Incrementality Testing 2026: Geo-Holdouts, Conversion Lift und KI-gestützte Designs

Incrementality Testing 2026: Geo-Holdouts und KI-gestützte Experimente

Incrementality Testing ist die einzige Measurement-Methode, die kausale Aussagen erlaubt: "Hätte dieser Umsatz auch ohne unsere Werbung stattgefunden?" Während MMM und MTA Korrelationen modellieren, liefern Inkrementalitäts-Tests den Goldstandard – und 2026 macht KI das Setup so einfach wie nie.

Dieser Beitrag ist Teil der Measurement & Attribution Hub-Serie und zeigt, wie Geo-Holdouts und KI-gestützte Experimente in der Praxis funktionieren.

TL;DR

• Incrementality-Tests messen kausale Lift-Effekte – nicht Korrelationen
• Geo-Holdouts (TBR, GeoLift, CausalImpact) sind 2026 der pragmatischste Ansatz
• KI hilft beim Match-Markt-Pairing, der Synthetic-Control-Konstruktion und der Auswertung
• Mindest-Investition: 2–6 Wochen Test-Dauer, 15–30 % Spend-Reduktion in Test-Märkten
• Quartalsweise Inkrementalitäts-Tests sind der CFO-Beweis für Mediabudget-Allokation

Warum Inkrementalität die Wahrheit liefert

MMM und MTA sind statistische Modelle. Sie liefern Schätzungen unter Annahmen. Inkrementalitäts-Tests sind Experimente – sie schaffen einen Vergleich zwischen einer Welt mit und einer Welt ohne Werbung. Das ist methodisch näher an einem klinischen RCT als an einer Regressionsanalyse.

Beispiel: Ein Brand-Search-Kanal sieht in MTA wie ein Top-Performer aus (viele Last-Clicks). Ein Geo-Holdout zeigt, dass 70 % dieser Conversions auch ohne Brand-Search stattgefunden hätten – die "wahre" Inkrementalität liegt bei 30 %. Genau diese Erkenntnisse retten 6-stellige Budgets pro Quartal.

Die wichtigsten Test-Designs 2026

Wie KI das Setup verändert

Bis 2024 war Geo-Test-Design eine Spezialisten-Aufgabe: Welche Geos matchen statistisch? Welche Test-Dauer? Welcher Spend-Cut? 2026 übernehmen das KI-Tools wie GeoLift, Google's TBR und kommerzielle Lösungen wie Haus.io und Measured.

Konkret automatisiert KI:

• Match-Markt-Pairing: Welche zwei Geos sind statistisch am ähnlichsten?
• Power-Analyse: Wie viele Geos und Wochen brauche ich für einen statistisch signifikanten Lift?
• Synthetic-Control-Konstruktion: Bayesian Structural Time Series für realistische Kontroll-Märkte
• Auswertung: Confidence-Intervalle, p-Werte, ROAS-Implikationen pro Channel

Ein Geo-Test, der 2022 noch 3 Wochen Setup brauchte, läuft 2026 in 2 Tagen. Das verändert die Kadenz radikal: Statt 1–2 Tests pro Jahr sind 4–8 Tests pro Quartal realistisch.

Schritt-für-Schritt: Ein Geo-Holdout in der Praxis

1. Hypothese definieren: "Brand-Search trägt 30 % weniger inkrementell bei als MTA suggeriert."
2. Test- und Kontroll-Geos auswählen (KI-Pairing oder manuell)
3. Power-Analyse: Mindestens 4 Wochen Test-Dauer, 20 % Spend-Cut, n=12 Geo-Paare
4. Test ausrollen: Spend in Test-Geos um 100 % auf 0 reduzieren
5. Daily Monitoring: Anomalien, Spillover-Effekte, externe Schocks
6. Auswertung: Lift % mit 95 % Konfidenzintervall
7. Entscheidung: Reallokation des Budgets bei klarem Befund

Diese Pipeline ist Teil unseres AI Dashboards Produkts, das die Kontroll-Metriken automatisiert.

Typische Stolperfallen

• Spillover: Test-Geo sieht Werbung aus benachbartem Kontroll-Geo (TV, OOH).
• Zu kurze Test-Dauer: Werbe-Effekte haben Carryover. Mindestens 4 Wochen Test + 2 Wochen Carryover-Beobachtung.
• Externe Schocks: Wettbewerber-Promo, Wetter, News-Events können den Test wertlos machen.
• Zu kleine Spend-Differenz: < 30 % Spend-Cut produziert oft kein erkennbares Signal.
• Tests ohne Pre-Registration: Wer nach dem Test die Hypothese ändert, betrügt sich selbst.

Was Inkrementalitäts-Tests typischerweise zeigen

Empirische Erkenntnisse aus DACH-Tests in den letzten 24 Monaten:

• Brand-Search: 25–60 % weniger inkrementell als MTA suggeriert
• Display-Retargeting: oft sub-40 % Inkrementalität
• YouTube-Brand: stark schwankend, 30–80 % Inkrementalität je nach Creative
• TV in Performance-Setups: regelmäßig stark unterschätzt durch MTA

Diese Insights speisen direkt zurück in MMM-Re-Calibration und Marketing Health Monitoring.

Was das kostet – und was es einspart

Direkte Kosten pro Test: 5–15 k€ Setup-Aufwand + 20–50 k€ Mediakosten-Differenz (durch Test-Geo-Spend-Cut). Pro Quartal lohnen sich 2–3 Tests parallel.

Realistischer Outcome: Identifikation von 10–20 % nicht-inkrementellem Spend pro Jahr → bei 5 Mio. € Mediabudget entspricht das 500 k€–1 Mio. € reallokierbarem Budget.

Fazit

Incrementality Testing ist 2026 keine Spezial-Disziplin mehr, sondern eine Pflicht-Schicht im Measurement-Stack. KI-gestützte Geo-Tests machen die Methode skalierbar, schnell und CFO-tauglich. Wer MMM oder MTA ohne Inkrementalitäts-Validierung nutzt, optimiert auf Korrelationen – und bezahlt das mit verbranntem Mediabudget. Wir helfen, diese Test-Kultur aufzubauen – sprecht uns an.