Marketing-Kausalität: den Pfad erkennen, der falsche Performance erzeugt.
Direkt überprüfbare Belege
Primärquellen zur Prüfung der zentralen Aussagen.
- Holland (1986), Statistics and Causal Inference (öffnet in einem neuen Tab)
Definition des Kausalproblems und des Kontrafaktums.
Stand des Nachweises
Was nicht reproduziert wurde.
Das Training der Quelle wurde wiederholt und reproduziert ihre Vorhersageleistung (Holdout-R² von 0,843). Der Graph der Beziehungen zwischen den Kanälen ergibt sich daraus nicht: er kommt undifferenziert zurück, während die Veröffentlichung einen zeigt, dessen Verbindungen plausible kausale Pfade nahelegen würden. Dieses Dossier bestätigt somit keine kausale Schlussfolgerung, und diese Messung stützt mit einer Zahl, was die Seite feststellt: gut vorhersagen heißt nicht, eine Struktur belegt zu haben.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Expliziter Estimand
Durchschnittseffekt, Effekt auf die Behandelten, Effekt einer Budgettranche oder Langfristeffekt sind nicht dieselbe Größe. Das Design lässt sich nicht wählen, bevor Population, Maßnahme und Horizont definiert sind.
Offene Pfade
Eine Variable, die Maßnahme und Ergebnis gemeinsam ist, erzeugt einen nicht-kausalen Pfad. Sie zu kontrollieren kann helfen, doch einen Mediator oder Collider zu kontrollieren kann auch eine neue Verzerrung einführen.
Design vor Modell
Randomisierung, eine Eignungsregel oder eine glaubwürdige geografische oder zeitliche Variation schaffen den Vergleich. Ein komplexeres Modell repariert ein fehlendes Kontrafaktum nicht automatisch.
Methode
Eine kausale Aussage im richtigen Verhältnis zum Nachweis bauen
- 01Die Intervention definieren
Festlegen, wer was erhält, wann, in welcher Dosis und im Vergleich zu welchem Nichthandeln; eine zusammengesetzte Kampagne muss zerlegt werden, wenn ihre Elemente variieren können.
- 02Die Ursachen zeichnen
Vorgelagerte Variablen, Targeting-Kriterien, latente Nachfrage, Wettbewerb, Mediatoren und Ergebnis kartieren; der Graph dient dazu zu entscheiden, was gemessen und was nicht kontrolliert wird.
- 03Die Variation wählen
Randomisierung bevorzugen; andernfalls die Annahme dokumentieren, die eine Variation glaubwürdig quasi-experimentell macht, und Placebo-Tests oder Vortrends suchen.
- 04Die Nutzung begrenzen
Intervall, Sensitivität gegenüber Confoundern und abgedeckte Population berichten; ein lokaler Nachweis darf nicht in einen universellen Ertrag verwandelt werden.
Die Karte der Bias-Pfade
Der Graph trennt gesuchte Wirkung, umgekehrte Kausalität, Selektion und gemeinsame Variablen. Jeder Pfad verlangt ein anderes Design oder eine andere Diagnose.
Ein scheinbarer Ertrag von 18 € fällt nach der Identifikation auf 7 €
Eine historische Regression schreibt jedem Tausend Euro Media 18 € Umsatz zu. Die Budgets werden jedoch vor nachfragestarken Wochen und während Aktionen erhöht.
Die Zerlegung schätzt 6 € Verzerrung durch prognostizierte Nachfrage, 3 € durch Aktionen und 2 € durch Saison, also 11 €. Ein vergleichbarer Geo-Test misst eine Wirkung von 7 €, im Einklang mit 18 − 11.
Der nutzbare Kausaleffekt beträgt 7 € im Rahmen des Tests. Der Ertrag von 18 € bleibt eine deskriptive Assoziation und darf die Allokation nicht steuern.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Population, Intervention, Vergleich, Ergebnis und Horizont sind definiert.
- 02
Die gemeinsamen Ursachen von Maßnahme und Ergebnis sind kartiert.
- 03
Das Design erzeugt unabhängige Variation oder verteidigt eine testbare Annahme.
- 04
Die abschließende Aussage bleibt auf die beobachtete Population und Bandbreite begrenzt.
Grenzen
Was diese Analyse nicht belegt.
- Ein Kausalgraph formalisiert Annahmen; er macht sie nicht wahr.
- Wirkungen können nach Segment, Dosis, Periode und Interaktion mit anderen Hebeln variieren.
- Sensitivitätsanalysen mindern Selbstüberschätzung, decken aber keinen ungemessenen Confounder auf.
Quellenangaben
Zitierte Literatur.
- Pearl, J. (2009), Causality: Models, Reasoning, and Inference.
- Hernán, M. A. & Robins, J. M. (2020), Causal Inference: What If.
- Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002), Experimental and Quasi-Experimental Designs.