Die meisten Marketing-Analysen dienen dazu, Meetings zu überstehen. Dashboards, die zwischen zwei Reviews niemand öffnet, Attributionsmodelle, denen insgeheim alle misstrauen, und Quartalsberichte, die so angelegt sind, dass nie eine Entscheidung erzwungen wird. Ich baue eine Messung auf, die es aushält, laut erklärt zu werden, ob Ihrem CFO oder den Kunden, die dabei gemessen werden.
Tracking wird auditiert, bevor man ihm vertraut, denn im Setup, das niemand prüft, laufen die Zahlen zuerst aus dem Ruder. Attribution behandle ich als Sammlung nützlicher Lügen, die man trianguliert, und Anrufe sowie Offline-Ergebnisse, die Ihr Dashboard bisher ignoriert, hole ich zurück ins Bild. Inkrementalität belege ich mit Holdout-Tests, die jedes Marketingteam durchführen kann, ganz ohne Data-Science-Abteilung; so habe ich einen Return von 342 zu 1 validiert, als mir die Version des Dashboards zu gut war, um meinen Namen darunterzusetzen. Marketing-Mix-Modeling setze ich ein, wo Budget und Kanalverteilung es rechtfertigen; wo nicht, gibt es ein klares Nein. Und die Governance, die zutiefst langweilige Disziplin bei UTM-Parametern und Namenskonventionen, entscheidet darüber, ob sich die Fragen des nächsten Jahres überhaupt beantworten lassen.
Den Maßstab für meine Ergebnisse habe ich mir beim besten Kunden abgeschaut, den ich je hatte. Jede Analyse endet mit einer Entscheidung, und vorab steht fest, welche Zahl sie kippen würde. Dashboards werden so lange umgebaut, bis die Menschen, für die sie gedacht sind, sie tatsächlich öffnen. Meist bedeutet das weniger Diagramme, klarere Sprache und eine Seite, die sagt, was am Montag zu tun ist.
Datenschutz ist hier eine Designvorgabe: Messung nur mit Einwilligung, First-Party-Daten, mit denen tatsächlich gearbeitet wird, Clean Rooms, in die nur First-Party-Daten fließen, die sauber genug für den Abgleich sind, und Setups für regulierte Branchen, die bereits einer Prüfung nach HIPAA (US-Gesundheitsdatenschutz) standgehalten haben. Wenn Ihre Zahlen selbstsicher wirken und Ihre Entscheidungen nicht, dann ist genau diese Lücke der Auftrag. Er ist meist kürzer als die letzten drei Dienstleister-Pitches, die Sie über sich ergehen lassen mussten, und er endet mit Zahlen, die Sie verteidigen, ohne mit der Wimper zu zucken.
Zahlen, für die Sie geradestehen können
Die Lücke zwischen überzeugenden Dashboards und überzeugten Entscheidungen: Genau dort setzt die Zusammenarbeit an.
Ins Gespräch kommenKurz beantwortet
Brauchen wir ein Data-Science-Team, um Holdout-Tests durchzuführen?
Nein. Ein Holdout-Test vergleicht eine Gruppe, die die Anzeigen sieht, mit einer gleich zusammengesetzten Gruppe, die sie nicht sieht, und mit der richtigen Stichprobengröße kann ein Marketingteam einen solchen Test selbst anlegen und auswerten. Der Return von 342 zu 1 für eBay wurde genau so validiert.
Welchem Attributionsmodell sollten wir vertrauen?
Nutzen Sie mehrere und vertrauen Sie keinem allein. Plattformberichte, Web-Analytics und Multi-Touch-Modelle sehen jeweils einen Teil des Bildes. Deshalb trianguliere ich sie, ergänze Anrufe und Offline-Verkäufe und kläre die Fragen, auf die es ankommt, mit Holdout-Tests.
Funktioniert die Messung auch unter Einwilligungsregeln und HIPAA?
Ja. Tags feuern nur mit Einwilligung, First-Party-Daten übernehmen die Aufgaben, für die sie verwendet werden dürfen, und Setups für regulierte Branchen haben bereits einer Prüfung nach HIPAA (US-Gesundheitsdatenschutz) standgehalten.
Aus The Signal (auf Englisch)
Alle Beiträge ansehenImpressions Are Not Created Equal. Frequency Should Not Be Either.
A search impression, a feed impression, and a banner impression are three different events wearing one name. Why every channel needs its own frequency math.
27. Juni 2026Most Attribution Dashboards Get Built and Then Ignored
A dashboard nobody opens has a trust problem. The fix is admitting uncertainty on the dashboard itself instead of hiding it behind false precision.
3. April 2026Marketing Mix Modeling Came Back From the Dead Because Nothing Else Survived
MMM was the dusty econometrics of big TV advertisers until signal loss made it modern again. What mix modeling does, what it needs, and who should wait.
1. April 2026You Do Not Need a Data Science Team to Run a Holdout
Incrementality testing sounds like a research department. It is a spreadsheet, a map, and the discipline to leave some money on the table for six weeks.
25. März 2026Every Attribution Model Is Wrong. Choose the One Wrong in Your Favor.
First-touch, last-touch, linear, data-driven: what each marketing attribution model assumes, what it hides, and how to use models without believing them.
24. März 2026Your Match Rate Is the Ceiling on Everything Else
Every first-party data strategy depends on one unglamorous number: how much of your customer file the platforms can recognize. Typical is about 20 percent.
