Inkrementalität vs. Attribution: Was deinen Umsatz wirklich antreibt

Attribution sagt dir, welcher Anzeige die Credits für einen Verkauf zugeschrieben werden. Inkrementalität sagt dir, ob die Anzeige den Verkauf überhaupt verursacht hat. Das sind nicht zwei Versionen derselben Zahl. Sie beantworten unterschiedliche Fragen, und sie zu verwechseln ist der Grund, warum gute Budgets gekürzt und schlechte skaliert werden.

Ich habe da gesessen, wo viele Gründer sitzen: vor drei Dashboards, die sich widersprechen, mit der Frage, welchen Kanal ich nächste Woche skalieren soll. Heute verbringe ich die meiste Zeit mit Paid Acquisition und den Holdout-Tests, die prüfen, ob sie tatsächlich funktioniert. Die Lücke zwischen diesen beiden Fragen, Credit gegen Ursache, ist genau dort, wo sich der meiste verschwendete Ad Spend versteckt, den ich finde.

Inkrementalität liefert dir keine saubere Zahl, die du jeden Morgen beobachten kannst. Dafür ist sie nicht da. Was sie leistet: Sie sagt dir, bevor du echtes Budget verschiebst, ob ein Kanal sein Geld verdient oder nur zufällig am richtigen Ort steht, wenn der Verkauf passiert.

TL;DR

• Attribution schreibt Credits zu. Sie entscheidet, welcher Touchpoint den Verkauf in deinen Dashboards bekommt. Sie ist schnell, granular und nützlich für die tägliche Optimierung, aber sie kann dir nicht sagen, was ohnehin passiert wäre.
• Inkrementalität beweist die Ursache. Sie hält einen Kanal für eine Gruppe von Nutzern oder Regionen zurück und misst die Differenz bei den Verkäufen. Diese Lücke ist der echte inkrementelle Effekt, die Conversions, die du ohne den Ad Spend nicht bekommen hättest.
• Dein von der Plattform gemeldeter ROAS ist aufgebläht. Über veröffentlichte Inkrementalitäts-Studien hinweg liegt der gemessene iROAS meist 30 bis 60 Prozent unter dem, was die Plattformen melden. Die schlimmsten Übeltäter sind Retargeting und Brand Search, weil sie sich Credits für Nachfrage holen, die schon existierte.
• Es gibt drei Wege, Lift zu messen: Geo-Holdouts, plattforminterner Conversion Lift und Media Mix Modeling (MMM). Sie beantworten unterschiedliche Fragen auf unterschiedlichen Ebenen.
• Die Antwort ist nicht eine einzige Quelle der Wahrheit. Die Teams, die 2026 ehrliche Zahlen bekommen, triangulieren alle drei: Attribution fürs Tagesgeschäft, Inkrementalität für die kausalen Checks, MMM für die Top-down-Allokation.

Attribution beantwortet “wer bekommt die Credits”. Inkrementalität beantwortet “was hat die Anzeige verursacht”.

Attribution ist ein Buchhaltungssystem. Wenn ein Verkauf passiert, schaut es auf die Touchpoints zurück, die der Kunde durchlaufen hat, und schreibt die Credits nach einer Regel zu, die du gewählt hast: Last Click, First Click, datengetrieben, positionsbasiert. Jedes Modell ist eine andere Meinung darüber, wer den Verkauf verdient hat. Keines davon ist die Wahrheit. Sie sind eine Richtlinie.

Genau das übersehen die meisten Teams. Last-Click-Attribution ist nicht “die echte Zahl und die anderen sind Schätzungen”. Sie ist eine Konvention. Sie schreibt den Verkauf dem zu, was der Kunde zuletzt berührt hat, was systematisch die Kanäle überbewertet, die dem Kauf am nächsten sitzen, und alles unterbewertet, was die Nachfrage überhaupt erst erzeugt hat.

Inkrementalität stellt eine härtere Frage. Wenn du diese Anzeige nicht geschaltet hättest, wäre der Verkauf trotzdem zustande gekommen? Der einzige ehrliche Weg, das zu beantworten, ist, die Anzeige einer vergleichbaren Gruppe vorzuenthalten und die Differenz zu messen. Wenn ein Kanal auf dem Papier 100 Conversions bringt, der Holdout aber von allein immer noch 70 konvertiert, dann ist der inkrementelle Beitrag des Kanals 30, nicht 100. Du hast für 100 bezahlt und 30 bekommen.

Das ist kein Rundungsfehler. Es dreht das Urteil über einen Kanal regelmäßig um.

Attribution vs. Inkrementalität im direkten Vergleich

Keines ist “besser”. Attribution ist der Tacho, den du beim Fahren beobachtest. Inkrementalität ist die Diagnose, die du fährst, wenn du kurz davor bist, eine teure Entscheidung zu treffen. Du brauchst beides, und du musst wissen, auf welches von beiden du gerade schaust.

Warum dein von der Plattform gemeldeter ROAS aufgebläht ist

Jede Ad-Plattform korrigiert ihre eigene Hausaufgabe. Google beansprucht eine Menge Conversions. Meta beansprucht eine andere. TikTok eine dritte. Zähl die Dashboards zusammen, und du zählst oft mehr Verkäufe, als tatsächlich passiert sind, weil derselbe Kauf von mehreren Plattformen gleichzeitig beansprucht wird.

Zwei Kräfte machen das schlimmer als früher.

Datenschutz und Signalverlust. Seit den iOS-Tracking-Änderungen und dem Niedergang der Third-Party-Cookies sehen die Plattformen viele der Conversions nicht mehr, die sie früher gesehen haben. Stattdessen modellieren sie die Lücke. Branchenschätzungen beziffern den gelöschten, früher trackbaren Anteil auf 30 bis 40 Prozent. Modellierte Conversions sind nicht wertlos, aber sie blähen die gemeldeten Zahlen auf eine Weise auf, die du von innerhalb der Plattform nicht prüfen kannst.

Nachfrage-Ernte, verkleidet als Nachfrage-Erzeugung. Retargeting und Brand Search sind die üblichen Verdächtigen. Jemand, der dein Produkt schon im Warenkorb hat, dann eine Retargeting-Anzeige sieht und dann auscheckt, wird unter Last Click als Retargeting-Erfolg gezählt. Jemand, der deinen Markennamen sucht, wollte dich ohnehin finden. Unabhängige Analysen beziffern die Überbewertung auf etwa das 2- bis 5-Fache beim Retargeting-ROAS und 60 bis 90 Prozent bei Brand Search.

Genau deshalb kann ein Kanal im Dashboard wie dein bester Performer aussehen und in Wirklichkeit einer deiner am wenigsten inkrementellen sein. Das Dashboard misst Credits. Es misst nicht die Ursache.

Die Lücke ist nicht akademisch. Bei einem Kanal mit 20.000€ Ausgaben im Monat sind 40 Prozent Unterschied zwischen gemeldetem und echtem ROAS jeden Monat 8.000€, die du dem falschen Ort zuschreibst und dann umverteilst. Übers Jahr ist das ein Vielfaches der Kosten der Antwort.

Wenn du die Datenebene, die diese Plattformen speist, noch nicht in Ordnung gebracht hast, fang dort an. Kein Inkrementalitäts-Test der Welt repariert eine kaputte Pipeline. Sauberes server-seitiges Tracking ist das Fundament, auf dem der Rest hier aufbaut.

Die drei Wege, Inkrementalität tatsächlich zu messen

Dafür gibt es keinen einzelnen Knopf. Drei Methoden dominieren 2026, und sie beantworten unterschiedliche Fragen.

1. Geo-Holdouts (Geo-Lift)

Teile deine Regionen in zwei vergleichbare Gruppen. Lass einen Kanal in der einen laufen, halte ihn in der anderen zurück, und miss die Differenz bei den Verkäufen. Die Lücke ist der inkrementelle Effekt.

Geo-Holdouts sind die flexibelste Option, weil sie für jeden Kanal funktionieren, auch offline und für Kanäle, die die Plattformen nach iOS nicht messen können. Sie hängen überhaupt nicht von Tracking auf Nutzerebene ab, was sie datenschutz-robust macht. Der Preis: Du brauchst genug Regionen mit genug Volumen, um vergleichbare Gruppen zu bilden, und du musst den Split sorgfältig gestalten, damit die beiden Gruppen wirklich vergleichbar sind.

2026 kündigte Google Meridian GeoX an, eine publisher-unabhängige Möglichkeit, Geo-Experimente über jeden Kanal hinweg zu fahren, nicht nur Google. Der Mechanismus ist derselbe wie bei jedem Geo-Holdout: Ändere die Exposition in einem Satz von Regionen, miss die Lücke.

2. Plattforminterner Conversion Lift (Ghost Ads)

Meta und Google können randomisierte Experimente innerhalb der Plattform fahren. Die sauberste Variante nutzt Ghost Ads: Die Plattform wählt eine Kontrollgruppe, die deine Anzeige gesehen hätte, protokolliert die Anzeige, die sie gezeigt hätte, hält sie aber zurück. Dann vergleicht sie Conversions zwischen der exponierten Gruppe und dieser Kontrolle an genau dem Punkt, an dem der einzige Unterschied die Impression selbst ist. Das isoliert den Wert der Anzeige.

Das ist der rigoroseste Read des inkrementellen Werts einer einzelnen Plattform. Die Haken sind praktischer Natur. Ein Conversion-Lift-Test braucht echten Umfang, um Signifikanz zu erreichen, in der Größenordnung von 200.000 Nutzern pro Gruppe, und er sollte lang genug laufen, um verzögerte Conversions zu erfassen, nicht nur die ersten zwei Wochen. Er unterschätzt den Lift außerdem leicht, weil Conversions von Nutzern, die dem Tracking widersprochen haben, nie in die Lift-Tabellen gelangen. Modellierte Daten flicken einen Teil dieser Lücke, nicht die ganze.

3. Media Mix Modeling (MMM)

MMM arbeitet top-down. Es nutzt ein statistisches Modell deiner Gesamtverkäufe gegen deinen gesamten Ad Spend pro Kanal über die Zeit, plus externe Faktoren wie Saisonalität und Promotions, um den Beitrag jedes Kanals zu schätzen. Es braucht keine Cookies, keine Geräte-IDs und keine Consent-Signale, und genau deshalb ist es zurück.

Die MMM-Adoption hat sich in drei Jahren ungefähr verdreifacht, von etwa 9 Prozent auf 26 Prozent der Unternehmen, nachdem Google seine MMM-Bibliothek Meridian Ende 2024 als Open Source veröffentlicht und die Einstiegskosten von einem sechsstelligen Beratungsprojekt auf ein paar Wochen interner Arbeit gesenkt hat. Metas Robyn hat dasselbe früher für die Open-Source-Szene getan.

MMM verdient sich seinen Platz nur bei Umfang: grob ab 1M€+ jährlichem Ad Spend und zwei oder mehr Jahren sauberer Daten. Darunter modelliert das Modell Rauschen. Darüber ist MMM das beste Werkzeug für die jährliche Budget-Allokation über Kanäle hinweg, auch über die, die du nicht sauber experimentell testen kannst.

Der Punkt ist nicht, sich für eines zu entscheiden. Attribution steuert dein tägliches Bidding, Inkrementalität validiert die kausalen Behauptungen, bevor du echtes Budget verschiebst, und MMM allokiert über den gesamten Mix. Der State-of-Data-Report des IAB von 2026 fand heraus, dass nur etwa 39 Prozent der Unternehmen alle drei zusammen nutzen, obwohl sie gebaut wurden, um unterschiedliche Fragen zu beantworten. Diese Lücke ist die Chance.

Fünf Fehler, die einen Inkrementalitäts-Test leise ungültig machen

Ein schlecht durchgeführter Test ist schlimmer als kein Test, weil er dir eine falsche Zahl mit einem Konfidenzintervall obendrauf gibt. Das sind die Fehler, die ich am häufigsten sehe.

1. Den Test zu früh lesen. Der inkrementelle ROAS reift. Ein Kanal kann an Tag 14 bis 30 kaum inkrementell aussehen und sich bis Tag 90 klar als inkrementell erweisen, besonders bei langem Kaufzyklus. Lies an festen Reifungsfenstern, nicht beim ersten Read, der zufällig schlüssig aussieht. Zu früh zu lesen ist der häufigste Weg, einen guten Kanal zu killen.

2. Prospecting- und Remarketing-Zielgruppen überlappen lassen. Wenn ein großer Teil deines Holdouts weiterhin von einer anderen deiner Kampagnen erreicht wird, ist die Kontrolle kontaminiert und du unterschätzt den Lift. Schließe den Holdout dynamisch über jedes Konto aus, bevor du startest.

3. Einem veralteten Multiplikator vertrauen. Ein Inkrementalitäts-Multiplikator aus einem alten Test, auf einem anderen Kanal oder in einer anderen Region, ist eine Vermutung, die eine Zahl trägt. Kaufentscheidungen werden jahrelang darauf gestützt. Miss auf einem Zyklus neu. Ein kleiner, immer laufender Holdout von ein paar Prozent hält die Zahl aktuell, statt sie in einer zwei Jahre alten Tabelle einzufrieren.

4. Den Test in einer anormalen Phase fahren. Ein Produkt-Launch, eine Preisänderung, eine saisonale Spitze oder eine mitten im Test pausierte Kampagne brechen alle die Business-as-usual-Annahme, auf die der Test angewiesen ist. Sperre das Fenster und halte das Konto für seine Dauer langweilig.

5. Den Holdout falsch dimensionieren. Zu klein, und du erreichst nie Signifikanz. Zu groß, und der Umsatz, den du zurückhältst, kostet mehr, als die Antwort wert ist. Die Holdout-Dimensionierung ist ein Trade-off zwischen statistischer Power und Opportunitätskosten, und es lohnt sich, diese Rechnung vor dem Start zu machen, nicht nachdem du vier Wochen verbrannt hast.

Wie du wählst: Attribution, Inkrementalität oder MMM?

Ein einfacher Entscheidungsleitfaden:

• Greif zu Attribution, wenn du Geschwindigkeit und Granularität brauchst: tägliche Optimierung, plattforminternes Bidding, das Erkennen einer kaputten Kampagne. Nutze sie im Wissen, dass sie richtungsweisend ist, nicht die Wahrheit.
• Greif zu Inkrementalität, wenn eine Budget-Entscheidung ansteht. Bevor du einen Kanal skalierst oder streichst, beweise, dass er tatsächlich Conversions verursacht. Hier verdienen sich Holdouts ihre Kosten.
• Greif zu MMM, wenn du das Budget im Jahresrhythmus über den gesamten Mix allokierst und den Umfang und die Datenhistorie dafür hast.

Eine praktische Budget-Regel für Inkrementalität: Wenn ein einzelner Kanal unter grob 40.000€ im Monat ausgibt, lohnt sich eine vollständige bezahlte Studie meist noch nicht. Fahr stattdessen einen kostenlosen plattforminternen Lift-Test und schau später wieder, wenn der Kanal größer ist.

Diese Mischung aus dem Abgleich von Plattform-Behauptungen, dem Design von Holdouts und der Kalibrierung von Attribution gegen Testergebnisse ist genau die Arbeit hinter unserem Attribution- und Inkrementalitäts-Service. Das Ziel ist nie ein hübscheres Dashboard. Es ist ein Umverteilungsplan, den du verteidigen kannst.

Was dich erwartet, wenn du deinen ersten Test fährst

Der erste ehrliche Inkrementalitäts-Read ist meist unangenehm, weil er dazu neigt, genau die Kanäle zu schrumpfen, auf die die Führung am stolzesten ist. Genau das ist der Punkt. Ein Test, der nur bestätigt, was das Dashboard ohnehin schon gesagt hat, hat dir nichts Neues gesagt.

Rechne mit ein paar Wochen pro Test, einem klaren Vorher-Nachher auf dem Kanal, den du zurückgehalten hast, und einem inkrementellen ROAS mit einem Konfidenzintervall statt einer einzelnen sauberen Zahl. Rechne damit, ihn mehr als einmal zu lesen, während die Conversions reifen. Und rechne damit, dass das erste Ergebnis mindestens eine Budget-Entscheidung ändert, denn wenn nicht, war deine Attribution schon nah an der Realität, was selten ist.

Der Output, der zählt, ist nicht die iROAS-Zahl selbst. Es ist die Entscheidung, die sie freischaltet: Verschiebe Ad Spend weg von den Kanälen, die kaum inkrementell waren, meist Brand Search und Retargeting, und hin zu denen, die tatsächlich Umsatz wachsen lassen.

FAQ

Was ist Inkrementalität im Marketing?

Inkrementalität ist der Anteil deiner Conversions, der ohne die Anzeige nicht passiert wäre. Du misst sie, indem du eine Gruppe, die die Anzeigen gesehen hat, mit einer vergleichbaren Gruppe ohne Anzeigen (einem Holdout) vergleichst. Die Differenz ist der inkrementelle Lift. Sie beantwortet die kausale Frage, die Attribution nicht beantworten kann: Hat das Budget den Verkauf erzeugt, oder hätte der Kunde sowieso gekauft?

Was ist der Unterschied zwischen Inkrementalität und Attribution?

Attribution schreibt die Credits für einen Verkauf einem Touchpoint zu, nach einer Regel, die du gewählt hast. Inkrementalität beweist, ob die Anzeige den Verkauf verursacht hat, indem sie sie einer vergleichbaren Gruppe vorenthält und die Differenz misst. Attribution ist Korrelation; Inkrementalität ist Kausalität. Eine Conversion kann einem Kanal zugeschrieben werden, der ohnehin konvertiert hätte. Nur ein Holdout-Test sagt dir, welcher.

Ist mein Meta- oder Google-ROAS echt?

Teilweise. Der von der Plattform gemeldete ROAS ist meist aufgebläht, am schlimmsten bei Brand Search und Retargeting, weil diese Kanäle Nachfrage ernten, die schon existierte. Über veröffentlichte Studien hinweg liegt der echte inkrementelle ROAS meist 30 bis 60 Prozent unter der gemeldeten Zahl. Die gemeldete Zahl ist nicht gefälscht, sie misst nur Credits, nicht die Ursache.

Wie funktioniert ein Geo-Holdout-Test?

Du teilst deine Regionen in zwei vergleichbare Gruppen, lässt einen Kanal in der einen laufen und hältst ihn in der anderen zurück. Die Differenz bei den Verkäufen zwischen den Gruppen ist der inkrementelle Effekt des Kanals. Weil er nicht auf Tracking auf Nutzerebene angewiesen ist, funktioniert ein Geo-Holdout für jeden Kanal, auch offline, und überlebt Datenschutz-Einschränkungen.

Wie viel Budget brauche ich, um Inkrementalität zu testen?

Es braucht Umfang. Als Faustregel: Wenn ein einzelner Kanal unter grob 40.000€ im Monat ausgibt, fahr einen kostenlosen plattforminternen Lift-Test, statt für eine vollständige Studie zu zahlen. Plattforminterne Conversion-Lift-Tests brauchen außerdem nennenswertes Nutzer-Volumen, in der Größenordnung von 200.000 Nutzern pro Gruppe, um statistische Signifikanz zu erreichen.

Brauche ich Media Mix Modeling (MMM)?

Nur bei echtem Umfang: grob ab 1M€+ jährlichem Ad Spend und zwei oder mehr Jahren sauberer Daten. Darunter modelliert das Modell Rauschen. Darüber ist MMM das stärkste Werkzeug für die jährliche Budget-Allokation über Kanäle hinweg, und es braucht keine Cookies oder Consent-Signale, weshalb die Adoption seit 2024 dreimal so hoch ist.

Welche Inkrementalitäts-Methode ist am zuverlässigsten?

Es gibt keine einzelne beste Plattform oder Methode. Geo-Holdouts sind am flexibelsten und datenschutz-robust, plattforminterner Conversion Lift liefert den saubersten Read einer einzelnen Plattform, und MMM allokiert über den gesamten Mix. Das zuverlässigste Setup nutzt alle drei zusammen und gleicht sie gegeneinander ab, statt einer einzelnen isoliert zu vertrauen.

Wie lange dauert ein Inkrementalitätstest?

Rechne mit einigen Wochen pro Test: lang genug, um verzögerte Conversions zu erfassen, nicht nur die ersten zwei Wochen. Die genaue Dauer hängt von deinem Volumen und der Größe der Holdout-Gruppe ab, und die rechnest du vor dem Start aus, nicht danach.

Wichtigste Erkenntnisse

1. Attribution entscheidet, wer die Credits bekommt. Inkrementalität entscheidet, was die Anzeige verursacht hat. Lies nicht das eine als das andere.
2. Last Click ist eine Richtlinie, kein Fakt. Er überbewertet die Kanäle, die dem Kauf am nächsten sind, und verbirgt die, die die Nachfrage erzeugt haben.
3. Der von der Plattform gemeldete ROAS liegt 30 bis 60 Prozent über dem echten inkrementellen ROAS, am schlimmsten bei Brand Search und Retargeting.
4. Drei Methoden messen Lift: Geo-Holdouts (flexibel, datenschutz-robust), plattforminterner Conversion Lift (der sauberste Single-Plattform-Read) und MMM (Top-down-Allokation bei Umfang).
5. Die meisten gescheiterten Tests scheitern aus denselben Gründen: zu früh gelesen, kontaminierter Holdout, veralteter Multiplikator, anormales Testfenster, falsche Holdout-Größe.
6. Das ehrliche Setup ist Triangulation, nicht eine einzige Quelle der Wahrheit. Attribution fürs Tagesgeschäft, Inkrementalität für die kausalen Checks, MMM für die Allokation.

Du weißt bereits, dass deine Dashboards sich nicht einig sind. Die eigentliche Frage ist, welche Entscheidung du auf dieser Basis gleich triffst.

Jeden Monat, in dem du Budget auf einer Zahl fährst, die Credits statt Ursache misst, verschiebst du echtes Geld hin zu den falschen Kanälen, und dieses Geld kommt nicht zurück. Bevor du einen Kanal skalierst oder streichst, finde heraus, ob er die Verkäufe, für die er die Credits bekommt, tatsächlich verursacht. Manchmal reicht ein kostenloser plattforminterner Lift-Test dafür. Manchmal braucht es einen richtigen Holdout. So oder so: Prüfe, bevor du das Budget verschiebst, nicht danach.