Was genau ist der Unterschied zwischen ROAS und ROI?

ROAS ist die Verhältniszahl von Umsatz zu Werbeausgaben, ohne dass Produktionskosten, Marge oder andere Aufwände berücksichtigt sind. ROI dagegen ist die Verhältniszahl von Gewinn zu Investition, also schon nach Abzug aller Kosten. Ein hoher ROAS kann mit einem schlechten ROI einhergehen, wenn die Marge dünn ist oder die Logistik teuer.

Welche Attributionsmodelle gibt es überhaupt, neben Last-Click?

Die gängigsten sind First-Click, lineare Attribution, zeitabhängige Attribution, positionsbasierte Modelle und datengetriebene Attribution. Datengetriebene Attribution nutzt statistische Verfahren, um den Beitrag jedes Touchpoints zu schätzen, und ist heute der Standard in GA4. Causal Impact und Synthetic Control gehen noch einen Schritt weiter und versuchen, die Frage nach Ursache und Wirkung statt nach Beitrag zu beantworten.

Wie erkenne ich eine Scheinkorrelation in meinen eigenen Daten?

Ein guter erster Test ist die Frage, ob es eine plausible dritte Variable gibt, die beide Größen treiben könnte. Saisonalität, Wetter, Marken-Awareness, Pricing-Änderungen und parallele Kampagnen sind klassische Verdächtige. Wer es genauer wissen will, vergleicht die Zeitreihe mit einer synthetischen Kontrollgruppe oder fährt einen kontrollierten A/B-Test mit Haltegruppe.

Brauche ich für Causal Impact ein Data-Science-Team?

Nein, nicht mehr. Vor wenigen Jahren war das eine Statistiker-Aufgabe, weil die Modelle aufwändig zu bauen waren. Heute gibt es spezialisierte Tools, die die Berechnung im Hintergrund machen und nur ein paar Eingaben verlangen, das Datum der Intervention und die Metrik, die geprüft werden soll. Vectalyze enthält eine Library mit vorgefertigten Causal-Impact-Experimenten, die in wenigen Klicks laufen.

Gilt das auch für kleine Werbebudgets?

Ja, sogar besonders. Bei kleinen Budgets ist der Spielraum für Fehlallokation prozentual größer und der finanzielle Schaden trifft schneller. Die guten Nachrichten, die mathematischen Methoden funktionieren auch mit relativ wenigen Datenpunkten, weil sie Unsicherheit explizit ausweisen statt eine falsche Sicherheit zu suggerieren.

Was, wenn ich gar keine Kontrollgruppe aufsetzen kann?

Genau dafür gibt es Methoden wie Synthetic Control und Causal Impact. Sie bauen eine künstliche Kontrollgruppe aus historischen Daten oder aus parallelen Marktsegmenten, die nicht von der Intervention betroffen sind. Damit lässt sich auch dann ein belastbares Vergleichs-Szenario rekonstruieren, wenn ein klassischer A-B-Test in der Praxis nicht machbar wäre.

Heißt das, ich soll ROAS gar nicht mehr nutzen?

Nein, ROAS bleibt eine sinnvolle Kennzahl, wenn wir sie als das verstehen, was sie ist, ein Effizienz-Maß für vergleichbare Einheiten. Innerhalb derselben Kampagne, denselben Marge, demselben Zeitraum sagt der ROAS uns etwas Nützliches. Übergreifend, also über Kanäle und Zeiträume hinweg, taugt er nicht als alleinige Entscheidungsgrundlage. Für die strategische Steuerung brauchen wir Werkzeuge, die Ursache und Wirkung sauber auseinanderhalten.

Warum klassische Marketing-Auswertung uns in die Irre führt

ROAS, Last-Click, Saisonalität, drei Lese-Fallen, die in jedem zweiten Monatsbericht stecken. Wir zeigen, wie wir sie erkennen und welches mentale Modell uns davor schützt.

Jede Marketingabteilung kennt diesen Moment. Der Monatsbericht kommt, der ROAS ist deutlich höher als im Vormonat, der Vorstand klopft auf die Schulter, und insgeheim wissen wir nicht genau, warum die Zahl jetzt so gut aussieht. War es die neue Kampagne, war es das Saisonende, war es einfach Glück. Wenn wir ehrlich sind, basieren viele unserer Marketing-Entscheidungen auf Kennzahlen, die wir falsch lesen. Schauen wir uns gemeinsam an, warum das so ist, und was sich daraus konkret für eure Auswertungslogik ergibt.

In drei Sätzen

01Klassische Marketing-Kennzahlen wie ROAS oder Last-Click-Attribution zeigen oft Korrelationen, nicht Ursache und Wirkung.
02Saisonalität, Marken-Momentum und kanalübergreifende Effekte verzerren das Ergebnis, ohne dass wir es bemerken.
03Wer wirklich verstehen will, was die eigenen Marketingmaßnahmen bewirken, braucht andere Werkzeuge als die Standard-Reports der Ad-Plattformen.

Drei Lese-Fallen, die unseren Reports geschmeidig schmecken

Drei Muster begegnen uns in der Praxis besonders häufig, und jedes davon kann ein Marketingbudget nachhaltig fehlleiten. Wir gehen sie der Reihe nach durch.

Falle Nummer eins, der Saison-Lift wird als Kampagnen-Lift gefeiert

Im November und Dezember steigt der Umsatz in vielen Konsumkategorien um vierzig bis fünfzig Prozent gegenüber dem Jahresdurchschnitt. Das passiert auch dann, wenn unser Marketing unverändert bleibt. Wenn wir genau in diesem Zeitfenster eine neue Kampagne starten und anschließend einen ROAS-Anstieg berichten, schreiben wir den Saison-Effekt fälschlich der Kampagne zu. Vorstand und Team feiern, das Budget für die Kampagne wird im nächsten Quartal erhöht, der Effekt ist im Februar weg, niemand versteht warum.

Falle Nummer zwei, Last-Click-Attribution erzählt nur das Ende der Geschichte

Ein potenzieller Kunde sieht zuerst einen LinkedIn-Post, klickt drei Wochen später auf eine Display-Anzeige, sucht zwei Monate danach unseren Markennamen bei Google und kauft. Last-Click sagt, dass die Google-Brand-Anzeige hundert Prozent der Conversion verdient hat. Tatsächlich wäre der Kauf ohne den ursprünglichen LinkedIn-Post nie zustande gekommen. Wer auf dieser Datengrundlage Budgets verteilt, schichtet Geld weg von den Kanälen, die früh in der Customer-Journey wirken, und in Kanäle, die nur die letzte Tür offenhalten.

Falle Nummer drei, lineare Erwartung an Budget-Erhöhungen

Wenn wir mit zehntausend Euro Budget zwanzigtausend Euro Umsatz machen, glauben wir oft instinktiv, dass zwanzigtausend Euro Budget vierzigtausend Euro Umsatz bringen müssten. Das ist linear gedacht. Im echten Performance-Marketing ist die Beziehung zwischen Budget und Umsatz aber keine Gerade, sondern eine Kurve, die irgendwann flach wird. Wir nennen das eine Sättigungskurve. Jeder zusätzliche Euro bringt am Anfang viel, dann weniger, irgendwann gar nichts mehr, und ab einem gewissen Punkt sogar negative Werte, weil wir Marken-Müdigkeit oder Auktions-Inflation kaufen.

Was ROAS wirklich aussagt, und was nicht

ROAS ist die wahrscheinlich missverstandenste Kennzahl im digitalen Marketing. Sie taugt gut, um einzelne Kampagnen miteinander zu vergleichen, solange Produkt, Zeitraum und Marge konstant bleiben. Sie taugt überhaupt nicht, um zu erkennen, ob ein Kanal kausal zum Umsatz beiträgt oder ob er nur dort steht, wo der Kunde sowieso vorbeigeht.

Ein ROAS-Bericht beantwortet die Frage, wer am Ende der Konversation stand. Er beantwortet nicht die Frage, was tatsächlich passiert wäre, wenn wir die Konversation nie geführt hätten.

Korrelation ist nicht Kausalität

Das ist der wichtigste Satz dieses Beitrags. Wenn zwei Größen gleichzeitig steigen, heißt das nicht, dass die eine die andere verursacht. Sie können beide von einer dritten Größe getrieben werden, die wir nicht sehen, oder sie können zufällig im selben Rhythmus schwingen.

Das klassische Lehrbuch-Beispiel hat mit Marketing nichts zu tun, hilft aber, das Prinzip zu verinnerlichen. In den Sommermonaten verkaufen wir mehr Eis, gleichzeitig steigt die Zahl der Badeunfälle. Die beiden Kurven sehen fast identisch aus. Würden wir naiv folgern, dass Eisverkauf zu Badeunfällen führt, wäre die logische Konsequenz, Eis zu verbieten. Das wäre Unsinn. Die heimliche dritte Variable, die beide treibt, ist die Hitze.

Zwei stark korrelierte Verläufe, ohne ursächlichen Zusammenhang. Beide werden von einer dritten Größe getrieben, die in der Auswertung nicht auftaucht.

Übertragen in das Marketing finden wir das ständig. Unser ROAS steigt im Dezember, der Newsletter-Umsatz steigt parallel, also folgern wir, der Newsletter sei für den höheren ROAS verantwortlich. Tatsächlich treibt die Vorweihnachtszeit beide Größen, der Newsletter ist nur Beifahrer. Wer hier ohne Korrektur arbeitet, baut seine Budgetplanung auf einer Illusion auf.

Wie das in der Praxis aussieht, drei kurze Beispiele

Beispiel eins, Black-Friday-Lift im D2C

Ein Direct-to-Consumer-Shop fährt am Black Friday eine Promo-Kampagne. Der Umsatz in der Woche steigt um achtzig Prozent gegenüber dem Wochendurchschnitt. Das Team feiert, der CFO will die Promo verdoppeln. Erst wenn wir mit einer Causal-Impact-Analyse ein synthetisches Vergleichs-Szenario rekonstruieren, sehen wir, dass etwa fünfzig der achtzig Prozent ohnehin gekommen wären, einfach durch Black-Friday-Suchverhalten und Saisonalität. Der reale Lift der Kampagne lag näher bei dreißig Prozent. Bei einem Marketing-Spend in dieser Phase sind das schnell sechsstellige Beträge, die wir falsch zugeordnet hätten.

Beispiel zwei, Re-Branding bei einem B2B-SaaS

Ein Software-Anbieter launcht ein neues Brand-Design und beobachtet in den folgenden zwei Monaten höhere Conversion-Raten auf der Webseite. Schnelle Schlussfolgerung, das Re-Branding hat funktioniert. Genauer hingeschaut hatten sie parallel das Pricing geändert und einen Webinar-Funnel ausgerollt. Was hat den Effekt erzeugt, das neue Logo, der neue Preis oder das Webinar? Klassische Auswertung gibt darauf keine Antwort. Eine sauber aufgesetzte Counterfactual-Analyse macht aus diesem Rätsel eine messbare Sache.

Beispiel drei, Last-Click-Falle im langen B2B-Sales-Cycle

Ein Industrie-Anbieter mit Sales-Cycles von sechs Monaten verlässt sich auf Last-Click und sieht, dass achtzig Prozent der Abschlüsse über Google-Brand-Suche reinkommen. Folgerung, wir streichen das LinkedIn-Sponsoring. Drei Quartale später bricht die Brand-Such-Frequenz ein, niemand versteht warum. Tatsächlich war das LinkedIn-Sponsoring der eigentliche Nachfrage-Generator, Google-Brand fing nur die Spätfolge ein. Wer Last-Click vertraut, kappt die Wurzel und wundert sich über die Trockenheit der Blüten.

Klassische Last-Click-Attribution gibt einem Kanal die volle Anerkennung, obwohl andere Touchpoints den Wunsch erst erzeugt haben.

Was uns aus dieser Lage befreit

Wenn klassische Reports uns systematisch in die Irre führen, brauchen wir andere Werkzeuge, ohne dass wir gleich ein Data-Science-Team einstellen müssen. Drei Bausteine helfen. Erstens, ein Modell, das die nicht-lineare Reaktion auf Werbebudget richtig abbildet, also die Sättigungskurve. Zweitens, eine Methode, die Kausalität von Korrelation trennt, also Causal Impact oder Synthetic Control. Drittens, eine Allokationslogik, die nicht in Kanälen denkt, sondern in marginalen Erträgen über die gesamte Kampagne hinweg.

Genau diese drei Bausteine sind das Thema des nächsten Beitrags. Wir steigen dort tief in Sättigungskurve, Causal Impact und Marginal Return ein und zeigen, wie sie zusammenspielen, damit jeder ausgegebene Euro auch wirklich der nächste sinnvolle Euro ist.

In Vectalyze sind diese Werkzeuge eingebaut und auf eure Daten anwendbar, ohne dass jemand im Hintergrund Python-Skripte für euch schreiben muss. Was bisher eine Konzern-Übung war, wird damit für jedes Mid-Market-Team zugänglich.