Im Post-Cookie-Zeitalter ist Last-Click Attribution wie ein Phantom verschwunden. 2026 stellen sich Marketing-Teams nicht mehr die Frage "welcher Kanal hat die Conversion gebracht", sondern "ohne welchen Kanal hätte die Conversion nicht stattgefunden". Diese Paradigmaverlagerung heißt: Incrementality. Aber Incrementality allein zu messen reicht nicht — man sieht die langfristigen Markeneffekte nicht. Hier kommt Marketing Mix Modeling (MMM) ins Spiel. Das gesunde Attribution-Stack 2026 besteht aus zwei Schichten: MMM und Incrementality-Tests. Robyns Open-Source-Framework von Meta, Meta Lift, Googles Geo-Experimente-Infrastruktur — alle drei beantworten unterschiedliche Fragen. In diesem Artikel zeigen wir, wann welches Tool zum Einsatz kommt, wie sie zusammenwirken und welche Fallstricke beim Setup lauern.

MMM: Die Langzeit-Effekt-Karte

Marketing Mix Modeling ist eine regressionsbasierte Methode — sie kombiniert historische Ausgabedaten, Media Exposure und Verkaufsdaten, um den Beitrag jedes Kanals zum Umsatz zu berechnen. Metas Open-Source-Framework Robyn wurde 2022 veröffentlicht, erreichte aber erst 2025–2026 Production-Ready-Status. Robyn modelliert Adstock (die zeitliche Abnahme von Werbeeffekten) und Saturation Curves (der sinkende Return auf steigende Ausgaben) und optimiert so die Budgetverteilung über Kanäle hinweg.

Die Stärke von MMM: Es erfasst Markeneffekte. Eine Podcast-Sponsorship bringt diese Woche keine Conversions, könnte aber organische Suches über 6 Wochen um 18 % steigern. Last-Click sieht das nicht, MMM schon. Die Schwäche: keine Granularität. MMM sagt "geben Sie Meta monatlich 50.000 EUR mehr aus", nicht "in welche Kampagne oder welches Creative". Außerdem blickt MMM zurück — keine Echtzeit-Optimierung.

Um Robyn richtig zu kalibrieren, braucht man minimum 2 Jahre wöchentliche Daten (104 Zeilen). Der Datensatz sollte enthalten: Ausgaben pro Kanal (Google Ads, Meta, TikTok, Podcast, TV separat), Gesamtumsatz (Revenue oder Units), Preisänderungen, Feiertagseffekte und Saisonalität. Robyn nutzt Nevergrad für Hyperparameter-Tuning — es führt 100.000+ Modelle aus und findet den besten Fit. Das Ergebnis: mROAS (marginale ROAS) und Saturation-Punkt pro Kanal. Beispiel: Meta hat mROAS 3,2, aber über 100.000 EUR Spend sinkt es auf 1,8. Dieses Trade-off steuert die Performance-Marketing-Budgetverteilung in der Produktion.

Incrementality Testing: Kurzzeit-Kausalität

MMM zeigt Korrelation, Incrementality beweist Kausalität. Ein Incrementality-Test stellt eine simple Frage: Was verliere ich, wenn ich diese Kampagne ausschalte? Die häufigste Methode: Geo-basierte Holdouts. Sie teilen 50 US-Bundesstaaten in 25 Treatment (Kampagne läuft) und 25 Control (Kampagne aus) auf, messen die Verkaufsdifferenz. Googles GeoX-Infrastruktur automatisiert das — Kampagne wählen, Geo-Split durchführen, nach 2–4 Wochen ist der Lift-Report da.

Metas Conversion Lift Test macht User-Level-Holdouts. Sie öffnen in Meta Ads Manager einen Kampagne und starten eine "Lift Study" — Meta reserviert 10 % des Traffics für die Control-Gruppe (sehen keine Anzeigen), 90 % sind Treatment. Nach dem Test sagt Meta: Treatment-Conversion 2,3 %, Control 1,9 % — Lift 21 %. Das bedeutet: Der echte inkrementale Beitrag ist 21 %, die restlichen 79 % wären ohnehin Conversions geworden (organisch, Retargeting, Search).

Die Schwäche des Incrementality-Tests: teuer und langsam. Geo-Tests dauern minimum 2 Wochen, User-Level 4–6 Wochen. Während des Tests geben Sie Geld für die Control-Gruppe aus — potenzieller Verlust. Sie können nicht jede Kampagne testen, nur strategische Kanäle (neues Creative-Format, neue Plattform, Upper-Funnel-Kampagne). Aber ohne Incrementality können Sie MMM nicht validieren — MMM sagt "Metas ROAS ist 4,2", der Lift-Test sagt "nein, echter Lift 18 %, ROAS 1,6". Beide zusammen geben die Wahrheit.

Holdout-Strategie und Sample Size

Der Erfolg eines Geo-Tests beginnt bei der Sample-Size-Berechnung. Google GeoX empfiehlt minimum 40 Geos (Städte/Bundesstaaten) — 20 Treatment, 20 Control. Mit weniger Geos (z.B. nur Istanbul, Ankara, Izmir) ist die statistische Power unzureichend, Signifikanz kommt nicht. Für Meta Lift: minimum 50 Conversions pro Tag. Mit weniger ist das Konfidenzintervall zu breit — der Lift könnte zwischen 10 % und 40 % liegen, Sie können keine Entscheidung treffen.

Bei der Testdauer: Saisonalität berücksichtigen. Wenn Freitag–Sonntag 30 % mehr Traffic als Montag–Donnerstag bringt, kalkulieren Sie volle Wochen (2 oder 4 Wochen). Es gibt auch Spillover-Effekte: Ein User in einer Treatment-Geo reist in eine andere Stadt und konvertiert dort. Das erzeugt Noise in der Control-Gruppe, der Lift wirkt niedriger als real. Zur Kompensation: Geo-Grenzen eng halten (Metro-Area statt Bundesland) oder in Kategorien testen, wo Geo-Mobilität niedrig ist (lokale Services, Quick Service Restaurant).

MMM + Incrementality: Wie sie zusammenwirken

Denken Sie an sie als sich gegenseitig validierende Schichten. MMM gibt die Langzeit-Budgetverteilung vor, Incrementality-Tests validieren diese Allocation. Der Ablauf:

  1. MMM ausführen — Robyn-Modell mit 2 Jahren Daten aufbauen, mROAS pro Kanal berechnen.
  2. Budgets nach MMM anpassen — beispielsweise "Podcast-Spend verdoppeln".
  3. Kritischen Kanal in Incrementality-Test nehmen — Podcast 4 Wochen mit Geo-Split testen.
  4. Lift-Ergebnis gegen MMM abgleichen — MMM sagte "Podcast-ROAS 5,2", Lift-Test sagt "echter Lift 25 %, ROAS 3,1" → MMM kalibrieren.
  5. Loop schließen — neue Lift-Daten als Prior in Robyn einfügen, Modell verfeinern.

Dieser Zyklus läuft vierteljährlich. MMM wird alle 3 Monate neu ausgeführt (13 neue Wochen Daten), Incrementality-Tests rotieren monatlich über 1–2 Kanäle. Ergebnis: sowohl Macro-Level-Budget-Mix korrekt, als auch Micro-Level-kausale Evidenz.

Ein Beispiel: E-Commerce-Brand, MMM zeigt Google Search ROAS 8,2 — profitabelster Kanal. Aber Meta Lift-Test zeigt: 60 % des Search-Traffics besteht aus Brand-Suchanfragen — diese User kämen auch ohne Anzeige. Echter inkrementaler Lift 15 %, ROAS 2,4. Mit diesem Wissen verschieben sie Budget weg von Search hin zu Upper-Funnel (YouTube, Podcast). 2 Quartale später, nach MMM-Rerun: organischer Brand-Search ist um 18 % gewachsen — Podcasts verzögerter Effekt wird im Modell sichtbar.

Welches Tool wann nutzen?

Robyn (MMM) nutzen:

  • Sie betreten einen neuen Markt, wissen nicht in welche Kanäle investieren.
  • Sie geben über 5+ Kanäle aus und wollen Budget neu verteilen.
  • Sie wollen Langzeit-Effekt von Brand-Kampagnen messen (TV, Podcast, Influencer).
  • Sie haben minimum 2 Jahre wöchentliche Sales + Spend-Daten.

Meta Lift nutzen:

  • Sie testen ein neues Creative-Format auf Meta (Reels, Advantage+ Catalog).
  • Sie haben Upper-Funnel-Kampagne gelauncht, wollen Conversion-Beitrag beweisen.
  • Sie haben 50+ Conversions/Tag, können 4–6 Wochen Testdauer akzeptieren.
  • Sie tolerieren, dass Control-Gruppe kein Budget bekommt (Kostenseite).

Google GeoX (Geo Experiment) nutzen:

  • Sie testen Brand vs. Non-Brand Split in Google Ads.
  • Sie geben über mehrere Plattformen (Google + Meta + TikTok) aus, wollen Cross-Channel-Incrementality sehen.
  • In der Türkei haben Sie Traffics-Volumen für City-Level-Splits (Istanbul, Ankara, Izmir, Bursa, Antalya separat testbar).

Budget-Constraint und nur ein Tool wählbar: Starten Sie mit Incrementality-Test (Meta Lift oder GeoX). Incrementality liefert sofort handlungsfähige Insights — "diese Kampagne ausschalten, 30 % Kostenersparnis". MMM ist strategischer, braucht aber extra Interpretation. Ideal: beides parallel, gegenseitig füttern.

Setup-Fallstricke und Kalibrierung

MMM-Fallstricke:

  • Unzureichende Daten: Robyn unter 52 Wochen laufen lassen — Modell overfittet.
  • Fehlende Variablen: Preisförderung, Competitor-Ausgaben nicht im Modell — Kanal-Effekt wird aufgebläht.
  • Adstock falsch: Gleicher Adstock Decay für alle Kanäle nutzen — TV sollte 8 Wochen, Meta 2 Wochen sein. Geben Sie Robyn das als Prior.
  • Saturation ignorieren: Robyn nutzt default logarithmische Saturation, aber Brand-Search kann linear sein. Fit-Qualität prüfen, Curve anpassen.

Incrementality-Fallstricke:

  • Kurze Testdauer: 1-Wochen-Lift-Test hat keine statistische Power. Minimum 2 Wochen (Geo), 4 Wochen (User-Level).
  • Kontamination: Treatment und Control in gleicher Lokation (z.B. zwei Istanbul-Bezirke) — Spillover. Geo-Grenzen müssen clear sein.
  • Saisonalität-Rauschen: Test in Black-Friday-Woche = Lift könnte 2x höher ausfallen. Normal-Wochen wählen.
  • Attribution Window falsch: Meta Lift nutzt default 7-day Click, 1-day View. Lange Sales Cycle (B2B, High Ticket)? 28-day Window öffnen.

Kalibrierung: Vergleichen Sie MMM-Kanal-ROAS mit Lift-Test-realem ROAS. Differenz über 20 %? MMM-Prior (Adstock, Saturation) neu justieren. In Robyn können Sie hyperparameter_bounds für Adstock Decay von 0,3, 0,8 auf 0,4, 0,6 setzen, Suchraum enger machen. Diese Iteration dauert 2–3 Quartale, dann sind MMM und Incrementality aligned.

Wohin 2026 und darüber hinaus?

Mitte 2026 switchen 40 % der Incrementality-Tests zu Bayesian-Methoden. Klassische Frequentist A/B-Tests warten auf "p < 0,05", Bayesian erlaubt Early Stopping — nach 10 Tagen, wenn Posterior Probability 95 % überschreitet, testen stoppen. Meta hat Bayesian Conversion Lift in Beta gestartet. Google GeoX nicht, aber 2027 erwartet.

Robyn-Seite: Causal Inference-Integration (Pearl Notation, DAG-Modelle) kommt. Aktuell ist Robyn korrelativ — zwei Kanäle steigen gleichzeitig (beide Black Friday vorbereitung), Robyn trennt Effekte schlecht. Causal MMM (Econometric + Causal Impact Hybrid) löst das. 2027 Production-Ready erwartet.

Ein letzter Punkt: Das Incrementality + MMM-Stack gilt nicht nur Paid Media, sondern auch Retention und Lifecycle Marketing. Inkrementale E-Mail-Effekte mit Braze + GeoX wird getestet. Push-Notification-Lift User-Level-Holdout. Attribution ist nicht mehr nur Acquisition, sondern Full Customer Journey. 2026: Teams ohne diesen Stack geben blind aus — Teams mit haben engineering-gesteuerte Optimierung pro Euro.