ADZINE: Hallo Daniel, Werbetreibende stehen vor der Herausforderung, herauszufinden, welche Kampagnenmaßnahmen echte zusätzliche Wirkung erzeugen und welche Effekte ohnehin stattfinden würden. Welchen Stellenwert hat Inkrementalität in der Mediaplanung heute?

Daniel Tjondronegoro: Einheitliche, kanalübergreifende Daten aus einer Hand sollten heute die Basis moderner Mediaplanung sein. Dennoch verlassen sich die meisten Werbetreibenden weiterhin auf Attributionsmodelle, die lediglich Touchpoints berücksichtigen – häufig innerhalb von Kanalsilos, ohne die abgeschotteten Systeme der Big-Tech-Plattformen einzubeziehen und ohne nachzuweisen, welche Kanäle tatsächlich zu inkrementellen Outcomes beitragen. Die Branche hat ein Ökosystem geschaffen, in dem Kanäle vor allem dafür belohnt werden, dass sie entlang der Customer Journey präsent sind, nicht dafür, dass sie diese nachweislich beeinflussen.

Was viele Marketer frustriert, ist das mangelnde Verständnis auf Anbieterseite. Das kann ich gut nachvollziehen, denn es ist nicht so, dass Marketer die Bedeutung von Inkrementalität nicht verstehen würden. Vielmehr macht es die bestehende Measurement-Infrastruktur nahezu unmöglich, Inkrementalität sauber umzusetzen. Werden Daten aus mehreren Quellen zusammengeführt, die jeweils eigene Verzerrungen und blinde Flecken haben, ist das, was als Inkrementalität bezeichnet wird, in Wahrheit eine Korrelation, die als Kausalität interpretiert wird. Dafür sind nicht die Marketer verantwortlich, sondern die Limitationen veralteter Systeme. Das Ergebnis sind Milliarden an Werbeausgaben für Kanäle, Taktiken oder Zielgruppen, die ohnehin konvertiert wären.

ADZINE: Nicht alle Daten führen automatisch zu besseren Entscheidungen. Wie lässt sich die Qualität der verfügbaren Daten für belastbare Analysen von Inkrementalität beurteilen?

Tjondronegoro: Die zentrale Frage lautet: Misst du tatsächliches Verhalten oder modellierte Proxies? Die meisten heutigen Cross-Media- oder Inkrementalitätsmessungen basieren überwiegend auf statistischen Modellen. Diese bringen Annahmen und Störfaktoren mit sich, die sich im Zeitverlauf verstärken. Solche Ansätze können funktionieren, wenn es keine besseren Alternativen gibt, bleiben aber immer Annäherungen.

Für eine verlässliche Inkrementalitätsanalyse brauchst du deterministische First-Party-Daten, die das Verhalten einzelner Nutzer kanal- und geräteübergreifend aus einer einzigen Quelle abbilden. So vermeidest du Abstimmungsprobleme, Fehler bei der Identitätsauflösung und Plattformverzerrungen. Die entscheidende Frage für die präzise Steuerung von Media-Budgets lautet: Kannst du dieselbe Person von der Exposition bis zum Ergebnis über die gesamte Customer Journey hinweg verfolgen – oder musst du an jedem Schritt Annahmen treffen?

ADZINE: Welche Datenpunkte sind besonders wichtig, um den zusätzlichen Effekt von Kampagnen kanal- und geräteübergreifend zuverlässig zu messen?

Tjondronegoro: Geräte- und kanalübergreifende Kontaktdaten auf individueller Ebene sind die unverzichtbare Grundlage. Du musst wissen, was jede Person gesehen hat, wann sie es gesehen hat und was sie danach getan hat – über alle Kanäle hinweg, nicht nur über diejenigen mit guter Tracking-Infrastruktur.

Kampagnen wirken nicht isoliert. Ein TV-Spot beeinflusst das Suchverhalten, eine Podcast-Werbung das Social Engagement. Wenn deine Messung nur Fragmente dieser Reise erfasst, misst du keine Inkrementalität, sondern Messverzerrung.

Über Expositionsdaten hinaus brauchst du reale Verhaltens- und Einstellungsdaten statt Ersatzmetriken. Erst der deterministische Zusammenhang zwischen Exposition und Geschäftsergebnis erlaubt es, den inkrementellen Effekt sauber zu isolieren.

ADZINE: Du hast es selbst gesagt – in der datengetriebenen Werbung wird viel modelliert. Welche Rolle spielen “echte menschliche Signale” bei der Steuerung von Kampagnen und der Optimierung der Inkrementalität?

Tjondronegoro: In der Branche zeichnet sich ein gefährlicher Trend ab: Reale Daten zum menschlichen Verhalten werden zunehmend durch synthetische Signale und modellierte Zielgruppen ersetzt. Gründe dafür sind Kosten, Skalierbarkeit und regulatorische Anforderungen. Für die Messung von Inkrementalität ist das jedoch fundamental problematisch. Du kannst dich nicht per A/B-Test der Wahrheit annähern, wenn beide Vergleichsgruppen lediglich statistische Konstrukte sind und keine realen Menschen abbilden.

Echte menschliche Signale – reale Kontakte, reale Conversions und reales Verhalten – sind das Fundament einer belastbaren Inkrementalitätsanalyse. Modellierung kann deterministische Daten ergänzen, aber nicht ersetzen. Geht der Zugang zu echten Verhaltenssignalen verloren, geht auch die Fähigkeit verloren, zwischen tatsächlicher Wirkung und bloßer Korrelation zu unterscheiden.

ADZINE: Was passiert, wenn die Analysen auf unvollständigen oder komplett modellierten Daten basieren? Welche Verzerrungen ergeben sich und wie lassen sie sich vermeiden?

Tjondronegoro: Unvollständige Daten erzeugen nicht nur blinde Flecken, sondern auch systematische Verzerrungen zugunsten der Kanäle, die am besten messbar sind. Deshalb schneiden digitale Kanäle in Attributionsmodellen häufig besser ab als klassische Medien – nicht zwingend, weil sie effektiver sind, sondern weil sie leichter zu tracken sind.

Werden vollständig modellierte Daten eingesetzt, verschärft sich dieses Problem weiter. Modelle basieren auf historischen Mustern und bevorzugen etablierte Kanäle und Taktiken. Zudem entsteht ein Survivorship Bias: Übrig bleiben die Kanäle, die sich gut messen ließen, nicht zwangsläufig jene mit der besten tatsächlichen Wirkung.

Diese Verzerrungen lassen sich nur vermeiden, wenn eine Messinfrastruktur eingesetzt wird, die vollständige, deterministische Daten zum menschlichen Verhalten über alle Medien hinweg aus einer einzigen Quelle erfasst. Patchwork-Ansätze aus Plattformdaten, Third-Party-Verifikation und statistischen Ableitungen tragen die Verzerrungen ihrer Einzelbestandteile weiter.

ADZINE: Datenintelligenz bedeutet, aus Daten konkrete Entscheidungen ableiten zu können. Wie können Werbetreibende sicherstellen, dass Algorithmen nicht nur große Datenmengen verarbeiten, sondern tatsächlich intelligent die Kampagnenwirkung steigern?

Tjondronegoro: Algorithmen sind nur so intelligent wie die Daten, mit denen sie trainiert werden, und die Ziele, auf die sie optimiert sind. Die meisten Optimierungsalgorithmen werden mit plattformspezifischen Daten trainiert und auf Metriken wie Impressions, Klicks oder Video Completion Rates optimiert. Diese Kennzahlen mögen mit Geschäftsergebnissen korrelieren, sie messen aber keine Inkrementalität.

Echte Intelligenz im Kampagnenmanagement erfordert Algorithmen, die auf tatsächlichen Business Lift optimiert sind, gemessen über saubere Inkrementalitätstests. Dafür braucht es eine Infrastruktur, die kontrollierte Experimente ermöglicht, Ergebnisse klar Taktiken zuordnet und kontinuierlich lernt, was wirklich wirkt.

In der Praxis fehlt vielen Werbetreibenden dafür die Kontrolle über ihre Messinfrastruktur. Sie sind bei Ausspielung und Messung von Plattformen abhängig – ein inhärenter Interessenkonflikt. Datenintelligenz setzt Datenunabhängigkeit voraus.

ADZINE: Was muss passieren, damit Inkrementalität in der Digitalwerbung künftig zuverlässig messbar wird und der Mediaeinkauf optimal datenbasiert gesteuert werden kann? Kann KI dabei helfen?

Tjondronegoro: Die Branche muss sich vom fragmentierten, plattformzentrierten Messmodell lösen. Werbetreibende brauchen eine Messinfrastruktur aus einer Hand, die sie selbst kontrollieren: mit deterministischen, aktuellen, medienübergreifenden Daten und der Fähigkeit, Inkrementalität in großem Maßstab sauber zu testen. Das ist kein technologisches Problem – die Möglichkeiten sind vorhanden –, sondern eine Frage von Strukturen und Anreizen. Selbst bei Handelsunternehmen mit der Komplexität von Aldi oder Rewe zeigt sich, dass saubere Inkrementalitätsmessung möglich ist, wenn Messung, Experimentdesign und Datengrundlage aus einer Hand kommen.

KI kann dabei helfen, aber nur auf Basis hochwertiger, deterministischer Daten aus einer einzigen Quelle. Ihr Mehrwert liegt nicht darin, Messprobleme zu kaschieren, sondern große Datenmengen schnell genug zu verarbeiten, um anspruchsvolle Inkrementalitätsanalysen zu ermöglichen, Muster zu erkennen und Kampagnen auf echte Geschäftsergebnisse statt auf Ersatzmetriken zu optimieren.

KI braucht saubere, deterministische Daten. Selbst die fortschrittlichste KI kann fragmentierte Eingaben nicht kompensieren. Ohne eine einheitliche Datenbasis beschleunigt sie lediglich Annahmen. Die Grundlage bleibt immer eine robuste Messinfrastruktur.

ADZINE: Danke für das Interview, Daniel!