Inkrementalität ist das Maß dessen, was ohne das Marketing nicht passiert wäre. KI hilft an drei Stellen: bessere Tests zu entwerfen, Effekte aus mehr und unsaubereren Daten zu schätzen und zu lesen, in welchen Teilen der Audience oder des Mixes der Effekt sich konzentriert. Sie liefert nicht das Kontrafaktum. Ohne einen ordentlichen Kontrollarm lässt ein Modell eine Korrelation mit großer Selbstsicherheit kausal klingen.
Dieser letzte Satz ist das ganze Risiko. KI macht es leichter, eine Zahl zu produzieren, die wie Inkrementalität aussieht, und der härteste Teil der Arbeit ist noch zu entscheiden, wogegen man vergleicht. Teams, die diesen Schritt überspringen und zum Modell springen, enden mit eleganten Schätzungen, die sie nicht verteidigen können, wenn jemand die offensichtliche Frage stellt: verglichen mit was?
Was Inkrementalität wirklich heißt
Inkrementalität beantwortet eine kontrafaktische Frage: Wie viele Conversions, Verkäufe oder Markenergebnisse traten wegen des Marketings ein, statt ohnehin zu passieren. Die Leute, die ohne die Anzeige gekauft hätten, sind nicht inkremental, so sehr die Anzeige sie auch berührte. Attribution zählt Kredit; Inkrementalität misst Kausalität, und das sind verschiedene Fragen, die sich oft widersprechen.
Deshalb können Attributionsdaten allein keine Inkrementalität belegen. Ein Last-Click-Bericht gibt der Anzeige Kredit, auf die jemand klickte, aber er kann dir nicht sagen, ob sie ohnehin konvertiert hätten. Um das zu wissen, brauchst du eine Gruppe, die das Marketing nicht bekam, und eine Möglichkeit zu vergleichen. Diese Gruppe ist das Kontrafaktum, und keine Modell-Sophistication ersetzt es.
Warum Attribution nicht Inkrementalität ist
Attribution und Inkrementalität beantworten verschiedene Fragen, und sie zu verwechseln produziert selbstsichere, falsche Budgetentscheidungen. Attribution verteilt Kredit über Touchpoints für Conversions, die passierten; Inkrementalität schätzt, wie viele dieser Conversions vom Marketing abhingen. Ein Kanal kann in der Attribution stark aussehen und fast null inkremental sein, oder schwach aussehen und die Kampagne tragen.
Die praktische Implikation ist, dass Inkrementalität für Budgetentscheidungen mehr Gewicht haben sollte als Attribution, und Attribution ist vor allem für die Optimierung im Flug nützlich. Wenn die beiden sich widersprechen, vertrau dem Experiment. Das ist die Disziplin aus dem weiteren Messrahmen in wie du die Wirkung von KI-Marketing misst, und sie ist noch wichtiger, wenn KI die Analyse generiert.
Die drei Jobs der KI in der Inkrementalität
KI hilft an drei Punkten, und es lohnt, jeden präzise zu benennen, weil Wert und Risiko bei jedem anders sind. Design: Teststrukturen, Power-Berechnungen und Kandidaten-Holdout-Designs schneller als ein Mensch generieren, dann die Wahl einer Person überlassen. Schätzung: Modelle anpassen, die Signal aus großen oder dünnen Daten ziehen, wo einfache Vergleiche scheitern. Und Segmentierung: finden, wo der Effekt sich konzentriert, damit ein gemischter Durchschnitt keinen Kanal verbirgt, der nur für eine Audience funktioniert.
In jedem Fall ist das Modell ein Werkzeug innerhalb eines kausalen Designs, kein Ersatz dafür. Besonders das Design ist, wo das Urteil noch dominiert, weil ein schlecht designtes Experiment dem Modell nichts zu schätzen gibt. KI kann Designs vorschlagen; ein Mensch, der das Geschäft versteht, muss eines wählen, das wirklich laufen kann.
Die wichtigsten Methoden und wo KI hilft
Verschiedene Inkrementalitätsmethoden passen zu verschiedenen Situationen, und die Rolle der KI variiert nach Methode. Die Tabelle unten kartiert die üblichen Ansätze.
| Methode | Wann sie passt | Rolle der KI |
|---|---|---|
| Geo-Holdout | Niveau Kanal, regionsteilbar | Design, Effektschätzung, Heterogenität |
| Switchback | Zeitbasiert, auktionsgetrieben | Design, sequenzielle Analyse |
| Ghost Bids / PSA | Search- und Auktionskanäle | Schätzung, Ausgaben-Reaktions-Kurven |
| Gematchter Kontrollarm | Wenn ein Holdout unmöglich ist | Matching, Bias-Checks |
| MMM | Portfolio-Niveau, immer aktiv | Schnelleres Anpassen, Szenariotests |
Je mehr eine Methode von einem designten Kontrafaktum abhängt, desto weniger sollte man KI vertrauen, das Design allein zu erfinden. Je mehr sie von Schätzung aus Daten abhängt, desto mehr fügt KI hinzu. Nutze die Tabelle, um die Methode für die Situation zu wählen, statt auf die zu verfallen, die das Modell am leichtesten handhabt.
Die Gefahr selbstsicherer Kausalität
Der Fehlermodus ist ein Modell, das eine Beziehung in Beobachtungsdaten findet und sie als inkremental präsentiert. Moderne Methoden können autoritativ klingen, während sie auf Annahmen ruhen, die nicht halten — parallele Trends, die nicht parallel sind, kontaminierte Kontrollen, Ausgaben, die auf Nachfrage reagieren statt sie zu verursachen. Die Ausgabe sieht wie eine kausale Schätzung aus und ist wirklich eine sophistische Korrelation.
Die Verteidigung ist, das Kontrafaktum explizit zu halten und die Annahmen zu testen. Wenn das Design sagt, zwei Gruppen seien vergleichbar, prüf es. Wenn ein Holdout sauber sein soll, verifiziere, dass keine andere Änderung eine Seite traf. Und sei bereit zu berichten, dass die Daten die Frage nicht beantworten können, was eine nützlichere Antwort ist als eine Zahl, die du nicht verteidigen kannst.
Experiment und Modell kombinieren
Die stärksten Messsysteme paaren ein designtes Experiment mit einem Modell, das seinen Befund erweitert. Ein Geo-Holdout gibt dir eine saubere, glaubwürdige Schätzung für einen Kanal in einem definierten Fenster; ein Modell nutzt diese Schätzung, um eine breitere Sicht über Kanäle und Perioden zu kalibrieren. Das Experiment verankert die Kausalität, und das Modell liefert Abdeckung, wo du keinen Test fahren kannst.
Diese Paarung ist auch, wie du die Kanäle handhabst, wo ein Holdout unpraktisch ist. Du vertraust dem Modell mehr, wo es gegen echte Experimente kalibriert wurde, und weniger, wo nicht. Mit der Zeit wird eine Bibliothek vergangener Experimente die Evidenzbasis, die das immer aktive Modell ehrlich hält, und sie verzinst sich so wie eine Kunden-Gedächtnisschicht.
Ein praktischer Startpunkt
Beginne damit, die kontrafaktische Frage für jeden großen Kanal zu fixieren: Wogegen würdest du vergleichen, und kannst du diesen Vergleich wirklich fahren? Wo du kannst, fahre einen Holdout und behandle ihn als den Anker. Wo du nicht kannst, nutze einen gematchten Kontrollarm oder ein Modell und etikettiere die Schätzung als schwächer. Dann nutze KI für Design, Schätzung und Segmentierung in diesem Rahmen und berichte jede Schätzung mit ihrer Methode und ihrer Konfidenz.
Dann baue die Gewohnheit, die Inkremente des Modells mit dem nächsten Experiment zu vergleichen. Wenn sie divergieren, gewinnt das Experiment und das Modell wird neu kalibriert. Diese Schleife ist, was einen Haufen Schätzungen in ein vertrauenswürdiges Messsystem verwandelt, und es ist dieselbe Disziplin, ob KI beteiligt ist oder nicht.
Attribution-Decay und warum es zählt
Die Lücke zwischen einem Bericht und einer Entscheidung ist nicht neu; ich schrieb vor Jahren darüber in verschwende keine Zeit mit Reporting, und KI macht die Zahl leichter zu produzieren, ohne sie kausaler zu machen. Attributionsdaten zerfallen aus Gründen, die nichts mit der Kampagne zu tun haben: Datenschutzänderungen, Verlust von Identifikatoren, Messlücken und plattformseitige Modellierung, die die Löcher mit Schätzungen füllt. Wenn der Decay zunimmt, driftet Attribution weiter von der Wahrheit weg, und genau dann lehnen sich Teams mehr an sie, weil die saubereren Signale weg sind. Inkrementalität wird wertvoller, wenn Attribution schwächer wird, nicht weniger.
Das ist der praktische Grund, jetzt in Tests zu investieren. Das Kontrafaktum ist die eine Messung, die nicht davon abhängt, eine Person durchs Internet zu verfolgen; sie hängt vom Vergleich von Gruppen ab. In einer Welt zerfallender Attribution ist die testbasierte Schätzung die dauerhafte, und die Rolle des Modells ist, sie weiter in den Plan zu erstrecken, als ein einzelnes Experiment allein reichen könnte. Das Korollar ist, deine Schätzungen zu datieren. Eine Inkrementalitätszahl von vor zwei Jahren ist kein Fakt über heute; die Auktion, die Audience und das Kreativ haben sich alle geändert. Teste rollierend erneut und behandle alte Schätzungen als Priors statt als Wahrheiten. Ein Messsystem, das nie abläuft, ist ein Messsystem, das leise veraltet ist.
FAQ
Kann KI uns die Inkrementalität ohne Test sagen?
Nein. Sie kann aus Beobachtungsdaten schätzen, und die Schätzung ruht auf Annahmen, die ein Test verifizieren würde. Ohne Kontrafaktum liest du eine Korrelation und nennst sie Kausalität, so sophistisch die Methode auch ist. Nutze KI, um einen designten Test zu unterstützen, nicht um einen zu ersetzen.
Sollten wir aufhören, Attribution zu nutzen?
Nein, aber degradiere sie. Attribution ist nützlich für die Optimierung im Flug und zum Verständnis des Pfades zur Conversion. Für Budgetentscheidungen sollte Inkrementalität mehr Gewicht haben, und wenn die beiden sich widersprechen, ist das Experiment das, dem zu vertrauen ist.
Wie oft sollten wir Inkrementalitätstests fahren?
Genug, um das Modell zu verankern, typischerweise pro großem Kanal rollierend statt alles auf einmal. Jedes saubere Experiment kalibriert die immer aktive Sicht neu und hebt die Konfidenz überall. Ein paar gute Tests im Jahr, gut designt, schlagen einen ständigen Strom schwacher.
Was, wenn wir keinen Holdout fahren können?
Nutze einen gematchten Kontrollarm, einen Switchback oder ein Modell und berichte die Schätzung als schwächer. Etikettiere Methode und Konfidenz klar und behandle jede Entscheidung, die von einer schwachen Schätzung abhängt, als provisorisch. Explizit über die Grenze zu sein ist glaubwürdiger, als jede Schätzung als gleich zu präsentieren.
Die Kurzfassung
Inkrementalität misst, was ohne das Marketing nicht passiert wäre, und KI hilft, Tests zu entwerfen, Effekte zu schätzen und zu finden, wo sie sich konzentrieren. Sie liefert nie das Kontrafaktum, also halte einen Kontrollarm und etikettiere jede Schätzung mit ihrer Methode. Wie du die Wirkung von KI-Marketing misst deckt die operativen Metriken ab, und der Umsetzungs-Guide platziert Messung im weiteren Workflow. Die Spur für Teamleiter arbeitet sie durch das Operating Model.
Wenn du Inkrementalität fährst, möchte ich hören, welcher Methode du am wenigsten traust — das ist meist die ehrliche Antwort.
Viele Grüße, Chandler
Dieser Artikel ist auf Deutsch verfügbar, aber die Kursmaterialien (Videos, Templates und Begleitguides) sind auf Englisch und Japanisch; diese Website gibt es in 13 Sprachen.