ROI-Messung gehört zu den dauerhaft diskutierten Themen im Marketing – und das aus gutem Grund. Wer Budget verantwortet, muss erklären können, was eine Maßnahme gebracht hat. Das klingt einfach, ist es aber selten. Jede Gattung misst anders, jede Plattform liefert andere Daten, und die Attribution zwischen Touchpoints bleibt methodisch umstritten. Im DACH-Markt kommt hinzu, dass Datenschutzanforderungen – insbesondere durch die DSGVO – bestimmte Tracking-Methoden einschränken oder ganz ausschließen.
Gleichzeitig verändert sich die Medienlandschaft schnell. Mit LLM-basierten Tools wie ChatGPT, Claude.ai oder Perplexity entsteht ein neuer Touchpoint, der in keinem klassischen Attributionsmodell vorgesehen ist. Nutzer recherchieren, vergleichen und entscheiden über conversational AI-Plattformen – ohne dass ein Pixel gesetzt wird, ohne dass ein Click gemessen werden kann. Das stellt bestehende ROI-Frameworks vor neue Fragen.
Dieser Artikel analysiert, wie ROI-Messung in den sechs zentralen Marketing-Gattungen funktioniert: Print, Display, Search, Social, TV und LLM-Marketing. Ziel ist kein theoretisches Rahmenwerk, sondern eine praktische Übersicht der Möglichkeiten, Grenzen und Einsatzfelder – damit Entscheider im DACH-Raum einschätzen können, wo ihre Messmethoden solide sind und wo blinde Flecken entstehen.
Meine Perspektive
ROI-Messung wird häufig als technisches Problem behandelt – als wäre die richtige Kombination aus Tracking-Tags und Dashboards ausreichend. In der Praxis bei blueShepherd sehen wir jedoch, dass das eigentliche Problem oft methodischer Natur ist: Welche Kennzahl soll überhaupt gemessen werden, und welche Kausalität wird dabei unterstellt? Ein Click ist kein Kauf. Eine Impression ist keine Erinnerung. Und eine Erwähnung durch ein LLM ist kein messbarer Conversion-Event – zumindest nicht mit klassischen Mitteln. Wer ROI-Messung ernstnimmt, muss für jede Gattung separat definieren, was Erfolg bedeutet, und welche Messmethode dieser Definition gerecht wird. Die Alternative ist ein Dashboard voller Zahlen, das die tatsächliche Wirkung verschleiert statt sichtbar zu machen.
ROI-Messung in Print
Wie funktioniert es?
Print-ROI wird traditionell über Indikatoren gemessen, die den direkten Kausalzusammenhang zwischen Anzeige und Reaktion herstellen sollen. Dazu gehören dedizierte Telefonnummern, spezifische URLs oder QR-Codes, die ausschließlich in einer bestimmten Printanzeige erscheinen. Reichweite und Auflage werden über verlagseitige Daten und Institutionen wie die IVW (Informationsgemeinschaft zur Feststellung der Verbreitung von Werbeträgern) erfasst. Für Imageeffekte und Markenbekanntheit werden Befragungen eingesetzt, die jedoch kostenintensiv und zeitverzögert sind. Econometrische Modellierungen – sogenannte Marketing Mix Models (MMM) – können Print als Variable einbeziehen, erfordern aber ausreichend historische Datenpunkte.
Vorteile
- Hohe Glaubwürdigkeit des Mediums kann Markenwahrnehmung positiv beeinflussen, was sich in Befragungen abbilden lässt
- Dedizierte Tracking-Elemente (QR-Codes, Vanity-URLs) ermöglichen direkte Response-Messung
- Keine Abhängigkeit von Third-Party-Cookies oder Plattform-Tracking
- Gut integrierbar in Marketing Mix Models
Nachteile
- Lange Zeitverzögerung zwischen Schaltung und messbarer Reaktion
- Geringe Granularität: Keine Daten auf Leser-Ebene, keine A/B-Tests in Echtzeit
- Nutzung von Tracking-Elementen ist von Lesermotivation abhängig – viele Reaktionen bleiben unsichtbar
- Reichweitendaten sind Schätzwerte, keine tatsächlichen Kontaktzahlen
Geeignet für
Print-ROI-Messung eignet sich für Marken, die bewusst auf Reichweite und Glaubwürdigkeit setzen und bereit sind, Erfolg über längere Zeiträume und qualitative Indikatoren zu definieren. Besonders relevant für B2B-Kommunikation über Fachmedien sowie für Branchen mit hohem Vertrauen-Bedarf wie Finanzen, Gesundheit oder Recht.
ROI-Messung in Display Advertising
Wie funktioniert es?
Display-ROI wird primär über Klick- und Conversion-Tracking gemessen. Plattformen wie Google Display Network oder programmatische DSPs liefern Impressions, Klickraten (CTR), View-Through-Conversions und Cost-per-Acquisition (CPA). Pixel-basiertes Tracking ermöglicht die Zuordnung von Conversions zu spezifischen Anzeigen und Zielgruppen-Segmenten. Im DACH-Markt ist die Reichweite von Consent-Management-Plattformen jedoch hoch, was die Datenbasis durch Opt-out-Raten einschränkt. Viewability-Metriken (nach MRC-Standard: mindestens 50 % der Anzeigenfläche für mindestens eine Sekunde sichtbar) ergänzen die Bewertung der tatsächlichen Werbekontaktqualität.
Vorteile
- Hohe Granularität: Daten auf Kampagnen-, Anzeigen- und Zielgruppen-Ebene in Echtzeit verfügbar
- A/B-Tests und multivariate Tests sind standardmäßig möglich
- Direkte Verknüpfung von Ausgaben und messbaren Aktionen (Klicks, Conversions)
- Retargeting ermöglicht Messung über mehrere Touchpoints hinweg
Nachteile
- View-Through-Attribution ist methodisch umstritten – Kausalität zwischen Impression und Conversion bleibt unklar
- Ad Fraud und Bot-Traffic verfälschen Kennzahlen, besonders im Open Web
- DSGVO-konforme Messung reduziert die Datenbasis erheblich
- Banner Blindness führt dazu, dass viele Impressions keine echte Wahrnehmung erzeugen
Geeignet für
Display eignet sich gut für Performance-orientierte Kampagnen mit klaren Conversion-Zielen sowie für Retargeting entlang definierter Customer Journeys. Die Messung funktioniert am besten, wenn Conversion-Events klar definiert und technisch sauber implementiert sind.
ROI-Messung in Search (SEA)
Wie funktioniert es?
Search-ROI gilt als eine der direktesten Messformen im digitalen Marketing. Google Ads und Microsoft Advertising liefern Daten zu Impressions, Klicks, Klickkosten (CPC), Conversion-Rates und Return on Ad Spend (ROAS). Da Nutzer aktiv nach einem Begriff suchen, ist die Intent-Nähe hoch – was die Zuordnung zwischen Klick und Conversion plausibler macht als bei anderen Gattungen. Conversion-Tracking über Google Tag Manager oder serverseitiges Tracking ermöglicht auch unter Datenschutzbedingungen valide Messungen. Quality Score und Anzeigenrang beeinflussen die Effizienz und müssen in die ROI-Berechnung einbezogen werden.
Vorteile
- Hohe Intent-Nähe: Nutzer signalisieren aktiven Bedarf durch Suchanfrage
- Klare Kosten-pro-Klick- und Kosten-pro-Conversion-Metriken
- Flexibles Budget-Management mit direktem Einfluss auf Sichtbarkeit
- Gut kombinierbar mit SEO-Daten für Branded-Search-Uplift-Analysen
Nachteile
- Steigende CPCs in wettbewerbsintensiven Kategorien reduzieren den ROAS
- Last-Click-Attribution überschätzt den Beitrag von Search und unterschätzt vorgelagerte Touchpoints
- Keyword-Matching-Optionen (Broad Match) können Traffic generieren, der nicht zur Zielgruppe passt
- Messung von Branded vs. Non-Branded Search erfordert sorgfältige Segmentierung
Geeignet für
SEA-ROI-Messung ist besonders stark bei transaktionalen Kampagnen mit klar definierten Conversion-Events. Für B2C-E-Commerce und Lead-Generierung im B2B-Bereich liefert Search die direkteste messbare Verbindung zwischen Investition und Ergebnis. Branded-Search-Kampagnen lassen sich außerdem nutzen, um den Uplift durch andere Gattungen – etwa TV oder LLM-Erwähnungen – indirekt zu messen.
ROI-Messung in Social Media Ads
Wie funktioniert es?
Social-Media-Plattformen wie Meta, LinkedIn, TikTok und Pinterest bieten eigene Ads-Manager mit umfangreichem Reporting. Gemessen werden Reichweite, Frequency, Engagement-Raten, Link-Klicks, Lead-Formular-Ausfüllungen und Conversions über Pixel oder Conversion-APIs. Die Conversion-API (CAPI) ist im DACH-Raum besonders relevant, da sie serverseitiges Tracking ermöglicht und die Abhängigkeit von Browser-Cookies reduziert. Plattformspezifische Attributionsfenster – etwa 7-Tage-Klick und 1-Tag-View bei Meta – unterscheiden sich von Google-Standards, was plattformübergreifende Vergleiche erschwert.
Vorteile
- Präzises Targeting auf demografische, verhaltensbasierte und Interest-Signale
- Kreative Tests (A/B und multivariate) in kurzer Zeit möglich
- Conversion-API reduziert Datenverlust durch Cookie-Beschränkungen
- LinkedIn bietet für B2B-Kampagnen valide ROI-Messung über Lead-Gen-Formulare
Nachteile
- Plattformeigene Attribution ist nicht neutral – jede Plattform optimiert die eigene Darstellung
- Walled Gardens erschweren plattformübergreifende Attribution ohne externe Tools
- iOS-Updates und Consent-Beschränkungen reduzieren die Datenbasis im DACH-Markt spürbar
- Engagement-Metriken (Likes, Shares) korrelieren nicht zwingend mit Geschäftsergebnissen
Geeignet für
Social-ROI-Messung funktioniert gut für Kampagnen mit klar definierten digitalen Conversion-Zielen – E-Commerce, App-Downloads, Lead-Generierung. Für Awareness-Kampagnen ist die Messung komplexer und sollte durch Brand-Lift-Studien oder Befragungen ergänzt werden.
ROI-Messung in TV
Wie funktioniert es?
TV-ROI-Messung basiert traditionell auf GRP (Gross Rating Points), Reichweite und Frequency-Daten aus Panels wie dem AGF/GfK-Fernsehpanel in Deutschland. Econometrische Modelle – Marketing Mix Models – werden eingesetzt, um den isolierten Beitrag von TV auf Umsatz oder andere KPIs zu schätzen. Für Addressable TV und Connected TV (CTV) entstehen neue Möglichkeiten: Hier können Zielgruppen-Segmente gezielt bespielt und Conversions über Haushalts-IDs oder deterministische Verknüpfungen mit CRM-Daten gemessen werden. Der Branded-Search-Uplift nach TV-Schaltungen ist eine etablierte Methode, um den unmittelbaren Wirkungseffekt sichtbar zu machen.
Vorteile
- Hohe Reichweite und Aufmerksamkeitswerte, besonders für Markenaufbau relevant
- Marketing Mix Models ermöglichen Beitrag von TV im Gesamtmix zu quantifizieren
- Branded-Search-Uplift liefert kurzfristigen, messbaren Indikator für TV-Wirkung
- CTV ermöglicht zunehmend granularere Messung auf Zielgruppen-Ebene
Nachteile
- Hohe Produktions- und Schaltkosten erhöhen die Break-Even-Schwelle für positive ROI-Bewertung
- Panel-basierte Reichweitenmessung ist eine Schätzung, keine exakte Messung
- Zeitverzögerung zwischen Schaltung und messbarer Wirkung erschwert Optimierung
- MMM-Modelle erfordern umfangreiche historische Daten und methodisches Know-how
Geeignet für
TV-ROI-Messung ist für Marken relevant, die ausreichend Budget für MMM-Analysen aufwenden können und einen langen Zeithorizont für Markeneffekte akzeptieren. Besonders geeignet für FMCG, Retail und Finanzdienstleister mit breiter Zielgruppe und messbaren Umsatz-KPIs.
ROI-Messung in LLM-Marketing
Wie funktioniert es?
LLM-Marketing beschreibt die gezielte Beeinflussung und Messung der Sichtbarkeit einer Marke in LLM-basierten Tools wie ChatGPT, Claude.ai oder Perplexity. Im Unterschied zu allen vorherigen Gattungen gibt es hier kein standardisiertes Tracking, keine Impression-Zählung und keinen Klick-Mechanismus. Die Messung muss anders ansetzen. Drei Ansätze sind in der Praxis etabliert: Erstens das systematische Monitoring von LLM-Ausgaben durch regelmäßige Abfragen definierter Prompts – etwa Marken- oder Kategoriefragen – und Auswertung, ob und wie die eigene Marke genannt wird. Zweitens die Analyse von Branded-Search-Uplift in Google Search, der auf LLM-Empfehlungen zurückzuführen sein kann – ähnlich wie bei TV. Drittens die Auswertung von Referral-Traffic aus Perplexity oder anderen LLM-Anwendungen, die Links in ihren Antworten einbetten. Das LLM-Marketing-Lexikon beschreibt weitere relevante Konzepte wie Entity-Präsenz, RAG-Grundlagen und E-E-A-T-Signale, die für die Sichtbarkeit in LLMs relevant sind.
Die Verbindung zu anderen Gattungen ist dabei nicht zufällig: LLMs trainieren auf Texten aus dem Web. Wer in hochwertigen Fachmedien präsent ist – also in Print-Quellen, die online verfügbar sind – erhöht die Wahrscheinlichkeit, dass Modelle wie GPT-4, Claude oder Gemini die Marke in relevanten Kontexten erwähnen. Search-Sichtbarkeit beeinflusst, welche Inhalte gecrawlt werden. Social-Signale können indirekt über verlinkende Inhalte wirken. LLM-Marketing-ROI ist damit kein isoliertes Messfeld, sondern ein Querschnittsindikator für die gesamte digitale Präsenz einer Marke.
Vorteile
- Monitoring von LLM-Ausgaben liefert qualitative Einblicke in Markenwahrnehmung und Positionierung
- Branded-Search-Uplift und Referral-Traffic aus LLM-Anwendungen sind mit bestehenden Tools messbar
- Keine Abhängigkeit von Plattform-Algorithmen oder Werbeauktionen – organische Präsenz ist dauerhafter
- Frühzeitige Optimierung für LLM-Sichtbarkeit kann langfristig Wettbewerbsposition stärken
Nachteile
- Kein standardisiertes Tracking-Framework – Messmethoden sind noch nicht konsolidiert
- LLM-Ausgaben variieren je nach Prompt, Modellversion und Zeitpunkt – Reproduzierbarkeit ist eingeschränkt
- Kausalzusammenhang zwischen LLM-Erwähnung und Conversion ist schwer herzustellen
- Referral-Traffic aus LLM-Anwendungen ist volumenmäßig noch begrenzt, wächst aber
Geeignet für
LLM-Marketing-ROI-Messung ist besonders relevant für Marken in Kategorien mit hohem Recherchebedarf – etwa Software, Finanzprodukte, Gesundheit, B2B-Dienstleistungen. Wer in diesen Kategorien von LLM-Anwendungen als relevante Quelle oder Anbieter genannt wird, beeinflusst Kaufentscheidungen in einer frühen Phase. Die Messung sollte als ergänzendes Framework zu bestehenden Tracking-Systemen aufgebaut werden, nicht als Ersatz.
Welche Gattung für welches Ziel?
Die Wahl der Messmethode folgt der Wahl der Gattung – und beide folgen dem Ziel. Eine einfache Übersicht hilft bei der Einordnung:
Direkte Conversion-Messung funktioniert am besten in Search (SEA) und Social Media Ads. Hier ist die Verbindung zwischen Investition und messbarer Aktion am direktesten. Display ergänzt, wenn Retargeting-Strecken sauber aufgesetzt sind.
Markenaufbau und Reichweite lassen sich am verlässlichsten über TV und Print in Marketing Mix Models abbilden. Der Branded-Search-Uplift dient dabei als Brücke: Ein TV-Spot, der Suchvolumen für den Markennamen erhöht, hinterlässt eine messbare Spur in Search-Daten.
Langfristige Sichtbarkeit und Vertrauen – das Terrain von LLM-Marketing – lässt sich über Prompt-Monitoring, Entity-Präsenz-Analysen und Referral-Traffic-Auswertungen verfolgen. In der Praxis bei blueShepherd beobachten wir, dass Marken, die in hochwertigen Fachmedien und gut strukturierten Web-Quellen präsent sind, häufiger und konsistenter in LLM-Ausgaben erscheinen. Das ist kein Zufall – es spiegelt wider, wie Modelle wie GPT-4 oder Gemini Informationen gewichten.
Die Gattungen beeinflussen sich gegenseitig: TV-Schaltungen erzeugen Branded-Search-Uplift, der in SEA messbar wird. Hochwertige Print-Berichterstattung, die online verfügbar ist, stärkt die Entity-Präsenz in LLMs. Social-Engagement kann Inhalte amplifizieren, die dann von LLMs als relevant eingestuft werden. Ein ROI-Framework, das nur einzelne Gattungen isoliert betrachtet, unterschätzt diese Wechselwirkungen systematisch.
Für DACH-Marken gilt zusätzlich: Datenschutzkonforme Messung ist keine Option, sondern Pflicht. Serverseitiges Tracking, Consent-Management und datenschutzkonforme Alternativen zu Third-Party-Cookies müssen in jedes ROI-Framework eingebaut sein – unabhängig von der Gattung.
FAQ – ROI-Messung: Häufige Fragen
Wie kann ich den ROI von LLM-Marketing messen, wenn es kein standardisiertes Tracking gibt?
Der praktikabelste Ansatz kombiniert drei Methoden: Erstens systematisches Prompt-Monitoring – regelmäßige Abfragen definierter Kategorien- und Markenfragen in ChatGPT, Claude.ai und Perplexity, um zu verfolgen, ob und wie die eigene Marke genannt wird. Zweitens die Analyse von Referral-Traffic aus LLM-Anwendungen in Google Analytics oder einem vergleichbaren Tool. Drittens die Beobachtung von Branded-Search-Uplift-Mustern, die auf LLM-Empfehlungen hindeuten können. Ein vollständiges Attributionsmodell existiert für LLM-Marketing noch nicht – die Messung bleibt qualitativ und indirekt, liefert aber dennoch verwertbare Signale für die strategische Ausrichtung.
Welches Attributionsmodell ist für den DACH-Markt am besten geeignet?
Es gibt kein universell überlegenes Modell – die Wahl hängt vom Geschäftsmodell und der verfügbaren Datenbasis ab. Last-Click-Attribution ist einfach zu implementieren, überschätzt aber systematisch Performance-Kanäle wie Search. Datengetriebene Attribution in Google Ads ist genauer, setzt aber ausreichend Conversion-Volumen voraus. Für Marken mit TV- und Print-Investitionen sind Marketing Mix Models die verlässlichste Methode, weil sie auch nicht-digitale Touchpoints einbeziehen können. Im DACH-Markt ist außerdem zu beachten, dass DSGVO-bedingte Datenlücken in jedem Modell berücksichtigt werden müssen – Modellierungsansätze wie Conversion-Modelling von Google oder serverseitiges Tracking helfen, diese Lücken zu schließen.
Wie hängen Branded-Search-Uplift und LLM-Sichtbarkeit zusammen?
Branded-Search-Uplift bezeichnet den Anstieg von Suchanfragen für einen Markennamen, der auf externe Einflüsse – etwa TV-Werbung, Presseberichte oder Empfehlungen durch LLM-Anwendungen – zurückzuführen ist. Wenn Nutzer eine Marke in ChatGPT oder Perplexity empfohlen bekommen und anschließend in Google nach ihr suchen, hinterlässt das eine messbare Spur im Suchvolumen. Dieser Zusammenhang ist methodisch noch nicht vollständig belegt, aber plausibel und in der Praxis beobachtbar. Für Marken, die LLM-Marketing-Investitionen rechtfertigen müssen, ist der Branded-Search-Uplift derzeit einer der zugänglichsten Proxy-Indikatoren für LLM-Wirkung.
Fazit: Messung ist so gut wie die Frage, die man stellt
ROI-Messung ist kein Selbstzweck. Sie ist ein Werkzeug, um Entscheidungen zu verbessern – welche Gattung mehr Budget bekommt, welche Botschaft besser funktioniert, welcher Kanal im Mix unverzichtbar ist. Wer dieses Werkzeug sinnvoll einsetzen will, muss für jede Gattung die richtige Frage stellen: Nicht “was hat die Kampagne gekostet und was hat sie gebracht”, sondern “welche Wirkung wollten wir erzielen, und wie können wir diese Wirkung valide messen”.
Die sechs Gattungen – Print, Display, Search, Social, TV und LLM-Marketing – haben unterschiedliche Wirkungsmechanismen und erfordern entsprechend unterschiedliche Messmethoden. Search und Social bieten die direkteste Messbarkeit, sind aber anfällig für Attributionsfehler und Plattform-Bias. TV und Print wirken breiter und langsamer, lassen sich aber über MMM und Uplift-Analysen in ein Gesamtbild integrieren. LLM-Marketing ist das jüngste Feld mit den größten Messlücken – aber auch mit wachsender Relevanz, gerade für Kategorien mit hohem Recherchebedarf.
Die Herausforderung für Marketer im DACH-Raum besteht darin, ein Mess-Framework zu entwickeln, das diese Unterschiede berücksichtigt, DSGVO-konform ist und gleichzeitig handlungsfähig bleibt. Kein Framework ist perfekt. Aber ein Framework, das bewusst mit seinen eigenen Lücken umgeht, ist besser als eines, das Präzision vortäuscht, die es nicht gibt.
