Kausale Forschung

Definition: Kausale Forschung (auch: experimentelle oder erklärende Forschung) ist ein Forschungsdesign, das auf den Nachweis von Ursache-Wirkungs-Beziehungen zwischen Variablen abzielt. Sie beantwortet nicht nur die Frage “Was passiert?” (deskriptive Forschung) oder “Was könnte zusammenhängen?” (explorative Forschung), sondern “Warum und wodurch passiert es?”. Im Zentrum steht die Manipulation einer unabhängigen Variable (Ursache, Treatment) und die Messung ihres Effekts auf eine abhängige Variable (Wirkung, Outcome), während alle anderen potenziell einflussreichen Faktoren (Störgrössen, Confounds) kontrolliert werden. Das klassische Instrument ist das randomisierte, kontrollierte Experiment (Randomized Controlled Trial, RCT), bei dem Untersuchungseinheiten zufällig einer Test- oder Kontrollgruppe zugewiesen werden, sodass systematische Unterschiede zwischen den Gruppen ausgeschlossen werden können. Im digitalen Marketing sind A/B-Tests die bekannteste Form kausaler Forschung; daneben kommen Geo-Experimente, Switchback-Tests und Incrementality Tests zum Einsatz. Kausale Forschung liefert die actionablen Erkenntnisse, auf deren Grundlage Marketing-Optimierungen mit Zuversicht umgesetzt werden können.

Erläuterung

Die Abgrenzung zwischen Korrelation und Kausalität ist das zentrale methodische Problem der empirischen Marketingforschung. Dass zwei Variablen statistisch zusammenhängen (korrelieren), bedeutet nicht, dass eine die andere kausal beeinflusst. Drei Bedingungen müssen erfüllt sein, damit ein kausaler Zusammenhang vorliegt: Erstens Kovarianz (die Variablen variieren gemeinsam), zweitens zeitliche Priorität der Ursache (die Ursache geht der Wirkung zeitlich voraus) und drittens die Eliminierung alternativer Erklärungen (keine Drittvariable erklärt die Beziehung). In der Marketingpraxis werden vielfach Entscheidungen auf Basis korrelativer Daten getroffen, ohne dass die kausale Struktur bekannt ist – mit der Folge, dass Ressourcen falsch alloziert werden. Kausale Forschungsdesigns lösen dieses Problem. Das Goldstandard-Design ist das RCT mit vollständiger Randomisierung: Durch die zufällige Zuordnung zu Test- und Kontrollgruppe werden bekannte und unbekannte Störvariablen im Durchschnitt gleichmässig auf beide Gruppen verteilt, sodass der beobachtete Unterschied kausal auf das Treatment zurückgeführt werden kann. Im digitalen Marketing wird dieses Prinzip in A/B-Tests und Multivariate-Tests umgesetzt: Nutzer werden zufällig einer von mehreren Varianten einer Landing Page, E-Mail-Betreffzeile oder Werbeanzeige zugewiesen. Wenn randomisierte Experimente nicht durchführbar sind – etwa weil ein Eingriff in laufende Systeme nicht möglich oder ethisch problematisch ist – kommen quasi-experimentelle Designs zum Einsatz. Zu diesen zählen Difference-in-Differences (DiD), Instrumental Variables (IV), Regression Discontinuity Design (RDD) und Synthetic Control Methods. Diese Methoden nutzen natürliche Variation in der Exposition gegenüber einem Treatment, um kausale Schlüsse zu ziehen, sind aber anspruchsvoller in der Implementierung und Interpretation. Die “Causal Revolution” (Pearl & Mackenzie, 2018) hat das theoretische Fundament der Kausalinferenz mit dem Konzept des Directed Acyclic Graph (DAG) und dem Do-Kalkül formalisiert und damit das kausale Denken auch in der Datenanalyse praxistauglich gemacht.

Experimentelle Designs im Marketing

• A/B-Test (Split-Test): Randomisierter Vergleich zweier Varianten einer Massnahme (z. B. Website-Element, E-Mail-Betreffzeile, Werbeanzeige) auf einer definierten Zielmetrik. Einfachste und häufigste Form kausaler Forschung im digitalen Marketing; setzt ausreichende Stichprobengrössenplanung und konsequente Randomisierung voraus.
• Multivariater Test (MVT): Gleichzeitiger Test mehrerer Faktoren (z. B. Headline, Bild, CTA) und ihrer Wechselwirkungen in verschiedenen Kombinationen. Effizienter als sukzessive A/B-Tests, aber interpretatorisch anspruchsvoller und erfordert deutlich grössere Stichproben.
• Geo-Experiment: Kausales Design für Offline-Medien oder Massnahmen ohne Nutzer-Targeting, bei dem vergleichbare Regionen in Test- und Kontrollgruppen eingeteilt werden. Eignet sich für TV, Radio, Out-of-Home und regionalisierte Online-Kampagnen.
• Quasi-Experimente (Difference-in-Differences): Vergleich der Veränderung einer Zielgrösse in einer Gruppe, die einer Massnahme ausgesetzt war, mit einer vergleichbaren Kontrollgruppe, die nicht ausgesetzt war. Berechnet den Effekt als Differenz der Differenzen. Geeignet, wenn keine vollständige Randomisierung möglich ist.

Interne und externe Validität

• Interne Validität: Grad, zu dem ein beobachteter Effekt tatsächlich kausal auf das Treatment zurückgeführt werden kann und nicht auf Störvariablen. Bedroht durch Selection Bias, History-Effekte, Reifungseffekte und Testeffekte. Randomisierung maximiert die interne Validität.
• Externe Validität (Generalisierbarkeit): Grad, zu dem die Erkenntnisse aus dem Experiment auf andere Personen, Situationen, Zeitpunkte oder Kontexte übertragbar sind. Laborexperimente haben oft hohe interne, aber geringe externe Validität; Feldexperimente umgekehrt.

Ausgewählte Referenzen

• Pearl, J. & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
• Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
• Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.
• Angrist, J. D. & Pischke, J. S. (2014). Mastering 'Metrics: The Path from Cause to Effect. Princeton University Press.
• Malhotra, N. K. (2020). Marketing Research: An Applied Orientation (7. Aufl.). Pearson.