Trade-Promotion-Wirksamkeit: was wirklich Umsatz bringt
Welche Aktionen wirklich Zusatzumsatz bringen, wo Rabatt verpufft und wie Baseline, Segmente und Folgeeffekte den echten ROI zeigen.
Die Kernaussagen auf einen Blick.
- Trade-Promotion-Wirksamkeit zeigt, welcher Teil des Aktionsabsatzes wirklich durch die Aktion entstanden ist und welcher Teil ohnehin gekauft worden wäre.
- Ohne Baseline, Segmentblick und Auswertung der Wochen nach der Aktion wird der ROI fast immer zu hoch ausgewiesen.
- Viele Aktionen erzeugen weniger Zusatzumsatz, als der Aktionsreport zeigt. Ohne segmentierte Messung bleibt unklar, wie viel Rabatt an Käufer ging, die ohnehin gekauft hätten.
- Mein Vorschlag: Mit einer Kategorie starten, Baseline und Segmente auf einer gemeinsamen Datenbasis berechnen und nach zwei Aktionszyklen prüfen, wie stark sich die Bewertung verändert hat.
Inhaltsverzeichnis
Was bedeutet Trade-Promotion-Wirksamkeit?
Trade-Promotion-Wirksamkeit beantwortet eine einfache Frage: Welcher Teil des Aktionsabsatzes wäre ohne die Aktion nicht entstanden? Dafür braucht es vier Begriffe: Baseline, Lift, Inkrementalität und den Absatzrückgang nach der Aktion. Die Baseline zeigt, was ohne Aktion verkauft worden wäre. Der Lift ist die Differenz zwischen Ist-Absatz und Baseline. Die Inkrementalität korrigiert diesen Lift um Käufer, die ohnehin gekauft hätten. Der Post-Promotion-Dip zeigt, ob nach der Aktion weniger verkauft wurde, weil Käufer vorgezogen haben.
Die Methode kommt aus der Retail-Analytik. Nielsen, Circana (früher IRI), GfK und BASES arbeiten seit den frühen Neunzigern mit Baseline- und Lift-Konzepten auf Scanner-Daten. John M. McCann hat 1995 an der Fuqua School of Business die Post-Promotion-Dip-Mechanik dokumentiert und die Käufer-Segmentierung in Vollpreis-Loyalisten, Deal-Seeker mit rationalen Erwartungen und Evoked-Set-Switcher eingeführt. Uplift Modeling geht einen Schritt weiter und fragt, bei welchen Käufern oder Segmenten die Aktion wirklich einen Effekt hatte.
Die Messung zeigt, welche Aktionen wirklich wirken und bei welchen Kundensegmenten sich Aktionsbudget lohnt. Ohne diese Sicht geht ein Teil des Rabatts an Kunden, die auch ohne Aktion gekauft hätten. Der Rest zahlt an Deal-Seeker, die zwischen Marken springen und keine Bindung aufbauen. Relevant ist am Ende nur der zusätzliche Absatz, der ohne Aktion nicht entstanden wäre.
Der Lift allein reicht nicht. Er sagt noch nichts über Marge, Kundensegmente, Kannibalisierung oder die Bedingungen der Handelsverhandlung. Der Lift ist eine Zahl über einen Zeitraum. Die Marge dahinter braucht die Konditionen, die Vollpreis-Referenz und die Kannibalisierung in der Kategorie.
Wie Wirksamkeitsmessung, Segmentierung und die Nachbar-Methoden aus derselben Datenbasis zusammenspielen, klären wir im Überblick zu Customer Intelligence.
Warum verpuffen 30 bis 40 Prozent der Aktions-Ausgaben?
Der Aktionsreport zeigt einen deutlichen Absatzsprung gegenüber der Vorwoche. Auf den ersten Blick sieht die Aktion erfolgreich aus. Zwei Wochen später sieht Finance aber, dass die Marge nicht im gleichen Maß gestiegen ist. Der Vertrieb erklärt, die Aktion sei für die Handelsverhandlung nötig gewesen. Die relevanten Daten liegen verteilt: Aktionskalender im TPM-System, Absatz im Kassensystem, Kundendaten in der Loyalty-Datenbank. Am Ende kann niemand sauber sagen, welcher Teil des Absatzsprungs wirklich durch die Aktion entstanden ist.
Das passiert besonders häufig, wenn Aktionen über Jahre wiederholt werden. Viele Aktionen werden erneut geplant, weil sie im letzten Jahr im Report gut aussahen. Der ROI basiert dann oft nur auf dem Vergleich zur Vorwoche, nicht auf einer echten Baseline. Ohne Segmentblick bleibt unsichtbar, wie viel Rabatt an Kunden ging, die ohnehin gekauft hätten. Auch der Absatzrückgang nach der Aktion wird oft nicht eingerechnet. Trade-Promotion-Budgets binden in FMCG-Unternehmen typischerweise 15 bis 25 Prozent des Bruttoumsatzes, teilweise bis 40 Prozent. Auf dieser Größe wird eine Vollpreis-Kannibalisierung von 30 bis 40 Prozent zum echten Marge-Posten in der Bilanz.
Die Größenordnung von 30 bis 40 Prozent Aktions-Budget ohne inkrementellen Effekt ist über Jahre in FMCG-Retail-Publikationen aufgetaucht. Sie ist eine Bandbreite mit deutlicher Streuung nach Kategorie und Mechanik. Die belastbaren Zahlen sind sogar deutlicher: Scout beziffert in einer Analyse von rund 1.200 Aktions-Events aus dem Mid-Market-Segment (2024–2025), dass 38 Prozent aller Aktionen einen negativen inkrementellen Profit erzeugen. McKinsey-Auswertungen zeigen, dass 59 bis 72 Prozent der US-Trade-Promotions nicht kostendeckend sind. Nielsen-Daten zeigen, dass 42,8 Prozent der US-Grocery-Umsätze auf beworbene Produkte entfallen. Der strukturelle Rabatt-Anteil ist entsprechend groß. Die 30 bis 40 Prozent beschreiben grob den Anteil des Aktionsabsatzes, der nicht wirklich zusätzlich war. Für die eigene Kategorie wird diese Zahl erst belastbar, wenn sie mit eigenen Kassen-, Aktions- und Loyalty-Daten berechnet wird.
Die Logik dahinter ist einfach. Ein Aktions-Absatz besteht aus drei Anteilen:
Vollpreis-Käufer
Hätten ohnehin gekauft und nehmen den Rabatt nur mit. Die Marge, die ihnen als Rabatt fließt, ist verloren.
Aktions-Käufer
Kaufen wegen der Aktion oder kaufen mehr als sonst. Nur dieser Anteil ist wirklich inkrementell.
Deal-Seeker
Reagieren auf Rabatte, wechseln aber bei der nächsten Aktion zur Konkurrenz. Der Umsatz zählt kurz, die Bindung fehlt.
Ohne Loyalty-Daten und ohne Baseline sind diese drei Anteile im Absatz-Peak nicht zu unterscheiden. Der Report zeigt einen Absatzsprung, aber nicht dessen Qualität. Erst die Verbindung von Baseline-Forecast, Segment-Zuordnung aus Loyalty und Absatz aus dem Kassen-Cube macht die Zusammensetzung sichtbar. Und erst dann ist eine Aussage möglich, ob 30, 40 oder 55 Prozent des Aktions-Budgets ohne Zusatz-Effekt geflossen sind.
Data & AI Beratung mit ruhrdot
Als offizieller Databricks-Partner begleiten wir dich von der Datenstrategie bis zur produktiven KI-Lösung.
Was hätten wir ohne Aktion verkauft?
Die Baseline ist die Prognose dafür, was im Aktionszeitraum ohne Aktion verkauft worden wäre. Sie beantwortet die zentrale Frage nach der Aktion: Was wäre ohne Rabatt, Platzierung oder Mechanik passiert? Die Differenz zwischen Ist und Baseline ist der Lift. Ohne Baseline gibt es keine echte Wirksamkeitsmessung, sondern nur einen Vergleich mit der Vorwoche.
Eine belastbare Baseline braucht einen produktiven Forecast pro Filiale, Artikel und Tag. Das Modell berücksichtigt Saisonalität, Wochentage, Feiertage und Trends. Die Aktion selbst darf in dieser Prognose nicht als Feature enthalten sein. Sonst lernt das Modell genau den Effekt, den man messen will.
Typische Fehler beim Baseline-Aufbau:
Vorjahr als Baseline
Die gleiche Woche im Vorjahr reicht nicht als Vergleich. Trends, Feiertage, Wettbewerbsaktionen und Aktionen im Vorjahr verzerren die Sicht.
Einfache Fortschreibung
Eine lineare oder exponentielle Fortschreibung der Vorwochen fängt keine Saisonalität und keine Feiertage.
Zu grobe Ebene
Baseline auf Kategorie-Wochen-Ebene glättet Kannibalisierung zwischen SKUs weg. Erst auf Filiale, Artikel und Tag wird sie sichtbar.
Die Baseline-Mechanik selbst gehört in einen eigenen Cluster. Wie ein produktiver Forecast auf Filiale-SKU-Ebene aussieht, den Aktionen und Wettbewerbs-Signale als Features trägt, klären wir im Überblick zu Demand Forecasting.
Wie viel Aktionsumsatz war wirklich zusätzlich?
Der Lift ist die Differenz zwischen tatsächlichem Absatz und Baseline während der Aktion. Das ist der erste sinnvolle Wert im Aktionsreview. Für die Inkrementalität reicht der Lift aber nicht. Entscheidend ist, welcher Teil wirklich zusätzlich war.
Erst der Segmentblick macht aus dem Lift eine belastbare Aussage. Absatz von Kunden, die auch ohne Rabatt gekauft hätten, wird aus dem Effekt herausgerechnet. Übrig bleibt der Absatz, den die Aktion wahrscheinlich wirklich ausgelöst hat. Dafür braucht es drei Dinge: genug Loyalty-Abdeckung, klare Segmente und eine Baseline, die auch nach Segmenten gerechnet werden kann.
Uplift Modeling ist sinnvoll, wenn es saubere Kontrollgruppen gibt. Statt für die Aktions-Population den durchschnittlichen Lift zu schätzen, schätzt Uplift Modeling pro Käufer oder Segment die Wahrscheinlichkeit, dass die Aktion einen Effekt hatte. Mit Testfilialen oder gezielten Loyalty-Coupons lässt sich besser erkennen, welche Kunden wirklich auf die Aktion reagiert haben. Ohne Kontrollgruppen ist Baseline plus Segmentblick meist der pragmatischere Weg.
Wer nur den durchschnittlichen Lift ausweist, überschätzt den ROI systematisch. Der durchschnittliche Effekt einer Aktion verdeckt, dass ein Teil der Aktion an Käufer geht, für die der Effekt null ist. Der Durchschnitt verdeckt diese Unterschiede.
Was kostet die Aktion nach dem Aktionszeitraum?
Der Post-Promotion-Dip beschreibt den Absatzrückgang in den Wochen nach der Aktion. Er entsteht, weil Kunden während der Aktion Vorräte kaufen und danach weniger nachkaufen, und weil Deal-Seeker zur nächsten Aktion einer anderen Marke wechseln. In Kategorien mit langem Verbrauchszyklus (Kaffee, Waschmittel, Konserven) ist der Dip groß, in Kategorien mit sofortigem Verbrauch (Frische) kleiner.
Wer diesen Effekt nicht einrechnet, überschätzt den ROI. Ein starker Absatzsprung während der Aktion kann durch schwächere Folgewochen deutlich kleiner werden. Über den gesamten Zeitraum bleibt oft deutlich weniger Zusatzabsatz übrig, als der Aktionszeitraum allein zeigt.
Zusätzlich sollte die Analyse zeigen, ob die Aktion Absatz von anderen Artikeln derselben Kategorie abgezogen hat. Tellius beziffert diesen Effekt für Premium-SKUs auf bis zu 42 Prozent Portfolio-Kannibalisierung. Ein Rabatt auf eine kleinere Kaffee-Packung kann zum Beispiel den Absatz der größeren Packung im selben Regal senken. Auf Artikelebene sieht die Aktion gut aus. Auf Kategorieebene ist der Zusatznutzen oft deutlich kleiner. Diese Kannibalisierung wird erst sichtbar, wenn auf Filiale, Artikel und Tag gerechnet wird.
Was bedeutet Inkrementalität für Aktionsplanung und Handelsverhandlung?
Wenn Baseline, Segmente und Folgeeffekte auf derselben Datenbasis liegen, verändert sich die Bewertung des Aktionsportfolios. Der ROI basiert dann nicht mehr auf dem Vergleich zur Vorwoche, sondern auf echtem Zusatzabsatz. Das verändert die Budgetverteilung: Aktionen mit echtem Zusatzabsatz bekommen mehr Budget. Aktionen, die vor allem Vollpreis-Käufer rabattieren, bekommen weniger.
Die Aktionsmechanik ist oft wichtiger als die reine Rabatthöhe. Ein gezielter Coupon kann mehr Zusatzumsatz bringen als ein pauschaler Regalrabatt in gleicher Höhe. Ein Multibuy-Angebot spricht andere Käufer als ein reiner Preisnachlass. Ein Loyalty-getriebener Cashback zieht Vollpreis-Käufer eher in Zusatz-Kategorien als in denselben Warenkorb. Welche Mechanik für welches Segment genutzt wird, entscheidet stark über die Marge.
Auch in der Handelsverhandlung verändert sich die Diskussion. Der Handel setzt die Mechanik oft durch, weil er den Aktions-Kalender kontrolliert. Die Diskussion wechselt dann auf die Mechanik: Welche Aktion in welchem Format bringt für die Kategorie den höchsten inkrementellen Effekt? Der Händler kann besser verhandeln, wenn er zeigen kann, welche Mechaniken wirklich Zusatzumsatz bringen. Der Hersteller gewinnt Vertrauen, wenn die Baseline nachvollziehbar aus eigenen Daten berechnet wird und nicht nur aus einer Agenturauswertung kommt.
Die Grenze der Steuerung liegt dort, wo der Handel die Mechanik diktiert. Dann hilft die Wirksamkeitsmessung vor allem dabei, Budgets und Konditionen besser zu begründen: In Kategorien mit hoher Vollpreis-Kannibalisierung wird weniger Handelsmarge aufgegeben, in Kategorien mit belegter Inkrementalität mehr.
Wie setzt man Trade-Promotion-Wirksamkeit auf Databricks um?
Für die Messung müssen mehrere Datenquellen zusammengeführt werden. Wichtig sind Kassendaten pro Filiale, Artikel und Tag, der Aktionskalender und Loyalty-Daten für die Segmentierung. Wettbewerbs-Aktionen als externes Signal und Warenwirtschaft für Out-of-Stock-Korrektur kommen dazu.
Delta Lake kann diese Daten als gemeinsame Grundlage zusammenführen. Kassendaten laufen als Batch- oder CDC-Ingest ein, Aktionen als tägliches Snapshot, Loyalty-Signale als Change Data Capture aus dem CRM. Der Vorteil: Alle Reviews nutzen dieselbe Datenbasis, dieselbe Zeitlogik und dieselbe Aktionsdefinition.
Unity Catalog ist wichtig für die Governance der Loyalty-Daten. Kundennummern, Kaufhistorie und Segmente sind personenbezogene Daten. Zugriffe und Verarbeitung müssen deshalb sauber geregelt sein. Feingranulare Berechtigungen auf Zeilen- und Spaltenebene und Lineage über die Aggregations-Schritte bis zum Review-Dashboard sind die Voraussetzung für eine belastbare Rechtsgrundlage.
MLflow und Feature Store sorgen dafür, dass der Baseline-Forecast produktiv betrieben werden kann. Features (Kalender, Saison, Wettbewerbs-Signale, Filial-Cluster) laufen versioniert in Training und Inferenz. Der Forecast liefert die kontrafaktische Baseline pro Filiale-SKU-Tag, gegen die der Lift gerechnet wird. Ohne saubere Feature-Verwaltung können Training und spätere Berechnung auseinanderlaufen. Dann wird auch der Lift verzerrt.
Databricks SQL und AI-BI-Dashboards können den Review so bereitstellen, dass Category Management, Marketing und Finance dieselben Zahlen sehen. Ein Dashboard zeigt pro Aktion die vier Zahlen: Absatz-Delta, Baseline-Lift, segmentierte Inkrementalität und Post-Promotion-Dip. Die Diskussion dreht sich dann weniger um die Zahl selbst und mehr um die nächste Entscheidung.
Databricks SQL · AI-BI
Die Nachbar-Cluster im Databricks-Hub gehen tiefer in die Bausteine: Wie Loyalty-Daten mit Feingranulierung und Auditierbarkeit verwaltet werden, klären wir im Überblick zu Unity Catalog. Welche Rolle der Feature Store für produktive Forecast-Modelle spielt, erklären wir in Feature Store auf Databricks.
Wo Trade-Promotion-Wirksamkeit an Grenzen stößt
Trade-Promotion-Wirksamkeit hilft zu verstehen, welcher Teil des Aktionsabsatzes wirklich durch die Aktion entstanden ist. Für einen Rollout über das gesamte Aktionsportfolio reicht diese Sicht allein aber nicht.
Saubere Kontrollgruppen sind selten
Vergleichbare unbeworbene Filialen fehlen meist. Store-Matching und Difference-in-Differences helfen, bleiben aber anfällig für Effekte, die im Modell nicht sichtbar sind.
Loyalty-Abdeckung begrenzt den Segmentblick
Wo Kunden ohne Karte kaufen, wird die Segmentierung unschärfer. Kategorien mit hoher Anonym-Kauf-Quote arbeiten dann mit Aggregat-Annahmen statt echtem Segmentblick.
Der Handel begrenzt die Steuerung
Der Handel setzt Aktions-Mechaniken oft unabhängig von der Wirksamkeitsrechnung durch. Die Analyse verändert vor allem die Verhandlungsposition, nicht die Mechanik selbst.
DSGVO und Loyalty-Datenbank
Personenbezogene Verarbeitung von Kundenkarten-Signalen braucht eine Rechtsgrundlage. Die Governance muss vor der ersten produktiven Analyse stehen, nicht danach.
Fehler in der Baseline verzerren alles
Ein schwaches Forecast-Modell erzeugt eine schwache Baseline, der Lift wird entsprechend falsch. Ein MAPE-Wert allein zeigt systematische Baseline-Biases nicht.
Wettbewerbsaktionen bleiben ein Störfaktor
Läuft in der Aktions-Woche eine Wettbewerbs-Aktion, sinkt der eigene Lift ohne eigene Schwäche. Preis-Signale als Feature reduzieren den Effekt, eliminieren ihn aber nicht.
Preisstrategie, Segmentierung und Bedarfsprognose bleiben eigene Themen. Wirksamkeitsmessung beantwortet nur eine Frage: Welchen Absatz-Teil hat die Aktion verursacht? Preise vor der Aktion und Markdown-Zeitpunkte gehören zu Dynamic Pricing im Einzelhandel. Wie sich Segmente aus Kauf-Historie und Preis-Sensitivität stabil bilden lassen, führen wir in Customer Segmentation aus; welchen Käufer wir überhaupt aktionieren wollen, klärt Customer Lifetime Value. Die Baseline selbst kommt aus einem produktiven Forecast auf Filiale-SKU-Tag-Ebene, den wir in Demand Forecasting beschreiben.
Wirksamkeitsmessung schafft die Grundlage, um ein Aktionsportfolio besser zu steuern. Preisstrategie, Segmentierung und Bedarfsprognose bleiben eigene Disziplinen daneben. Sie sorgt dafür, dass Marketing, Category Management, Vertrieb und Finance denselben Absatzsprung gleich bewerten.
Für den Rollout reicht das Dashboard allein nicht. Die Datenbasis, Governance und der Forecast müssen dauerhaft betrieben werden. Eine auditierbare Segment-Zuordnung kommt ohne Unity Catalog und eine nachvollziehbare Lineage nicht aus. Eine Baseline, die über zwei Aktions-Zyklen vergleichbar bleibt, setzt einen Forecast als produktives Modell voraus.
Fazit
Nicht der Absatzsprung zählt, sondern der Umsatz, der ohne die Aktion nicht entstanden wäre.
Trade-Promotion-Wirksamkeit lohnt sich, wenn das Aktionsbudget groß genug ist und Rabattverluste spürbar auf die Marge wirken. Besonders relevant ist sie für Händler und Hersteller mit vielen Aktionen, mehreren Kategorien und ausreichend Loyalty-Daten für eine Segmentauswertung.
Gute Pilotkandidaten erkennt man an klaren Problemen im Aktionsprozess:
- Aktionsreports vergleichen nur gegen die Vorwoche und nutzen keine Baseline.
- Aktionen werden jedes Jahr wiederholt, ohne den echten Zusatzumsatz zu prüfen.
- Loyalty-Daten, Kassendaten und Aktionskalender liegen getrennt und werden erst im Reporting zusammengeführt.
- Die Marge sinkt, obwohl Aktionen weiterhin hohe Absatzspitzen zeigen.
- Der Handel drückt Mechaniken durch, denen die eigene Analyse nichts entgegensetzt.
Ohne solche Probleme ist Wirksamkeitsmessung wahrscheinlich nicht der nächste sinnvolle Schritt. Ohne produktiven Forecast und saubere Loyalty-Governance fehlt die Grundlage. Dann steht die Datenbasis auf der Prioritätenliste, das Uplift-Modell erst danach.
Mein Vorschlag: Startet mit einer aktionsstarken Kategorie. Baut Baseline und Segmentblick auf einer gemeinsamen Datenbasis auf und vergleicht die Bewertung nach zwei Aktionszyklen mit dem alten Reporting. Wenn sichtbar wird, wie stark Absatz-Delta und echter Zusatzumsatz auseinanderliegen, verändert das die Aktionsplanung schneller als jede abstrakte Governance-Diskussion.
Wirksamkeitsmessung ist nicht einfach ein weiterer Bericht. Sie sorgt dafür, dass Marketing, Category Management und Finance dieselbe Aktion gleich bewerten.
Starte mit einer aktionsstarken Kategorie und vergleiche die Bewertung nach zwei Aktionszyklen mit dem alten Reporting.
Wie wirksam sind deine Aktionen wirklich?
Ob segmentierte Wirksamkeitsmessung für eure Aktionsplanung schon sinnvoll ist oder zuerst Forecast, Loyalty-Daten und Aktionskalender sauber zusammengeführt werden müssen, lässt sich in einem Data & AI Assessment prüfen.
- welche Kategorien und Aktionsformate sich für einen Pilot mit Baseline und Segmentblick eignen
- welche Governance-, Datenschutz- und Datenqualitätsfragen vor dem Rollout geklärt werden sollten
- wie ein sinnvoller Vorgehensplan für Baseline-Forecast, Segmentierung und Aktionsreview aussehen kann
FAQ
Trade-Promotion-Wirksamkeit misst, welcher Teil des Aktionsabsatzes wirklich durch die Aktion entstanden ist und welcher Teil auch ohne Rabatt verkauft worden wäre. Dafür braucht es vier Bausteine: eine Baseline ohne Aktion, den Lift als Differenz zwischen Ist und Baseline, den Segmentblick auf Käufergruppen und die Auswertung der Wochen nach der Aktion. Ein Vergleich mit der Vorwoche reicht dafür nicht.
