Wie man Marketing nach den Cookies misst: MMM, Inkrementalität und das Ende von ROAS als König

Was tatsächlich kaputtging

Zunächst gilt: Cookies sind nicht über Nacht gestorben. Sie bröckeln schon eine Weile. Safari und Firefox blockieren Third-Party-Cookies seit Jahren, Apples iOS hat das In-App-Tracking drastisch eingeschränkt, und das europäische Consent-Banner führt dazu, dass Sie einen großen Teil Ihrer Besucher gar nicht messen dürfen. Google hat seinen Plan, Cookies in Chrome abzuschalten, mehrfach verschoben und zurückgenommen, doch das ändert nichts am Trend: Das Signal zerfällt, und die Messung eines ganzen Unternehmens auf den Cookies anderer aufzubauen, wird zum wachsenden Glücksspiel.

Schlimmer als das technische Problem ist jedoch das gedankliche. Zehn Jahre lang haben wir Marketing auf Last-Click-Attribution betrieben, weil sie griffbereit war und präzise aussah. Präzise war sie aber nie. Sie war nur selbstsicher.

Warum ROAS lügt

Ich sage es offen, weil die meisten Unternehmen es ungern hören: ROAS ist kein Ertrag, ROAS ist Zuschreibung. Er misst den Umsatz, den das System einer Kampagne zugewiesen hat. Der Umsatz, den die Kampagne tatsächlich zusätzlich gebracht hat, ist eine andere Zahl, und zwischen beiden klafft ein Abgrund. Wenn jemand Ihren Namen googelt, weil er Ihre Plakatwand gesehen hat, und dann auf Ihre Brand-Search-Anzeige klickt, schreibt die Attribution den gesamten Erfolg diesem letzten Klick zu. Die Plakatwand, die ihn hergeführt hat, geht leer aus. Brand Search und Retargeting wirken deshalb wie Stars, obwohl sie meist Nachfrage einsammeln, die schon vorhanden war.

Die Frage, die Sie eigentlich beantwortet haben wollen, lautet nicht „Wie viel Umsatz wurde der Kampagne zugeschrieben“, sondern „Wie viele Verkäufe wären ausgeblieben, wenn wir die Kampagne abgeschaltet hätten“. Das ist Inkrementalität, Lift. Und Last-Click-Attribution kann sie nicht beantworten, wie man es auch dreht. Die Ökonomin Grace Kite sagt es seit Jahren: Den wahren Beitrag zeigt erst die Modellierung über einen längeren Zeitraum, während der Klick unten im Funnel systematisch überschätzt und oben unterschätzt wird.

Säule eins: Marketing-Mix-Modellierung

Marketing-Mix-Modellierung (MMM) ist nichts Neues, große FMCG-Unternehmen nutzten sie lange vor dem Internet. Es ist ein statistisches Modell, das aus historischen Daten schätzt, wie einzelne Kanäle und Faktoren außerhalb des Marketings zum Umsatz beitragen: Preis, Saison, Wettbewerb, Wetter, Distribution. Der entscheidende Vorteil heute: Es arbeitet mit aggregierten Daten und muss keine Einzelpersonen tracken. Damit ist es vom Ende der Cookies unberührt und DSGVO-freundlich.

Neu ist Folgendes: MMM ist nicht mehr das Revier von Konzernen mit einem Analytics-Budget in Millionenhöhe. Google hat mit Meridian ein Open-Source-Tool veröffentlicht, Meta hat das Open-Source-Tool Robyn, und Firmen wie Analytic Partners bieten MMM als Dienstleistung an. Selbst ein mittelgroßer Onlinehändler kann heute ein brauchbares Modell aufbauen, das ihm sagt, wohin der nächste Euro gehört. MMM eignet sich hervorragend für strategische Fragen: wie das Budget auf die Kanäle zu verteilen ist, wie viel in die Marke und wie viel in Performance fließen soll, ab wann die abnehmenden Erträge einsetzen. Für die schnelle Feinsteuerung im Tagesgeschäft eignet es sich nicht, das übernehmen andere Tools.

Säule zwei: Inkrementalität und Experimente

Wenn Sie aus diesem ganzen Beitrag ein einziges Wort mitnehmen, dann dieses. Inkrementalität wird nicht aus Korrelationen geschätzt, sie wird im Experiment getestet, und ein Experiment kommt der Kausalität am nächsten, die wir im Marketing haben. Es gibt zwei Grundvarianten. Ein Geo-Test: Die Kampagne läuft in einer Region und bleibt in einer anderen, vergleichbaren abgeschaltet, und der Umsatzunterschied ist der Lift. Ein Holdout (Ghost Ads): Die Anzeige wird einem Teil der Zielgruppe bewusst vorenthalten, und man vergleicht, wie diese Gruppe gekauft hat, mit denen, die sie gesehen haben.

Die Ergebnisse fallen meist ernüchternd aus, mitunter schmerzhaft. Mehr als einmal stellt sich heraus, dass ein Kanal mit wunderbarem ROAS fast nichts beiträgt, weil er Menschen erreichte, die ohnehin gekauft hätten. Das ist keine angenehme Erkenntnis, aber eine, für die es sich zu zahlen lohnt. Lieber heute eine unbequeme Wahrheit als eine hübsche Zahl, gegen die Sie ein Jahr lang Budget verbrennen.

Säule drei: First-Party-Daten und Einwilligung

Die dritte Säule: aufhören, fremde Daten zu leihen, und die eigenen sauber erheben. First-Party-Daten sind das, was Menschen direkt bei Ihnen hinterlassen: Käufe, Anmeldungen, Verhalten auf der Website, die E-Mail-Beziehung. Technisch bedeutet das Server-Side-Tracking, eine Conversions API und einen ehrlich konfigurierten Consent Mode, damit die Daten mit Einwilligung erhoben werden und DSGVO-konform sind. Es geht nicht nur um Compliance: Hochwertige First-Party-Daten sind heute ein Wettbewerbsvorteil, weil Konkurrenten sie nicht aus öffentlichen Quellen kopieren können.

Attribution aus diesen Daten hat weiterhin ihren Platz, aber in einer anderen Rolle als der, in die wir sie jahrelang hineingebaut haben. Sie dient als operativer Kompass für die tägliche Feinsteuerung von Kampagnen. Für große Entscheidungen ist sie kurzsichtig, für kleine praktisch.

Triangulation: warum Sie alle drei brauchen

Hier ist der Punkt, auf den sich WARC, Google, Meta und Analytic Partners inzwischen einigen: Keine einzelne Methode ist die Wahrheit. Jede sieht einen anderen Ausschnitt der Realität und hat einen anderen blinden Fleck. Die Antwort heißt Triangulation: drei Methoden nebeneinander, jede für das, was sie am besten kann:

In der Praxis: MMM sagt Ihnen, wie viel in TV, Social und Suche fließen soll. Inkrementalität prüft, ob das Modell lügt, und kalibriert es. Die Attribution steuert dann die tägliche Optimierung innerhalb der Kanäle. Drei Werkzeuge, drei Aufgaben, eine Wahrheit, zusammengesetzt aus verschiedenen Blickwinkeln.

Was Sie in einem mittelgroßen Unternehmen tatsächlich einsetzen sollten

• 1. Ein First-Party-Fundament. Serverseitige Messung, Conversions API, Consent Mode. Ohne saubere eigene Daten lässt sich nichts anderes aufbauen.
• 2. Schlankes MMM. Sie müssen kein Enterprise-Tool kaufen. Meridian oder Robyn und ein vernünftiger Analyst reichen für ein erstes brauchbares Modell.
• 3. Ein Geo-Test pro Quartal. Wählen Sie einen Kanal, an dem Sie zweifeln, und messen Sie seinen Lift. Ein guter Test schlägt hundert Dashboards.
• 4. Brand Tracking. Verfolgen Sie auch Bekanntheit, Assoziationen und Präferenz. Die Marke ist der Teil, den der Klick nie sehen wird.
• 5. Neue KPIs. Inkrementeller Gewinn und die Kosten eines wirklich neuen Kunden statt blindem ROAS.

Die häufigsten Fehler bei der Messung

• Das Geschäft nach ROAS steuern. Sie optimieren auf Zuschreibung statt auf Lift und schaufeln weiter Geld in den unteren Funnel.
• Keine Holdouts. Ohne Kontrollgruppe wissen Sie nie, was ohnehin passiert wäre.
• Brand Search als Held. Sie erntet Nachfrage, die etwas anderes geschaffen hat, und streicht dafür die Lorbeeren ein.
• Nur messen, was leicht zu messen ist. Goodharts Gesetz: Wird eine Kennzahl zum Ziel, taugt sie nicht mehr als Kennzahl.
• Den Langzeiteffekt ignorieren. Markenwerbung zahlt sich über Monate aus, die Attribution schreibt sie in Tagen ab.

Häufig gestellte Fragen

Quellen: WARC (Wirksamkeit und Inkrementalität) · Analytic Partners, ROI Genome · Google, Open-Source-MMM Meridian · Meta, Open-Source-MMM Robyn · Grace Kite (Magic Numbers / Ökonometrie) · Les Binet & Peter Field, IPA · Gartner (Marketing-Messung) · IAB Europe. Rechtlicher Rahmen der Datenerhebung in Tschechien: DSGVO und Leitlinien der tschechischen Datenschutzbehörde.

Das ist unser Arbeitsfeld: RevOps & CRM und Marketingstrategie. Wie sich Marke und Performance gemeinsam messen lassen, steht in unserem Beitrag zum Multiplier Effect.