Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Geo-Experiment

Definition: Ein Geo-Experiment (auch: geografisches Experiment oder Geo-Test) ist ein kontrolliertes Feldexperiment, bei dem geografische Einheiten – typischerweise Städte, Postleitzahlgebiete, Bundesländer oder Länder – als experimentelle Analyseeinheiten verwendet werden. Ein Teil dieser Regionen wird einer Marketingmaßnahme ausgesetzt (Testgruppe), während der andere Teil keine Veränderung erfährt (Kontrollgruppe). Durch den Vergleich der Entwicklung beider Gruppen während und nach der Interventionsperiode lässt sich der kausale Inkrementaleffekt der Maßnahme schätzen. Geo-Experimente sind besonders wertvoll in einer datenschutzbewussteren Welt, in der Tracking auf Nutzerebene durch Cookie-Beschränkungen, iOS-Privacy-Updates und DSGVO zunehmend eingeschränkt ist. Sie bilden eine methodische Brücke zwischen dem Goldstandard des randomisierten kontrollierten Experiments (RCT) und der Messrealität des heutigen digitalen Marketings. Google hat mit dem GeoX-Framework (Vaver & Koehler, 2011) und dem gleichnamigen R-Paket eine strukturierte, Open-Source-Methodik für Geo-Experimente entwickelt, die in der Praxis weit verbreitet ist. Meta und andere Plattformen bieten ähnliche Werkzeuge an. Geo-Experimente finden Einsatz in der TV-Werbewirkungsforschung, im Incrementality Testing für digitale Werbung und im Marketing Mix Modeling als Kalibrierungsdatenpunkt.

Erläuterung

Die Grundlogik des Geo-Experiments folgt dem Differenz-in-Differenzen-Prinzip (DiD): Man vergleicht nicht nur den absoluten Unterschied zwischen Test- und Kontrollregion nach dem Experiment, sondern berücksichtigt auch die Vorher-Unterschiede (Baseline-Differenz). Der geschätzte kausale Effekt ergibt sich aus: (Änderung in Testregion) minus (Änderung in Kontrollregion). Entscheidend für die interne Validität ist die Vergleichbarkeit der Regionen vor Beginn des Experiments; dies wird durch sorgfältige Matching-Verfahren oder durch Balanced-Assignment-Algorithmen sichergestellt.

Die Auswahl der Test- und Kontrollregionen ist der kritischste Schritt. Ker et al. beschreiben in Googles veröffentlichten Richtlinien, dass Regionen idealerweise anhand von mindestens 52 Wochen historischer Zeitreihendaten gematchet werden sollten, um saisonale Effekte und strukturelle Brüche zu kontrollieren. Häufig verwendete Matching-Kriterien sind: historisches Umsatzvolumen, demografische Zusammensetzung, Kategorie-Penetration und Mediennutzungsverhalten. In Deutschland werden für Geo-Experimente oft Bundesländer oder Nielsen-Gebiete als Analyseeinheiten verwendet, da sie eine ausreichende Marktgröße und geringe regionale Spillover-Effekte aufweisen.

Ein strukturelles Problem aller Geo-Experimente ist der Spillover-Effekt: Wenn Konsumenten aus Kontrollregionen durch Werbung in der Testregion beeinflusst werden (z. B. durch grenzübergreifende Mediennutzung oder Online-Werbung), wird der Effekt unterschätzt. Geografisch isolierte Märkte oder Insel-Länder wie Österreich oder die Schweiz eignen sich deshalb besonders als Kontrollgruppen für deutschsprachige Kampagnen. Brodersen et al. (2015) schlugen mit der Bayesian Structural Time Series (BSTS)-Methode, implementiert im R-Paket CausalImpact, eine robuste Alternative vor, die auch ohne klassische Kontrollgruppe auskommt.

Planungsschritte eines Geo-Experiments

Anwendungsszenarien

Praxistipp: Planen Sie die Regionenauswahl datengetrieben: Exportieren Sie mindestens 52 Wochen historischer Verkaufs- oder Conversion-Daten auf regionaler Ebene und nutzen Sie das offene GeoX-R-Paket von Google, um Regionen mit minimaler RMSE-Abweichung zu matchen. Stellen Sie sicher, dass Ihre Experimentdauer mindestens vier Wochen beträgt, um kurzfristige Ausreißer auszugleichen, und dokumentieren Sie alle parallel laufenden Kampagnen und Promotions sorgfältig, da diese als Konfundierungsvariablen den Kausaleffekt verzerren können.