Ein Marketing-Attributionsmodell braucht ein Kontrafaktum

Ein Marketing-Attributionsmodell kann beobachtete Kontakte beschreiben. Es kann zusätzliche Nachfrage nicht beweisen, wenn die Entscheidung kein glaubwürdiges Kontrafaktum enthält.

Das ist die Grenze zwischen „Welcher Kontakt erhielt den Verdienst?“ und „Welches Ergebnis wäre ohne den Kontakt nicht eingetreten?“ Beide Fragen sind wichtig. Sie werden nicht vom selben Instrument beantwortet, auch wenn das Dashboard beide als Return on Spend anzeigt.

Warum muss das Marketing von Touchpoint-Tracking auf kausale Inkrementalität umschalten?

Last-Click-Attribution fragt, welcher aufgezeichnete Kontakt der Conversion am nächsten lag. Multi-Touch-Modelle verteilen Verdienst über den beobachteten Pfad. Aggregatmodelle setzen Ausgaben und Ergebnisse über die Zeit in Beziehung. Ein Holdout- oder Lift-Test vergleicht behandelte und nicht behandelte Einheiten unter einer geplanten Intervention.

Die ersten drei können nützliche Beschreibungen liefern. Das vierte ist darauf ausgelegt, unter den getesteten Bedingungen ein Kontrafaktum zu schätzen. Der praktische Fehler besteht nicht darin, ein Attributionsmodell zu nutzen. Er besteht darin, seinem Ergebnis die Entscheidungsrechte eines Experiments zu geben.

Warum verschleiert ein hoher ROAS oft organische Basiseffekte und Mitnahmeeffekte?

Menschen, die ohnehin kurz vor dem Kauf stehen, suchen eher, besuchen eine Website, klicken auf eine Anzeige und konvertieren. Ein Modell, das den Pfad sieht, kann die Absicht des Käufers mit der Wirkung des Kontaktpunkts verwechseln. Der Kontakt war vorhanden. Die Conversion wäre möglicherweise trotzdem eingetreten.

Das Paid-Search-Experiment von Blake, Nosko und Tadelis ist nützlich, weil es das Kontrafaktum prüft, indem Nicht-Marken-Suche in ausgewählten Märkten abgeschaltet wird. Das Ergebnis ist keine universelle Regel über Suche. Es zeigt, dass beobachtete Aktivität die zusätzliche Reaktion überschätzen kann, wenn die Zielgruppe bereits kaufbereite Personen enthält.

Lewis, Rao und Reiley zeigen dasselbe Problem von der Messseite: Korreliertes Onlineverhalten kann Werbung wirksamer erscheinen lassen, als sie ist. Lewis und Rao zeigen anschließend, warum selbst ein echter inkrementeller Effekt bei verrauschtem Ergebnis teuer zu schätzen sein kann.

Die Schlussfolgerung lautet nicht, dass Attribution nutzlos ist. Attribution und Kausalität sollten in getrennten Spalten stehen. Die Inkrementalitätsillusion ist die ausführlichere Evidenzlektüre. Dieser Beitrag ist die kürzere Betriebsregel: Lassen Sie beobachteten Verdienst kein kausales Budget setzen, bevor ein Kontrafaktum existiert.

Wie sollten Marketingverantwortliche den Analyseinstrumenten getrennte Entscheidungsrechte zuweisen?

Ein Attributionsmodell kann helfen, fehlendes Tracking zu finden, einen kaputten Kampagnenpfad zu erkennen, mit einem Segment verbundene Kontaktpunkte zu identifizieren und ein Gespräch mit dem Vertrieb zu strukturieren. Es kann auch operative Aufmerksamkeit innerhalb eines bekannten Budgets lenken.

Es sollte allein nicht entscheiden, ob ein Kanal ausgeweitet wird, eine Rendite auch nach einer Budgetkürzung bestehen bleibt oder die kausale Produktivität zweier Kampagnen vergleichbar ist.

Die Entscheidungsrechte sollten festgeschrieben werden, bevor das Dashboard geöffnet wird.

Wie konstruieren Teams ein empirisches Kontrafaktum vor der Auswertung von Dashboards?

Die kleinste nützliche Prüfung stellt vier Fragen:

1. Welche Einheit hätte behandelt oder zurückgehalten werden können?
2. Welches äußere Ereignis würde behandelte und nicht behandelte Einheiten gleichermaßen bewegen?
3. Welches Ergebnis wird über welches Zeitfenster gemessen?
4. Welche Entscheidung ändert sich, wenn der beobachtete Verdienst nicht inkrementell ist?

Die Antwort kann sein, dass ein Test zu klein oder zu teuer ist. Auch das ist nützlich. Die Entscheidung wechselt dann zu einer Regel für Liquiditäts-Payback oder Deckungsbeitrag, statt eine präzise aussehende Attributionszahl als Evidenz auszugeben.

Evidenz statt Anekdote stellt dieselbe Forderung in breiterer Form: Schreiben Sie auf, was eine Zahl überstehen müsste, bevor sie verwendet wird. Ein Marketing-Attributionsmodell sollte den Verlust seiner bequemsten Interpretation überstehen.

Die letzte Frage gehört in die operative Prüfung: Was hätten wir gesehen, wenn die Kampagne nicht gelaufen wäre? Wenn die einzige Antwort „eine niedrigere zugerechnete Zahl“ lautet, hat das Modell noch nicht das Recht erworben, eine Budgetfrage zu beantworten.

Evidenzbasis. Der analytische Rahmen stützt sich außerdem auf diese zusätzlichen Quellen: Johnson et al. 2017. Die Links identifizieren die konkreten Werke; sie stützen die hier diskutierten Mechanismen und Geltungsgrenzen, nicht jede einzelne Aussage isoliert.