Attribution, MMM und Incrementality: was jede Methode misst und wann du sie nutzt

Worum es geht: drei Methoden, drei Blickwinkel

Jedes Marketing-Team will dieselbe Sache wissen: Welcher Kanal bringt wie viel, und wohin gehört das nächste Budget. So einfach die Frage klingt, so vielschichtig ist die Antwort, denn es gibt drei etablierte Wege, sie zu beantworten, und sie messen nicht ganz dasselbe. Attribution ordnet konkrete Conversions konkreten Touchpoints zu. Marketing Mix Modeling schätzt aus aggregierten Spend- und Umsatzreihen den Beitrag jedes Kanals über die Zeit. Incrementality-Tests messen per Experiment, wie viel ein Kanal wirklich zusätzlich bewirkt.

Der feine, aber entscheidende Unterschied: Attribution und MMM beschreiben Beiträge, sie verteilen einen vorhandenen Umsatz auf Kanäle. Incrementality fragt etwas anderes, nämlich ob ein Kanal überhaupt zusätzlichen Umsatz erzeugt oder nur Käufe einsammelt, die ohnehin gekommen wären. Das ist der Sprung von der Korrelation zur Kausalität, und er erklärt, warum die drei Methoden für einen Kanal zu deutlich verschiedenen Zahlen kommen können, ohne dass eine davon falsch rechnet.

Genau deshalb führt die Frage nach der besten Methode in die Irre. Sie sind keine Konkurrenten um dieselbe Wahrheit, sondern drei Instrumente mit unterschiedlicher Auflösung und Reichweite. Wer das verstanden hat, hört auf, sich zwischen ihnen zu entscheiden, und beginnt, sie gegeneinander zu lesen. Die Methode dafür heißt Triangulation, und sie ist das eigentliche Ziel dieses Artikels.

Zurück zum Überblick: Multi-Touch Attribution, der vollständige Leitfaden.

Was Attribution misst (und wo sie blind ist)

Attribution arbeitet bottom-up und aus der einzelnen Customer Journey heraus. Sie nimmt die Folge von Touchpoints, die ein Nutzer vor seinem Kauf durchlaufen hat, und verteilt den Umsatz dieses Kaufs nach einer gewählten Regel oder einem gelernten Gewicht auf die beteiligten Kontakte. Summiert über viele Journeys ergibt sich, welcher Kanal über alle erfassten Käufe wie viel Umsatz zugeschrieben bekommt. Das macht Attribution granular und schnell, oft nahezu in Echtzeit, und damit zum Werkzeug für die tägliche Steuerung.

Ihre strukturelle Grenze ist doppelt. Erstens sieht Attribution nur, was sich erfassen lässt. Fehlt ein Touchpoint, weil keine Einwilligung vorlag oder eine Browser-Restriktion ihn verschluckt hat, fehlt er im Modell, und ausgerechnet die frühen, awareness-nahen Kontakte gehen besonders oft verloren. Zweitens, und das wiegt für diese Diskussion schwerer: Attribution unterstellt, dass ein Touchpoint, der in der Journey auftaucht, auch zum Kauf beigetragen hat. Sie kann nicht unterscheiden, ob der Kauf ohne diesen Kontakt ausgeblieben wäre oder ohnehin gekommen wäre.

Diese zweite Grenze macht sich besonders bei Brand-Search und Retargeting bemerkbar. Wer eine Marke googelt, hat die Kaufabsicht meist schon mitgebracht, trotzdem bekommt die Brand-Anzeige den Klick und damit in der Attribution den Umsatz. Retargeting zeigt Werbung an Leute, die ohnehin auf dem Sprung zum Kauf waren. Attribution feiert solche Kanäle als hocheffizient, weil sie am Ende vieler Journeys stehen. Ob sie den Umsatz erzeugt oder nur eingesammelt haben, kann sie systematisch nicht beantworten.

Attribution ist also präzise in dem, was sie zuordnet, aber blind für die Kausalitätsfrage und für alles außerhalb des erfassbaren Klickpfads. Sie ist die richtige Basis für das operative Geschäft, sollte aber nicht die einzige Quelle für die großen Budget-Entscheidungen sein.

Wie sich Touchpoints sauber erfassen lassen: Customer-Journey-Tracking über Kanäle hinweg. Im Glossar: Attribution, Touchpoint.

Was Marketing Mix Modeling misst (und warum es Geduld braucht)

Marketing Mix Modeling, kurz MMM, arbeitet top-down. Es kennt keine einzelne Journey und keine einzelne Person. Die Eingabe sind aggregierte Zeitreihen: Wie viel wurde pro Kanal und Zeitraum ausgegeben, und wie hoch war der Umsatz im selben Zeitraum. Ein statistisches Modell schätzt aus dem Zusammenspiel dieser Reihen, welcher Kanal den Umsatz wie stark bewegt, wenn das Budget steigt oder fällt. Damit fängt MMM auch Effekte ein, die im Klickpfad nie auftauchen, Saisonalität, Preisänderungen, Wetter und vor allem Offline-Werbung.

Der zentrale Vorteil ist die Datenschutz-Robustheit. MMM rechnet ausschließlich auf Summen und braucht keine personenbezogenen Daten. Es muss nicht wissen, wer geklickt hat, ob ein Cookie gesetzt war oder ob eine Einwilligung vorlag. Damit ist es von Natur aus cookieless und unempfindlich gegen genau die Lücken, die der Attribution im Cookieless-Umfeld zunehmend zu schaffen machen. Das erklärt, warum der Ansatz im DACH-Markt gerade eine Renaissance erlebt.

Die Kehrseite ist Trägheit und fehlende Granularität. MMM kann dir nicht sagen, welche einzelne Anzeige gestern lief, und es braucht eine ausreichend lange und variierende Datenhistorie, damit das Modell stabile Zusammenhänge findet. Es ist die Methode für die großen, langsamen Budget-Fragen über Quartale, nicht für das tägliche Nachjustieren. Und anders als ein Experiment beweist MMM keine Kausalität, es schätzt Zusammenhänge aus beobachteten Daten und ist damit auf saubere Modellannahmen angewiesen.

Die ausführliche Gegenüberstellung beider Methoden: Marketing Mix Modeling vs. Attribution. Im Glossar: Cookieless Tracking.

Was Incrementality-Tests messen (Geo-Lift, Conversion-Lift)

Incrementality-Tests stellen die Frage, die weder Attribution noch MMM direkt beantworten können: Wie viele Conversions kommen wirklich zusätzlich durch einen Kanal zustande, und wie viele wären ohnehin passiert. Die Idee ist die eines kontrollierten Experiments. Eine Gruppe sieht die Werbung, eine vergleichbare Gruppe nicht. Die Differenz in der Conversion-Rate zwischen beiden Gruppen ist der inkrementelle, also der wirklich zusätzliche Effekt. Das ist derselbe Grundgedanke wie in einer klinischen Studie mit Behandlungs- und Kontrollgruppe.

Conversion-Lift: der Test auf Nutzerebene

Beim Conversion-Lift teilt eine Plattform wie Meta oder Google ihre Nutzer zufällig in zwei Gruppen. Die eine bekommt deine Anzeigen, die andere wird zurückgehalten. Am Ende vergleicht die Plattform die Conversion-Raten und weist den Lift aus, also den Anteil der Conversions, der ohne die Kampagne nicht zustande gekommen wäre. Der Test läuft innerhalb der Plattform und liefert dir ein aggregiertes Ergebnis. Sein Schwachpunkt: Er misst nur innerhalb dieser einen Plattform und setzt genug Volumen voraus, damit der Unterschied belastbar wird.

Geo-Lift: der Test auf Regionsebene

Geo-Lift vergleicht nicht Nutzer, sondern ganze Regionen. In einem Teil der Märkte läuft die Kampagne, in einem vergleichbaren Teil pausiert sie. Aus dem Umsatzunterschied zwischen Test- und Kontrollmärkten lässt sich der kausale Werbe-Effekt schätzen, und das ganz ohne Cookies und personenbezogene Daten. Genau das macht Geo-Lift im DACH-Markt attraktiv, wo niedrige Einwilligungs-Raten die nutzerbasierte Messung untergraben. Der Preis ist Aufwand und Disziplin: Du musst Märkte sauber vergleichbar wählen und die Kampagne für die Testdauer wirklich getrennt steuern.

Was beide Spielarten teuer macht, ist die Opportunität. Eine Kontrollgruppe oder ein Kontrollmarkt bedeutet, bewusst auf Werbung zu verzichten, um den Unterschied messen zu können. Deshalb sind Incrementality-Tests kein Dauerzustand, sondern ein gezieltes Instrument für die teuren, strittigen Fragen: Bringt unser Retargeting wirklich etwas, lohnt sich der Brand-Search-Spend, was passiert, wenn wir einen Kanal pausieren. Dort liefert ein Lift-Test eine Antwort, die keine andere Methode geben kann.

Im Glossar: Incrementality Testing, Geo-Lift, Conversion Lift.

Entscheidungsmatrix nach Datenlage, Budget und Kanal-Mix

Welche Methode du brauchst, hängt nicht vom Geschmack ab, sondern von drei nüchternen Faktoren: wie gut deine Datenlage ist, wie groß dein Budget, und wie vielfältig dein Kanal-Mix. Die folgende Faustregel ordnet die drei Methoden danach ein.

Attribution: fast immer die Basis

Solange du überhaupt erfassbare Touchpoints hast, ist Attribution die Grundausstattung. Sie ist günstig im Betrieb, schnell und granular genug für die tägliche Steuerung. Für kleine Shops mit ein oder zwei Kanälen ist sie oft die einzige Methode, die sich lohnt. Ihre Schwächen kennst du dann und liest ihre Zahlen entsprechend vorsichtig, besonders bei Brand-Search und Retargeting.

MMM: ab mehreren Kanälen und genug Historie

MMM wird sinnvoll, sobald du mehrere Kanäle bespielst, Offline oder Brand eine Rolle spielen und du eine ausreichend lange Historie mit variierendem Budget hast. Es ist die richtige Antwort auf schwindende Cookie-Daten, weil es ohne personenbezogene Daten auskommt. Für sehr kleine Shops mit wenig Budget-Variation hat das Modell zu wenig Signal und lohnt sich kaum.

Incrementality: gezielt für die teuren Streitfragen

Incrementality-Tests setzt du nicht flächendeckend ein, sondern dort, wo eine Attribution-Zahl teuer und zweifelhaft ist. Sie brauchen genug Volumen, damit der Effekt nicht im Rauschen verschwindet, und sie kosten echten Spend in Form der Kontrollgruppe. Geo-Lift senkt die Datenschutz-Hürde, weil es ohne Nutzerdaten auskommt. Für die meisten Shops ist Incrementality die dritte Stufe, nicht der Einstieg.

Die kurze Lesart der Matrix: Fast jeder startet mit Attribution. Mit wachsendem Kanal-Mix und genug Historie kommt MMM als robustes Korrektiv dazu. Und sobald eine einzelne, teure Kanal-Frage strittig wird, beweist ein gezielter Incrementality-Test, was die anderen beiden nur vermuten können. Welche Stufen du davon brauchst, entscheidet deine konkrete Reife, nicht ein allgemeines Ideal.

Triangulation: die drei Methoden kombinieren statt gegeneinander ausspielen

Triangulation ist der eigentliche Gewinn. Statt einer Methode zu vertrauen und den anderen zu misstrauen, liest du alle drei nebeneinander und ziehst gerade aus ihren Unterschieden Erkenntnis. Jede Methode deckt eine andere Schwäche der anderen ab.

Attribution für die Geschwindigkeit

Im Tagesgeschäft bleibt Attribution das schärfste Werkzeug. Welche Kampagne läuft gut, welche Anzeige pausierst du, wie verschiebst du Budget innerhalb einer Woche: Das sind Fragen, die schnelle, granulare Daten brauchen. Hier liefert ein konsistent angewendetes Attributionsmodell die nötige Auflösung, um zeitnah zu reagieren.

MMM für die Gesamtsicht

Bei den großen Budget-Fragen wechselst du die Brille. Wie viel gehört insgesamt in Awareness gegenüber Performance, lohnt sich der Offline-Kanal, was bringt die Marke über das Jahr: Das beantwortet MMM robuster, weil es auch die Effekte einfängt, die der Attribution entgehen. MMM korrigiert systematisch die blinden Flecken der granularen Sicht.

Incrementality als Schiedsrichter

Wenn Attribution und MMM für einen Kanal auseinanderlaufen, entscheidet ein Incrementality-Test den Streit. Schreibt die Attribution dem Retargeting viel Umsatz zu, während du den Verdacht hast, es greife nur ohnehin sichere Käufe ab, dann beweist ein Lift-Test, was wirklich zusätzlich passiert. Incrementality ist der teuerste, aber auch belastbarste Prüfstein, und du setzt ihn genau dort ein, wo die anderen beiden sich nicht einig sind.

Die Differenz ist das Signal

Der größte Wert der Triangulation liegt nicht in der Übereinstimmung, sondern im Widerspruch. Zeigen alle drei Methoden in dieselbe Richtung, kannst du der Aussage vertrauen und schnell handeln. Laufen sie auseinander, ist das kein Fehler, sondern ein wertvoller Hinweis: Vielleicht fehlen der Attribution Touchpoints, vielleicht überschätzt sie einen Kanal, vielleicht sieht MMM einen Offline-Effekt, den niemand auf dem Schirm hatte. Wer diese Differenzen ernst nimmt, trifft Budget-Entscheidungen auf einer breiteren und ehrlicheren Grundlage als mit einer einzelnen Zahl.

Was die Differenz zwischen zwei Zuordnungen für deinen Umsatz konkret bedeutet, rechnest du dir vorab im Attribution-Rechner durch.

Das passende Attributionsmodell als Basis finden: Attributionsmodell auswählen. Voraussetzungen datengetriebener Modelle: Datengetriebene Attribution.