Synthetic Control einfach erklärt

Synthetic Control baut aus mehreren Vergleichsgrößen eine künstliche Kontrollgruppe, um zu messen, was ohne eine Maßnahme passiert wäre. Wir erklären die Idee mit Bild und Beispiel.

Synthetic Control beantwortet eine Frage, die im Marketing ständig auftaucht und selten ehrlich beantwortet wird, was wäre passiert, wenn wir die Maßnahme nicht ergriffen hätten? Weil man diese Welt ohne die Maßnahme nicht beobachten kann, baut Synthetic Control sie aus anderen Daten nach. Wir erklären die Idee hier anschaulich.

In drei Sätzen

  • 01Synthetic Control baut aus mehreren unbeeinflussten Vergleichsgrößen eine künstliche Kontrollgruppe.
  • 02Diese künstliche Kontrolle zeigt, wie sich die Kennzahl ohne die Maßnahme entwickelt hätte.
  • 03Der Abstand zwischen tatsächlichem Verlauf und synthetischer Kontrolle ist die geschätzte Wirkung.

Die einfache Definition

Wie das funktioniert

Stell dir vor, du startest eine Kampagne nur in einer Region und willst ihre Wirkung messen. Eine einzelne andere Region als Vergleich passt selten perfekt. Synthetic Control mischt deshalb mehrere unbeeinflusste Regionen so zusammen, dass die Mischung den Verlauf deiner Region vor der Kampagne möglichst genau nachbildet. Nach dem Start läuft diese Mischung weiter als das, was ohne Kampagne passiert wäre. Was darüber hinausgeht, ist der Effekt.

Maßnahmetatsächlicher Verlaufsynthetische KontrolleWirkung
Vor der Maßnahme deckt sich die synthetische Kontrolle mit dem echten Verlauf. Nach der Maßnahme laufen sie auseinander, und die Lücke ist die geschätzte Wirkung.
Die Kunst ist nicht, eine perfekte Vergleichsregion zu finden, sondern aus vielen unperfekten eine künstliche zu bauen, die genau passt.

Warum Synthetic Control so wertvoll ist

Oft lässt sich keine saubere Kontrollgruppe vorab einrichten, weil die Maßnahme alle betrifft oder schon gelaufen ist. Synthetic Control rekonstruiert die Kontrolle nachträglich aus vorhandenen Daten. Das macht es zum Werkzeug der Wahl für Geo-Experimente und für die Bewertung von Maßnahmen, die sich nicht als klassischer A/B-Test fahren lassen.

Der Zusammenhang mit Causal Impact

Synthetic Control ist eng mit Causal Impact verwandt. Beide bauen ein synthetisches Was-wäre-wenn und messen die Wirkung als Abstand dazu. Causal Impact nutzt dafür vor allem die eigene Vorgeschichte und Zeitreihen-Modelle, Synthetic Control vor allem die Kombination mehrerer paralleler Vergleichsgrößen. In der Praxis ergänzen sie sich, und gute Werkzeuge nutzen beide Ideen, um die Wirkung einer Maßnahme so ehrlich wie möglich zu schätzen.

Deine Frage, unsere Antwort

Willst du eine Maßnahme messen, die sich nicht als A/B-Test teilen lässt?

Diesen Beitrag haben wir aus echten Projekten geschrieben. Deine konkrete Situation schauen wir uns gern persönlich an und antworten mit einer fundierten Einschätzung statt einer Standard-Floskel. Genau dafür gibt es uns.

Frag uns direktWir antworten in der Regel innerhalb von 24 Stunden.

Häufige Fragen zum Thema

Die wichtigsten Nachfragen, die uns nach diesem Beitrag erreichen.

Eine künstliche Kontrolle, die aus der gewichteten Kombination mehrerer von der Maßnahme unberührter Vergleichsgrößen gebildet wird. Sie wird so zusammengesetzt, dass sie sich vor der Maßnahme genauso verhält wie die Zielgröße, und dient danach als Stellvertreter für das, was ohne die Maßnahme passiert wäre.
Vor allem, wenn sich keine echte Kontrollgruppe vorab einrichten lässt, etwa bei Geo-Experimenten oder bei Maßnahmen, die alle betreffen. Synthetic Control rekonstruiert die Kontrolle nachträglich aus vorhandenen Daten und schätzt so die Wirkung, ohne dass ein klassischer A/B-Test nötig war.
Beide bauen ein synthetisches Was-wäre-wenn und messen die Wirkung als Abstand dazu. Causal Impact stützt sich vor allem auf die eigene Vorgeschichte und Zeitreihen-Modelle, Synthetic Control vor allem auf die Kombination mehrerer paralleler Vergleichsgrößen. In der Praxis ergänzen sich die beiden Ansätze.
Die Verlässlichkeit hängt davon ab, wie gut die synthetische Kontrolle den Verlauf vor der Maßnahme nachbildet und ob die Vergleichsgrößen wirklich unbeeinflusst sind. Je besser die Übereinstimmung vor der Maßnahme, desto glaubwürdiger die geschätzte Wirkung danach. Wie bei jeder Schätzung gehört ein Blick auf die Unsicherheit dazu.

Weiterlesen

Weiterlesen

Marketing-Kennzahlen im Überblick, sortiert nach der Frage dahinter

Nicht alphabetisch, sondern nach dem, was eine Zahl beantwortet. Fünf Gruppen von Kontaktpreis bis Wirkung, mit dem häufigsten Fehler und der Reihenfolge, in der man sie braucht.

Beitrag öffnen

Weiterlesen

Ein Causal-Impact-Experiment in fünf Schritten selbst aufsetzen

Causal Impact klingt nach Data Science, ist aber mit fünf disziplinierten Schritten für jedes Team machbar. Wir zeigen, wie du die echte Wirkung deiner Maßnahmen misst, inklusive Unsicherheit.

Beitrag öffnen

Weiterlesen

A/B-Test vs Causal Impact, wann reicht der Test, wann braucht es das Modell

Der A/B-Test ist der Goldstandard der Wirkungsmessung, aber oft nicht machbar. Causal Impact springt dann ein. Wir zeigen, wann der saubere Test reicht und wann du das Modell brauchst.

Beitrag öffnen