400 €Zugeschriebener Umsatz÷50 €Investition=8
Inkrementalität
Eine Frage: Was wäre ohne diese Kampagne passiert? Inkrementalität vergleicht exponierte Personen mit einer Kontrollgruppe, isoliert die tatsächliche Medienwirkung und prüft das MMM an der Realität.
Was ist Inkrementalität?
Nehmen wir eine Kampagne. Von den Personen, die sie gesehen haben, kaufen 20 % das Produkt. Naheliegend wäre, diese 20 % vollständig der Kampagne zuzuschreiben. Doch auch nicht exponierte Personen kaufen: Sie kannten die Marke bereits, sahen andere Werbung oder wären ohnehin gekommen.
Die tatsächliche Wirkung ist daher nicht die beobachtete Gesamtheit, sondern die Differenz zu einer vergleichbaren Kontrollgruppe. Ein Inkrementalitätsexperiment stellt diesen Kausalzusammenhang her. Seine Grenze: Es misst einen Hebel in einem bestimmten Zeitraum, nicht den gesamten Mix.
Exponierte Gruppe4 beobachtete Käufe
Nicht exponierte Gruppe3 Käufe ohne Kampagne
4 − 3 =11 inkrementeller Kauf
ROAS oder iROAS: der Unterschied im Beispiel
Eine Kampagne kostet 50 €. Bei den Exponierten werden vier Käufe zu je 100 € beobachtet. Die Kontrollgruppe zeigt, dass drei davon auch ohne Kampagne erfolgt wären.
400 € − 300 €Zugeschriebener Umsatz − Umsatz ohne Kampagne÷50 €Investition=2
Die Kennzahl für EntscheidungenWarum Attribution allein nicht genügt
Attribution verteilt den Conversion-Credit auf Kontaktpunkte. Sie misst relative Effizienz, nicht kausale Wirkung. Multi-Touch löst das Grundproblem nicht: Jede Plattform beansprucht Conversions im eigenen Bericht. Ohne externe Referenz kann ihre Summe die Realität übersteigen.
Kalibrierte Attribution →Beanspruchte Verkäufe1 000 000
≠
Tatsächliche Verkäufe500 000
Vier Methodenfamilien, zwei davon skalierbar
Alle beantworten dieselbe kontrafaktische Frage mit unterschiedlichen Designs. Die letzten beiden nutzen vorhandene Daten stärker und lassen sich leichter wiederholen.
Geo Lift Testing
Zwei vergleichbare Gebiete vergleichen: eines mit Kampagne und eines ohne.
A/B Lift Testing
Zwei Zielgruppensegmente auf demselben Medium bilden und die Differenz messen.
KI-beschleunigt
Synthetische Kontrolle
Einen Hebel pausieren und algorithmisch schätzen, was ohne Pause geschehen wäre.
KI-beschleunigt
Ausgabenvariationen
Investitionen bei konstantem Gesamtbudget verändern und die daraus entstehenden Lifts berechnen.
Wie diese Ergebnisse in das Modell einfließen
mediaROI führt die Tests nicht durch. Vorhandene Ergebnisse — von Ihren Teams, Plattformen oder Messpartnern — fließen als Priors in das bayessche MMM ein. Sie informieren das Modell über einen Hebel und Zeitraum, ohne es zur Reproduktion der Kennzahl zu zwingen.
Je besser ein Hebel durch Tests dokumentiert ist, desto besser trennt das Modell gemeinsam verlaufende Kanäle. Frühere Erkenntnisse sind keine archivierten Folien mehr, sondern ein statistischer Input.
Inkrementalitätsergebnisse
Priors
Bayessches MMM
Kalibrierte Attribution
Ergebnisse Ihrer Teams, Plattformen oder Messpartner.
Drei Methoden, die sich gegenseitig prüfen
Keine genügt allein. Stimmen alle drei überein, können Sie Budget verteilen, ohne über die Methode zu diskutieren.
MMM
Die ganzheitliche Sicht und Wahrheitsquelle: alle Hebel, Baseline und externe Variablen.
Kalibrierte Attribution
Die tägliche Kampagnensicht, korrigiert durch Koeffizienten aus dem MMM.
Inkrementalität
Die punktuelle Kausalprüfung, die das Modell an der Realität prüft und informiert.
Entdecken Sie die Plattform
30 Minuten, um ein vollständiges Modell durchzugehen und Ihre Fragen zu stellen