> ## Documentation Index
> Fetch the complete documentation index at: https://docs.topsort.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Inkrementalitätsmessung

> Methoden zur Messung der echten inkrementellen Wirkung von Werbekampagnen

export const LastUpdatedDe = ({date}) => {
  const label = "Zuletzt aktualisiert:";
  return <>
      <style>{`
        .last-updated-component {
          display: inline-flex;
          align-items: center;
          gap: 8px;
          padding: 10px 16px;
          border-radius: 8px;
          margin-top: 12px;
          margin-bottom: 16px;
          font-size: 14px;
          background-color: rgba(0, 0, 0, 0.05);
          border: 1px solid rgba(0, 0, 0, 0.12);
          color: rgba(0, 0, 0, 0.75);
          line-height: 1;
        }

        .last-updated-component svg {
          flex-shrink: 0;
          vertical-align: middle;
        }

        .last-updated-component span {
          display: inline-flex !important;
          align-items: center !important;
          line-height: 1 !important;
        }

        [data-theme="dark"] .last-updated-component {
          background-color: #3a3a3a;
          border: 2px solid #888888;
          color: #ffffff;
        }

        [data-theme="dark"] .last-updated-component svg {
          stroke: #ffffff;
        }
      `}</style>
      <div className="last-updated-component">
        <svg width="16" height="16" viewBox="0 0 24 24" fill="none" stroke="currentColor" strokeWidth="2" strokeLinecap="round" strokeLinejoin="round">
          <circle cx="12" cy="12" r="10" />
          <polyline points="12 6 12 12 16 14" />
        </svg>
        <span>
          <strong style={{
    fontWeight: 600
  }}>{label}</strong> 
          <time dateTime={date}>{date}</time>
        </span>
      </div>
    </>;
};

## Überblick

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Inkrementalitätsmessung bestimmt die tatsächliche kausale Wirkung von Werbung, indem
  Conversions isoliert werden, die ohne Werbeexposition nicht stattgefunden hätten. Gemäß
  den IAB/MRC Retail Media Measurement Guidelines bieten Inkrementalitätstests
  die genaueste Messung der Werbeeffektivität.
</div>

## Was ist Inkrementalität?

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  **Inkrementeller Lift** repräsentiert Verkäufe oder Conversions, die direkt durch
  Werbung verursacht wurden, unter Ausschluss derjenigen, die organisch stattgefunden hätten. Dies
  unterscheidet sich von Attribution, die Conversions Kredit zuschreibt, aber
  Kausalität nicht beweist.
</div>

<Tip>
  **Beispiel**: Wenn 100 Personen, die eine Anzeige gesehen haben, Käufe getätigt haben, Tests aber zeigen, dass 70
  sowieso gekauft hätten, beträgt die inkrementelle Wirkung 30 Conversions (30%
  Lift).
</Tip>

## Testmethoden

### 1. Randomisierte kontrollierte Studien (RCT)

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Der Goldstandard für Inkrementalitätsmessung:
</div>

<Steps>
  <Step title="Zufällige Zuweisung: Benutzer werden zufällig in Test- (sehen Anzeigen) und Kontrollgruppen (keine Anzeigen) aufgeteilt" />

  <Step title="Kampagnendurchführung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Die Testgruppe wird Werbung ausgesetzt, während die Kontrollgruppe ausgeschlossen wird
    </div>
  </Step>

  <Step title="Messung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Conversion-Raten zwischen Gruppen vergleichen
    </div>
  </Step>

  <Step title="Berechnung">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Inkrementeller Lift = (Test-Conversions - Kontroll-Conversions) / Kontroll-Conversions
    </div>
  </Step>
</Steps>

**Vorteile:**

* Genaueste kausale Messung
* Eliminiert Selektionsverzerrung
* Klare statistische Signifikanz

**Einschränkungen:**

* Erfordert Kontrollgruppe (verpasste Gelegenheit)
* Mindeststichprobengröße erforderlich
* Spiegelt möglicherweise nicht reale Bedingungen wider

### 2. Synthetische Kontrollmethoden

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Erstellt eine künstliche Kontrollgruppe unter Verwendung historischer Daten und maschinellen Lernens:
</div>

<Columns cols={2}>
  <Card title="Datenerfassung">
    Historische Conversion-Muster und Benutzermerkmale sammeln
  </Card>

  <Card title="Modelltraining">
    Prädiktives Modell für erwartete Conversions ohne Werbung erstellen
  </Card>

  <Card title="Vergleich">
    Tatsächliche Ergebnisse mit synthetischen Kontrollvorhersagen vergleichen
  </Card>

  <Card title="Lift-Berechnung">
    Differenz zwischen tatsächlichen und vorhergesagten Ergebnissen messen
  </Card>
</Columns>

**Vorteile:**

* Keine Kontrollgruppe erforderlich
* Kann rückwirkend angewendet werden
* Kontinuierliche Messung möglich

**Einschränkungen:**

* Erfordert robuste historische Daten
* Modellgenauigkeit beeinflusst Ergebnisse
* Annahmen treffen möglicherweise nicht in allen Fällen zu

### 3. Matched-Market-Tests

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Vergleicht ähnliche geografische Märkte mit unterschiedlicher Werbeexposition:
</div>

1. **Marktauswahl**: Vergleichbare Märkte nach Demografie, Verkaufsmustern identifizieren
2. **Testdesign**: Kampagnen in Testmärkten durchführen, Kontrollmärkte ausschließen
3. **Analyse**: Lift zwischen gepaarten Märkten vergleichen
4. **Skalierung**: Ergebnisse auf Gesamtpopulation extrapolieren

**Vorteile:**

* Reale Bedingungen beibehalten
* Gut für regionale Kampagnen
* Kann verschiedene Strategien testen

**Einschränkungen:**

* Wirklich vergleichbare Märkte zu finden ist schwierig
* Externe Faktoren können Ergebnisse beeinflussen
* Mögliche geografische Überschneidung

## Implementierung in Topsort

### Aktivierung von Inkrementalitätstests

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Marketplaces können Inkrementalitätstests konfigurieren über:
</div>

```json theme={null}
{
  "test_configuration": {
    "methodology": "rct",
    "test_split": 0.8,
    "minimum_sample_size": 10000,
    "measurement_period_days": 30,
    "stratification": ["user_segment", "geographic_region"]
  }
}
```

### Test-Setup-Prozess

<Steps>
  <Step title="Ziele definieren">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Definieren Sie Ihren primären KPI (Verkäufe, Neukunden usw.), erwarteten Lift-Bereich und erforderliches Konfidenzniveau.
    </div>
  </Step>

  <Step title="Stichprobengröße berechnen">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Verwenden Sie statistische Power-Rechner, berücksichtigen Sie erwartete Varianz und schließen Sie Puffer für unvollständige Daten ein.
    </div>
  </Step>

  <Step title="Testparameter konfigurieren">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Definieren Sie Test/Kontroll-Split-Verhältnis, Stratifizierungsvariablen und Messfenster.
    </div>
  </Step>

  <Step title="Ausführung überwachen">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Randomisierungsbalance überprüfen, Expositionsraten verfolgen und Datenqualität validieren.
    </div>
  </Step>

  <Step title="Ergebnisse analysieren">
    <div style={{textAlign: 'justify', marginBottom: '1.5rem'}}>
      Inkrementellen Lift berechnen, statistische Signifikanz bestimmen und Konfidenzintervalle generieren.
    </div>
  </Step>
</Steps>

## Inkrementalitäts-Reporting

### Standardmetriken

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Berichte enthalten:
</div>

* **Inkrementelle Conversions**: Zusätzliche Conversions, die durch Werbung verursacht wurden
* **Inkrementeller Umsatz**: Umsatz direkt der Werbeexposition zuzuschreiben
* **iROAS**: Inkrementeller Return on Ad Spend (inkrementeller Umsatz / Werbeausgaben)
* **Lift-Prozentsatz**: Relative Steigerung gegenüber Baseline
* **Konfidenzintervall**: Statistischer Bereich des tatsächlichen Effekts

### Beispiel-Berichtformat

```
INKREMENTALITÄTSTEST-ERGEBNISSE
━━━━━━━━━━━━━━━━━━━━━━━━━━
Testtyp: Randomisierte kontrollierte Studie
Testzeitraum: 1. Okt - 31. Okt 2024
Stichprobengröße: 50.000 Benutzer (40.000 Test / 10.000 Kontrolle)

ERGEBNISSE:
─────────────────────────────
Testgruppen-Conversion-Rate: 4,2%
Kontrollgruppen-Conversion-Rate: 3,1%
Inkrementeller Lift: 35,5% (95% KI: 28,2% - 42,8%)
Statistische Signifikanz: p < 0,001

Inkrementelle Conversions: 440
Inkrementeller Umsatz: 44.000 $
iROAS: 4,4x
```

## Best Practices

### Testdesign

1. **Präregistrierung**

   * Hypothese vor Tests dokumentieren
   * Erfolgsmetriken im Voraus definieren
   * Sich auf Testdauer festlegen

2. **Randomisierungsqualität**

   * Zufällige Zuweisung überprüfen
   * Vortest-Unterschiede prüfen
   * Stratifizierung für Balance verwenden

3. **Stichprobengröße**
   * Erforderliche Größe für gewünschte Power berechnen
   * Attributionsfenster berücksichtigen
   * Puffer für Non-Compliance einschließen

### Häufige Fallstricke vermeiden

<Warning>
  **Vermeiden Sie diese häufigen Fehler:** - Tests vorzeitig basierend auf
  Zwischenergebnissen stoppen - Testparameter während der Durchführung ändern - Überlaufeffekte
  zwischen Gruppen ignorieren - Unterpowerte Tests verwenden - Saisonalität nicht
  berücksichtigen
</Warning>

## Erweiterte Überlegungen

### Multi-Touch-Inkrementalität

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Für Kampagnen mit mehreren Touchpoints:
</div>

1. **Sequenzielle Tests**: Inkrementelle Wirkung jeder zusätzlichen Exposition messen
2. **Interaktionseffekte**: Bewerten, wie verschiedene Anzeigenformate zusammenwirken
3. **Abnehmende Erträge**: Optimale Frequency-Caps identifizieren

### Langzeiteffekte

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Über unmittelbare Conversions hinaus messen:
</div>

* **Customer Lifetime Value**: Inkrementellen CLV im Zeitverlauf verfolgen
* **Markenmetriken**: Umfragebasierte Messung von Awareness/Consideration
* **Halo-Effekte**: Auswirkungen auf nicht beworbene Produkte

### Cross-Channel-Koordination

<div style={{ textAlign: "justify", marginBottom: "1.5rem" }}>
  Bei Durchführung von Omnichannel-Kampagnen:
</div>

* Test-/Kontrollgruppen über Kanäle koordinieren
* Gesamte inkrementelle Wirkung messen
* Cross-Channel-Interaktionseffekte identifizieren

## Integration mit Attribution

### Komplementäre Erkenntnisse

<Columns cols={2}>
  <Card title="Attribution beantwortet">
    "Welche Anzeigen erhalten Kredit für Conversions?"
  </Card>

  <Card title="Inkrementalität beantwortet">
    "Wie viele Conversions wurden durch Anzeigen verursacht?"
  </Card>
</Columns>

### Kombinierte Berichterstattung

Best Practices umfassen beide Metriken:

* Attribution für taktische Optimierung
* Inkrementalität für strategische Entscheidungen
* Unterschiede abstimmen

## API-Zugriff

### Testergebnisse anfordern

```javascript theme={null}
// Inkrementalitätstest-Ergebnisse abrufen
const testResults = await fetch("/api/incrementality/results", {
  method: "POST",
  body: JSON.stringify({
    campaign_id: "camp_123",
    test_id: "test_456",
    include_confidence_intervals: true,
    breakdown_by: ["product_category", "user_segment"],
  }),
});
```

### Antwortformat

```json theme={null}
{
  "test_summary": {
    "methodology": "rct",
    "test_group_size": 40000,
    "control_group_size": 10000,
    "measurement_period": "2024-10-01 to 2024-10-31"
  },
  "results": {
    "incremental_lift": 0.355,
    "confidence_interval": [0.282, 0.428],
    "p_value": 0.0001,
    "incremental_conversions": 440,
    "incremental_revenue": 44000,
    "iroas": 4.4
  },
  "quality_checks": {
    "randomization_balance": "pass",
    "sample_size_adequate": true,
    "statistical_power": 0.95
  }
}
```

## Häufig gestellte Fragen

1. **Wie lange sollten Inkrementalitätstests laufen?**

   * Minimum 2-4 Wochen, um den vollständigen Kaufzyklus zu erfassen, länger für überlegte Käufe.

2. **Welche Mindeststichprobengröße ist erforderlich?**

   * Hängt vom erwarteten Lift und der Baseline-Conversion-Rate ab. Typischerweise 10.000+ Benutzer pro Gruppe.

3. **Kann Inkrementalität ohne Kontrollgruppen gemessen werden?**

   * Ja, unter Verwendung synthetischer Kontrollen oder Matched Markets, obwohl RCTs am genauesten bleiben.

4. **Wie oft sollte Inkrementalität getestet werden?**
   * Vierteljährlich für laufende Kampagnen oder wenn bedeutende Änderungen in Strategie oder Marktbedingungen auftreten.

***

<LastUpdatedDe date="2025-11-18" />