Warum In-platform-roas Irreführend Sein Kann – Und Worauf Smarte Marketer Stattdessen Achten Sollten
In-Platform-ROAS kann irreführend sein und Budgets in Kampagnen lenken, die sich lediglich den Erfolg zuschreiben, statt echten Wert zu schaffen. Erfahren Sie, wie Marken wie Uber und Dropbox Millionen eingespart haben, indem sie über native Attribution hinausgingen – mit Marketing Mix Modeling (MMM) und Inkrementalitäts-Tests.
Wenn du für Marketingbudgets verantwortlich bist, hast du dir diese Frage wahrscheinlich öfter gestellt, als du zählen kannst:
„Welcher Kanal liefert uns den besten Return?“
Das ist eine berechtigte Frage. Schließlich soll jeder Marketing-Dollar zum Wachstum beitragen, und Stakeholder wollen den Beweis, dass sich Investitionen auszahlen.
Die erste Kennzahl, zu der viele Teams greifen, ist ROAS (Return on Ad Spend). Öffne Google Ads oder Meta Ads, und du siehst sofort eine Zahl, die dir sagt, wie viel Umsatz deine Kampagnen generiert haben.
Das klingt unkompliziert.
Aber hier liegt das Problem:
Der ROAS, den du in Werbeplattformen siehst, erzählt selten die ganze Geschichte.
Und wenn du deine Budgetentscheidungen ausschließlich auf diese Zahlen stützt, optimierst du am Ende möglicherweise auf kurzfristige Erfolge, während du still und leise das langfristige Unternehmenswachstum beeinträchtigst.
Was genau ist ROAS?
Im einfachsten Fall misst ROAS, wie viel Umsatz du für jeden Dollar verdienst, den du für Werbung ausgibst.
ROAS = Generierter Umsatz ÷ Werbeausgaben
Ein ROAS von 4 bedeutet, dass Ihre Kampagnen für jeden 1 $ Werbeausgaben 4 $ Umsatz generiert haben.
Natürlich nutzen Marketer diese Kennzahl, um Kanäle, Kampagnen und Zielgruppen zu vergleichen. Ein höherer ROAS führt oft zu größeren Budgets, während Kampagnen mit schlechterer Performance pausiert oder reduziert werden.
Auf dem Papier wirkt das logisch.
In der Realität ist es viel komplizierter.
Das Attributionsproblem, über das niemand spricht
Die Berechnung der Werbeausgaben ist einfach.
Ihre Werbeplattformen sagen Ihnen genau, wie viel Sie ausgegeben haben.
Die Berechnung des durch diese Ausgaben generierten Umsatzes ist der Punkt, an dem es schwierig wird.
Denken Sie an eine typische Customer Journey heute.
Ein potenzieller Käufer könnte:
- Ihre Marke über LinkedIn entdecken.
- Nach einer Google-Suche einen Blogartikel lesen.
- Ein paar Tage später eine Meta-Anzeige sehen.
- Eine Produktdemo auf YouTube ansehen.
- Schließlich vor dem Kauf auf eine Marken-Suchanzeige klicken.
Jetzt kommt die schwierige Frage:
Welcher Kanal verdient die Anerkennung?
- Die Suchkampagne?
- Die LinkedIn-Kampagne?
- Das YouTube-Video?
- Oder alle?
Die meisten Werbeplattformen beanspruchen naturgemäß so viel Anerkennung wie möglich. Schließlich will jede Plattform zeigen, dass sie Ergebnisse liefert.
Das Ergebnis ist vorhersehbar:
Jedes Dashboard zeigt beeindruckenden ROAS.
Aber wenn man alles zusammenzählt, übersteigt der Umsatz oft das, was dein Unternehmen tatsächlich erwirtschaftet hat.
Das ist ein klares Zeichen dafür, dass etwas nicht aufgeht.
Warum In-Platform-ROAS gefährlich sein kann
Eines der größten Missverständnisse über ROAS ist die Annahme, dass jeder Kanal unabhängig funktioniert.
Marketing funktioniert einfach nicht so. Verschiedene Kanäle übernehmen entlang der Customer Journey unterschiedliche Rollen. Manche schaffen Aufmerksamkeit. Andere informieren potenzielle Kund:innen. Manche bauen Vertrauen auf. Andere treiben Conversions.
Dennoch konzentrieren sich die meisten In-Platform-Reports stark auf die letzte Interaktion vor dem Kauf.
Das bedeutet, dass Lower-Funnel-Kanäle – wie Brand-Search oder Retargeting-Kampagnen – oft den Großteil des Credits erhalten, während Upper-Funnel-Aktivitäten kaum Anerkennung bekommen.
Das erzeugt einen gefährlichen Kreislauf.
Marketingverantwortliche beginnen, größere Teile ihrer Budgets in Kanäle zu verschieben, die den höchsten gemeldeten ROAS zeigen. Anfangs können die Ergebnisse fantastisch aussehen, der Umsatz bleibt stark, die Kosten pro Akquisition verbessern sich, alle sind zufrieden.
Bis ein paar Monate später.
Ohne ausreichende Investitionen in Awareness-Kampagnen gelangen weniger neue Kund:innen in die Pipeline.
- Die Markenbekanntheit sinkt.
- Die organische Nachfrage schwächt sich ab.
- Schließlich beginnen selbst diese leistungsstarken Conversion-Kampagnen an Effizienz zu verlieren.
- Das Unternehmen hat sein Marketing nicht optimiert.
- Es hat einfach die bestehende Nachfrage abgeschöpft, bis nicht mehr genug übrig war.
Wie kann algorithmisches Ad-Targeting verzerrt sein?
Derzeit nutzen Werbeplattformen automatisierte Gebots- und Targeting-Systeme (wie Google UAC oder Metas Targeting-ML), die auf Basis von plattformgemeldeten oder Last-Touch-Conversions optimieren. Da Anzeigen jedoch häufig Nutzer mit hoher Kaufabsicht abholen, die ohnehin organisch konvertiert wären (Conversion-Substitution), werden diese automatisierten Algorithmen auf verzerrten Reward-Signalen
Wie das Abschaffen von In-Platform-ROAS Dropbox 25 Mio. $ sparte
Dropbox’ IEEE-Studie von 2026 zeigte, dass die traditionelle klickbasierte Anzeigenattribution den tatsächlichen Einfluss ihrer Performance um 2-10X überschätzte. Auf Basis dieser Erkenntnisse schichtete Dropbox 25 Millionen $ seines FY25-Performance-Marketing-Budgets von Kanälen mit geringer Inkrementalität weg um.
Diese strategische Umschichtung verbesserte die Effizienz ihres Paid-Media-Portfolios und senkte die Customer Acquisition Cost um +53%.
Dropbox’ Geo-Blackout-Experimente in den USA zeigten, dass Mobile-Akquisekampagnen eine sehr geringe Inkrementalität hatten und einen um Inkrementalität bereinigten ROAS (IA-ROAS) von nur 0.70x erzielten, verglichen mit einem aufgeblähten, klickattribuierten ROAS von 1.53x.
Weniger extrem, aber dennoch betroffen: Das Suchmaschinenmarketing (SEM) litt unter Conversion-Substitution hin zur organischen Suche (SEO). Diese Substitution tritt auf, weil bezahlte Anzeigen häufig Nutzer abfangen, die sich bereits auf organischen Conversion-Pfaden befinden – das heißt, viele Kunden, die bezahlten Kanälen zugeschrieben werden, wären ohnehin konvertiert.
Wie Uber jährlich 30 Mio. $ sparte, indem es ROAS durch Inkrementalitäts-Tests ersetzte
Uber sparte in den USA jährlich 30 Millionen US-Dollar, indem es die Ausgaben für Meta-Performance-Anzeigen nach einem 3-monatigen Inkrementalitätstest kürzte, der bewies, dass die Anzeigen null zusätzliche Nutzeranmeldungen lieferten – obwohl der plattforminterne ROAS die Conversions für sich beanspruchte.
Laut Sundar Swaminathan, Ubers ehemaligem Growth Marketing Data Science Lead, stellte Uber eine Unstimmigkeit in seinem Performance-Marketing fest: Die Customer Acquisition Costs (CAC) schwankten von Woche zu Woche um 10 % bis 20 %, obwohl die Werbeausgaben auf Meta völlig stabil waren.
Ubers Data-Science-Team führte eine 3-monatige randomisierte kontrollierte Studie durch und hielt eine Kontrollgruppe zurück, die keinerlei Meta-Anzeigen erhielt, gegenüber einer Treatment-Gruppe, die die übliche Anzeigenabdeckung bekam.
Die Ergebnisse stellten ihre Paid-Media-Strategie komplett auf den Kopf:
- Null inkrementeller Lift: Die Daten zeigten, dass Meta-Anzeigen praktisch keinen inkrementellen Wert für die Neukundengewinnung lieferten; ein Ergebnis, das sogar vom eigenen Data-Science-Team von Meta bestätigt wurde.
- 30 Millionen US-Dollar gespart: Uber strich das nicht-inkrementelle Budget und sparte allein in den USA 30 Millionen US-Dollar – ohne irgendeinen Rückgang beim Volumen neuer Nutzer
Da Uber bereits eine enorme Markenpenetration erreicht hatte, kannibalisierten Meta-Anzeigen lediglich organische Conversions und beanspruchten die Anerkennung für Nutzer, die sich ohnehin angemeldet hätten.
Marketingkanäle funktionieren nicht isoliert
Stell dir vor, deine Google-Search-Kampagnen liefern derzeit einen ROAS von 5.
Stell dir nun vor, du lässt das Search-Budget exakt gleich, erhöhst aber die Investitionen in Markenbekanntheit über LinkedIn, YouTube oder Videowerbung.
Ein paar Monate später steigt dein Search ROAS auf 7.
Ist Search plötzlich zu einem besseren Kanal geworden?
Nicht wirklich.
Die gestiegene Bekanntheit führte zu mehr Markensuchen, stärkte das Vertrauen und verkürzte Kaufentscheidungen.
Search profitierte einfach von stärkerer Unterstützung über den gesamten Marketing-Mix hinweg.
Das ist die Realität des modernen Marketings.
Kanäle beeinflussen sich ständig gegenseitig.
Jeden einzelnen isoliert zu betrachten, blendet das große Ganze aus.
Warum Marketing Mix Modeling wichtig ist
Hier verändert Marketing Mix Modeling (MMM) die Diskussion.
Anstatt zu fragen:
„Welche Plattform beansprucht diese Conversion?“
MMM stellt eine weitaus wertvollere Frage:
„Was ist der tatsächliche Beitrag jeder Marketingaktivität zum Unternehmenswachstum?“
Anstatt sich auf Cookies oder plattformspezifische Attribution zu verlassen, analysiert Marketing Mix Modeling die historische Unternehmensperformance zusammen mit Marketinginvestitionen, um zu verstehen, wie Kanäle zusammenwirken.
Es liefert Erkenntnisse wie:
- Welche Kanäle tatsächlich inkrementellen Umsatz treiben.
- Wie Awareness-Kampagnen zukünftige Conversions beeinflussen.
- Wo Marketingbudgets übermäßig ausgegeben werden.
- Wie verschiedene Kanäle einander ergänzen.
- Wie der optimale Media-Mix künftig aussehen sollte.
Anstatt die Plattform zu belohnen, die die meisten Conversions für sich beansprucht, konzentriert sich MMM darauf zu verstehen, was die Unternehmensleistung wirklich antreibt.
Ein besserer Weg, die Marketing-Performance zu bewerten
ROAS ist nach wie vor eine wertvolle Kennzahl.
Sie kann Marketingverantwortlichen helfen, die Kampagneneffizienz zu überwachen und Optimierungspotenziale zu identifizieren.
Der Fehler besteht darin, sie als die einzige Kennzahl zu behandeln, die zählt.
Erfolgreiche Marketingverantwortliche wissen, dass Wachstum daraus entsteht, kurzfristige Performance mit langfristigem Markenaufbau auszubalancieren.
Dafür muss man über einzelne Dashboards hinausblicken und verstehen, wie jeder Kanal zur gesamten Customer Journey beiträgt.
Die stärksten Marketingstrategien basieren nicht auf isolierten Plattform-Kennzahlen.
Sie basieren auf Evidenz, Experimenten und einem vollständigen Blick auf die Marketingwirksamkeit.
Fazit
Marketing war noch nie so messbar.
Ironischerweise war es aber auch noch nie so einfach, die falschen Dinge zu messen.
In-Platform-ROAS liefert nützliche Signale, aber erzählt nicht die ganze Geschichte.
Wenn du Investitionsentscheidungen ausschließlich auf plattformseitig gemeldeten Zahlen basierst, belohnst du möglicherweise die Kanäle, die Conversions für sich beanspruchen, statt diejenigen, die sie tatsächlich erzeugen.
Die Marken, die ihre Wettbewerber konstant übertreffen, sind diejenigen, die Marketing als ein miteinander verbundenes System verstehen – nicht als eine Sammlung isolierter Kampagnen.
Wenn jeder Marketing-Euro auf dem Prüfstand steht, ist das die Perspektive, die nachhaltiges Wachstum schafft.
Verwandte Artikel
- ROAS-Optimierungsleitfaden zur Maximierung der Rendite deiner Werbeausgaben
- Jenseits der Blackbox: Ein praktischer Leitfaden zur Validierung deines Marketing Mix Model (MMM)
- So führen Sie eine Lift-Analyse durch: Schritt-für-Schritt-Anleitung
- Was ist Marketing Mix Modelling? Definition, Prozess & Vorteile
Bereit, smartere Marketinginvestitionen zu tätigen?
Wenn Sie über plattformgemeldeten ROAS hinausgehen und verstehen möchten, was die Unternehmensleistung wirklich antreibt, ELIYA’s KI-gestützte Marketing Mix Modeling-Plattform kann helfen.
Unsere Lösung ermöglicht es Marketingverantwortlichen, inkrementellen Impact zu messen, Ergebnisse zu prognostizieren, Media-Spend zu optimieren und Budgets mit Vertrauen zuzuweisen – und das alles, ohne sich auf cookie-basierte Attribution zu verlassen.
Denn bessere Entscheidungen beginnen mit besserer Messung.
Entdecken Sie, wie ELIYA Ihnen helfen kann, Marketingdaten in sichere Geschäftsentscheidungen zu verwandeln.
FAQs
Was ist der Hauptunterschied zwischen Marketing Mix Modeling (MMM) und MTA (Multi-Touch Attribution)?
Der Hauptunterschied bei MMM vs MTA liegt darin, wie sie die Umsatzattribution messen. Multi-Touch Attribution (MTA) stützt sich auf digitales Tracking auf Nutzerebene (Cookies, Klicks und Tracking-Pixel), um bestimmten Touchpoints entlang des Funnels die Anerkennung zuzuweisen. Im Gegensatz dazu verwendet marketing mix modeling aggregierte historische Verkaufs- und Marketingausgabendaten und wendet statistische Modellierung an, um den tatsächlichen inkrementellen Umsatz zu bestimmen, der von jedem Kanal generiert wird – ohne sich auf individuelles Nutzer-Tracking zu verlassen.
Wie lautet die Definition von Marketing Mix Modeling (MMM)?
Die Standard-Definition von Marketing Mix Modeling ist eine statistische Analysetechnik, die den Einfluss verschiedener Marketingaktivitäten auf Umsatz und Unternehmenswachstum quantifiziert. Durch die Bewertung bezahlter Medien zusammen mit der organischen Basisnachfrage, Saisonalität und externen wirtschaftlichen Faktoren hilft ein MMM-Modell Marketingverantwortlichen, den inkrementellen Effekt zu isolieren und zukünftige Budgetzuweisungen zu optimieren.
Warum ist In-Platform-Marketing-Mix-Attribution oft irreführend?
In-Platform-Marketing-Mix-Attribution stützt sich stark auf native Dashboards von Werbeplattformen (wie Google Ads oder Meta Ads Manager), die in Silos arbeiten. Diese Plattformen schreiben sich häufig Conversions zu, die auch organisch stattgefunden hätten (Conversion-Substitution), was zu Doppelzählungen über Kanäle hinweg und zu einem aufgeblähten Return on Ad Spend (ROAS) führt.
Was sind die wichtigsten Vorteile von Marketing Mix Modeling für die Paid-Media-Strategie?
Wichtige Vorteile von Marketing Mix Modeling sind:
• Unvoreingenommene Inkrementalität: Bewertet die Performance der Kanäle ganzheitlich, statt sich auf selbstberichtete Daten der Werbenetzwerke zu verlassen.
• Privacy-First-Messung: Funktioniert unabhängig von Third-Party-Cookies, IP-Tracking oder nutzerbezogenen Identifikatoren.
• Datengetriebene Marketing-Mix-Optimierung: Ermöglicht eine kontinuierliche Marketing-Mix-Optimierung durch das Identifizieren abnehmender Grenzerträge und zeigt genau, wo eine Budgetumschichtung den Portfolio-ROI maximiert.
