· 10 Min. · Samet Durgun · Plattformangaben geprüft am

Ist AppLovin für meine App inkrementell, und wie teste ich das?

Ich bin Samet Durgun, Fractional Head of UA. Ich verantworte Paid UA für Subscription-Apps und Mobile Games und schreibe hier auf, was ich in meinen Accounts sehe. Dieser Beitrag gehört zum Thema Fractional Head of UA; mehr über mich.

AppLovin ist für Ihre App nur so weit inkrementell, wie das Abschalten Sie Installs und Umsatz kosten würde, die Sie sonst nirgends bekämen. Keine ROAS-Zahl in Ihrem MMP oder im Dashboard von AppLovin beantwortet das, weil diese Zahlen Zuschreibung zeigen, keine Ursache. Beantworten kann es ein Geo-Holdout: AppLovin ist in vergleichbaren Regionen aus und überall sonst an, zur selben Zeit. Das Ergebnis messen Sie mit Store- und Backend-Daten und berichten den inkrementellen ROAS mit Konfidenzintervall. Die Antwort hängt davon ab, ob Sie das Ergebnis nach Geografie messen können. Länder funktionieren für jede App, US-Bundesstaaten und Metros nur, wenn Ihre Daten die USA so aufteilen können. Können sie das nicht, wissen Sie es noch nicht.

Umfang: App-Kampagnen in AppLovin Ads (iOS und Android), über einen MMP attribuiert, in jeder Region. Geprüft habe ich Seiten von AppLovin, Impact, Apple, Google, Meta und Haus am 1. Oktober 2026. Die Support-Seiten von AppLovin tragen kein Aktualisierungsdatum, das Prüfdatum ist also das einzige Datum.

Ich habe kein Inkrementalitätsergebnis zu AppLovin veröffentlicht. Was folgt, ist die Methode, die ich in einem Account anwenden würde, aufgebaut aus AppLovins eigener Dokumentation und den öffentlichen Experiment-Tools. Ein Ergebnisbericht ist es nicht.

Was wird AppLovin in einem App-Account zugeschrieben?

Bei Apps entscheidet AppLovin die Attribution nicht allein. Die Seite Set up MMP tracking sagt, dass Sie für Kampagnen in AppLovin Ads das Tracking mit einem Mobile Measurement Partner konfigurieren müssen (Adjust, AppsFlyer, Kochava, Tenjin, Singular oder Branch) und dass das Tracking eingerichtet sein sollte, bevor eine Kampagne live geht. AppLovin hat seine Plattform in AppLovin Ads umbenannt und sie am 22. Juni 2026 für alle Werbetreibenden geöffnet; Axon bleibt der Name seines KI-Empfehlungssystems.

Die Partnerseiten nennen die Einstellungen im Einzelnen. AppLovins Seite AppsFlyer verlangt Postbacks für Installs und In-App-Events für “All media sources, including organic”, eingeschaltete View-Through-Attribution für Installs, einen Click-Through-Lookback von mindestens 7 Tagen und einen View-Through-Lookback von mindestens 24 Stunden. Die Seite Adjust verlangt Daten aus allen Attributionsquellen, ein Klickfenster von mindestens 7 Tagen und ein Impression-Fenster von mindestens 24 Stunden.

Die Behauptung, AppLovin zähle nur Klicks und sei deshalb konservativ, würde ich also nicht auf Apps übertragen. Sie stammt aus AppLovins Beitrag vom Juni 2026, Different numbers, one channel: making sense of AppLovin through a measurement lens, der vor allem für E-Commerce- und Consumer-Marken geschrieben ist. Dort erfasst das Reporting in der Plattform nur Click-Through-Attribution.

Ein View-Through-Fenster zeigt, dass AppLovin diesem Gerät im Fenster vor dem Install eine Anzeige ausgespielt hat und der MMP den Install AppLovin zugeschrieben hat. Dass die Anzeige den Install verursacht hat, zeigt es nicht. Wer ein Playable gesehen hat und an diesem Abend über die Suche installiert hätte, wird trotzdem gezählt. Organische Postbacks bedeuten auch nicht, dass AppLovin organische Nutzer zugeschrieben bekommt. Sie senden AppLovin Daten zu jedem Install und jedem Event, aber der MMP entscheidet weiterhin, wem etwas zugeschrieben wird.

Attribuierter Umsatz kann auch falsch sein, bevor Inkrementalität überhaupt zur Frage wird. Im Test zu Google-Ads-Gebotsstrategien mit 27K $, den ich im Februar 2026 gefahren habe, sendete das Umsatz-Event des Accounts 1 $ statt 0 $, wenn eine Conversion keinen Wert hatte. Das blähte den ROAS, den Google meldete, durchweg auf, am stärksten auf iOS. Bevor ich teste, was ein Netzwerk verursacht, würde ich deshalb prüfen, was ihm gesendet wird. Attribuierte Zahlen widersprechen sich auch dann, wenn nichts kaputt ist. Welche Lücken normal sind, steht in warum Google Ads, Ihr MMP und SKAN unterschiedliche iOS-Conversions melden.

Was bedeutet ein Inkrementalitätswert in Prozent?

Es hängt vom Nenner ab, und zwei sehr unterschiedliche Zahlen bekommen dasselbe Etikett.

  • Lift gegenüber einer Baseline: der Prozentsatz, um den die Treatment-Regionen über dem liegen, was die Kontrolle für sie vorhersagt. Die Basis ist, was ohne AppLovin passiert wäre.
  • Inkrementeller Anteil am attribuierten Umsatz: der Prozentsatz des Umsatzes, der AppLovin zugeschrieben wurde und ohne AppLovin nicht entstanden wäre. Die Basis ist der attribuierte Umsatz.

Keine von beiden ist eine Kostenkennzahl. Eine Lift-Zahl sagt erst etwas über Effizienz, wenn Sie den inkrementellen Umsatz durch den Spend teilen, der ihn erzeugt hat. Ich würde den inkrementellen ROAS berichten, also den inkrementellen Umsatz geteilt durch den AppLovin-Spend in den Treatment-Regionen, neben dem attribuierten ROAS für dieselben Regionen und Tage. Inkrementell kann auch über attribuiert liegen: In einem Account, den ich untersucht habe, zeigten Tage mit 100 zusätzlichen bezahlten Meta-Installs auf iOS etwa 28 zusätzliche organische Installs im MMP. Das ist ein Hinweis darauf, dass die Attribution bezahlte Installs auch zu niedrig zählen kann.

Bevor ich auf die Lift-Zahl eines anderen hin handle, würde ich wissen wollen, welches Ergebnis gemessen wurde, wie viel ausgegeben wurde, wie lange der Test lief und wie breit das Intervall ist.

Warum beantwortet ein Aus- und Wiedereinschalten von AppLovin die Frage nicht?

Weil sich auch die Wochen ändern. Schalten Sie AppLovin im März ab und im April wieder ein, vergleichen Sie zwei verschiedene Monate. Saisonalität, ein Live-Ops-Event, ein Store-Featuring, ein Preistest und Änderungen bei Meta oder Google landen alle im selben Vergleich, und bezahlter Spend wirkt noch in spätere organische Installs hinein. Googles Meridian-Seite Intro to analysis schätzt das Counterfactual mit zeitbasierter Regression. Dafür braucht es Zeitreihen aus einem Zeitraum vor dem Test und aus dem Testzeitraum, außerdem ein Design und eine Geo-Zuordnung, die vor dem Test festgelegt wurden. Die Kontrollgruppe muss zur selben Zeit laufen wie das Treatment.

Wie würde ich einen Geo-Holdout für AppLovin aufsetzen?

Wählen Sie eine Geo-Einheit, die Sie sowohl ansteuern als auch messen können. AppLovins Campaign Management API steuert das Targeting über country_code. Nur innerhalb der USA akzeptiert sie zusätzlich region_codes (Bundesstaaten) oder metro_names (Metropolregionen), die sich nicht kombinieren lassen. Ein Feld für Geo-Ausschlüsse habe ich nicht gefunden, eine Holdout-Region ist also einfach eine, die Sie nicht ansteuern.

Nehmen Sie in Kauf, dass der Test eine Zeit lang gegen AppLovins Skalierungsempfehlungen verstößt. Scale your campaign empfiehlt, alle Länder auszuwählen, die Sie unterstützen, mit einem globalen Budget, und ein Budget für mindestens 15 bis 20 Conversions pro Tag in der gesamten Kampagne. Ein Holdout nimmt absichtlich Regionen heraus, die Treatment-Regionen brauchen also trotzdem genug Budget für dieses Conversion-Volumen.

Dimensionieren Sie den Test, bevor Sie Geld ausgeben. Metas quelloffene GeoLift Methodology kombiniert Augmented Synthetic Control für die Schätzung mit Generalized Synthetic Control für die Inferenz. Die Power-Rechner schlagen Testdauer und Investition vor und nennen, welche und wie viele Märkte Sie nutzen sollten. Zu den Tests, die AppLovin mit Marken durchführt, sagt der Measurement-Beitrag von AppLovin: Holdouts machen typischerweise 20 bis 50% des Geo-Footprints aus und sind auf mindestens 90% statistische Power ausgelegt, und Kampagnen sollten die Lernphase verlassen haben und stabil ausliefern, bevor ein Test startet. Das sind Zahlen für Marken, keine Regel für Apps, aber die Anforderung an die Power gilt auch hier.

Halten Sie alles andere konstant. Lassen Sie Ziel, Zielwert und Creative-Set in AppLovin unverändert und bauen Sie Kampagnen während des Tests nicht neu auf: Die API setzt goal_type und roas_day_target nur bei der Erstellung. Budgets anderer Kanäle, Preise, Promotions und Live Ops sollten in Treatment- und Kontrollregionen gleich bleiben oder sich zumindest gemeinsam bewegen.

Lassen Sie den Test über das Optimierungsfenster hinaus laufen. AppLovins Setting up your app campaign bietet Ziele für Day 7 und Day 28 und sagt, längere Fenster “generally target highest value users”. Wenn die Kampagne auf Day 28 optimiert, müssen die Kohorten aus dem Testzeitraum in beiden Gruppen dasselbe Alter erreichen, bevor ich den Umsatz lese.

Frage Was die Antwort liefert Woher die Zahlen kommen Was es Ihnen nicht sagen kann
Was wurde AppLovin zugeschrieben? MMP-Attribution, mit Klickfenstern von mindestens 7 Tagen und View-Fenstern von mindestens 24 Stunden MMP-Reports Ob diese Nutzer ohnehin gekommen wären
Welcher Partner hat die Bestellung berührt? Impact Incrementality % Impacts Attributionsmodell Nichts Kausales; es gibt keine Kontrollgruppe
Was hat AppLovin verursacht? Geo-Holdout, Lift und inkrementeller ROAS mit Intervall Store-Konsolen nach Territory, Backend-Umsatz Effekte in Regionen oder Zeiträumen außerhalb des Tests
Wie schneidet AppLovin im Mix und über die Zeit im Vergleich ab? Mit Experimenten kalibriertes MMM Zeitreihen zu Spend und Ergebnis Ursache, solange kein Experiment es verankert

Woher kommen die Ergebnisdaten?

Nicht aus dem Dashboard von AppLovin und nicht allein aus den vom MMP attribuierten Installs, denn das sind die Zahlen, die getestet werden. In App Store Connect Analytics können Sie App-Metriken nach Territory filtern, das Apple anhand der Rechnungsadresse des Kunden bestimmt. Die Google-Play-Seite View app statistics führt country/region, das Land oder die Region des Nutzers, als Dimension auf. Der Umsatz kommt aus Ihrem Subscription-Backend oder Ihrer eigenen Buchführung, auf dieselbe Weise aufgeteilt.

Keine der beiden Store-Konsolen führt US-Bundesstaaten auf. Ein Test auf Ebene von Bundesstaaten oder Metros braucht also Ergebnisdaten, in denen der Bundesstaat steht. Das würde ich klären, bevor ich das Design wähle, denn davon hängt ab, ob sich die USA überhaupt aufteilen lassen.

Wie lese ich das Ergebnis?

Ich würde vier Zahlen berichten: inkrementelle Installs, inkrementellen Umsatz, inkrementellen ROAS und sein Konfidenzintervall, neben dem attribuierten ROAS für dieselben Regionen und Tage. Die Analyse von Meridian liefert dieselben Größen: Lift, prozentualen Lift, Konfidenzintervalle, p-Werte und inkrementelle Conversions pro Dollar, die sie mit inkrementellem ROAS gleichsetzt, wenn das Ergebnis Umsatz ist.

Ein nicht signifikantes Ergebnis ist meist nicht aussagekräftig. Es heißt nicht, dass der Effekt null ist: Das Intervall zeigt, wie groß ein Effekt sein könnte, den der Test übersehen hat. Ist das Intervall breit, ist der nächste Schritt ein längerer oder größerer Test, kein Urteil. Ist es eng, würde ich das Verhältnis von inkrementellem zu attribuiertem ROAS als Arbeitsfaktor auf AppLovins Zielwerte anwenden, nur für diese Regionen und diesen Zeitraum. AppLovins Measurement-Beitrag beschreibt einen Inkrementalitätstest als Experiment für einen bestimmten Zeitpunkt, bei dem Holdout-Größe, Budgethöhe, Testdauer, Geo-Zusammensetzung und Kampagnenstabilität zusammenwirken. Deshalb würde ich erneut testen, sobald sich eines davon ändert.

Welche Rolle spielen MMM und Lift-Studien?

MMM hilft, sobald ein Experiment es verankert. Meridians Seite Calibrate treatment priors sagt, dass Experimente und MMMs oft unterschiedliche Estimands haben: Das Counterfactual des MMM ist null Spend, während manche Experimente gegen reduzierten Spend messen, in einem bestimmten Fenster, einer bestimmten Region und einem bestimmten Setup. Die Seite sagt außerdem, dass es keine einzelne Formel gibt, um ein Experiment in einen Prior zu übersetzen. Der CalibrationBuilder versieht ältere Experimente mit zusätzlicher Unsicherheit und berücksichtigt die Größenordnung des Spends. Ein MMM ohne Experiment dahinter liefert eine Schätzung von AppLovins Effekt, keinen Test dieses Effekts.

Die veröffentlichten Lift-Ergebnisse zu AppLovin, die ich gefunden habe, betreffen Marken. Der Haus-Beitrag Is AppLovin More Than a Hype Channel? Lessons From Haus Incrementality Tests behandelt Geo-Holdouts von Januar 2025 bis März 2026. Die Werbetreibenden darin sind DTC- und Omnichannel-Marken. Der Beitrag ist also nützlicher Kontext, sagt aber wenig über Apps oder Games. Wenn ein Netzwerk anbietet, einen Lift-Test für Sie durchzuführen, fragen Sie vor dem Start nach dem Design, der Ergebnisquelle und dem Intervall. Das Team eines Netzwerks sieht nur dieses eine Netzwerk. Auch deshalb kann es die Entscheidung über den gesamten Mix nicht verantworten, mehr dazu in wer UA für ein Mobile Game nach dem Soft Launch führen sollte.

Warum ist Impacts Incrementality % modellierte Zuschreibung und kein Lift?

Die Frage kommt auf, wenn ein Partner- oder Affiliate-Kanal neben AppLovin steht und dieselben Nutzer für sich beansprucht. Impacts Incrementality FAQ definiert Incrementality % als die gesamte anteilige Zuschreibung aus dem Modell, geteilt durch die Gesamtzahl der Bestellungen, an denen der Partner beteiligt war. Das Modell ist ein “U-Shaped Time Decay Attribution Model” mit einem Time Decay von 7 Tagen, das die erste und die letzte Interaktion am stärksten gewichtet. Dieselbe Seite sagt, ein hoher Incrementality % bedeute, dass der Partner “real additional value” liefert.

Der Score beschreibt nur die Position eines Partners in den Pfaden, die Impact gesehen hat, nicht, was ohne ihn passiert wäre. Der Incrementality by Partner Report teilt Rollen in % Introduce, % Influence, % Close und % Solo auf. Er definiert Adjusted CPA als gesamte Action-Kosten geteilt durch inkrementelle Actions und Adjusted ROAS als inkrementellen Umsatz geteilt durch gesamte Action-Kosten und empfiehlt Daten aus mindestens 30 Tagen. Diese inkrementellen Eingangsgrößen sind die modellierte Zuschreibung, die Adjusted-Kennzahlen sind also ebenfalls modelliert. Die Seite Incrementality Dashboard Explained sagt, dass die Funktion bestimmte Editionen oder Add-ons braucht. Dieselbe Holdout-Logik beantwortet die kausale Frage für einen Partner.

Was prüft der growth audit dabei?

Für ein Game, das auf AppLovin neben Meta einkauft, steht in User Acquisition für Mobile Games, wie die beiden zusammenpassen. Der growth audit liest, was jedem Netzwerk gesendet wird, und sagt, wann sich eine Frage wie die, ob AppLovin inkrementell war, per Attribution nicht klären lässt und zuerst ein Test nötig ist. Sie können ihn einzeln buchen, bei jedem Spend.

Quellen

Alle am 1. Oktober 2026 geprüft.

Häufige Fragen

Zählt AppLovin View-Through-Installs für App-Kampagnen?

Bei App-Kampagnen läuft die Attribution über Ihren MMP, und AppLovins Setup-Seiten verlangen View-Through-Fenster. Die AppsFlyer-Seite verlangt eingeschaltete View-Through-Attribution für Installs, mit einem View-Through-Lookback von mindestens 24 Stunden neben einem Click-Through-Lookback von mindestens 7 Tagen, und die Adjust-Seite verlangt ein Impression-Fenster von mindestens 24 Stunden. Die Aussage, AppLovin berichte nur Klicks, stammt aus dem Measurement-Beitrag vom Juni 2026. Der ist vor allem für E-Commerce- und Consumer-Marken geschrieben und beschreibt AppLovins eigenes Reporting in der Plattform.

Beweist das Abschalten und Wiedereinschalten von AppLovin, ob es inkrementell ist?

Für sich allein nicht. Ein Vorher-Nachher-Vergleich vermischt den Kanal mit allem anderen, was sich in diesen Wochen geändert hat: Saisonalität, Live-Ops-Events, Store-Featuring, andere Kanäle und die Nachwirkung von früherem Spend. Was AppLovin vom Kalender trennt, ist ein Geo-Holdout: Regionen ohne AppLovin, gemessen in denselben Wochen wie Regionen mit AppLovin, gegen ein Modell, das an die Wochen vor dem Test angepasst wurde.

Kann MMM mir sagen, ob AppLovin für meine App funktioniert?

Es kann die Antwort stützen, nicht entscheiden. Googles Meridian-Dokumentation nennt Inkrementalitätsexperimente die vielleicht stärkste Grundlage, um die Priors des Modells zu setzen, und warnt, dass Experimente und MMM den ROI oft unterschiedlich definieren: Das Counterfactual des MMM ist null Spend, während ein Test gegen reduzierten Spend vergleichen kann, in seinem eigenen Zeitfenster, seinen Regionen und Kampagneneinstellungen. Ein Modell ohne Experiment dahinter ist eine Schätzung von AppLovins Effekt, kein Beweis.

Ist Impacts Incrementality % das Ergebnis eines Lift-Tests?

Nein. Impact definiert ihn als die gesamte anteilige Zuschreibung aus seinem U-förmigen Time-Decay-Attributionsmodell, geteilt durch die Gesamtzahl der Bestellungen, an denen der Partner beteiligt war, wobei der erste und der letzte Touch am stärksten gewichtet werden. Er beschreibt, wo ein Partner im Conversion-Pfad sitzt. Er vergleicht keine exponierten Nutzer mit einer Kontrollgruppe und kann Ihnen deshalb nicht sagen, was ohne den Partner passiert wäre.