📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

Diese Arbeit stellt ein hierarchisches kausales Uplift-Modell vor, das durch die Dekomposition von Synergien und Kannibalisierungseffekten die tatsächlichen inkrementellen Auswirkungen überlappender Marketing-Reisen in digitalen Reiseplattformen präziser schätzt als herkömmliche A/B-Tests.

Ursprüngliche Autoren: Jorge Pellegrini

Veröffentlicht 2026-04-28

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jorge Pellegrini

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Das „Orchester-Dilemma“ im Marketing

Stell dir vor, du bist der Dirigent eines riesigen Orchesters. Du hast drei verschiedene Instrumentengruppen: die Streicher (die „Search Journey“), die Bläser (die „Flow Journey“) und die Schlagzeuge (die „Offer Journey“).

Dein Ziel ist es, eine wunderschöne Melodie zu erzeugen – in diesem Fall: dass Kunden auf einer Reise-Website (wie Despegar) tatsächlich einen Urlaub buchen.

Normalerweise testest du jedes Instrument einzeln: Du lässt nur die Streicher spielen und schaust, wie die Musik klingt. Das ist wie ein klassisches A/B-Experiment. Du sagst: „Wenn die Streicher spielen, ist die Musik 10 % besser als wenn sie schweigen.“

Das Problem: In der echten Welt spielen aber nie nur die Streicher. Es ist ein riesiges Konzert! Die Streicher, Bläser und Schlagzeuge spielen alle gleichzeitig. Wenn du jetzt nur die Lautstärke der Streicher misst, während das ganze Orchester dröhnt, hörst du sie kaum noch. Es wirkt so, als ob die Streicher fast keinen Effekt hätten. Aber stimmt das? Oder übertönen sie sich nur gegenseitig? Oder verstärken sie sich sogar?

In der Fachsprache nennt man das „Overlapping Journeys“ (überlappende Kundenreisen). Die herkömmlichen Tests unterschätzen massiv, wie viel jedes einzelne Instrument eigentlich zum Erfolg beiträgt, weil sie die „Lärmbelastung“ durch die anderen Instrumente nicht herausrechnen können.

Die Lösung: Der „Super-Dirigent“ (Das Modell)

Der Autor Jorge Pellegrini hat ein mathematisches Modell entwickelt, das wie ein hochmoderner, digitaler Super-Dirigent funktioniert. Anstatt nur zu schauen, was man hört, versucht das Modell zu berechnen, was man hören müsste, wenn jedes Instrument allein spielen würde.

Das Modell nutzt zwei Tricks:

Die Multiplikations-Formel: Es geht davon aus, dass die Instrumente sich gegenseitig beeinflussen. Wenn die Bläser und die Schlagzeuge gleichzeitig spielen, entsteht vielleicht ein besonderer „Synergie-Effekt“ (sie klingen zusammen besser als die Summe ihrer Einzelteile). Oder sie „fressen“ sich gegenseitig auf (Kannibalisierung).
Die Monte-Carlo-Simulation (Der „Was-wäre-wenn“-Simulator): Das Modell spielt tausende Male im Kopf ein virtuelles Konzert durch. Es sagt: „Was wäre, wenn die Streicher ein bisschen lauter wären? Was, wenn die Schlagzeuge seltener spielen? Was, wenn unsere Messung von vorhin ein kleiner Fehler war?“ Durch dieses ständige Durchspielen von Wahrscheinlichkeiten findet das Modell den wahrscheinlichsten Wert für die wahre Kraft jedes einzelnen Instruments.

Was kam dabei heraus? (Die Ergebnisse)

Als das Modell auf die Daten von drei Millionen Nutzern angewendet wurde, kam eine überraschende Wahrheit ans Licht:

Die „versteckten Helden“: Die einzelnen Marketing-Maßnahmen (die Instrumente) waren viel mächtiger, als es die normalen Tests vermuten ließen! Während ein Test vielleicht sagte: „Die Suche bringt nur 1 % mehr Buchungen“, sagte das Modell: „In Wahrheit bringt sie 4,6 % – sie wird nur durch das andere Marketing-Gedröhne maskiert!“
Kleine Synergien: Die Instrumente arbeiten meistens gut zusammen. Es gibt kleine „Synergie-Effekte“ – sie unterstützen sich gegenseitig, anstatt sich zu bekämpfen.
Die „Viel-Schreiber“-Falle: Wenn ein Kunde von allen drei Maßnahmen gleichzeitig bombardiert wird, bringt das nicht viel mehr als die Summe der Einzelteile. Das liegt daran, dass diese Kunden sowieso schon sehr interessiert sind – sie brauchen kein ganzes Orchester, um zu buchen, ein einzelnes Instrument reicht ihnen völlig aus.

Fazit für den Alltag

Dieses Paper hilft Unternehmen zu verstehen: „Nur weil eine Werbung im Chaos der anderen untergeht, heißt das nicht, dass sie nutzlos ist.“

Mit diesem Modell können Firmen entscheiden, welche „Instrumente“ sie wirklich brauchen, um ihre Kunden zu begeistern, ohne sie mit unnötigem Lärm zu überfluten. Es macht das unsichtbare Potenzial des Marketings sichtbar.

Technische Zusammenfassung: Hierarchische kausale Uplift-Modellierung bei überlappenden Customer Journeys

1. Problemstellung (The Problem)

In modernen E-Commerce-Plattformen (wie Despegar) werden Nutzer gleichzeitig mehreren automatisierten Marketing-Reisen (Marketing Journeys) ausgesetzt (z. B. Such-Trigger, Warenkorb-Erinnerungen oder gezielte Angebote). Standardmäßige A/B-Tests zur Messung des „Uplifts“ (der inkrementellen Steigerung der Konversionsrate) gehen jedoch von einer Isolation der Behandlungen aus.

In der Realität führt die gleichzeitige Aktivierung mehrerer Journeys zu zwei Problemen:

Interaktionseffekte: Journeys können sich gegenseitig verstärken (Synergien) oder die Wirkung abschwächen (Kannibalisierung).
Unterschätzung des Effekts: Da die beobachteten Uplifts in A/B-Tests nur die marginalen Effekte unter Berücksichtigung der Überlappungen messen, spiegeln sie nicht den wahren, isolierten inkrementellen Beitrag einer einzelnen Journey wider. Ein klassisches „Holdout“-Design für alle Journeys gleichzeitig wäre zudem geschäftsschädigend, da es zu hohe Umsatzeinbußen verursachen würde.

2. Methodik (Methodology)

Der Autor schlägt ein hierarchisches probabilistisches Modell vor, das darauf abzielt, sowohl die reinen Effekte (pure lifts) als auch die globalen Effekte unter Berücksichtigung von Überlappungen zu rekonstruieren.

A. Mathematische Modellierung:

Multiplikative Struktur: Jede Journey $j$ wird als multiplikativer Faktor $f_j = 1 + \ell_j$ modelliert.
Interaktionsterme: Um Synergien oder Kannibalisierungen abzubilden, werden Interaktionsparameter $\kappa$ eingeführt. Ein Wert von $\kappa = 1$ bedeutet Unabhängigkeit; Abweichungen davon zeigen Interaktionen an.
Erwartungswerte: Das Modell berechnet den erwarteten Konversionswert für die gesamte Population ( $E_{on}$ ) und den Wert, wenn eine bestimmte Journey deaktiviert wird ( $E_{off}$ ), basierend auf den beobachteten Überlappungsproportionen der Nutzersegmente.

B. Schätzverfahren (Estimation):

Optimierung: Das Modell löst ein Problem der nichtlinearen kleinsten Quadrate (Non-linear Least Squares). Ziel ist es, die Parameter so zu wählen, dass die vom Modell vorhergesagten Uplifts den experimentell beobachteten Uplifts so nahe wie möglich kommen.
Regularisierung: Um Overfitting zu vermeiden, wird ein Strafterm ( $\lambda_{inter}$ ) hinzugefügt, der Interaktionsfaktoren in Richtung Neutralität ( $\kappa = 1$ ) drängt. Zudem werden „Pure Lifts“ (Effekte bei exklusiver Exposition) als „Soft Anchors“ (Gaußsche Priors) genutzt, um die Schätzung zu stabilisieren.
Monte-Carlo-Simulation: Um die Unsicherheit zu quantifizieren, wird ein Monte-Carlo-Framework verwendet. Dabei werden die Überlappungsproportionen (via Dirichlet-Verteilung) und die beobachteten Uplifts (via deren Standardfehlern) iterativ gestört. Dies liefert nicht nur Punktwerte, sondern auch Konfidenzintervalle für die Parameter.

3. Zentrale Beiträge (Key Contributions)

Dekomposition von Effekten: Das Modell ermöglicht die Trennung von marginalen, reinen und globalen inkrementellen Effekten in einem komplexen Ökosystem.
Umgang mit Überlappungen: Es bietet einen mathematisch fundierten Weg, die Verzerrung durch gleichzeitige Marketing-Expositionen zu korrigieren, ohne dass teure globale Holdout-Gruppen erforderlich sind.
Robustheit durch Simulation: Die Kombination aus nichtlinearer Optimierung und Monte-Carlo-Methodik erlaubt eine präzise Quantifizierung der Parameterunsicherheit unter realen, verrauschten Datenbedingungen.

4. Ergebnisse (Results)

Die Anwendung auf eine Basis von ca. drei Millionen Nutzern lieferte folgende Erkenntnisse:

Synergien: Es wurden durchweg positive, wenn auch moderate Synergien zwischen den Journeys festgestellt (z. B. zwischen Flow und Offer).
Massive Unterschätzung durch A/B-Tests: Die „reinen“ Uplifts sind signifikant höher als die experimentell gemessenen Werte. Beispielsweise war der reine Effekt der Search Journey etwa 4,6-mal größer als der beobachtete marginale Uplift.
Modellvalidierung: Der vom Modell vorhergesagte globale Uplift deckte sich zu etwa 85 % mit dem tatsächlich gemessenen globalen Uplift (die Differenz resultiert aus nicht im Modell enthaltenen Post-Purchase-Interaktionen).

5. Bedeutung (Significance)

Die Arbeit ist von hoher Relevanz für das Marketing-Orchestrierungs-Management. Sie zeigt, dass Unternehmen die tatsächliche Effektivität ihrer Marketing-Automatisierung massiv unterschätzen, wenn sie nur isolierte A/B-Tests betrachten. Das Modell bietet ein Werkzeug zur besseren Priorisierung von Marketing-Investitionen und zur Optimierung der Customer Journey, indem es den wahren inkrementellen Wert jeder einzelnen Komponente in einem komplexen, interagierenden System sichtbar macht.