Paid Search vs. Paid Social: Warum der ROAS-Vergleich in die Irre führt

Der ROAS aus Google Ads und der ROAS aus Meta sind nicht vergleichbar – und die veröffentlichte Forschung zeigt, dass beide den tatsächlichen Beitrag ihrer Kanäle systematisch überschätzen. Das ist der Kern, der in der Debatte meist fehlt: Es geht nicht nur darum, dass die eine Zahl höher ausfällt als die andere. Es geht darum, dass beide Zahlen aus Verfahren stammen, die in kontrollierten Experimenten regelmäßig deutlich zu hohe Werte liefern.

Dieser Text ordnet zunächst ein, was ROAS auf beiden Plattformen überhaupt bedeutet, fasst die belastbaren Studien zur Überschätzung zusammen und beschreibt die dokumentierten Alternativen samt ihrer echten – und belegten – Einstiegshürden. Die Mechanik der unterschiedlichen Zählweisen behandelt der Beitrag zur Attribution zwischen Plattformen; hier geht es um die Konsequenz daraus.

Geprüft: 18. Juli 2026 · Nächste Prüfung: Q1 2027

Was ROAS bei Google und Meta jeweils bedeutet

Google Ads führt ROAS nicht als eigene Kennzahl, sondern als Verhältnis von Conversion-Wert zu Kosten. In der Dokumentation heißt die Spalte entsprechend „Conv.-Wert/Kosten"; für die Gebotsstrategie mit Ziel-ROAS multipliziert man diesen Wert mit hundert. Der zugrunde liegende Conversion-Wert stammt entweder dynamisch aus dem Tracking oder aus einem hinterlegten Standardwert, und er lässt sich über Wertregeln nach Standort, Gerät und Zielgruppe anpassen.

Schon hier liegt eine Fehlerquelle, die nichts mit dem Kanalvergleich zu tun hat: Wer einen pauschalen Standardwert hinterlegt, misst am Ende nicht Umsatz, sondern Conversion-Menge in Umsatzkleidung. Wie sich Zielwerte sauber setzen lassen, behandelt der Beitrag zur gROAS-Steuerung.

Meta weist einen eigenen Kauf-ROAS aus, berechnet auf Basis der plattformeigenen Attribution. Eine Besonderheit ist dabei dokumentiert und für den Vergleich relevant: In der Programmierschnittstelle lässt sich neben den klassischen Attributionsfenstern auch der Wert incrementality setzen – Meta bietet also eine Attributionsvariante an, die ausdrücklich nicht dem Standardmodell folgt. Was sie genau berechnet, ist öffentlich allerdings kaum dokumentiert.

Was die Forschung zur Überschätzung zeigt

Mehrere große Feldstudien kommen zu demselben Ergebnis: Beobachtende Messverfahren – und dazu gehören die Attributionszahlen der Plattformen – weisen deutlich höhere Wirkungen aus als kontrollierte Experimente. Das ist keine Randnotiz aus der Wissenschaft, sondern die empirisch am besten abgesicherte Aussage zu diesem Thema überhaupt.

Studie	Gegenstand	Zentrales Ergebnis
Blake, Nosko, Tadelis (2015)	Suchanzeigen, Feldexperiment bei einem großen Marktplatz	Die Rendite bezahlter Suche beträgt nur einen Bruchteil der konventionell geschätzten Werte; für Markenbegriffe kein messbarer kurzfristiger Nutzen
Gordon et al. (2019)	15 große Feldexperimente auf Facebook	Beobachtende Verfahren reproduzieren die Ergebnisse randomisierter Experimente häufig nicht – auch nach umfangreicher Kontrolle demografischer und verhaltensbezogener Variablen
Gordon, Moakler, Zettelmeyer (2023)	663 Experimente	Experimentell gemessene Steigerungen im Median 29, 18 und 5 Prozent nach Trichterstufe – nicht-experimentelle Verfahren wiesen 83, 58 und 24 Prozent aus
Lewis, Rao (2015)	Ökonomie der Werbewirkungsmessung	Das mediane Konfidenzintervall für den Werbe-Ertrag war über hundert Prozentpunkte breit

Was die Zahlen konkret bedeuten

Die dritte Zeile ist die aussagekräftigste, weil sie beide Verfahren direkt gegenüberstellt. Nicht-experimentelle Schätzungen lagen dort je nach Trichterstufe rund zwei- bis fünfmal so hoch wie die experimentell gemessenen Werte. Übertragen auf den Alltag heißt das: Ein Kanal, der im Dashboard eine Verdopplung des Umsatzes ausweist, hat möglicherweise einen deutlich kleineren tatsächlichen Beitrag geleistet – und das gilt für Search und Social gleichermaßen.

Besonders unbequem ist der Befund von Blake und Kollegen zu Markenbegriffen. Wer auf den eigenen Markennamen bietet, kauft in vielen Fällen Klicks von Nutzern, die die Marke ohnehin gefunden hätten. Das ist kein Argument gegen Markenkampagnen – es gibt gute Gründe dafür, etwa die Verdrängung von Wettbewerbern – aber es ist ein starkes Argument dagegen, ihren ausgewiesenen ROAS für bare Münze zu nehmen. Wie sich der Wettbewerb um Markenbegriffe bewerten lässt, behandelt der Beitrag zum Wettbewerber-Traffic auf Markensuchen.

Die vierte Zeile erklärt schließlich, warum viele Tests im Alltag ergebnislos bleiben: Werbewirkung ist im Verhältnis zur Umsatzschwankung oft so klein, dass sie in normalen Datenmengen statistisch kaum nachweisbar ist. Wer einen Test mit zu wenig Volumen fährt, bekommt kein Ergebnis – und deutet die Ergebnislosigkeit fälschlich als Wirkungslosigkeit.

Stimmt es, dass Search abschöpft und Social Nachfrage erzeugt?

Diese verbreitete Rollenzuschreibung ist eine Branchenheuristik, keine Aussage der Plattformen. Weder Google noch Meta formulieren in ihrer Dokumentation, dass Suchanzeigen bestehende Nachfrage abgreifen und Social-Anzeigen neue erzeugen. Google verwendet den Begriff Nachfragegenerierung lediglich als Produktbezeichnung für einen Kampagnentyp.

Das macht die Heuristik nicht wertlos – sie ist plausibel und im Alltag oft brauchbar. Aber sie sollte als das gekennzeichnet werden, was sie ist: eine Faustregel, die die Rollenverteilung im eigenen Geschäft nicht ersetzt. Ob Suchanzeigen bei Ihnen tatsächlich überwiegend bestehende Nachfrage bedienen, ist eine empirische Frage, und sie lässt sich beantworten – über ein Experiment, nicht über ein Zitat.

Was stattdessen messen: Inkrementalität

Der einzige Weg, den tatsächlichen Beitrag eines Kanals zu bestimmen, ist ein Vergleich mit einer Kontrollgruppe, die die Werbung nicht sieht. Beide großen Plattformen bieten dafür Verfahren an, und die Einstiegshürden sind bei Google konkret dokumentiert.

Googles Conversion Lift

Die Dokumentation nennt ungewöhnlich klare Werte: Eine Studie lässt sich nicht speichern, wenn das Budget unter 5.000 US-Dollar liegt; richtungsweisende Ergebnisse werden ab diesem Budget und rund tausend Conversions in Aussicht gestellt. Laufzeiten von sieben Tagen sind möglich, empfohlen werden mehr als vierzehn. Die Kontrollgruppe lässt sich zwischen einem und fünfzig Prozent festlegen, und der Zugang läuft über einen Google-Vertreter.

Ergänzend gibt es geobasierte Experimente, die statt einzelner Nutzer ganze Regionen gegeneinander stellen. Sie sind besonders dann interessant, wenn nutzerbasierte Messung an Consent-Grenzen stößt – der Budgetbedarf liegt laut Google allerdings höher, ohne dass eine konkrete Zahl genannt wird. Für einfachere Fragestellungen genügen oft schon die regulären Kampagnen-Experimente, für die Google eine Laufzeit von vier bis sechs Wochen empfiehlt.

Metas Lift-Studien

Meta beschreibt in der Entwicklerdokumentation ein Verfahren mit randomisierter Test- und Kontrollgruppe, bei dem sich die Anteile beider Gruppen festlegen lassen. Der Zugang ist ausdrücklich beschränkt und läuft über den Meta-Ansprechpartner; als Zielsetzung sind derzeit Conversions dokumentiert, und die Einstellung lässt sich nach dem Start nicht mehr ändern.

Konkrete Mindestbudgets oder Mindestlaufzeiten nennt Meta öffentlich nicht. Die Dokumentation formuliert lediglich qualitativ, dass größere Reichweite, längere Laufzeiten und höhere Budgets eher zu statistisch belastbaren Ergebnissen führen. Wer plant, sollte diese Unbestimmtheit einkalkulieren und die Anforderungen vorab mit dem Ansprechpartner klären, statt sie aus Sekundärquellen zu übernehmen.

Wann Marketing-Mix-Modeling infrage kommt

Das dokumentierte Einstiegskriterium ist die verfügbare Datenhistorie – nicht die Höhe des Media-Budgets. Googles quelloffenes Framework Meridian nennt als Faustregel mindestens zwei Jahre Wochendaten für geobasierte Modelle und drei Jahre für nationale Modelle. Der eigentliche Maßstab dahinter ist das Verhältnis von Datenpunkten zu zu schätzenden Parametern: Bei zwei Jahren Wochendaten stehen 104 Datenpunkte zur Verfügung, was die Dokumentation für eine verlässliche Schätzung ausdrücklich als zu wenig bezeichnet, sobald die Zahl der Parameter steigt.

Damit ist auch eine in der Branche verbreitete Merkregel erledigt: Ein Budget-Schwellenwert, ab dem Marketing-Mix-Modeling sinnvoll wird, existiert in keiner Herstellerdokumentation. Solche Zahlen sind Erfahrungswerte einzelner Anbieter, und sie führen in die Irre, wenn ein Unternehmen mit großem Budget, aber kurzer Datenhistorie danach entscheidet. Umgekehrt kann ein Mittelständler mit sauber geführten Wochendaten aus vier Jahren bessere Voraussetzungen haben als ein Großkunde nach einem Systemwechsel.

Wichtig ist außerdem, wie Experiment und Modell zusammenspielen. Meridian beschreibt Inkrementalitäts-Experimente als möglicherweise stärkste Grundlage für die Modellannahmen, weist aber darauf hin, dass sich Experimentergebnisse nicht nach einer festen Formel in Modellparameter übersetzen lassen und dass die von einem Experiment gemessene Rendite selten exakt mit der des Modells übereinstimmt. Wer beides einsetzt, sollte diese Abweichung erwarten statt sie als Fehler zu behandeln – Details dazu im Beitrag zum Marketing-Mix-Modeling.

Was von blended ROAS und MER zu halten ist

Beide Begriffe sind Praxiskennzahlen ohne Definition durch die Plattformen. Weder Google noch Meta dokumentieren sie. Das ist kein Grund, sie zu meiden – die Idee, den gesamten Media-Aufwand ins Verhältnis zum gesamten Umsatz zu setzen, umgeht genau das Überschätzungsproblem der Plattformzahlen und ist deshalb oft nützlicher als jede Einzelkanalbetrachtung.

Es ist aber ein Grund, sie sauber zu definieren und diese Definition schriftlich festzuhalten. Da kein Standard existiert, versteht jedes Team etwas anderes darunter – mal mit, mal ohne Agenturkosten, mal auf Netto-, mal auf Bruttoumsatz, mal inklusive Retouren. Ohne festgehaltene Definition ist die Kennzahl über Zeiträume und Teams hinweg wertlos.

Ein tragfähiges Vorgehen in vier Schritten

Schritt drei ist der, an dem die meisten Vorhaben scheitern – nicht an der Methode, sondern an der Organisation. Ein Experiment verlangt, einen Kanal bewusst zurückzunehmen, und das kostet kurzfristig Umsatz. Diese Bereitschaft muss vorher geklärt sein, sonst wird der Test beim ersten Rückgang abgebrochen und liefert nichts außer verbrannter Zeit. Wer den Aufwand scheut, sollte zumindest die Plattformzahlen konsequent als Signale behandeln – und die Erkenntnisse aus der Forschung in die Interpretation einbeziehen.

Häufig gestellte Fragen

Kann man den ROAS von Google Ads und Meta direkt vergleichen?

Nein. Google weist ROAS als Verhältnis von Conversion-Wert zu Kosten aus, Meta einen eigenen Kauf-ROAS auf Basis seiner eigenen Attribution. Beide beruhen auf beobachtenden Verfahren, deren Überschätzung in Feldexperimenten belegt ist.

Wie stark überschätzen Plattformzahlen die Wirkung?

In einer Auswertung von 663 Experimenten lagen die experimentell gemessenen Steigerungen im Median bei 29, 18 und 5 Prozent nach Trichterstufe, während nicht-experimentelle Verfahren 83, 58 und 24 Prozent auswiesen – also rund das Zwei- bis Fünffache.

Lohnen sich Anzeigen auf den eigenen Markennamen?

Ein großes Feldexperiment fand für Markenbegriffe keinen messbaren kurzfristigen Nutzen, weil diese Nutzer die Marke ohnehin gefunden hätten. Andere Gründe wie die Verdrängung von Wettbewerbern können dennoch dafür sprechen – der ausgewiesene ROAS taugt aber nicht als Begründung.

Sagen Google oder Meta, dass Search Nachfrage abschöpft?

Nein. Diese Rollenzuschreibung ist eine Branchenheuristik. In der Dokumentation beider Plattformen findet sie sich nicht; Google verwendet den Begriff Nachfragegenerierung lediglich als Produktbezeichnung.

Was kostet ein Inkrementalitäts-Experiment bei Google?

Für Conversion-Lift-Studien nennt Google ein Mindestbudget von 5.000 US-Dollar; richtungsweisende Ergebnisse werden ab diesem Budget und rund tausend Conversions in Aussicht gestellt. Empfohlen werden Laufzeiten von mehr als vierzehn Tagen, die Kontrollgruppe ist zwischen einem und fünfzig Prozent wählbar.

Ab welchem Budget lohnt sich Marketing-Mix-Modeling?

Ein Budget-Schwellenwert existiert in keiner Herstellerdokumentation. Das dokumentierte Kriterium ist die Datenhistorie: Googles Meridian nennt als Faustregel mindestens zwei Jahre Wochendaten für geobasierte und drei Jahre für nationale Modelle.

Sind MER und blended ROAS offizielle Kennzahlen?

Nein, es sind Praxiskennzahlen ohne Definition durch Google oder Meta. Sie sind nützlich, weil sie die Überschätzung einzelner Plattformzahlen umgehen – müssen aber intern schriftlich definiert werden, weil kein Standard existiert.

Fazit: Aufhören zu vergleichen, anfangen zu messen

Die ehrlichste Antwort auf die Frage, ob Search oder Social den besseren ROAS liefert, lautet: Die Frage lässt sich mit den vorliegenden Zahlen nicht beantworten. Nicht weil die Daten schlecht gepflegt wären, sondern weil beide Zahlen methodisch für diesen Vergleich nicht gemacht sind – und weil die Forschung zeigt, dass sie den tatsächlichen Beitrag beider Kanäle überzeichnen.

Der Ausweg ist unbequem, aber überschaubar: eine neutrale Gesamtzahl als Bezugsgröße, Plattformwerte als Signale, und mindestens ein Experiment pro Jahr für den Kanal mit dem größten Budget. Die dokumentierten Einstiegshürden sind niedriger, als viele annehmen – 5.000 US-Dollar für eine Conversion-Lift-Studie sind für die meisten Konten, über die diese Diskussion überhaupt geführt wird, keine ernsthafte Hürde. Was fehlt, ist selten das Budget. Es ist die Bereitschaft, für ein paar Wochen bewusst weniger auszuliefern, um endlich zu wissen, was der Kanal wirklich bringt.