Dahinter steckt ein aggregierter Score des Münchner Adtech-Unternehmens Screen On Demand (SoD). Er setzt sich aus vier Komponenten zusammen: Attention, Brand Impact, Behavioral Impact und Kosten pro Wirkung. Alle vier Dimensionen werden auf eine einheitliche Skala von 0 bis 100 normiert und anschließend zu einem gewichteten Gesamtwert zusammengeführt.

Die Datenbasis ist heterogen. Während Attention-Daten aus Werbemittel-Telemetrie und Player-Events stammen und über Standards wie IAS oder MOAT validiert werden, basiert der Brand-Impact-Teil auf Panels mit Test- und Kontrollgruppen. Der Behavioral-Teil wiederum greift auf Bewegungsdaten, Suchvolumen und Website-Traffic zurück.

Die Gewichtung der einzelnen Komponenten ist kampagnenspezifisch. Je nach Ziel, wie beispielsweise Branding, Abverkauf oder Performance, ändert sich die Relevanz der einzelnen “Sub-Scores”. Diese Gewichtung wird im Reporting offengelegt und kann während der Kampagne angepasst werden.

Letztlich sollen Kampagnen dadurch optimiert werden, ergo muss sich der Score in die Kampagnensteuerung rückkoppeln lassen. Laut SoD sollen die Entscheidungen beim Mediaeinkauf über Targeting, Frequenz oder Budgetverteilung auf Basis der aggregierten Wirkungskennzahl automatisiert getroffen werden.

Wirkung ist naturgemäß sehr schwierig zu messen, sonst würde es schon lange eine Lösung dafür geben. Also müssen die Dienstleister auf Modelle zurückgreifen. SoD unterscheidet hier explizit zwischen direkt gemessenen Daten, hochgerechneten Werten und vollständig modellierten Anteilen.

Direkt messbar sind vor allem Attention-Signale sowie Website-Interaktionen und teilweise auch das Suchverhalten über Suchvolumen-APIs oder Geo-Vergleichsregionen. Brand-Lift-Daten hingegen basieren auf Stichproben aus Panels, die auf die Gesamtreichweite hochgerechnet werden. Footfall wird aus Bewegungsdaten-Panels abgeleitet und auf die exponierte Zielgruppe modelliert. Die kanalübergreifende Attribution basiert auf einem Last-Touch-plus-Assist-Modell.

Dies bedeutet, dass ein erheblicher Teil der ausgewiesenen Wirkung nicht direkt beobachtbar ist, sondern auf statistischen Verfahren und Annahmen beruht. Um diese Unsicherheit sichtbar zu machen, werden im Reporting Konfidenzklassen ausgewiesen, die die Aussagekraft einzelner Sub-Scores einordnen sollen.

Der Heilige Gral der Messansätze ist die Vergleichbarkeit von Kampagnenleistung über mehrere Kanäle hinweg. Doch auch der Wirkungs-Score muss mit einer methodischen Einschränkung leben, denn die Rohdaten sind nicht vergleichbar. Dabei handelt es sich um normierte Werte im Verhältnis zu kanalspezifischen Benchmarks.

So bedeutet ein hoher Score in Digital-Out-of-Home nicht dasselbe wie ein hoher Score auf Connected TV oder Mobile. Er bescheinigt vielmehr eine überdurchschnittliche Performance im jeweiligen Kanalumfeld. Die Brand-Impact-Messung wird ebenfalls kanalübergreifend einheitlich erhoben, wobei die Attribution der Effekte allerdings kanalabhängig bleibt. Die Vergleichbarkeit ist damit relativ, nicht absolut.

Der High-Impact-Spezialist benennt die Grenzen des eigenen Modells offen und macht damit sichtbar, wo aktuelle Wirkungsmetriken an ihre Grenzen kommen und nachgebessert werden sollte. Eine der größten Herausforderungen ist die statistische Signifikanz. Brand-Impact-Befragungen benötigen ausreichend große Stichproben, bei kleineren Kampagnen sinkt die Aussagekraft.

Auch Bewegungsdaten bleiben im europäischen Markt eingeschränkt. Footfall lässt sich meist nur auf aggregierter Ebene belastbar messen, während einzelne Kontakte modelliert werden müssen. Hinzu kommen Unterschiede in der Datenqualität zwischen den Kanälen. Während Mobile detaillierte Nutzersignale liefert, basiert die Messung auf Connected TV auf deutlich gröberen Annahmen. Eine einheitliche Datenbasis über alle Screens hinweg existiert damit nicht.

Kausalität bleibt ebenfalls ein Flaschenhals. Veränderungen in Wirkungswerten sind nicht eindeutig auf Kampagnen zurückzuführen. Test- und Kontrollgruppen können das abfedern, aber nicht vollständig auflösen. Ähnlich verhält es sich bei der kanalübergreifenden Attribution, die weiterhin auf vereinfachenden Modellen basiert.

Schließlich hängt die Aussagekraft auch von der Reife der Benchmarks ab, insbesondere bei neuen Formaten mit noch begrenzter Datenbasis. Der Messansatz löst das Problem damit nicht vollständig, macht es aber transparenter: Wirkung wird nicht als exakter Messwert dargestellt, sondern als Annäherung mit ausgewiesener Unsicherheit.

Der Score hat nicht den Anspruch, neuer Industriestandard zu werden. Es geht den Münchnern darum, einen Vorschlag innerhalb einer breiteren Marktentwicklung vorzulegen. Ähnliche Ansätze finden sich bei anderen Anbietern im Umfeld von Attention- und Wirkungsmetriken, die Wirkung endlich zu einer KPI im digitalen Werbemarkt machen wollen. Der Schritt bleibt methodisch anspruchsvoll.

Ein Fortschritt ist deutlich zu erkennen. Der Markt bewegt sich weg von isolierten Kanalmetriken hin zu aggregierten Wirkungsmodellen. Der Preis dafür ist eine steigende Abhängigkeit von Modellierungen, Annahmen und Benchmarks. So macht der Wirkungs-Score transparent, was lange implizit war. Wirkung lässt sich kanalübergreifend derzeit eben nur näherungsweise erfassen – nicht eindeutig messen.