Meridian in Analytics 360 und GeoX: Mix-Modelling mit Intervallen und Geo-Experimente

Meridian und GeoX helfen bei einer wichtigen Messfrage: Wie verändert Werbung den Geschäftserfolg gegenüber einem Vergleichsszenario? Meridian schätzt Kanalwirkungen aus aggregierten Daten. GeoX unterstützt geplante Eingriffe in einzelnen Regionen und deren Auswertung. Beide Verfahren liefern Schätzungen samt Unsicherheit; belastbare Ursacheninterpretationen benötigen jeweils passende Voraussetzungen.

Google kündigte die Einbindung von Meridian in Analytics 360 am 20. Mai 2026 an. Die aktuelle Analytics-Hilfe beschreibt Meridian-basiertes Budgeting als begrenzte Alpha für ausgewählte Analytics-360-Kunden. Eine allgemeine Verfügbarkeit für sämtliche zahlenden Konten lässt sich daraus nicht ableiten. Das quelloffene Meridian-Framework und die GeoX-Bibliothek lassen sich unabhängig von dieser Oberfläche einsetzen.

Was die Analytics-360-Einbindung leistet

Die integrierte Budgetplanung verbindet historische Gesamt-Conversions und Kosten über Werbekanäle. Laut Google fließen dabei keine Attributionsergebnisse als Eingabe ein. Berücksichtigt werden verknüpfte Produkte und importierte Kampagnendaten; die Budgetergebnisse enthalten bezahlte Kanäle. Prognosen und Szenarien zeigen mögliche Auswirkungen einer anderen Budgetverteilung. Die Planungswerkzeuge ändern die Budgets in verbundenen Werbekonten nicht automatisch.

Die Alpha setzt unter anderem eine Google-Ads-Verknüpfung, eingerichtete Conversions sowie mindestens zwei Jahre Kosten-, Conversion- und Umsatzhistorie voraus. Die aktuelle Anleitung nennt außerdem Schätzungen aus Conversion-Lift-Studien und Branchenbenchmarks als Modellgrundlage. Eigenes Meridian-Modell, integrierte Alpha und die separate DDA-basierte Budgetplanung sind deshalb unterschiedliche Angebote. Nicht jede Funktion des offenen Frameworks muss in der Oberfläche verfügbar sein.

Was ein Intervall aussagt

Ein Punktschätzer fasst das Ergebnis in einer Zahl zusammen. Ein Intervall ergänzt, wie unsicher diese Schätzung unter den gewählten Voraussetzungen ist. Die Vorverteilung, auch Prior, beschreibt Annahmen vor Einbezug der beobachteten Daten. Die Posteriorverteilung ist die nach Einbezug dieser Daten aktualisierte Verteilung. Meridian verwendet bayessche Glaubwürdigkeitsintervalle: Ein 90-Prozent-Intervall enthält 90 Prozent der entsprechenden Posteriorverteilung, bedingt auf Daten, Modell und Vorannahmen. Das ist keine Garantie gegen fehlende Einflussfaktoren oder ein ungeeignetes Modell.

Breite Intervalle können eine belastbare Budgetentscheidung erschweren. Enge Intervalle belegen umgekehrt nicht automatisch hohe Richtigkeit. Eine starke Vorannahme kann das Ergebnis eng halten, obwohl die Daten wenig zusätzliche Information liefern. Deshalb gehören Konvergenz, Modellpassung, plausible Grundlast und der Vergleich zwischen Vorannahme und Ergebnis zur Prüfung.

Wenig unabhängige Variation erschwert die Trennung von Kanalwirkungen. Konstante Gesamtausgaben bedeuten aber nicht zwingend konstante Ausspielung: Unterschiede zwischen Regionen, Reichweite, Kontaktfrequenz und Anzeigenpreisen können relevant sein. Umgekehrt hilft mehr Historie wenig, wenn mehrere Kanäle immer gemeinsam steigen und fallen. Eine pauschale Regel „gleiches Budget ergibt immer ein breites Intervall“ wäre falsch.

Attribution und Grundlast beantworten andere Fragen

Attribution verteilt Anteile erfasster Conversions auf zulässige Kontakte nach einem Modell und einem Zeitfenster. Ein Marketing-Mix-Modell schätzt dagegen die Veränderung eines Ergebnisses gegenüber festgelegten Gegenbedingungen. Diese Zielgrößen sind nicht allein durch eine gemeinsame Prozentachse vergleichbar. Auch ein Attributionsbericht kann modellierte Werte enthalten; eine sichtbare Einzelzahl ist kein Beweis einer exakten oder kausalen Messung.

Die Grundlast, auch Baseline, ist im Mix-Modell ein geschätztes Ergebnis unter den gewählten Basiswerten der untersuchten Maßnahmen. Für bezahlte und organische Medien sind diese Basiswerte in Meridian null; für andere Maßnahmen gelten konfigurierte Werte. Die Grundlast ist weder eine Liste von Käufen ohne Werbekontakt noch gleichbedeutend mit Direct- oder Organic-Traffic. Auch ein durch Werbung erreichter Kauf kann im Gegenmodell ohnehin stattfinden. Ob die Grundlast den größten Anteil ausmacht, hängt vom Geschäft und vom Modell ab.

Was GeoX tatsächlich vergleicht

GeoX unterstützt die Auswahl von Test- und Kontrollregionen, die Versuchsplanung und die Auswertung. Bei der dokumentierten zeitbasierten Regression wird zunächst aus der Vorperiode die Beziehung zwischen beiden Gruppen gelernt. Während des Tests dient die Kontrollgruppe zur Vorhersage des Ergebnisses, das für die Testregionen ohne Eingriff zu erwarten wäre. Der geschätzte Effekt ist die Abweichung vom vorhergesagten Gegenmodell, nicht einfach der rohe Unterschied zweier unterschiedlich großer Regionen.

Der Heavy-up-Effekt bezieht sich auf Mehrbudget gegenüber bisherigem Budget. Das ist eine andere Frage als die Wirkung des gesamten Kanals gegenüber null Ausgaben. Geplante Eingriffe stärken die Ursacheninterpretation, beseitigen aber keine Probleme durch unpassende Kontrollregionen, gleichzeitige Änderungen, Messfehler oder Ausstrahlung in andere Regionen. Auch GeoX verwendet ein statistisches Modell und berichtet Schätzung und Konfidenzintervall.

Mehrere Testgruppen können eine Kontrollgruppe teilen. Das kann organisatorisch effizient sein, verlangt für ausreichende Teststärke jedoch mehr Regionen und Budget. Die aktuelle GeoX-Dokumentation empfiehlt für eine einzelne Fragestellung ein einfaches Ein-Zellen-Design. Ergebnisse mehrerer aktiver Testgruppen werden jeweils gegen die gemeinsame Kontrolle ausgewertet; ein direkter Signifikanztest zwischen diesen Gruppen entsteht dadurch nicht automatisch.

Wie ein Experiment die Vorannahmen verbessert

Ein Experiment kann zusätzliche Informationen für die Vorannahmen zur Wirkung eines einzelnen Kanals liefern. Dazu müssen Kennzahl, Kampagnenumfang, Regionen, Zeitraum und Ausgaben zum Mix-Modell passen. Ältere oder kurze Experimente bringen zusätzliche Übertragungsunsicherheit mit. Meridians CalibrationBuilder berücksichtigt unter anderem Unterschiede in Ausgaben, Aktualität und Dauer; die fachliche Prüfung ersetzt diese Automatisierung nicht.

Die aktuelle Anleitung empfiehlt den Builder für Experimente mit einem Null-Ausgaben-Gegenszenario. Ein Heavy-up-Ergebnis misst dagegen den Zuwachs gegenüber bestehenden Ausgaben und sollte nicht ungeprüft als gleicher ROI-Prior eingegeben werden. Ein passendes Experiment kann Intervalle verengen oder Schätzungen verschieben. Eine Verengung genau eines Kanals ist weder garantiert noch das alleinige Qualitätsziel.

Weitere Messgrößen aus den Google-Ankündigungen

Qualified Future Conversions sind prognostische Signale: Google beschreibt eine KI-gestützte Verbindung früher Handlungen, etwa Markensuchen, mit erwarteten späteren Conversions. Prognostizierte Verkäufe sind keine bereits beobachteten Käufe. Die Interpretation hängt von der Definition der Kennzahl, dem Prognosehorizont und der Verfügbarkeit im jeweiligen Konto ab.

Campaign Type Attribution verteilt Conversion-Anteile innerhalb einer Kampagnenart; die aktuelle Google-Hilfe nennt Demand Gen. Ein stärkerer ausgewiesener Anteil ist damit kein experimentell nachgewiesener zusätzlicher Verkauf. Attributed Branded Searches beziehungsweise Branded Searches ordnet Markensuchen vorherigen zulässigen Anzeigenkontakten zu. Das ist eine laufende Zuordnungskennzahl und kein Search-Lift-Experiment. Definition, Zeitfenster und Berichtsumfang müssen bei Vergleichen übereinstimmen.

Wann Aufwand und Datenbasis zusammenpassen

Für ein eigenes Meridian-Modell empfiehlt Google als grobe Orientierung mindestens zwei Jahre wöchentliche Geodaten oder drei Jahre nationale Daten. Der tatsächliche Bedarf hängt von Kanalzahl, Variation, Einflussfaktoren und Modellkomplexität ab. Die konkreten Voraussetzungen der integrierten Alpha sind davon getrennt zu prüfen.

Auch ein Geo-Experiment ist bei kleinem Budget nicht automatisch aussagekräftig. Die Planung muss zeigen, ob genügend vergleichbare Regionen und genügend Signal für einen wirtschaftlich relevanten Effekt vorhanden sind. Die kleinste zuverlässig erkennbare Wirkung, kurz MDE, und die gewünschte Teststärke gehören vor Beginn festgelegt. Ein Versuch könnte beispielsweise so geplant sein, dass ein tatsächlich vorhandener Anstieg von fünf Prozent unter den Planungsannahmen mit 80 Prozent Wahrscheinlichkeit erkannt wird. Ein unentschiedenes Ergebnis ist kein Nachweis wirkungsloser Werbung.