Incrementality Testing: Geo-Lift-Tests statt Plattform-ROAS
Incrementality Testing ordnet Kennzahlen und Messmethoden so, dass Aktivität, Wirkung und Geschäftsergebnis nicht vermischt werden. Die Methode muss zur Entscheidung passen, die mit den Daten getroffen wird.
Auf einen Blick
- Geo-Lift-Tests (matched-market) brauchen laut Lifesight mindestens 6 Monate saubere Historie, ≥80 % statistische Power, First-Party-Daten mindestens auf Bundesland-Ebene und wöchentliche/tägliche Frequenz
- Ergebnisse als Lift mit Konfidenz-/Credible-Intervallen ausdrücken (z. B. +4,2 % Lift, 90 %-Credible-Interval +1,8 % bis +6,5 %), um Type-I-Fehler zu begrenzen
- Über 225 Geo-Tests auf Stellas Plattform (Aug. 2024 bis Dez. 2025): Median-iROAS 2,31x, 88,4 % statistisch signifikant; Abweichung zum Plattform-ROAS oft 30–70 %
- Geo-Lift-Tests brauchen kein User-Level-Tracking, sind privacy-konform und messen kausale Wirkung
- Starte mit der Entscheidung und wähle danach Kennzahl, Datenbasis und Messmethode.
- Quelle, Definition, Zeitraum, Region und Datenlücken müssen neben jeder entscheidungsrelevanten Kennzahl sichtbar bleiben.
incrementality testing: klare operative Einordnung
Für DACH-Unternehmen kommt eine zweite Ebene hinzu: Plattformregeln, Datenschutz, Sprachraum und interne Freigaben verändern die operative Realität. Internationale Benchmarks können Orientierung geben, ersetzen aber keine eigene Definition und keine saubere Datenlinie. Genau hier liegt der praktische Vorteil des Geo-Designs: Es kommt laut Lifesight ohne User-Level-Tracking und ohne personenbezogene Daten aus, weil es nur aggregierte Conversion- oder Umsatzdaten je Region auswertet. Der Vergleich von Test- und Kontrollregionen isoliert trotzdem die kausale Wirkung der Werbung, was Klick-Attribution nicht leistet.
Die übergeordnete Einordnung steht im Pillar Social Media Analytics, KPIs & Measurement. Verwandte Entscheidungen vertiefen Marketing Mix Modeling: Meridian, Robyn und die Datenschwelle, Share of Search: Der günstigste Frühindikator für Marktanteil und Attributionsmodelle: Warum Multi-Touch bricht, Dark Social gewinnt.
Begriffe und Entscheidungsfragen
Zwei Formeln halten die Diskussion konkret. Der Lift ist die Differenz aus Conversions der Testgruppe und Conversions der Kontrollgruppe, geteilt durch die Conversions der Kontrollgruppe. Der iROAS setzt den so ermittelten inkrementellen Umsatz ins Verhältnis zu den Werbekosten, nicht den gesamten Umsatz im Testgebiet, und diese Rechnung von Lifesight erklärt, warum Plattform-ROAS und iROAS auf denselben Daten weit auseinanderliegen.
Befunde, die die Entscheidung verändern
Kard, Geo Lift Test, 2025, global: Ergebnisse als Lift mit Konfidenz-/Credible-Intervallen ausdrücken (z. B. +4,2 % Lift, 90 %-Credible-Interval +1,8 % bis +6,5 %), um Type-I-Fehler zu begrenzen
Stella, Google Ads Incrementality Study, 2025, global: Über 225 Geo-Tests auf Stellas Plattform (Aug. 2024 bis Dez. 2025): Median-iROAS 2,31x, 88,4 % statistisch signifikant; Abweichung zum Plattform-ROAS oft 30–70 %
Arbeitsmodell: Geo-Lift-Tests brauchen kein User-Level-Tracking, sind privacy-konform und messen kausale Wirkung
Entscheidungslogik für den operativen Einsatz
Prüffeld | Leitfrage | Gute Ausprägung | Warnsignal |
|---|---|---|---|
Begriff | Welche Entscheidung soll der Ansatz verbessern? | klarer Businessbezug | isolierte Aktivitätsmetrik |
Daten | Welche Evidenz ist verfügbar und prüfbar? | Definition, Quelle und Zeitraum dokumentiert | Plattformwert ohne Methodik |
Methode | Wer handelt, prüft und gibt frei? | eindeutige Ownership und Übergabe | Verantwortung zwischen Teams |
Steuerung | Wie werden Fehler und Grenzen sichtbar? | Review, Audit-Trail und Eskalation | automatische Aktion ohne Fallback |
Typische Fehlentscheidungen
Bei Geo-Tests kommen statistische Fallstricke dazu. Zu kleine Stichproben, Scheinsignifikanz, Simpson-Paradoxon und Survivorship Bias produzieren Ergebnisse, die im Dashboard sauber aussehen und im Markt nicht existieren; Kard nennt mindestens 10 bis 15 gematchte Märkte als Untergrenze für ein tragfähiges Design. Auch die Laufzeit ist kein Sicherheitsventil: Eine Auswertung von Wayfair zeigt, dass längere Tests die Genauigkeit nicht zwangsläufig verbessern und schlecht kalibrierte Varianzannahmen die Rate falsch positiver Ergebnisse sogar erhöhen.
Daten & Statistiken
Geo-Lift-Tests (matched-market) brauchen laut Lifesight mindestens 6 Monate saubere Historie, ≥80 % statistische Power, First-Party-Daten mindestens auf Bundesland-Ebene und wöchentliche/tägliche Frequenz
Lifesight, Geo-Based Incrementality Testing 2026 (2026)Ergebnisse als Lift mit Konfidenz-/Credible-Intervallen ausdrücken (z. B. +4,2 % Lift, 90 %-Credible-Interval +1,8 % bis +6,5 %), um Type-I-Fehler zu begrenzen
Kard, Geo Lift Test (2025)Über 225 Geo-Tests auf Stellas Plattform (Aug. 2024 bis Dez. 2025): Median-iROAS 2,31x, 88,4 % statistisch signifikant; Abweichung zum Plattform-ROAS oft 30–70 %
Stella, Google Ads Incrementality Study (2025)Lift = (Conversions Testgruppe minus Conversions Kontrollgruppe) / Conversions Kontrollgruppe; iROAS = inkrementeller Umsatz / Werbekosten
Lifesight, Geo-Based Incrementality Testing 2026 (2026)Geo-Lift-Tests brauchen kein User-Level-Tracking und keine personenbezogenen Daten, arbeiten mit aggregierten Conversion-Daten je Region und messen die kausale Wirkung der Werbung
Lifesight, Geo-Based Incrementality Testing 2026 (2026)Statistische Fallstricke bei Geo-Tests: zu kleine Stichproben, Scheinsignifikanz, Simpson-Paradoxon, Survivorship Bias und falsch gewählte Laufzeiten; Kard nennt 10 bis 15 gematchte Märkte als Untergrenze, Wayfair zeigt, dass längere Tests die Genauigkeit nicht zwangsläufig verbessern
Kard, Geo Lift Test (2026)“Collect at least 6 months of clean historical data before the test”
— Lifesight, Lifesight, Geo-Based Incrementality Testing (2026)
“design for at least 80% statistical power to detect your minimum detectable lift”
— Lifesight, Lifesight, Geo-Based Incrementality Testing (2026)
Öffnet den Chat mit einem vorbereiteten Prompt.
Häufig gestellte Fragen
Was bedeutet „Incrementality Testing“ konkret?
Wann ist „Incrementality Testing“ für ein DACH-Unternehmen relevant?
Wie führt man „Incrementality Testing“ sinnvoll ein?
Welche Daten und Tools braucht ein Unternehmen dafür?
Welche Fehler sind bei diesem Ansatz besonders häufig?
Wie misst man, ob der Ansatz funktioniert?
Tiefer einsteigen?
Erhalte neue Analysen direkt ins Postfach, oder sieh dir an, wie wir dieses Wissen für Unternehmen umsetzen.