Billboard-Footfall-Attribution: die Lift-und-Kontroll-Messschleife

Was Billboard-Footfall-Attribution belegen soll

Billboard-Footfall-Attribution ist die Praxis zu messen, ob eine Out-of-Home-Kampagne einen messbaren Uplift bei Filialbesuchen verursacht hat, statt nur mit einem zusammenzufallen. Die Frage klingt einfach. Die Umsetzung ist es nicht. Eine Plakatwerbung trägt keinen Klick, die Zielgruppe, die das Plakat sieht, überschneidet sich stark mit der Zielgruppe, die ohnehin am Geschäft vorbeigeht, und die Besuche, die die Kampagne beeinflussen soll, finden Tage, manchmal Wochen nach dem Kontakt statt. Die meisten Berichte, die sich Billboard-Attribution nennen, sind Korrelation: Besuche während der Schaltung gegen Besuche davor, die Lücke als Uplift etikettiert. Diese Zahl ist fast immer falsch, meist in die Richtung, die die Marke sehen wollte.

Eine belastbare Antwort braucht drei Dinge in einer Linie. Eine Kontrollgruppe, die das Plakat nicht sieht und im Übrigen alles teilt, was Filialbesuche bewegt. Eine Exposure-Modellierung, die mit einem Konfidenzniveau sagt, wer tatsächlich Gelegenheit hatte, das Panel zu sehen. Und ein sauberes Signal für Filialbesuche, mit dem das Exposure-Modell verknüpft werden kann. Dieser Beitrag geht jeden Teil im Jahr 2026 durch, wie die Zeitfenster gewählt werden und wie ein kamerafreier, identifikatorfreier Türzähler in die Schleife passt. Durchgehend ist es die Methodensicht, gepaart mit dem, was eine Visitor-Marketing-Plattform beiträgt, sobald das Besuchssignal vorliegt.

Das Lift-und-Kontroll-Design

Der Kern jeder ehrlichen Billboard-Attribution sitzt in einem Lift-und-Kontroll-Experiment. Die Marke wählt eine Gruppe von Filialen oder eine geografische Region, die der Kampagne ausgesetzt ist, wählt eine vergleichbare Gruppe von Filialen oder eine Region, die ihr nicht ausgesetzt ist, und misst den Unterschied bei den Filialbesuchen zwischen beiden über dasselbe Zeitfenster. Die exponierte Gruppe ist die Testzelle. Die nicht exponierte Gruppe ist die Kontrolle. Uplift ist die prozentuale Lücke zwischen beiden, mit Konfidenzintervall und p-Wert dazu. Alles, was weniger streng ist, einschließlich eines Vorher-Nachher-Vergleichs an einer einzelnen Filiale, ist eine Geschichte, keine Messung.

Es gibt vier gängige Wege, die Linie zwischen Test und Kontrolle zu ziehen, jeder mit einem Kompromiss.

• Geografische Kontrollgruppe. Städte oder Postleitzahlen, die die Schaltung sehen, mit solchen abgleichen, die sie nicht sehen. Funktioniert für regionale oder nationale Ketten; fällt durch, wenn die Kontrollregion aus nicht damit zusammenhängenden Gründen driftet.
• Filialaufteilung. Innerhalb einer Region die Hälfte der Filialen exponieren und die andere Hälfte herausnehmen. Funktioniert bei dichtem Filialnetz; fällt durch, wenn derselbe Kunde in einer Woche an beiden Arten vorbeigeht.
• Zeitbasierte Holdout-Methode. Exponierte Wochen gegen vergleichbare nicht exponierte Wochen in denselben Standorten vergleichen. Funktioniert für kurze Schaltungen; fällt durch, wenn Saisonalität oder Feiertage die Besuche stärker bewegen als der erwartete Uplift.
• Zielgruppenbezogenes Holdout. Wenn die Plakatwerbung mit einer programmatischen Digital-Out-of-Home- oder Mobile-Buchung kombiniert wird, hält der Marktplatz einen Anteil der adressierbaren Zielgruppe zurück. Funktioniert mit einer sauberen Clean-Room-Verknüpfung; fällt durch, wenn die adressierbare Schicht im Vergleich zum Panel klein ist.

Ein verbreitetes Muster ist, zwei dieser Ansätze zu kombinieren, zum Beispiel eine geografische Kontrollgruppe mit einem zeitbasierten Holdout obendrauf. Diese Redundanz gibt dem Ergebnis eine Chance, eine Prüfung durch das Marketing-Science-Team zu überstehen.

Exposure-Modellierung: wer das Panel wirklich gesehen hat

Eine Plakatwerbung liefert keine Impressions, sie liefert Gelegenheiten. Die Zahl, die ins Modell geht, ist nicht, wie viele Autos vorbeigefahren sind, sondern die Wahrscheinlichkeit, dass ein Mitglied der Zielgruppe dem Panel in einem Moment ausgesetzt war, in dem es das verarbeiten konnte, gewichtet mit Frequenz und Verweildauer. Die meisten großen Medieneigentümer liefern panelbezogene Reichweiten- und Frequenzschätzungen nach veröffentlichten Branchenstandards. Eine belastbare Exposure-Modellierung kombiniert in der Regel vier Eingaben.

• Panel-Reichweite. Eine panelbezogene Schätzung, wie viele einzigartige Personen aus der Zielgruppe im Sichtfeld waren, über das Kampagnenfenster, aufgeteilt nach Daypart und Wochentag oder Wochenende.
• Frequenzverteilung. Die Verteilung, wie oft eine exponierte Person das Panel gesehen hat. Uplift reagiert in der Regel nichtlinear auf Frequenz, also ersetzt ein Durchschnitt die Verteilung nicht.
• Bewegungsdaten. Aggregierte Mobilitätsdaten, die zeigen, ob sich die exponierte Zielgruppe mit dem Einzugsgebiet der Filiale überschneidet. Eine Plakatwerbung an einer Pendlerstrecke ist einer anderen Zielgruppe ausgesetzt als eine in der Nähe eines Einkaufszentrums.
• Kreativ-Gewichtung. Zwei Panels mit identischer Platzierung können unterschiedliche Uplifts erzeugen, wenn das eine einen Preispunkt und das andere eine Markenbotschaft trägt. Führen Sie die Analyse je Kreativ-Zelle getrennt aus.

Das Ergebnis ist keine einzelne Impression-Zahl. Es ist eine Exposure-Wahrscheinlichkeit pro Zelle, mit einer expliziten Annahme zur Überschneidung von Zielgruppe und Einzugsgebiet. Diese Wahrscheinlichkeit wird mit dem Filialbesuchssignal verknüpft.

Das Filialbesuchssignal

Eine Uplift-Messung ist nur so gut wie die Zählung der Filialbesuche dahinter. Drei Eigenschaften zählen.

• Genauigkeit an der Tür. Die Zählungen müssen für Test- und Kontrollzellen über dasselbe Zeitfenster verlässlich sein. Ein Zähler, der unter Personendichte driftet oder Gruppen doppelt zählt, verunreinigt die Differenz, bevor jede Modellierung beginnt. Achten Sie auf eine Genauigkeit im hohen 90er-Bereich mit einer benannten Methode für Gruppen und Wiedereintritte.
• Granularität nach Stunde und Tür. Uplift zeigt sich manchmal nur in bestimmten Stunden oder Eingängen. Tageswerte je Filiale verbergen diese Effekte. Stündliche Zählungen pro Tür, für die Regression wieder aufsummiert, geben dem Modell die Auflösung, das Signal dort zu finden, wo es sitzt.
• Unabhängigkeit von der Kampagne. Der Zähler muss ein stabiles Instrument sein. Führt derselbe Anbieter die Kampagne und die Messung durch, ist der Interessenkonflikt strukturell; kann das Kampagnenteam den Zähler während der Schaltung verändern, ist das Experiment nicht mehr kontrolliert.

Die sauberste Form für das Filialsignal ist ein Personenzählsystem, das exakte Eintritte je Tür und Stunde liefert, ohne darauf angewiesen zu sein, dass der Besucher einen Identifikator trägt, den die Kampagne besitzt. Das nimmt die Versuchung weg, die in mobilfunkzentrierten Attributionsstacks verbreitet ist: nur die Besuche zu zählen, für die die Kampagne sich Verdienste anrechnen kann, was den Uplift immer überhöht.

Attributionsfenster: wie lang ist fair

Eine Plakatwerbung erzeugt keinen sofortigen Besuch wie eine Suchanzeige. Wählt man das Fenster zu kurz, geht ein echter Uplift verloren; wählt man es zu lang, werden dem Panel unzusammenhängende Besuche gutgeschrieben. Drei Fenster werden üblicherweise parallel gefahren, und der Vergleich zwischen ihnen ist Teil des Ergebnisses, nicht Rauschen.

• Selber Tag. Besuche am Kalendertag des Kontakts. Nützlich für Lebensmittel, Quick-Service-Gastronomie und Convenience-Formate; weniger aussagekräftig für überlegte Kaufkategorien.
• Sieben Tage. Besuche innerhalb einer Woche nach dem Kontakt. Der Mittelweg, der für den meisten Non-Food-Einzelhandel hält und auf den die meisten Marketing-Science-Teams standardmäßig zurückgreifen.
• Dreißig Tage, mit Decay. Besuche innerhalb eines Monats, gewichtet mit einer Decay-Kurve, die den Großteil der Gutschrift in die erste Woche legt. Geeignet für hochüberlegte Kategorien.

Das Ergebnis, das überlebt, ist meist ein Uplift am selben Tag oder über sieben Tage plus ein Uplift über dreißig Tage mit Decay, mit einer angegebenen Decay-Kurve. Ein Bericht, der nur ein Dreißig-Tage-Flatfenster nennt, hat fast immer Besuche aus der Kontrollzelle geliehen.

Die Verknüpfung zusammensetzen

Die endgültige Attribution sitzt in einer Regression, die die Exposure-Wahrscheinlichkeit aus dem Exposure-Modell, die Besuchszahl aus dem Filialsignal und eine Kontrollmenge an Kovariaten verbindet, die alles abdecken, was Besuche im selben Zeitfenster sonst bewegt. Übliche Kovariaten umfassen Wetter, Tages- und Stundenmuster, lokale Ereignisse, den Aktionskalender der Kette selbst, Eröffnungen oder Schließungen von Wettbewerbern und jede andere bezahlte Mediabuchung im selben Markt. Die Uplift-Schätzung ist der Koeffizient der Exposure-Variablen, mit einem Konfidenzintervall, das das Rauschen in den zugrunde liegenden Zählungen widerspiegelt.

Zwei praktische Prüfungen trennen ein belastbares Ergebnis von einem schmeichelhaften. Ein Parallellauf mit gemischter Exposure-Variable sollte eine Uplift-Schätzung nahe Null ergeben; ein Modell, das unter gemischter Exposition große Uplifts findet, ist überangepasst. Eine Placebo-Kohortenprüfung, eine ähnliche Regression auf einer Filialkategorie, die das Plakat nicht anspricht, sollte ebenfalls eine Uplift-Schätzung nahe Null ergeben. Wenn beide bestehen und der Headline-Uplift überlebt, ist die Zahl es wert, zitiert zu werden.

Zur Kalibrierung der Erwartung helfen illustrative Bandbreiten: Eine gut umgesetzte Plakatkampagne im Einzelhandel in einem reifen Markt erzeugt oft niedrige einstellige Uplifts bei Filialbesuchen über ein Sieben-Tage-Fenster. Headline-Zahlen über zehn Prozent über ein nationales Netzwerk hinweg sind in Anbieter-Case-Studies häufig und in geprüften Ergebnissen selten. Der Sinn der Attribution ist nicht, auf eine schmeichelhafte Zahl zu kommen, sondern auf eine belastbare.

Wo die Ausfallmuster sitzen

Fünf Muster wiederholen sich in Attributionsprogrammen, die einer Prüfung nicht standhalten.

1. Selbst gewählte Kontrolle. Als Kontrolle die Regionen zu wählen, die im Vorjahr unterperformt haben, erzeugt einen trivial großen Uplift, der unter sauberem Matching verschwindet.
2. Berichten mit einem Fenster. Nur das Fenster zu berichten, in dem der Uplift am größten aussieht, ohne die parallelen Fenster zu zeigen, verbirgt ein Ergebnis, das möglicherweise nicht stabil ist.
3. Zählerdrift. Ein Zähler, dessen Genauigkeit mit der Personendichte schwankt, liefert ein Uplift-Signal, das von Zählrauschen statt von Besuchen getrieben ist.
4. Aufgeblähte Zielgruppe. Panel-Reichweite als adressierbare Zielgruppe zu nennen, ohne sie auf die Überschneidung mit dem Einzugsgebiet zu gewichten, zählt Kontakte, die keinen Besuch hätten erzeugen können.
5. Anbietergesteuerte Messung. Wenn derselbe Anbieter die Mediabuchung und den Filialzähler betreibt, ist das Experiment strukturell kompromittiert. Unabhängige Messung ist das, was das Ergebnis gegenüber einem CFO zitierfähig macht.

Wie Ariadne in die Schleife passt

Ariadne liefert das Filialbesuchssignal, so ausgelegt, dass der Türzähler unabhängig von der Kampagne ist und selbst keine personenbezogenen Daten erzeugt.

Ariadne misst dies mit Hybrid Fusion, der patentierten kamerafreien Methode. Time-of-Flight-Tiefensensorik zählt an den Eingängen jeden Besucher und erfasst Geometrie statt Bilder, während die patentierte Signalerfassung die Bewegung im Innenraum verfolgt und die Signale erkennt, die ein Telefon aussendet, selbst im Flugmodus. Der Sensor streamt beide Datenströme an Ariadne, wo Hybrid Fusion sie zu einer Trajektorie pro Besuch zusammenführt und Zählwerte, Verweildauer und Wege berechnet. Die Datenströme tragen keine Identifikatoren: keine MAC-Adresse, keine Geräte-ID, keine biometrischen Daten, und es ist keine Kamera beteiligt. Identifikatoren werden nur gespeichert, wenn ein Besucher ausdrücklich zustimmt, was die Methode datenschutzfreundlich und außerhalb des biometrischen Bereichs hält.

Für ein Billboard-Attributionsprogramm decken sich die praktischen Konsequenzen mit den drei oben genannten Eigenschaften. Time-of-Flight-Tiefensensorik liefert Türeingänge aus Geometrie statt aus Bildern, mit einer Genauigkeit, die unter Personendichte hält. Stündliche Eintritte pro Tür sind sowohl für Test- als auch für Kontrollfilialen verfügbar, was die Auflösung ist, die die Regression braucht. Da die Datenströme standardmäßig keine MAC-Adresse und keine Geräte-ID tragen, ist der Zähler ein Messinstrument, kein Marketinginstrument: Es gibt keinen Identifikator, mit dem sich Besuche zueignen lassen. Die Sensoren passen in Filialnetze des Einzelhandels, und die Datenverarbeitung ist in der Datenschutzerklärung dargelegt.

Eine Buyer-Checkliste für den Attributionsstack

Wenn Sie ein Ende-zu-Ende-Programm prüfen, sind dies die Fragen, die es lohnt, schriftlich zu stellen.

1. Wie ist das Kontrolldesign? Bestätigen Sie die Zellendefinition, die Matching-Variablen und ob mehr als ein Design parallel läuft.
2. Was geht in das Exposure-Modell? Panel-Reichweite, Frequenzverteilung, Bewegungsdaten und eine Aufteilung nach Kreativ-Zelle sollten alle benannt sein.
3. Welche Attributionsfenster werden berichtet? Selber Tag, sieben Tage und dreißig Tage mit Decay sollten alle berichtet werden. Ein einzelnes Fenster lädt zu Rosinenpickerei ein.
4. Woher kommt die Filialbesuchszahl? Bestätigen Sie Genauigkeit auf Türebene, stündliche Granularität und ob der Zähler von einer unabhängigen Partei betrieben wird.
5. Welche Kovariaten sind in der Regression? Wetter, Saisonalität nach Tag und Stunde, der Aktionskalender der Kette selbst und jede konkurrierende bezahlte Mediabuchung sollten alle benannt sein.
6. Werden die Placebo- und die Shuffle-Exposure-Prüfung gefahren? Eine Uplift-Zahl ohne die zwei parallelen Plausibilitätsprüfungen ist eine Zahl, keine Messung.
7. Was erfasst der Türzähler? Eine kamerafreie, identifikatorfreie Türzählung hält die Datenschutzposition des gesamten Programms sauber und vermeidet den Konflikt einer anbietergesteuerten Messung.

FAQ

Kann Billboard-Attribution ohne Mobile-Panel funktionieren?

Sie kann, aber das Ergebnis ist schwächer. Das Mobile-Panel verknüpft die Exposure-Wahrscheinlichkeit mit einer bestimmten Kohorte. Ohne dieses stützt sich das Exposure-Modell auf die Überschneidung von Panel-Reichweite und Einzugsgebiet, was für regionale und nationale Uplift-Schätzungen vertretbar ist, aber keine zielgruppenbezogenen Aussagen trägt.

Wie groß sollte die Kontrollgruppe sein?

Die Kontrollzelle sollte mindestens so groß sein wie die Testzelle, mit einem Matching, das so eng ist, dass die Trendlinien vor der Kampagne visuell ununterscheidbar sind. Die Qualität des Matchings zählt mehr als die Größe; eine kleine, gut abgeglichene Kontrolle schlägt eine große, driftende.

Braucht der Türzähler eine Kamera?

Nein. Ariadne zählt mit Hybrid Fusion: Time-of-Flight-Tiefensensorik plus patentierte Signalerfassung, nie mit Kameras. Time-of-Flight erfasst Geometrie statt Bilder, und die Signalerfassung erfasst standardmäßig keine MAC-Adresse, sodass die Messung ohne Video, ohne Gesichter und ohne biometrische Daten auskommt.

Welche Uplift-Zahl sollte eine Marke erwarten?

Nur illustrative Bandbreiten. Eine gut umgesetzte Einzelhandelskampagne erzeugt oft niedrige einstellige Uplifts bei Filialbesuchen über ein Sieben-Tage-Fenster. Geprüft bestätigte Ergebnisse über zehn Prozent über ein nationales Netzwerk hinweg sind ungewöhnlich. Die belastbare Antwort ist die, die die Placebo- und die Shuffle-Exposure-Prüfung übersteht.