkampagnen über VPNs, überregionale Accounts oder geteilte Netzwerke.
  • Geringe statistische Power: Bei hoher Grundvarianz erfordert der Nachweis kleiner Uplifts (< 5%) unvertretbar lange Testzeiträume.
  • Selektionsverzerrung auf Nutzerebene: Plattform-Holdouts schließen Nutzer aus, die nicht geräteübergreifend getrackt werden können.
  • Vernachlässigung langfristiger Markeneffekte: Kurzfristige Holdout-Tests bevorzugen systematisch transaktionale Performance-Kanäle.

Dashboard-Verzerrungen

Typische Verzerrungs- & Gaming-Muster

  • Nutzung von Last-Touch-Attributionsdaten von Werbeplattformen, die kaufbereite Markensucher vereinnahmen, die ohnehin organisch gekauft hätten.
  • Vorzeitiger Abbruch von Inkrementalitätstests, sobald ein p-Wert zufällig unter 0,05 fällt (P-Hacking / Peeking Bias).
  • Vergleich nicht-äquivalenter Test- und Kontrollmärkte ohne statistischen Abgleich (Synthetic Control) der Vorperioden.
  • Herausrechnen von Agentur-, Kreations- und Softwarekosten aus dem Nenner des inkrementellen ROAS.

Executive Entscheidungsmatrix

Die Übertragung dieser methodischen Bruchstellen und Verzerrungsmuster in die operative Praxis erfordert eine verbindliche Entscheidungsgovernance. Führungskräfte müssen klar trennen zwischen Management-Maßnahmen, die empirisch tragfähig sind, und unzulässigen Ableitungen, die auf methodischen Trugschlüssen beruhen.

Zulässige Management-Entscheidungen
  • Prüfung, ob Retargeting und Brand-Search-Budgets echten Mehrumsatz generieren oder organischen Traffic kannibalisieren.
  • Kalibrierung von Marketing-Mix-Modellen (MMM) anhand empirischer, kausaler Feldexperimente.
  • Fundierte Reallokation großer Marketingbudgets zwischen gesättigten Performance-Kanälen und neuen Kanälen.
Unzulässige Ableitungen & Trugschlüsse
  • Abschaltung langfristiger Markenaufbau-Kampagnen allein auf Basis eines 14-tägigen Conversion-Holdout-Tests.
  • Übertragung von Inkrementalitätswerten aus saisonalen Spitzenzeiten (z. B. Q4) auf reguläre Jahresperioden.
  • Verwendung von Drittanbieter-Cookies als alleinige Kontrollmechanik in datenschutzbeschränkten Browsern.

Die kausale Notwendigkeit von Inkrementalitätstests

Der fundamentale Konstruktionsfehler digitaler Marketing-Attribution ist die Verwechslung von Korrelation mit Kausalität. Ein Attributionsmodell (wie Last-Touch oder Multi-Touch) registriert lediglich, dass ein Nutzer vor dem Kauf eine Anzeige gesehen oder geklickt hat. Es kann die kontrafaktische Frage nicht beantworten: Hätte dieser Kunde auch ohne die Anzeige gekauft?

Das Brand-Search-Paradoxon

In einem bekannten groß angelegten Feldexperiment bei eBay (Blake, Nosko & Tadelis, 2015) schalteten die Forscher bezahlte Suchanzeigen für den eigenen Markennamen in zufällig ausgewählten Regionen komplett ab. Klassische Attributionsmodelle prognostizierten einen massiven Umsatzeinbruch.

Das empirische Ergebnis war eindeutig: Nahezu 100 % des wegfallenden bezahlten Traffics verlagerte sich unmittelbar auf die unbezahlten organischen Suchergebnisse. Der inkrementelle Return on Ad Spend (iROAS) für Brand Search bei Bestandskunden lag effektiv bei null. Die Werbeausgaben erzeugten kein Neugeschäft, sondern kauften lediglich Kunden zurück, die die Marke ohnehin ansteuerten.

Durchführung von Geo-Lift-Experimenten

Da geräteübergreifendes Nutzertracking zunehmend unzuverlässig ist, hat sich das Matched-Market-Testing (Geo-Lift) als Goldstandard etabliert:

  1. Vorperioden-Matching: Identifikation vergleichbarer regionaler Märkte (z. B. München und Frankfurt) auf Basis historischer Umsatzkorrelationen.
  2. Synthetische Kontrollgruppe: Algorithmische Gewichtung mehrerer unbehandelter Regionen zu einem synthetischen Vergleichsmarkt.
  3. Intervention und Holdout: Schaltung der Werbekampagne ausschließlich im Testmarkt bei strikter Nicht-Exposition des Kontrollmarkts.
  4. Kausale Schätzung: Berechnung der Differenz zwischen beobachteter Testentwicklung und der synthetischen Kontrollprognose inklusive Konfidenzintervallen.

Wissenschaftliche Quellen & Belege

  • Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment. Econometrica, 83(1), 155–174. [DOI öffnen] (öffnet in neuem Tab)
  • Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A Comparison of Approaches to Advertising Measurement: Evidence from Big Data at Facebook. Marketing Science, 38(2), 193–225. [DOI öffnen] (öffnet in neuem Tab)

Diesen Eintrag zitieren

Zitierbar in wissenschaftlichen Arbeiten, Forschungsberichten und Vorstandsvorlagen.

Wissensarchitektur

Verknüpfte Wissensobjekte & Vertiefung