Was ist Inkrementalitätsmessung und wie unterscheidet sie sich von Attribution?

Was ist Inkrementalitätsmessung und wie unterscheidet sie sich von Attribution?

Inkrementalität (engl. incrementality) ist der Anteil des Umsatzes, der ohne eine bestimmte Werbemaßnahme nicht entstanden wäre. Inkrementalitätsmessung ermittelt diesen Anteil mit einem kontrollierten Vergleich: Eine Gruppe sieht die Werbung, eine vergleichbare Kontrollgruppe nicht. Die Differenz zwischen beiden ist der inkrementelle Umsatz.

Attribution beantwortet eine andere Frage. Sie verteilt die Credits für einen Verkauf auf die Touchpoints, die ein Kunde vorher berührt hat. Wie das passiert, legt ein Attributionsmodell fest: Last Click, First Click, positionsbasiert oder datengetrieben. Das Ergebnis ist eine Buchhaltung über die Customer Journey, aber kein Beweis, dass eine Anzeige den Kauf ausgelöst hat.

Kurz gesagt: Attribution misst, wer den Verkauf zugeschrieben bekommt. Inkrementalität misst, was die Werbung tatsächlich verursacht hat.

Anzeige

Warum Attributionsmodelle zu viel versprechen

Jede Werbeplattform bewertet ihre eigene Leistung. Google Ads, Meta und TikTok rechnen sich denselben Kauf oft gleichzeitig zu, und in der Summe der Dashboards stehen dann mehr Verkäufe, als im Shop angekommen sind. Seit den iOS-Änderungen und mit weniger Einwilligungen füllen die Plattformen Lücken zudem mit modellierten Conversions, die sich von außen kaum prüfen lassen.

Am stärksten betroffen sind Kanäle, die nah am Kauf sitzen. Wer den Markennamen bei Google eingibt, wollte den Shop ohnehin finden. Wer nach dem Warenkorbabbruch eine Retargeting-Anzeige sieht und dann kauft, hatte die Entscheidung oft schon getroffen. Last-Click-Attribution schreibt beide Verkäufe der Werbung zu. Das ist keine böse Absicht, sondern die Logik des Modells.

Auch datengetriebene Attribution und Multi-Touch-Attribution lösen das Problem nicht. Sie verteilen die Credits feiner, aber sie arbeiten mit denselben getrackten Touchpoints. Was ohne Werbung passiert wäre, sieht kein Attributionsmodell, weil es diese Situation nie beobachtet. Das Ergebnis ist eine Form von Kannibalisierung: Bezahlte Klicks ersetzen Käufe, die über organische Suche, Direktzugriffe oder den Newsletter ohnehin gekommen wären.

ROAS vs. iROAS: die Zahl, die Budgetentscheidungen verändert

Der klassische ROAS ist schnell berechnet: zugeschriebener Umsatz geteilt durch Werbekosten. Der inkrementelle ROAS (iROAS) teilt stattdessen nur den Umsatz, den die Werbung zusätzlich erzeugt hat, durch die Werbekosten.

Ein vereinfachtes Beispiel mit runden Zahlen:

Auf dem Papier ist das die beste Kampagne im Konto. Tatsächlich bringt jeder investierte Euro 1,20 € zusätzlichen Umsatz, vor Marge und Fixkosten. Je nach Marge verdient die Kampagne damit kaum Geld oder verliert sogar welches. Dasselbe Budget wäre in einem Kanal, der neue Nachfrage erzeugt, womöglich deutlich besser angelegt.

Über veröffentlichte Inkrementalitätsstudien hinweg liegt der gemessene iROAS häufig 30 bis 60 Prozent unter dem gemeldeten ROAS. Bei Brand Search und Retargeting kann die Lücke noch größer sein. Wer Budgets nach dem gemeldeten ROAS verteilt, belohnt damit systematisch die Kanäle, die Nachfrage einsammeln, statt sie zu erzeugen.

Drei Wege, Inkrementalität zu testen

Es gibt keinen einzelnen Knopf, der Inkrementalität anzeigt. Drei Methoden haben sich durchgesetzt, und sie passen zu unterschiedlichen Budgets.

1. Holdout-Test. Ein Teil der Zielgruppe wird bewusst von einer Kampagne ausgeschlossen, zum Beispiel über eine ausgeschlossene Kundenliste. Nach einigen Wochen vergleicht man Käufe zwischen beiden Gruppen. Für Retargeting und CRM-basierte Kampagnen ist das oft der einfachste Einstieg.

2. Geo-Lift-Test. Statt Nutzern werden Regionen aufgeteilt: Die Kampagne läuft in einer Gruppe vergleichbarer Städte oder Bundesländer, in einer anderen nicht. Ein Geo-Lift-Test kommt ohne Tracking auf Nutzerebene aus und eignet sich damit auch für Kanäle, die nach iOS kaum noch messbar sind. Die Voraussetzung sind genug Regionen mit genug Umsatz, damit sich die Gruppen sauber vergleichen lassen. Eine Variante davon ist der Matched-Market-Test, bei dem gezielt ähnliche Märkte gepaart werden.

3. Conversion Lift und Brand-Lift-Studie. Meta und Google bieten randomisierte Experimente direkt in der Plattform an. Ein Conversion-Lift-Test misst zusätzliche Käufe, eine Brand-Lift-Studie misst Effekte auf Markenbekanntheit und Erinnerung. Beide liefern einen sauberen Blick auf eine einzelne Plattform, brauchen aber ausreichend Reichweite, um statistisch belastbar zu sein.

Und Marketing Mix Modeling?

Marketing Mix Modeling (MMM) arbeitet von oben nach unten. Ein statistisches Modell setzt den Gesamtumsatz über die Zeit ins Verhältnis zu den Ausgaben pro Kanal und berücksichtigt Faktoren wie Saisonalität, Preise und Aktionen. MMM braucht keine Cookies und keine Einwilligungen, und seit Google sein Framework Meridian als Open Source veröffentlicht hat (Metas Robyn gibt es schon länger), ist der Einstieg deutlich günstiger geworden.

Trotzdem ist MMM für die meisten Startups noch nicht der erste Schritt. Ein belastbares Modell braucht mehrere Kanäle, ein nennenswertes Werbebudget und idealerweise zwei Jahre saubere Daten. Ohne diese Basis modelliert es vor allem Rauschen. Für Unternehmen in dieser Größenordnung ist MMM ein starkes Werkzeug für die jährliche Budgetallokation. Davor liefern einzelne Tests schneller verwertbare Antworten. Wie Attribution, MMM und Inkrementalität zusammenspielen, zeigt dieser ausführliche Vergleich: Attribution, MMM und Inkrementalität im Vergleich.

Der erste Test: vor der nächsten Budgeterhöhung

Inkrementalität muss nicht mit einem großen Projekt beginnen. Ein sinnvoller Einstieg folgt einer einfachen Reihenfolge:

1. 1. Den verdächtigsten Kanal wählen. Meist ist das der Kanal mit dem höchsten gemeldeten ROAS und dem größten Anteil wiederkehrender Kunden: Brand Search oder Retargeting.
   2. Einen Holdout definieren. Fünf bis zehn Prozent der Zielgruppe oder einige vergleichbare Regionen ausschließen, und zwar über alle Kampagnen hinweg, damit die Kontrollgruppe sauber bleibt.
   3. Lange genug laufen lassen. Mindestens vier Wochen, bei längeren Kaufzyklen mehr. Wer nach zehn Tagen auswertet, misst Zufall.
   4. iROAS berechnen und eine Entscheidung treffen. Ein Test, der keine Budgetentscheidung verändert, war entweder unnötig oder wurde nicht ernst genommen.

Die Voraussetzung für all das ist ein Tracking, das Käufe vollständig erfasst. Kein Inkrementalitätstest korrigiert eine Datenbasis, in der ein Drittel der Conversions fehlt.

Der Kern der Sache

Attribution ist das Armaturenbrett für den Alltag: schnell, granular und nützlich für die tägliche Optimierung. Inkrementalität ist die Prüfung vor der großen Entscheidung. Wer beides verwechselt, skaliert die Kanäle, die im Report am besten aussehen, statt die, die das Geschäft wachsen lassen. Die ehrlichere Frage lautet deshalb nicht „Welcher Kanal hat den besten ROAS?“, sondern „Welcher Kanal würde uns fehlen, wenn wir ihn abschalten?“

Weißt du, welcher deiner Kanäle wirklich inkrementell ist?

Bei Farvero helfen wir Startups und Scaleups mit sauberem Tracking und Inkrementalitätsmessung, damit das nächste Budget dort landet, wo es zusätzlichen Umsatz bringt.

Über den Autor

Ilja Zonov ist Gründer von Farvero, einem Studio für Performance Marketing und Messung mit Sitz in Barcelona. Zuvor verantwortete er Performance Marketing bei GetYourGuide und Glovo und steuerte Werbebudgets in Millionenhöhe in europäischen Märkten.