Inkrementalität im Marketing: Was Werbung zusätzlich bewirkt

Dein Werbekonto meldet viele Käufe und einen starken ROAS. Aber wie viele dieser Bestellungen wären auch ohne die Anzeigen entstanden? Genau diese Frage beantwortet Inkrementalität im Marketing. Sie hilft dir, zusätzliche Werbewirkung von Verkäufen zu unterscheiden, die einer Kampagne lediglich zugeschrieben werden.

Dieser Leitfaden zeigt dir, wie Kontrollgruppen funktionieren, wie du Conversion-Lift und inkrementellen ROAS berechnest und welche Voraussetzungen ein sinnvoller Test braucht. Alle Zahlenbeispiele sind fiktiv.

Das Wichtigste in Kürze

Inkrementalität beschreibt die zusätzliche Wirkung einer Marketingmaßnahme gegenüber einer Situation ohne diese Maßnahme. Kontrollierte Tests schätzen beispielsweise, wie viele Käufe oder qualifizierte Anfragen Werbung zusätzlich erzeugt. Attribution ordnet dagegen beobachtete Ergebnisse einzelnen Kontakten zu. Für Budgetentscheidungen zählen neben dem gemessenen Effekt auch Unsicherheit, Deckungsbeitrag und die Bedingungen des Tests.

‍

Was bedeutet Inkrementalität im Marketing?

Inkrementalität, auf Englisch Incrementality, bezeichnet den Unterschied zwischen einem Ergebnis mit einer Maßnahme und dem Ergebnis, das ohne diese Maßnahme entstanden wäre. Dieses alternative Ergebnis heißt kontrafaktisches Ergebnis.

Das klingt abstrakt, beschreibt aber eine praktische Frage: Was würde deinem Unternehmen fehlen, wenn eine bestimmte Kampagne nicht liefe?

Bei derselben Person kannst du beide Situationen nicht gleichzeitig beobachten. Deshalb brauchst du einen geeigneten Vergleich. Eine Kontrollgruppe hilft, das Ergebnis ohne die untersuchte Werbung zu schätzen.

Dabei geht es immer um eine definierte Maßnahme, Zielgruppe und Zeitspanne. Ein Test einer Retargeting-Kampagne bewertet deren zusätzlichen Beitrag im vorhandenen Marketingmix. Er beantwortet nicht automatisch, wie wirksam sämtliche Werbung deines Unternehmens ist.

‍

Warum zeigen Attribution und ROAS keine zusätzliche Wirkung?

Attribution verteilt die Zuordnung von Käufen oder Anfragen auf Marketingkontakte. Je nach Modell erhält beispielsweise der letzte Anzeigenklick oder eine Kombination mehrerer Kontakte den Conversion-Wert.

Inkrementalitätsmessung untersucht eine andere Frage: Hat die untersuchte Maßnahme das Ergebnis tatsächlich verändert? Google unterscheidet in seiner Erklärung zu zusätzlichen und zugeordneten Conversions ausdrücklich zwischen beiden Größen.

Ein Mensch kann schon vor einer Retargeting-Anzeige fest zum Kauf entschlossen gewesen sein. Erfolgt danach die Bestellung, kann das Reporting der Anzeige Umsatz zuordnen. Ob sie für den Kauf ausschlaggebend war, bleibt damit offen.

Umgekehrt kann Werbung einen Kauf anstoßen, der später über eine direkte Websiteeingabe erfolgt. Der letzte Kontakt erzählt dann nur einen Teil der Geschichte.

Ein hoher ROAS ist deshalb kein Beleg für hohe Inkrementalität. Auch eine Neukundenbestellung beweist allein nicht, dass Werbung sie verursacht hat. Der Kunde hätte das Unternehmen möglicherweise auf anderem Weg gefunden.

Attribution bleibt für die laufende Kampagnensteuerung nützlich. Kontrollierte Wirkungstests ergänzen sie. Den Zusammenhang von Zielen, Kanälen und Kennzahlen erklärt unser Beitrag zu den Grundlagen des Performance Marketings.

‍

Wie lässt sich Inkrementalität messen?

Die passende Methode hängt davon ab, welche Maßnahme du verändern kannst und welche Daten verfügbar sind. Entscheidend ist eine glaubwürdige Vergleichssituation.

Nutzerbasierter Holdout-Test

Bei einem nutzerbasierten Test werden geeignete Personen vorab zufällig Gruppen zugeteilt. Eine Gruppe kann die untersuchte Werbung erhalten, die Holdout-Gruppe wird davon ausgeschlossen. Andere Bedingungen sollen möglichst vergleichbar bleiben.

Ausgewertet werden die vorher definierten Gruppen. Ein nachträglicher Vergleich von Anzeigenklickern mit Nichtklickern wäre problematisch: Die Kaufabsicht kann bereits beeinflussen, wer klickt.

Auch die Zuordnung zur Werbegruppe garantiert nicht, dass jede Person tatsächlich eine Anzeige sieht. Der Test untersucht die Wirkung der festgelegten Ausspielungsstrategie unter diesen Bedingungen.

Conversion-Lift-Studie einer Werbeplattform

Conversion-Lift-Studien setzen einen kontrollierten Vergleich innerhalb der jeweiligen Plattform um. Google beschreibt dafür nutzerbasierte und geografische Verfahren zur Conversion-Steigerung.

Prüfe vorab, welche Konten, Kampagnen und Conversion-Aktionen unterstützt werden. Die Funktion ist laut Google nicht für alle Konten verfügbar. Untersuche außerdem, welche Ergebnisse direkt beobachtet und welche modelliert werden.

Ein Plattformtest liefert Erkenntnisse für seinen definierten Messumfang. Er bildet nicht zwangsläufig sämtliche Verkäufe und langfristigen Wirkungen deines Unternehmens ab.

Geo-Test mit Regionen

Ein Geo-Test verändert Werbung in ausgewählten Regionen und vergleicht deren Entwicklung mit geeigneten Kontrollregionen. Die Forschungsarbeit von Vaver und Koehler zu Geo-Experimenten beschreibt die zufällige Zuordnung geografischer Einheiten zu Testbedingungen.

Regionen müssen hinsichtlich ihrer bisherigen Entwicklung und ihrer Unterschiede sinnvoll berücksichtigt werden. Zwei Städte mit ähnlich vielen Einwohnern sind noch keine belastbaren Vergleichsmärkte.

Außerdem können Menschen zwischen Regionen wechseln oder Werbung außerhalb ihrer Region sehen. Solche Überschneidungen erschweren die Trennung. Ein Geo-Test braucht deshalb eine methodische Planung und passende Auswertung.

Warum ein Vorher-nachher-Vergleich nicht genügt

Du stoppst montags eine Kampagne und vergleichst den Umsatz mit der Vorwoche. Ein Rückgang könnte an der Werbung liegen. Ebenso könnten Feiertage, Lieferprobleme oder veränderte Nachfrage eine Rolle spielen.

Ein zeitgleicher kontrollierter Vergleich hilft, gemeinsame zeitliche Einflüsse zu berücksichtigen. Wo Randomisierung nicht möglich ist, können modellgestützte Verfahren unterstützen. Ihre Aussage hängt aber von zusätzlichen Annahmen ab.

Ein gewöhnlicher Creative-A/B-Test beantwortet ebenfalls eine engere Frage: Welche Anzeigenvariante funktioniert besser? Wenn beide Gruppen Werbung erhalten, misst er nicht unmittelbar die Wirkung gegenüber keiner Werbung.

‍

Fiktives Shopbeispiel: Wie berechnest du den zusätzlichen Effekt?

Ein Onlineshop für Büroausstattung untersucht eine Retargeting-Kampagne. Die Frage lautet: Erzeugt sie innerhalb des festgelegten Beobachtungsfensters zusätzliche Bestellungen?

Für das Rechenbeispiel werden 40.000 geeignete Personen zufällig gleichmäßig aufgeteilt. Die Kontrollgruppe wird von der untersuchten Kampagne ausgeschlossen. Andere Marketingmaßnahmen laufen nach denselben Regeln weiter.

Für jede Gruppe werden sämtliche zuverlässig zugeordneten Bestellungen erfasst, unabhängig davon, welcher Kanal im Attributionsbericht den Kauf erhält. Wir nehmen vereinfachend höchstens eine Bestellung pro Person an.

Zusätzliche Bestellungen und Conversion-Lift

In der Werbegruppe bestellen 1.000 von 20.000 Personen. In der Kontrollgruppe bestellen 800 von 20.000 Personen.

Die Bestellquoten betragen damit 5 Prozent und 4 Prozent. Die Differenz liegt bei einem Prozentpunkt.

Für die Größe der Werbegruppe ergibt sich:

Geschätzte zusätzliche Bestellungen = 20.000 × (5 % − 4 %) = 200.

Der relative Conversion-Lift bezieht diese Differenz auf das Kontrollniveau:

Relativer Lift = (5 % − 4 %) ÷ 4 % = 25 %.

Von den 1.000 beobachteten Bestellungen der Werbegruppe entsprechen 200 dem geschätzten zusätzlichen Effekt. Das sind 20 Prozent dieser Bestellungen. Dieser Anteil ist eine andere Kennzahl als der relative Lift von 25 Prozent.

Bei ungleich großen Gruppen darfst du die absoluten Bestellzahlen nicht einfach voneinander abziehen. Du musst das Kontrollniveau auf eine vergleichbare Gruppengröße beziehen.

Die Rechnung liefert zunächst einen Punktschätzer. Wie präzise er ist, muss die statistische Auswertung zeigen. Sie identifiziert außerdem keine 200 konkreten Menschen, die ausschließlich wegen der Werbung gekauft haben.

‍

Inkrementeller ROAS und wirtschaftlicher Beitrag

Im Beispiel erzielt die Werbegruppe 100.000 Euro bereinigten Nettoumsatz, die gleich große Kontrollgruppe 80.000 Euro. Die Kampagne kostet für die untersuchte Werbegruppe 5.000 Euro.

Damit beträgt der geschätzte zusätzliche Nettoumsatz 20.000 Euro:

iROAS = zusätzlicher Nettoumsatz ÷ Werbeausgaben = 20.000 ÷ 5.000 = 4.

Pro Werbe-Euro entstehen im Beispiel geschätzt vier Euro zusätzlicher Nettoumsatz. Die Kosten pro zusätzlicher Bestellung, der iCPA, betragen 5.000 ÷ 200 = 25 Euro.

Bei Tests einer Budgeterhöhung muss dagegen der zusätzliche Effekt ins Verhältnis zu den zusätzlich eingesetzten Werbeausgaben gesetzt werden. Die Kostenbasis muss zum getesteten Vergleich passen.

Vier Euro Umsatz sind noch kein Gewinn. Angenommen, vom zusätzlichen Nettoumsatz verbleiben nach Warenkosten und weiteren variablen Kosten 35 Prozent vor Werbung. Dann ergeben sich 7.000 Euro zusätzlicher Deckungsbeitrag vor Werbeausgaben. Nach den 5.000 Euro Anzeigenkosten bleiben 2.000 Euro.

Dieser Betrag berücksichtigt noch keine zusätzlichen Produktions- oder Betreuungskosten und keine Fixkosten. Die Rechnung setzt außerdem voraus, dass die Marge zum zusätzlichen Umsatz passt.

Den normalen ROAS und eine vereinfachte Deckungsschwelle kannst du mit unserem ROAS-Rechner nachvollziehen. Der Rechner ermittelt selbst keine kausale Werbewirkung.

‍

Wie plant dein Team einen sinnvollen Inkrementalitätstest?

Ein Test beginnt mit einer Entscheidung, die dein Team anschließend besser treffen möchte. „Wir wollen Inkrementalität messen“ ist dafür zu ungenau.

1. Entscheidung und Testumfang festlegen

Formuliere beispielsweise: „Sollen wir das Retargeting-Budget unter den aktuellen Bedingungen beibehalten?“

Lege fest, welche Kampagnen zur Maßnahme gehören. Wenn ausgeschlossene Personen dieselbe Ansprache über eine andere Kampagne erhalten, verändert sich der untersuchte Vergleich. Dokumentiere solche Überschneidungen.

Unterscheide außerdem zwischen dem Abschalten einer Maßnahme und einer Budgeterhöhung. Ein profitabler bestehender Kanal muss beim nächsten zusätzlichen Werbe-Euro nicht dieselbe Wirkung erzielen.

2. Zielkennzahl und wirtschaftliche Schwelle bestimmen

Wähle eine primäre Kennzahl, etwa bereinigten Nettoumsatz oder qualifizierte Anfragen je zugeteilter Person. Ergänze Kontrollkennzahlen wie Retouren, Neukundenanteil oder Leadqualität.

Bestimme vorab, ab welchem zusätzlichen Ergebnis sich die Maßnahme wirtschaftlich lohnt. Damit verhinderst du, dass ein kleiner statistisch erkennbarer Effekt automatisch als geschäftlicher Erfolg gilt.

3. Daten, Gruppenzuordnung und Machbarkeit prüfen

Kläre, wie Bestellungen, Stornos und Erstattungen den Gruppen zugeordnet werden. Eine Bestell-ID hilft gegen Doppelzählungen. Fehlende oder unterschiedlich vollständig erfasste Daten können den Vergleich verzerren.

Plane die benötigte Datenmenge anhand von Ausgangsniveau, relevantem Effekt, Gruppenaufteilung und statistischem Verfahren. Es gibt keine universelle Mindestzahl an Bestellungen für jeden Inkrementalitätstest.

Die Google-Anleitung für nutzerbasierte Lift-Studien berücksichtigt bei der Machbarkeit unter anderem Budget, Laufzeit und Gruppenaufteilung. Plattformvorgaben sind von der allgemeinen statistischen Planung zu unterscheiden.

4. Laufzeit und Auswertungsregeln vorab festhalten

Berücksichtige Wochenmuster, Kaufentscheidungsdauer und verzögerte Bestellungen. Ein Test endet fachlich nicht zwingend mit der letzten Anzeigenimpression.

Vermeide ein spontanes Ende beim ersten erfreulichen Zwischenstand. Verwende eine vorab festgelegte Auswertung oder ein Verfahren, das laufende Zwischenprüfungen ausdrücklich berücksichtigt.

Weitere Grundlagen zu Hypothese, Stichprobe und Auswertungsregeln findest du im Leitfaden zu A/B-Tests im Onlineshop.

5. Unsicherheit bewerten und Entscheidung dokumentieren

Betrachte den Punktschätzer zusammen mit seinem Unsicherheitsintervall. Je nach Verfahren werden Konfidenzintervalle oder bayessche glaubwürdige Intervalle verwendet; ihre Interpretation unterscheidet sich.

Wenn das Ergebnis sowohl einen relevanten Gewinn als auch einen relevanten Verlust zulässt, ist die Entscheidungsgrundlage schwach. Ein nicht eindeutiges Ergebnis beweist keine Wirkungslosigkeit.

Prüfe auch, ob Lieferprobleme, Trackingänderungen oder ungleiche Aktionen den Test beeinträchtigt haben. Dokumentiere anschließend Ergebnis, Grenzen und nächsten Schritt.

‍

Was bedeutet das Ergebnis für dein Werbebudget?

Ein positiver Effekt rechtfertigt nicht automatisch eine starke Budgeterhöhung. Der Test gilt zunächst für die untersuchte Zielgruppe, Intensität, Saison und übrige Werbung.

Eine methodisch belastbare positive Wirkung oberhalb deiner wirtschaftlichen Schwelle kann dafür sprechen, das Budget beizubehalten oder eine kontrollierte Erhöhung zu testen.

Ein präzise geschätzter Effekt unterhalb der Schwelle kann dagegen eine Reduzierung oder Überarbeitung der Maßnahme begründen. Ein breites Unsicherheitsintervall verlangt zunächst eine bessere Entscheidungsgrundlage.

Bei kleinen Datenmengen helfen eine wichtigere, breiter gefasste Testfrage oder eine längere, fachlich vertretbare Beobachtung. Zusätzliche Klicks als Ersatzkennzahl beweisen allerdings keine zusätzlichen Verkäufe.

Auch die Effekte einzelner Kanäle darfst du nicht ungeprüft addieren: Sie können voneinander abhängen. Forschung zu iROAS mit randomisierten Geo-Experimenten zeigt, dass unter anderem heterogene Regionen und Budgetverflechtungen die Schätzung erschweren.

‍

Wie überträgst du das Prinzip auf B2B-Anfragen?

Ein fiktiver Softwareanbieter testet eine Kampagne bei zwei zufällig zugeteilten Gruppen mit jeweils 5.000 geeigneten Kontakten. In der Werbegruppe entstehen 60 qualifizierte Anfragen, in der Kontrollgruppe 45.

Die Differenz beträgt geschätzt 15 zusätzliche qualifizierte Anfragen. Bei 3.000 Euro Werbeausgaben ergeben sich rechnerisch 200 Euro pro zusätzlicher qualifizierter Anfrage.

Auch hier braucht der Unterschied eine statistische Bewertung. Entscheidend ist außerdem eine einheitliche Definition von „qualifiziert“.

Mehr Formulare bedeuten noch keine zusätzlichen Aufträge. Bei langen Vertriebszyklen beobachtest du deshalb nachgelagerte Abschlüsse und Deckungsbeiträge weiter. Bezeichne ein Lead-Ergebnis ausdrücklich als solches, solange der Umsatzbeitrag noch offen ist.

‍

FAQ zur Inkrementalität im Marketing

Was ist der Unterschied zwischen Attribution und Inkrementalität?

Attribution ordnet beobachtete Conversions Marketingkontakten zu. Inkrementalität beschreibt den zusätzlichen Effekt einer Maßnahme gegenüber einer geeigneten Situation ohne diese Maßnahme. Eine Zuordnung allein belegt keinen ursächlichen Beitrag.

Was bedeutet ein Conversion-Lift von 25 Prozent?

Ein relativer Conversion-Lift von 25 Prozent bedeutet, dass die Conversion-Rate um ein Viertel über dem vergleichbaren Kontrollniveau liegt. Steigt die Rate von 4 auf 5 Prozent, sind das 25 Prozent relativ oder ein Prozentpunkt absolut.

Was ist ein guter inkrementeller ROAS?

Ein guter iROAS hängt von Deckungsbeitragsmarge, weiteren Kosten, Zielsetzung und Messzeitraum ab. Ein iROAS über eins bedeutet lediglich, dass der zusätzliche Umsatz die betrachteten Werbeausgaben übersteigt. Er beweist keine Profitabilität.

Ist Retargeting grundsätzlich wenig inkrementell?

Retargeting ist nicht grundsätzlich wenig inkrementell. Weil es bereits interessierte Menschen anspricht, ist die Unterscheidung zwischen bestehender Kaufabsicht und zusätzlicher Wirkung besonders relevant. Wie groß der Effekt ist, muss ein geeigneter Test zeigen.

Wie lange muss ein Inkrementalitätstest laufen?

Die Laufzeit hängt von Datenvolumen, relevantem Effekt, Kaufzyklus und Testverfahren ab. Zusätzlich können Nachbeobachtungszeiten nötig sein. Eine pauschale Dauer von zwei oder vier Wochen ist keine allgemeine Qualitätsgarantie.

Kann ein kleines Unternehmen Inkrementalität messen?

Auch kleine Unternehmen können kontrollierte Wirkungstests planen. Ob ein belastbares Ergebnis erreichbar ist, hängt von Datenmenge, Effektgröße und Umsetzung ab. Wenn die Machbarkeit fehlt, sollte das Team diese Grenze benennen und keine Präzision vortäuschen.

‍

Fazit: Zusätzliche Wirkung macht Budgetentscheidungen fundierter

Inkrementalität hilft dir zu beurteilen, welchen Unterschied Werbung tatsächlich macht. Dafür brauchst du eine klar begrenzte Frage, einen geeigneten Vergleich und eine Auswertung, die Unsicherheit und Wirtschaftlichkeit berücksichtigt.

Der erste praktische Schritt ist ein gemeinsames Testbriefing: Welche Entscheidung steht an, welche Wirkung wäre relevant und können die verfügbaren Daten diese Frage beantworten?

Wenn du Messung und KPI-Verständnis mit deinem Team vertiefen möchtest, kannst du bei trepcademy ein individuelles Inhouse-Seminar anfragen. Beschreibe dabei eure konkrete Fragestellung und den bisherigen Wissensstand.