{"id":10583,"date":"2026-09-27T12:30:00","date_gmt":"2026-09-27T10:30:00","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/blog\/?p=10583"},"modified":"2026-10-26T13:40:16","modified_gmt":"2026-10-26T12:40:16","slug":"welche-werbung-wirkt-meridian-und-geox-fur-schatzungen-und-regionale-tests","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/de\/digital-marketing-de\/welche-werbung-wirkt-meridian-und-geox-fur-schatzungen-und-regionale-tests\/","title":{"rendered":"Welche Werbung wirkt? Meridian und GeoX f\u00fcr Sch\u00e4tzungen und regionale Tests"},"content":{"rendered":"

Meridian und GeoX helfen bei einer wichtigen Messfrage: Wie ver\u00e4ndert Werbung den Gesch\u00e4ftserfolg gegen\u00fcber einem Vergleichsszenario? Meridian sch\u00e4tzt Kanalwirkungen aus aggregierten Daten. GeoX unterst\u00fctzt geplante Eingriffe in einzelnen Regionen und deren Auswertung. Beide Verfahren liefern Sch\u00e4tzungen samt Unsicherheit; belastbare Ursacheninterpretationen ben\u00f6tigen jeweils passende Voraussetzungen.<\/p>\n

Google k\u00fcndigte die Einbindung von Meridian in Analytics 360 am 20. Mai 2026 an. Die aktuelle Analytics-Hilfe beschreibt Meridian-basiertes Budgeting als begrenzte Alpha f\u00fcr ausgew\u00e4hlte Analytics-360-Kunden. Eine allgemeine Verf\u00fcgbarkeit f\u00fcr s\u00e4mtliche zahlenden Konten l\u00e4sst sich daraus nicht ableiten. Das quelloffene Meridian-Framework und die GeoX-Bibliothek lassen sich unabh\u00e4ngig von dieser Oberfl\u00e4che einsetzen.<\/p>\n

\"Attribution
Attribution verteilt Anteile; Meridian und GeoX sch\u00e4tzen Wirkungen gegen\u00fcber definierten Gegenbedingungen. Unsicherheit und Voraussetzungen unterscheiden sich. Das Schema zeigt keine gemessenen Kanalanteile.<\/figcaption><\/figure>\n

Was die Analytics-360-Einbindung leistet<\/h2>\n

Die integrierte Budgetplanung verbindet historische Gesamt-Conversions und Kosten \u00fcber Werbekan\u00e4le. Laut Google flie\u00dfen dabei keine Attributionsergebnisse als Eingabe ein. Ber\u00fccksichtigt werden verkn\u00fcpfte Produkte und importierte Kampagnendaten; die Budgetergebnisse enthalten bezahlte Kan\u00e4le. Prognosen und Szenarien zeigen m\u00f6gliche Auswirkungen einer anderen Budgetverteilung. Die Planungswerkzeuge \u00e4ndern die Budgets in verbundenen Werbekonten nicht automatisch.<\/p>\n

Die Alpha setzt unter anderem eine Google-Ads-Verkn\u00fcpfung, eingerichtete Conversions sowie mindestens zwei Jahre Kosten-, Conversion- und Umsatzhistorie voraus. Die aktuelle Anleitung nennt au\u00dferdem Sch\u00e4tzungen 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 Oberfl\u00e4che verf\u00fcgbar sein.<\/p>\n

Was ein Intervall aussagt<\/h2>\n

Ein Punktsch\u00e4tzer fasst das Ergebnis in einer Zahl zusammen. Ein Intervall erg\u00e4nzt, wie unsicher diese Sch\u00e4tzung unter den gew\u00e4hlten 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 Glaubw\u00fcrdigkeitsintervalle: Ein 90-Prozent-Intervall enth\u00e4lt 90 Prozent der entsprechenden Posteriorverteilung, bedingt auf Daten, Modell und Vorannahmen. Das ist keine Garantie gegen fehlende Einflussfaktoren oder ein ungeeignetes Modell.<\/p>\n

Breite Intervalle k\u00f6nnen eine belastbare Budgetentscheidung erschweren. Enge Intervalle belegen umgekehrt nicht automatisch hohe Richtigkeit. Eine starke Vorannahme kann das Ergebnis eng halten, obwohl die Daten wenig zus\u00e4tzliche Information liefern. Deshalb geh\u00f6ren Konvergenz, Modellpassung, plausible Grundlast und der Vergleich zwischen Vorannahme und Ergebnis zur Pr\u00fcfung.<\/p>\n

Wenig unabh\u00e4ngige Variation erschwert die Trennung von Kanalwirkungen. Konstante Gesamtausgaben bedeuten aber nicht zwingend konstante Ausspielung: Unterschiede zwischen Regionen, Reichweite, Kontaktfrequenz und Anzeigenpreisen k\u00f6nnen relevant sein. Umgekehrt hilft mehr Historie wenig, wenn mehrere Kan\u00e4le immer gemeinsam steigen und fallen. Eine pauschale Regel \u201egleiches Budget ergibt immer ein breites Intervall\u201c w\u00e4re falsch.<\/p>\n

Attribution und Grundlast beantworten andere Fragen<\/h2>\n

Attribution verteilt Anteile erfasster Conversions auf zul\u00e4ssige Kontakte nach einem Modell und einem Zeitfenster. Ein Marketing-Mix-Modell sch\u00e4tzt dagegen die Ver\u00e4nderung eines Ergebnisses gegen\u00fcber festgelegten Gegenbedingungen. Diese Zielgr\u00f6\u00dfen 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.<\/p>\n

Die Grundlast, auch Baseline, ist im Mix-Modell ein gesch\u00e4tztes Ergebnis unter den gew\u00e4hlten Basiswerten der untersuchten Ma\u00dfnahmen. F\u00fcr bezahlte und organische Medien sind diese Basiswerte in Meridian null; f\u00fcr andere Ma\u00dfnahmen gelten konfigurierte Werte. Die Grundlast ist weder eine Liste von K\u00e4ufen ohne Werbekontakt noch gleichbedeutend mit Direct- oder Organic-Traffic. Auch ein durch Werbung erreichter Kauf kann im Gegenmodell ohnehin stattfinden. Ob die Grundlast den gr\u00f6\u00dften Anteil ausmacht, h\u00e4ngt vom Gesch\u00e4ft und vom Modell ab.<\/p>\n

Was GeoX tats\u00e4chlich vergleicht<\/h2>\n

GeoX unterst\u00fctzt die Auswahl von Test- und Kontrollregionen, die Versuchsplanung und die Auswertung. Bei der dokumentierten zeitbasierten Regression wird zun\u00e4chst aus der Vorperiode die Beziehung zwischen beiden Gruppen gelernt. W\u00e4hrend des Tests dient die Kontrollgruppe zur Vorhersage des Ergebnisses, das f\u00fcr die Testregionen ohne Eingriff zu erwarten w\u00e4re. Der gesch\u00e4tzte Effekt ist die Abweichung vom vorhergesagten Gegenmodell, nicht einfach der rohe Unterschied zweier unterschiedlich gro\u00dfer Regionen.<\/p>\n\n\n\n\n\n\n\n
Versuchsart<\/th>\nTestregionen<\/th>\nKontrollregionen<\/th>\nFragestellung<\/th>\n<\/tr>\n<\/thead>\n
Holdback<\/td>\nNeue Kampagne erh\u00e4lt Budget<\/td>\nNeue Kampagne bleibt aus<\/td>\nZus\u00e4tzlicher Beitrag einer neuen Ma\u00dfnahme<\/td>\n<\/tr>\n
Go-dark<\/td>\nBestehende Werbung wird abgeschaltet<\/td>\nBisherige Werbung l\u00e4uft weiter<\/td>\nBeitrag der bestehenden Werbung<\/td>\n<\/tr>\n
Heavy-up<\/td>\nBudget bestehender Werbung steigt<\/td>\nBisheriges Budget bleibt<\/td>\nZus\u00e4tzliche Wirkung des Mehrbudgets<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Der Heavy-up-Effekt bezieht sich auf Mehrbudget gegen\u00fcber bisherigem Budget. Das ist eine andere Frage als die Wirkung des gesamten Kanals gegen\u00fcber null Ausgaben. Geplante Eingriffe st\u00e4rken die Ursacheninterpretation, beseitigen aber keine Probleme durch unpassende Kontrollregionen, gleichzeitige \u00c4nderungen, Messfehler oder Ausstrahlung in andere Regionen. Auch GeoX verwendet ein statistisches Modell und berichtet Sch\u00e4tzung und Konfidenzintervall.<\/p>\n

Mehrere Testgruppen k\u00f6nnen eine Kontrollgruppe teilen. Das kann organisatorisch effizient sein, verlangt f\u00fcr ausreichende Testst\u00e4rke jedoch mehr Regionen und Budget. Die aktuelle GeoX-Dokumentation empfiehlt f\u00fcr 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.<\/p>\n

<\/p>\n

\"Ein
Ein Weizenfeld ist durch eine Traktorspur in zwei gleiche H\u00e4lften geteilt, nur eine wird ged\u00fcngt. Genauso vergleicht GeoX Testregionen, in denen sich etwas \u00e4ndert, mit Kontrollregionen ohne \u00c4nderung.<\/figcaption><\/figure>\n

Wie ein Experiment die Vorannahmen verbessert<\/h2>\n

Ein Experiment kann zus\u00e4tzliche Informationen f\u00fcr die Vorannahmen zur Wirkung eines einzelnen Kanals liefern. Dazu m\u00fcssen Kennzahl, Kampagnenumfang, Regionen, Zeitraum und Ausgaben zum Mix-Modell passen. \u00c4ltere oder kurze Experimente bringen zus\u00e4tzliche \u00dcbertragungsunsicherheit mit. Meridians CalibrationBuilder ber\u00fccksichtigt unter anderem Unterschiede in Ausgaben, Aktualit\u00e4t und Dauer; die fachliche Pr\u00fcfung ersetzt diese Automatisierung nicht.<\/p>\n

Die aktuelle Anleitung empfiehlt den Builder f\u00fcr Experimente mit einem Null-Ausgaben-Gegenszenario. Ein Heavy-up-Ergebnis misst dagegen den Zuwachs gegen\u00fcber bestehenden Ausgaben und sollte nicht ungepr\u00fcft als gleicher ROI-Prior eingegeben werden. Ein passendes Experiment kann Intervalle verengen oder Sch\u00e4tzungen verschieben. Eine Verengung genau eines Kanals ist weder garantiert noch das alleinige Qualit\u00e4tsziel.<\/p>\n

Weitere Messgr\u00f6\u00dfen aus den Google-Ank\u00fcndigungen<\/h2>\n

Qualified Future Conversions sind prognostische Signale: Google beschreibt eine KI-gest\u00fctzte Verbindung fr\u00fcher Handlungen, etwa Markensuchen, mit erwarteten sp\u00e4teren Conversions. Prognostizierte Verk\u00e4ufe sind keine bereits beobachteten K\u00e4ufe. Die Interpretation h\u00e4ngt von der Definition der Kennzahl, dem Prognosehorizont und der Verf\u00fcgbarkeit im jeweiligen Konto ab.<\/p>\n

Campaign Type Attribution verteilt Conversion-Anteile innerhalb einer Kampagnenart; die aktuelle Google-Hilfe nennt Demand Gen. Ein st\u00e4rkerer ausgewiesener Anteil ist damit kein experimentell nachgewiesener zus\u00e4tzlicher Verkauf. Attributed Branded Searches beziehungsweise Branded Searches ordnet Markensuchen vorherigen zul\u00e4ssigen Anzeigenkontakten zu. Das ist eine laufende Zuordnungskennzahl und kein Search-Lift-Experiment. Definition, Zeitfenster und Berichtsumfang m\u00fcssen bei Vergleichen \u00fcbereinstimmen.<\/p>\n

Wann Aufwand und Datenbasis zusammenpassen<\/h2>\n

F\u00fcr ein eigenes Meridian-Modell empfiehlt Google als grobe Orientierung mindestens zwei Jahre w\u00f6chentliche Geodaten oder drei Jahre nationale Daten. Der tats\u00e4chliche Bedarf h\u00e4ngt von Kanalzahl, Variation, Einflussfaktoren und Modellkomplexit\u00e4t ab. Die konkreten Voraussetzungen der integrierten Alpha sind davon getrennt zu pr\u00fcfen.<\/p>\n

Auch ein Geo-Experiment ist bei kleinem Budget nicht automatisch aussagekr\u00e4ftig. Die Planung muss zeigen, ob gen\u00fcgend vergleichbare Regionen und gen\u00fcgend Signal f\u00fcr einen wirtschaftlich relevanten Effekt vorhanden sind. Die kleinste zuverl\u00e4ssig erkennbare Wirkung, kurz MDE, und die gew\u00fcnschte Testst\u00e4rke geh\u00f6ren vor Beginn festgelegt. Ein Versuch k\u00f6nnte beispielsweise so geplant sein, dass ein tats\u00e4chlich vorhandener Anstieg von f\u00fcnf Prozent unter den Planungsannahmen mit 80 Prozent Wahrscheinlichkeit erkannt wird. Ein unentschiedenes Ergebnis ist kein Nachweis wirkungsloser Werbung.<\/p>\n

\n

Fragen und Antworten<\/h2>\n

Warum kann ein Experiment mehr helfen als weitere unver\u00e4nderte Monate?<\/h3>\n

Ein geplanter Eingriff schafft zus\u00e4tzliche Information dar\u00fcber, wie sich das Ergebnis bei einer Budget\u00e4nderung verh\u00e4lt. Der Nutzen h\u00e4ngt von Versuchsqualit\u00e4t und \u00dcbertragbarkeit ab. Weitere historische Daten k\u00f6nnen ebenfalls helfen, garantieren aber keine Trennung eng miteinander verbundener Kan\u00e4le.<\/p>\n

Welche Grenzen bleiben bei regionalen Versuchen?<\/h3>\n