![\"Sechs](\"https:\/\/www.lukaswojcik.com\/blog\/wp-content\/uploads\/diagrams\/spannweite-de.png\")
Was in Analytics 360 eingezogen ist<\/h2>\n
Meridian f\u00fchrt die eigenen Daten aus GA4 mit den Ausgaben und Einblendungen fremder Kan\u00e4le zusammen, genannt werden unter anderem TikTok, Pinterest und Snap. Dazu kommt eine Bedienung in nat\u00fcrlicher Sprache f\u00fcr Planungsfragen der Form, was mit dem Ergebnis geschieht, wenn ein Teil des Budgets von einem Kanal auf einen anderen wandert.<\/p>\n
Die Einschr\u00e4nkung steht gleich daneben: Die Einbindung gibt es in der kostenpflichtigen Stufe, nicht in der freien. Meridian selbst bleibt quelloffen und l\u00e4sst sich unabh\u00e4ngig davon betreiben – was in Analytics 360 einzieht, ist die Bequemlichkeit, nicht das Modell.<\/p>\n
Warum ein Bereich mehr sagt als eine Zahl<\/h2>\n
Ein Mischmodell sch\u00e4tzt aus Zeitreihen, wie viel jeder Kanal zum Ergebnis beigetragen hat, und gibt dazu einen Bereich an, in dem der wahre Wert mit hoher Wahrscheinlichkeit liegt. Diese Breite entsteht aus der Datenlage: Wer \u00fcber zwei Jahre stets gleich viel in einen Kanal gesteckt hat, liefert dem Modell keine Schwankung, aus der sich eine Wirkung ablesen lie\u00dfe – der Bereich bleibt breit, und das ist die richtige Auskunft.<\/p>\n
Ein Zuordnungsbericht gibt dagegen eine einzelne Zahl aus. Sie wirkt genauer, ist es aber nicht; sie zeigt nur ihre Unsicherheit nicht. Dazu kommt ein Unterschied, der leicht \u00fcbersehen wird: Ein Bericht, der bei einer Anzeigenber\u00fchrung beginnt, kann f\u00fcr Abschl\u00fcsse ohne eine solche Ber\u00fchrung \u00fcberhaupt keine Zeile bilden. Genau diese Zeile – die Grundlast – ist in vielen H\u00e4usern die gr\u00f6\u00dfte, und ihr Fehlen ist der Grund, warum sich zugeordnete Anteile so bequem zu hundert Prozent addieren.<\/p>\n
Was GeoX dazu beitr\u00e4gt<\/h2>\n
Ein Modell sch\u00e4tzt, ein Versuch belegt. GeoX macht Regionen zur Vergleichsgruppe: In einem Teil des Landes l\u00e4uft die Werbung weiter, in einem anderen wird sie zur\u00fcckgehalten, abgeschaltet oder aufgestockt, und der Unterschied im Ergebnis ist die Wirkung. Das ist eine Ursachenaussage und keine Modellannahme.<\/p>\n
Drei Versuchsanlagen, dieselbe Logik\n\n Zurückhalten Kanal läuft überall, nur in Testregionen nicht\n Abschalten Kanal wird in Testregionen ganz beendet\n Aufstocken Kanal bekommt in Testregionen mehr Budget\n\n Gemessen wird immer die Differenz zwischen Testregionen und\n Kontrollregionen, nicht der Verlauf in den Testregionen allein.\n Mehrere Zellen in einem Versuch teilen sich eine Kontrollgruppe,\n was Laufzeit und Kosten gegenüber Einzelversuchen senkt.\n\n Das Ergebnis geht als Vorannahme in das Mischmodell zurück und\n verengt dort den Bereich des untersuchten Kanals.<\/code><\/pre>\nDer R\u00fcckweg ist der eigentliche Gewinn. Ein Versuch allein misst einen Kanal in einem Zeitraum; ein Modell allein sch\u00e4tzt alle Kan\u00e4le mit breiten Bereichen. Wer den Versuch als Vorannahme einspeist, bekommt ein Modell, dessen Bereiche dort schmal sind, wo tats\u00e4chlich gemessen wurde.<\/p>\n
Was noch angek\u00fcndigt wurde<\/h2>\n
Drei weitere Neuerungen geh\u00f6ren zur selben Ank\u00fcndigung. Qualified Future Conversions sch\u00e4tzt mit Gemini Abschl\u00fcsse, die innerhalb von 180 Tagen nach einer Anzeigenber\u00fchrung noch eintreten – begr\u00fcndet damit, dass bei Demand Gen nur ein Teil der Abschl\u00fcsse in den ersten drei\u00dfig Tagen f\u00e4llt. Sie erscheint in drei eigenen Spalten und l\u00e4uft derzeit als eingeschr\u00e4nkter Test.<\/p>\n
Campaign Type Attribution trennt den Beitrag von Demand Gen von dem der \u00fcbrigen Kampagnenarten, was vorher an Googles eigener Entdopplung scheiterte. Attributed Brand Searches z\u00e4hlt Markensuchen, die auf YouTube-Werbung zur\u00fcckgehen, dauerhaft statt in einzelnen Studien.<\/p>\n
Die ersten beiden sind Sch\u00e4tzungen, die als Spalten daherkommen. Eine gesch\u00e4tzte Zahl in einer Spalte neben gez\u00e4hlten Zahlen ist eine Einladung zum Verwechseln, und die Spalten\u00fcberschrift ist der einzige Hinweis darauf, dass hier zwei verschiedene Dinge nebeneinanderstehen.<\/p>\n
Was sich daraus praktisch ergibt<\/h2>\n
Ein Mischmodell lohnt sich nicht f\u00fcr jeden. Es braucht mehrere Jahre Daten, Schwankung in den Ausgaben und jemanden, der die Bereiche liest, statt nur die mittlere Sch\u00e4tzung abzuschreiben. Wer die mittlere Sch\u00e4tzung nimmt und den Bereich wegl\u00e4sst, hat sich einen teuren Weg zu derselben Scheingenauigkeit gebaut, die er verlassen wollte.<\/p>\n
Der Regionenversuch dagegen ist auch im Kleinen m\u00f6glich, und er beantwortet die Frage, die keine Zuordnung beantwortet: ob dieselben Abschl\u00fcsse ohne die Ausgabe auch gekommen w\u00e4ren. Diese Frage ist unbequem, weil die ehrliche Antwort f\u00fcr manche Kan\u00e4le lautet, dass ein erheblicher Teil ohnehin gekommen w\u00e4re – und genau deshalb lohnt sie sich.<\/p>\n
\nFragen und Antworten<\/h2>\nWarum hilft ein Versuch dem Mischmodell mehr als weitere Monate mit gleichbleibenden Ausgaben?<\/h3>\n
Weil das Modell Schwankung braucht und gleichbleibende Ausgaben keine liefern. Ein Versuch erzeugt eine Schwankung mit bekannter Ursache: Die Ausgaben \u00e4ndern sich in den Testregionen, weil sie planm\u00e4\u00dfig ge\u00e4ndert wurden, und nicht, weil gerade Saison ist oder die Nachfrage steigt. Genau diese Trennung kann das Modell aus seinen eigenen Zeitreihen nicht herstellen.<\/p>\n
Was begrenzt einen Regionenversuch in kleinem Ma\u00dfstab?<\/h3>\n
Vor allem vier Dinge, die entweder die Grenze zwischen Test- und Kontrollregionen verwischen oder den Bereich des Ergebnisses verbreitern:<\/p>\n
\n- \u00dcbersprechen zwischen Regionen. Menschen pendeln, reisen und sehen Werbung, die f\u00fcr eine andere Region bestimmt war, und die regionale Aussteuerung von Anzeigen beruht oft auf ungef\u00e4hren Standortdaten. Jeder solche Fall l\u00e4sst Test- und Kontrollgruppe einander \u00e4hnlicher werden, und die gemessene Wirkung f\u00e4llt zu klein aus.<\/li>\n
- Die Zuordnung der Abschl\u00fcsse. Ein Onlineabschluss braucht eine Region, etwa \u00fcber die Lieferadresse. Wo das nicht gelingt, fehlt er in beiden Gruppen oder landet in der falschen.<\/li>\n
- Die Zahl der Regionen. Wenige gro\u00dfe Regionen bedeuten wenige Vergleichspunkte, und die eigene Schwankung jeder Region, etwa durch Wetter oder Schulferien, geht dann stark in das Ergebnis ein. Der Bereich wird breit, was richtig ist, aber die Entscheidung erschwert.<\/li>\n
- Die Laufzeit. Der Versuch muss lang genug laufen, um auch sp\u00e4tere Abschl\u00fcsse zu erfassen; der Hinweis aus derselben Ank\u00fcndigung, dass bei Demand Gen nur ein Teil der Abschl\u00fcsse in die ersten drei\u00dfig Tage f\u00e4llt, legt nahe, dass auch ein Versuch diesen Nachlauf abwarten muss, bevor er ausgewertet wird.<\/li>\n<\/ol>\n
Dazu kommt ein Preis: Ein Zur\u00fcckhalten oder Abschalten kostet in den Testregionen die Abschl\u00fcsse, die der Kanal dort tats\u00e4chlich bewirkt h\u00e4tte. Wie hoch dieser Preis ist, ist genau das, was der Versuch misst.<\/p>\n<\/div>\n