Glossar

Metriken

Wichtige Performance-Metriken und KPIs

Term	Definition
Spend	Gesamtsumme der Werbeausgaben für deine Kampagnen. Direkt aus den verbundenen Werbeplattformen gezogen.
Revenue	Gesamter Umsatz aus Conversions, die deinen Anzeigen zugeordnet wurden. Berechnet auf Basis der Conversion-Werte, die der Adverfly-Pixel trackt.
ROAS	Return on Ad Spend. Verhältnis von Umsatz zu Werbeausgaben. Berechnet als Umsatz / Spend. Ein ROAS von 3,0 bedeutet 3 € Umsatz pro 1 € Spend.
ROI	Return on Investment. Prozentuale Rendite deiner Werbe-Investitionen. Berechnet als ((Umsatz − Spend) / Spend) × 100.
CPA	Cost per Acquisition. Durchschnittliche Kosten pro Neukunde oder Conversion. Berechnet als Spend / Conversions.
CAC	Customer Acquisition Cost. Kosten, um einen Neukunden zu gewinnen. Wird oft synonym zu CPA genutzt.
CPM	Cost per Mille. Kosten pro 1.000 Impressions. Berechnet als (Spend / Impressions) × 1000.
CPC	Cost per Click. Durchschnittliche Kosten pro Klick. Berechnet als Spend / Clicks.
CTR	Click-Through-Rate. Prozentsatz der Impressions, die zu einem Klick führten. Berechnet als (Clicks / Impressions) × 100.
CVR	Conversion Rate. Prozentsatz der Sessions, die in einer Conversion endeten. Berechnet als (Conversions / Sessions) × 100.
AOV	Average Order Value. Durchschnittlicher Wert pro Bestellung/Conversion. Berechnet als Umsatz / Conversions.
LTV	Lifetime Value. Gesamtumsatz, der von einem Kunden über die gesamte Beziehung erwartet wird.
Impressions	Anzahl der Auslieferungen deiner Anzeige.
Clicks	Anzahl der Klicks auf deine Anzeige.
Conversions	Anzahl der gewünschten Aktionen (Käufe, Sign-ups etc.), die deinen Anzeigen zugeordnet wurden.
Sessions	Ein einzelner Besuch deiner Website, vom Adverfly-Pixel getrackt. Eine Session bündelt alle Events eines Besuchers innerhalb einer durchgehenden Browsing-Periode. Sessions sind der Nenner der Conversion Rate (CVR).
Hook Rate	Anteil der Zuschauer, die die ersten 3 Sekunden eines Video-Ads gesehen haben. Berechnet als (3-Sekunden-Views / Impressions) × 100. Misst, wie gut ein Creative Aufmerksamkeit weckt.
Hold Rate	Anteil der Zuschauer, die ein Video-Ad bis zum Ende gesehen haben (ThruPlay). Berechnet als (ThruPlays / 3-Sekunden-Views) × 100. Misst, wie gut ein Creative Aufmerksamkeit hält.
ThruPlay	Video-Metrik, die zählt, wenn jemand ein Video bis zum Ende oder mindestens 15 Sekunden ansieht.
Net ROAS	Net Return on Ad Spend. ROAS, bereinigt um Kosten jenseits der Werbeausgaben (z. B. COGS, Versand). Profitabilitäts-fokussierter Blick auf die Ad-Performance.
MER	Marketing Efficiency Ratio. Gesamtumsatz geteilt durch gesamte Marketing-Ausgaben aller Kanäle. Anders als ROAS (pro Kanal) misst MER die Gesamteffizienz.
CPO	Cost per Order. Durchschnittliche Kosten pro Bestellung. Berechnet als Spend / Orders.

Attribution

Attributionsmodelle und Terminologie

Term	Definition
Attribution	Der Prozess, Touchpoints im Marketing für eine Conversion Credit zuzuweisen.
Attributionsfenster	Der Zeitraum, in dem ein Touchpoint Credit für eine Conversion erhalten kann. Ein 7-Tage-Klick-Fenster bedeutet z. B., dass Klicks innerhalb von 7 Tagen vor Conversion gewertet werden.
Click Attribution	Credit für Ad-Klicks, die zu einer Conversion geführt haben.
View Attribution	Credit für Ad-Impressions (Views), die eine Conversion auch ohne Klick beeinflusst haben können.
Last Click	Ein Attributionsmodell, das dem letzten Touchpoint vor der Conversion 100 % Credit gibt. Nützlich als Baseline.
Any Click	Last Click pro Plattform: Jede Plattform, die im Attributionsfenster geklickt wurde, erhält 100 % Credit für die Bestellung — jeweils an ihren letzten Klick. Weil jede Plattform unabhängig gewertet wird, summieren sich die Kanalzeilen bewusst auf mehr als den echten Umsatz. Zum Vergleich eines Kanals, einer Kampagne oder Anzeige mit dem eigenen Ads-Dashboard der Plattform, nicht für Summen oder Finanzberichte.
First Click	Ein Attributionsmodell, das dem ersten Touchpoint der Customer Journey 100 % Credit gibt. Hilfreich, um Awareness-Treiber zu verstehen.
Linear	Ein Attributionsmodell, das Credit gleichmäßig auf alle Touchpoints verteilt. Liefert eine ausgewogene Sicht, wenn jede Interaktion gleich wichtig ist.
U-förmig	Ein Attributionsmodell, das ersten und letzten Touchpoint betont (meist je 40 %), mit weniger Credit für mittlere Interaktionen. Auch positions-basierte Attribution genannt.
Total Impact	Ein Attributionsmodell, das die inkrementelle Wirkung des Marketings über Kanäle hinweg misst, indem es Beiträge jedes Touchpoints zum Endergebnis bewertet — kombiniert Klick- und Impression-Signale.
MTA (Multi-Touch-Attribution)	Ein Attributionsansatz auf User-Ebene, der Conversion-Credit auf mehrere Touchpoints einer Journey verteilt. MTA liefert die granularste Sicht auf Marketing-Performance und berücksichtigt, dass mehrere Interaktionen gemeinsam Kaufentscheidungen beeinflussen.
MMM	Marketing Mix Modeling. Statistisches Modell, das mit aggregierten Daten, Sättigungskurven und externen Faktoren den inkrementellen Beitrag jedes Marketing-Kanals zum Umsatz quantifiziert. Siehe das dedizierte MMM-Glossar für Detailbegriffe.
UMM	Unified Marketing Measurement. Ganzheitlicher Ansatz, der mehrere Methoden (MTA, MMM, Inkrementalitäts-Tests) zu einem Framework kombiniert. Statt isolierter Sicht validieren sich Methoden gegenseitig — weniger widersprüchliche Antworten, belastbarere Budget-Entscheidungen.
Inkrementalität	Misst den Performance-Anteil, der ohne Werbung nicht entstanden wäre. Durch Vergleich von Test- und Kontrollgruppen offenbart Inkrementalität den echten kausalen Lift von Marketing-Maßnahmen.

Messung

Unified Measurement, Inkrementalitäts-Tests und Cross-Method-Validierung

Term	Definition
Unified Measurement	Ein ganzheitlicher Ansatz, der Attribution (MTA), Marketing Mix Modeling (MMM) und Inkrementalitäts-Tests in einem Framework kombiniert. Statt einer einzelnen Methode validieren sich Insights gegenseitig — weniger widersprüchliche Antworten, versteckte Wachstumschancen und belastbarere Budget-Empfehlungen.
Triangulation	Validierung von Marketing-Insights durch Vergleich mehrerer Mess-Methoden — z. B. MMM, MTA und Inkrementalität. Stimmen alle drei überein, ist die Konfidenz hoch. Weichen sie ab, ist weiteres Testen nötig.
Kausalität	Die Fähigkeit zu beweisen, dass eine Marketing-Aktion ein Ergebnis tatsächlich verursacht hat — nicht nur korreliert. Inkrementalitäts-Tests sind die primäre Methode dafür.
Inkrementalität	Mess-Ansatz, der den Performance-Anteil isoliert, der ohne Werbung nicht entstanden wäre. Der Vergleich von Test- und Kontrollgruppe enthüllt den echten Lift — vs. Conversions, die ohnehin stattgefunden hätten.
Inkrementeller Lift	Differenz zwischen Treatment-Gruppe (Werbung gesehen) und Holdout-Gruppe (nicht gesehen). Repräsentiert die zusätzlichen Conversions oder den Umsatz, der direkt durch Werbung entstand.
Lift (%)	Anteil der Ergebnisse, die durch Ads im Test-Fenster ausgelöst wurden. Berechnet als (Treatment − Holdout) / Holdout × 100. Höher = stärkere kausale Wirkung.
iROAS (Inkrementeller ROAS)	Umsatz, der spezifisch durch Werbung entstand, geteilt durch inkrementellen Spend. Anders als Standard-ROAS zählen organische Conversions nicht — nur die echte Rendite.
Treatment vs. Holdout	Experiment-Design: Eine Gruppe (Treatment) sieht Werbung, eine andere (Holdout) wird absichtlich ausgeschlossen. Differenzen zwischen beiden zeigen die inkrementelle Wirkung.
Conversion-Lift-Test	Holdout-Test auf User-Ebene, meist von Werbeplattformen (Meta, Google, TikTok) durchgeführt. Die Plattform splittet Audiences via Identity-Graph und misst den Conversion-Unterschied.
Geo-Lift-Test	Inkrementalitäts-Test, der Performance über Regionen vergleicht (Städte, Bundesländer, PLZ-Gebiete) — mit und ohne Werbung. Statt User-Daten werden regionale Sales-Trends genutzt — privacy-freundlich und skalierbar.
DMA (Designated Market Area)	Geografische Region als empfohlene Granularität für Geo-Lift-Tests. DMAs definieren Medien-Märkte und eignen sich, um Werbe-Effekte regional zu isolieren.
Matched Markets	Bei Geo-Lift-Tests Kontroll-Märkte, die der Treatment-Region in historischer Performance und Trends ähneln. Beispiel: Treatment Berlin → Match Hamburg.
Synthetic Control	Statistische Methode in Geo-Lift-Tests, die einen gewichteten Mix mehrerer Kontroll-Regionen erzeugt, um das Pre-Test-Verhalten der Treatment-Region möglichst genau abzubilden — präziser als ein einzelner Match.
View-Through-Conversion (VTC)	Conversion einer Anzeige zugeschrieben, die nur gesehen (Impression), aber nicht geklickt wurde. Erfasst den Einfluss von Awareness und visueller Werbung, den Klick-basierte Attribution verpasst.
Modellierte Conversions	Geschätzte Conversions, die Werbeplattformen modellieren, wenn direktes Tracking durch Privacy oder Cookie-Verlust nicht verfügbar ist. ML füllt Lücken in beobachtbaren Daten.
Point of Diminishing Returns (PDR)	Spend-Niveau, ab dem zusätzliche Investition in einem Kanal progressiv weniger Ertrag liefert. Unified Measurement identifiziert PDR über Kanäle hinweg, um Über-Investment zu vermeiden.
Triangulations-Gewichte	Konfidenz-basierte Gewichtung zur Kombination der Mess-Methoden. Mit Geo-Test: 50 % Experiment + 30 % MMM + 20 % MTA. Ohne: 60 % MMM + 40 % MTA. Fallback: 100 % MTA.
Konfidenz-Score	Score (0–1), der angibt, wie belastbar ein Unified-Measurement-Ergebnis ist. Reicht von 0,95 (signifikanter Geo-Test verfügbar) bis 0,40 (nur MTA). Höher = mehr kausale Evidenz.
Ground-Truth-Feedback	Wenn ein Geo-Test die echte kausale Wirkung eines Kanals enthüllt, fließt dieser Lift als Bayesscher Prior ins MMM zurück — das Modell konvergiert zur experimentell validierten Wahrheit.
Difference-in-Differences (DID)	Statistische Methode in Geo-Tests: Vergleicht die Veränderung von Outcomes zwischen Treatment- und Kontroll-Region vor und nach der Intervention. Ein frequentistischer t-Test prüft Signifikanz.
Halo-Effekt (Channel)	Indirekter Umsatz und organischer Traffic-Lift durch bezahlte Aktivität jenseits direkter Conversions. Gilt für alle Kanäle (nicht nur Creator) — MMM erfasst das automatisch: Da das Modell Spend mit Gesamtumsatz korreliert, fließen Brand-Searches, Word-of-Mouth und organische Spikes natürlich dem Kanal zu, dessen Spend sie ausgelöst hat.
A/B Test	Ein Vergleich, bei dem Besucher auf eine Kontrollvariante und eine oder mehrere Varianten aufgeteilt werden, damit der Unterschied im Ergebnis der Änderung zugeschrieben werden kann und nicht dem Zeitraum, der Zielgruppe oder dem Wetter. Adverfly weist jeden Besucher über einen stabilen Browser-Hash zu — derselbe Mensch sieht also immer dieselbe Variante.
Rollout	Eine Änderung an einen Teil der Besucher ausliefern, ohne Kontrollarm. Es gibt nichts zum Vergleichen, deshalb berichtet ein Rollout Auslieferung und Conversions, aber nie einen Lift, einen p-Wert oder einen Gewinner. Sinnvoll, wenn die Entscheidung schon gefallen ist und du nur das Risiko begrenzen willst; wenn du wissen willst, ob die Änderung geholfen hat, nimm einen A/B-Test.
Fixed Horizon	Das klassische Experiment-Design: Stichprobengröße vorab planen, einmal am Ende auswerten. Alles, was vorher gelesen wird, ist explorativ, weil wiederholtes Zwischenauswerten einer wachsenden Stichprobe die Rate falsch positiver Ergebnisse drastisch erhöht.
Sequential Testing	Ein Design, dessen p-Werte und Konfidenzintervalle bei jedem Blick gültig bleiben — ein Test kann also gestoppt werden, sobald das Ergebnis eindeutig ist, statt erst bei einer geplanten Stichprobengröße. Adverfly nutzt einen Mixture Sequential Probability Ratio Test (mSPRT) und zählt nur Besucher, deren Conversion-Fenster bereits abgelaufen ist; ein früher Blick wird dadurch nie von halb beobachteten Besuchern verzerrt.
Sample Ratio Mismatch (SRM)	Wenn die beobachtete Aufteilung zwischen den Varianten stärker von der geplanten abweicht, als es der Zufall zulässt. Das heißt meist, dass die Auslieferung kaputt ist, und nicht, dass eine Variante gewinnt — ein Test mit SRM gehört repariert und neu gestartet, nicht gelesen.
Revenue per Visitor	Gesamtumsatz geteilt durch alle aufgenommenen Besucher, Nichtkäufer mit 0 gewertet, abzüglich Erstattungen und ohne stornierte Bestellungen. Die richtige Metrik, wenn eine Änderung den Bestellwert bewegt statt der Bestellzahl. Sie braucht deutlich mehr Traffic als die Conversion-Rate, weil Bestellwerte viel stärker streuen als ein Ja-oder-Nein-Kauf.
Holm Correction	Eine Step-down-Korrektur für Tests mit mehr als einer Treatment-Variante. Drei Varianten gegen eine Kontrollvariante zu vergleichen sind drei Chancen, per Zufall einen Unterschied zu finden; die Korrektur hebt die Hürde je Vergleich an, damit die Gesamtrate falsch positiver Ergebnisse bei 5 % bleibt.
Exposure	Der Nachweis, dass ein Besucher eine Variante tatsächlich erhalten hat — geschrieben einmal pro Test und Seitenaufruf, Kontrollvariante eingeschlossen. Ein Besucher gilt erst als aufgenommen, wenn die Variante wirklich ausgeliefert wurde: Eine Weiterleitung, die nicht stattfinden konnte, darf nicht als Treatment zählen, weil dieser Besucher gleich die Kontrollvariante sieht.

Marketing Mix Modeling

MMM-Konzepte, Sättigungs-Modellierung und Budget-Optimierung

Term	Definition
Marketing Mix Modeling (MMM)	Statistische Modellierungs-Technik, die den inkrementellen Beitrag jedes Kanals zum Umsatz quantifiziert. Anders als Attribution arbeitet MMM mit aggregierten Daten und kann externe Faktoren wie Saisonalität und Wetter berücksichtigen.
Base Revenue	Umsatz, den ein Unternehmen ohne jegliches Marketing erzielen würde — getrieben durch Brand Equity, organische Nachfrage und Bestandskunden. Auch Baseline oder organischer Umsatz.
Inkrementeller Umsatz	Zusätzlicher Umsatz, der direkt auf Marketing-Aktivitäten zurückzuführen ist. Berechnet als Gesamtumsatz minus Base Revenue.
Saisonalitäts-Effekt	Zyklische Schwankungen im Umsatz durch wiederkehrende Muster wie Feiertage, Wetter oder Branchen-Zyklen. MMM isoliert diese, damit sie nicht fälschlich Marketing-Kanälen zugeschrieben werden.
Revenue Decomposition	Zerlegung des Gesamtumsatzes in Bestandteile: Base Sales, Saisonalität und Beitrag jedes Kanals. Üblich als Wasserfall-Diagramm visualisiert.
Hill-Funktion	Mathematische Funktion zur Modellierung von Sättigung in Marketing-Response-Kurven. Formel: response = L * (spend^S) / (K^S + spend^S), mit L = Maximum, K = Halbsättigungspunkt, S = Form-Parameter.
Sättigungskurve	S-förmige Kurve, die das Verhältnis von Spend und Response je Kanal zeigt. Mit steigendem Spend bringt jeder zusätzliche Euro weniger Ertrag — Diminishing-Returns-Effekt.
Diminishing Returns	Ökonomisches Prinzip: Jede zusätzliche Spend-Einheit erzeugt progressiv weniger Umsatz. Sichtbar als abflachender Bereich der Sättigungskurve.
Halbsättigungspunkt (K)	Spend-Niveau, an dem ein Kanal 50 % seiner maximal möglichen Response erreicht. Schlüssel-Parameter der Hill-Funktion — höhere K-Werte bedeuten, dass mehr Spend nötig ist, um das Potenzial auszureizen.
Maximale Response (L)	Theoretische Obergrenze des Umsatzes, den ein Kanal unabhängig vom Spend erzeugen kann. Asymptote der Sättigungskurve.
Form-Parameter (S)	Steuert die Steilheit der Sättigungskurve. Höhere Werte = schärferer Übergang von Wachstum zu Sättigung. Auch Hill-Koeffizient. Adverflys Implementierung (LogisticSaturation) fixiert S = 1,0 — die Kurve wird allein durch K gesteuert.
Operating Point	Aktuelle Position eines Kanals auf seiner Sättigungskurve, basierend auf realem Spend. Zeigt, wie nah ein Kanal an der Sättigung ist und wieviel Skalierungs-Spielraum bleibt.
Historischer ROI	Durchschnittlicher Return über einen Zeitraum: Gesamtumsatz eines Kanals geteilt durch Gesamt-Spend. Spiegelt Effizienz wider, aber nicht die marginale.
Marginaler ROI (mROI)	Return des nächsten Euros Spend in einem Kanal. Ableitung der Hill-Funktion. Ein Kanal kann einen hohen historischen ROI, aber niedrigen mROI haben, wenn er nahe der Sättigung ist.
Marketing Efficiency Ratio (MER)	Gesamtumsatz geteilt durch Gesamt-Marketing-Spend aller Kanäle. Gemischte Effizienz-Metrik für den gesamten Marketing-ROI.
Budget-Optimierung	Prozess, Budget über Kanäle zu verteilen, um den Gesamtumsatz zu maximieren. Nutzt Sättigungskurven, um den optimalen Spend pro Kanal zu finden — dort, wo die Summe der marginalen Erträge maximal ist.
R² (R-Squared)	Bestimmtheitsmaß — misst, wie gut das MMM-Modell die Varianz im realen Umsatz erklärt. Werte von 0 bis 1, 1,0 = perfekter Fit. Werte > 0,85 gelten in MMM als stark.
MAPE	Mean Absolute Percentage Error — durchschnittliche prozentuale Abweichung zwischen Ist- und Prognose-Werten. < 10 % gilt als exzellent, < 20 % als gut.
Adstock	Carryover-Effekt der Werbung — die Idee, dass eine Werbe-Botschaft Konsumenten auch nach Sichtkontakt weiter beeinflusst. Modelliert als Decay-Funktion über Zeit.
Sättigungs-Schwelle	Spend-Niveau, ab dem marginale Erträge stark abnehmen (typisch < 20 % des initialen mROI). Spend darüber hinaus erzeugt rapide abnehmende Erträge.
Point of Diminishing Returns (PDR)	Spend-Niveau, ab dem zusätzliche Investitionen in einem Kanal progressiv weniger Umsatz erzeugen. MMM setzt Guardrails, um über den PDR hinaus zu vermeiden.
Datengetriebene Budget-Allokation	Nutzung von MMM-Outputs — Sättigungskurven, marginaler ROI, Revenue Decomposition — für intelligente Budget-Empfehlungen über alle Kanäle bis auf Kampagnen-Ebene.
Predictive Capabilities	MMMs Fähigkeit, künftige Marketing-Performance zu prognostizieren — über historische Muster, Sättigungs-Dynamik und saisonale Trends. Ermöglicht Szenario-Planung vor Budget-Festlegung.
Wettbewerbs-Insights	MMM kann Wettbewerber-Aktivität und Markt-Dynamik berücksichtigen — hilft zu verstehen, wie externer Druck deine Performance beeinflusst.
Modell-Kalibrierung	Verfeinerung der MMM-Vorhersagen mithilfe von Inkrementalitäts-Test-Ergebnissen. Ein Geo-Lift- oder Conversion-Lift-Test, der die kausale Wirkung enthüllt, kalibriert die Channel-Koeffizienten neu.
Feedback-Loop	Kontinuierlicher Verbesserungs-Zyklus: Inkrementalität kalibriert MMM, MMM identifiziert wertvolle Tests, MTA liefert granulare Optimierungs-Signale. Mit jeder Entscheidung wird das System klüger.
Endogenität	Wenn eine Variable im gemessenen System selbst entsteht. Endogene Variablen (CTR, CPC, Klicks, Impressions, ROAS, CPA) sind Ergebnisse des Marketing-Prozesses — sie ins MMM aufzunehmen wäre zirkuläres Argumentieren. Nur exogene Inputs (Spend) und Kontroll-Variablen (Wetter, Feiertage) gehören rein.
Bayessches Updating	Verwende die Posterioris von gestern als Prioris von heute — eine tägliche Lernkette. Stabilisiert das Modell (keine wilden Sprünge), erlaubt schnelle Anpassung an echte Veränderungen und unterstützt Anomalie-Erkennung bei Abweichungen > 3 Standardabweichungen.
PyMC Marketing	Open-Source-Bayesianische MMM-Engine (Apache 2.0, von PyMC Labs gepflegt) auf Basis von PyMC. Unterstützt hierarchische Modelle über mehrere Content-Dimensionen, geometrischen Adstock, logistische Sättigung (Hill) und volle Prior-Kontrolle für Geo-Test-Kalibrierung.
Hierarchische Prioris	Bayessche Technik, bei der Kanäle mit gemeinsamen Attributen (z. B. gleicher Angle oder Format) Information über geteilte Prior-Verteilungen poolen. Verbessert Schätzungen für Kanäle mit wenig Daten.
Posterior-Verteilung	Aktualisierte Wahrscheinlichkeitsverteilung eines Modell-Parameters nach Daten-Beobachtung. Im täglichen Bayesian-Updating werden die Posterioris von heute zu Prioris von morgen — eine Kette, die zu den wahren Werten konvergiert.
Kontroll-Variable	Externer Faktor im MMM, um falsche Attribution zu vermeiden. Wetter, Feiertage, Saisonalität, News-Sentiment sind Kontroll-Variablen — sie beeinflussen Umsatz, sind aber keine Marketing-Hebel. Ohne sie würden Wetter-Verkäufe fälschlich Marketing zugeschrieben.
Geometrischer Decay (Adstock)	Spezielles Adstock-Modell: Werbe-Effekt nimmt täglich um einen festen Anteil ab. effect(t) = spend(t) + decay × effect(t-1). Decay reicht von 0,1 (Search, kurzes Gedächtnis) bis 0,9 (Brand/YouTube, langes Gedächtnis).
ArviZ-Diagnostics	Set Bayesianischer Modell-Diagnose-Checks: R-hat-Konvergenz (< 1,05), Divergent Transitions (= 0), Effective Sample Size (> 400). Stellen sicher, dass MCMC konvergiert ist und die Resultate belastbar sind.

Tracking

Begriffe rund um Tracking und Datenerfassung

Term	Definition
Pixel	Ein kleines JavaScript-Snippet auf deiner Website, das Nutzerverhalten und Conversions trackt.
Event	Eine bestimmte Nutzeraktion, die der Pixel erfasst — z. B. Pageview, Add-to-Cart oder Klick.
Conversion	Eine abgeschlossene Wunsch-Aktion, typischerweise ein Kauf oder Sign-up, die ein erfolgreiches Ergebnis markiert.
Pageview	Ein Event, das ausgelöst wird, sobald ein Nutzer eine Seite deiner Website lädt.
Add to Cart	Event, das gefeuert wird, wenn ein Nutzer ein Produkt in den Warenkorb legt.
Initiated Checkout	Event, das gefeuert wird, wenn ein Nutzer den Checkout startet.
Purchase	Conversion-Event, das gefeuert wird, wenn ein Nutzer eine Transaktion abschließt.
UTM-Parameter	URL-Parameter zur Erfassung von Quelle, Medium, Kampagne, Term und Content. Umfasst utm_source, utm_medium, utm_campaign, utm_term, utm_content.
First-Party-Daten	Daten, die direkt von deiner Website oder App erfasst werden — du besitzt und kontrollierst sie.
Third-Party-Daten	Daten, die externe Parteien sammeln und an Werbetreibende weitergeben oder verkaufen.
Cookie	Eine kleine Datei im Browser eines Nutzers — wird genutzt, um Nutzer sessions-übergreifend zu identifizieren und zu tracken.
Server-Side-Tracking	Tracking, das Daten von deinem Server an Analytics-Plattformen sendet, statt vom Browser des Nutzers.
CAPI	Conversions API. Server-seitige APIs der Werbeplattformen (Meta, Google etc.), um Conversion-Daten direkt vom eigenen Server zu senden.
Data Bridge	Funktion, die First-Party-Pixel-Daten per One-Click zurück an Werbeplattformen (Meta, Google, TikTok, Microsoft Ads) synchronisiert. Verbessert Optimierung und Match-Rates durch angereicherte, server-seitige Conversion-Signale.
Adverfly-Layer	Das globale window.adverfly-Objekt zur Pixel-Konfiguration und zum Übergeben von Kunden-Kontext. Felder: store_id, store_currency, store_timezone, customer_id, transaction_id.
Visitor-Identification	Prozess, anonyme Pixel-Events einer konsistenten Visitor-ID über Sessions hinweg zuzuordnen. Nutzt First-Party-Cookies und Server-Matching für Identitäts-Kontinuität.
Autocapture	Automatisches Tracking von Interaktionen (Klicks, Form-Submits, Input-Änderungen, Rage-Clicks, Copy/Cut) durch den v3-Pixel — ohne manuelle advPxl-Aufrufe. An PostHogs Open-Source-Autocapture angelehnt, mit clientseitigen Privacy-Filtern: Passwort-/Hidden-/File-Inputs und sensible Feldnamen werden geblockt; Kreditkarten, SSNs und lange Digits aus erfasstem Text werden geschwärzt.
Rage Click	Ein Autocapture-Event ($rageclick), das ausgelöst wird, wenn dasselbe Element innerhalb 1 Sekunde 3+ mal geklickt wird — ein Signal für Frust, kaputte UI oder unresponsive Elemente.
adv-no-capture	Opt-out-Marker für Autocapture. Jedes Element mit Klasse 'adv-no-capture' oder Attribut 'data-adv-no-capture' — inklusive aller Kinder — wird komplett aus dem Autocapture ausgeschlossen.
Events-Tabelle	Die vereinheitlichte ClickHouse-Tabelle, in der alle Autocapture-Events landen. Mit Projections (proj_by_visitor, proj_by_source) entwickelt, um MTA via argMin(adv_source, dt) GROUP BY session_id zu unterstützen — ohne Join auf eine separate Sessions-Tabelle.
URL Rule	Eine pro Workspace konfigurierte Zuordnung von einem Query-Parameter der Landingpage zur Attribution, einzustellen unter Channels. Beispiel: ?ref=marie → Quelle creator, Kampagne marie. Die Regeln werden vom Tracking-Beacon beim Erfassen des Besuchs ausgewertet, von oben nach unten, die erste Übereinstimmung gewinnt. Entspricht die Kampagne dem Tracking-Code eines Creators, zählen der Besuch und seine Käufe für diesen Creator.
URL Params	Alle Query-Parameter der Landingpage, mit jedem Event gespeichert (url_params). Damit lassen sich URL-Regeln auf vergangenen Traffic anwenden, und es wird sichtbar, welche Parameter ein Shop tatsächlich erhält.
Dead Click (Autocapture)	Ein Autocapture-Event ($dead_click), das ausgelöst wird, wenn ein Klick auf einen Link oder Button innerhalb von 2,5 Sekunden überhaupt nichts verändert: keine DOM-Änderung, keine Navigation, kein Scrollen, nichts markiert. Die klassische Signatur eines Buttons, der interaktiv aussieht, aber nicht verdrahtet ist. Bewertet werden nur wirklich interaktive Elemente; Downloads, Links in neue Tabs, Canvases, Shadow-DOM-Komponenten und Formularfelder sind ausgenommen, weil sie alle funktionieren, ohne die Seite zu verändern. Gedeckelt bei 20 Meldungen und 60 beobachteten Klicks pro Seitenaufruf. Eine Seite mit Countdown oder rotierendem Karussell wirkt dauerhaft lebendig, dort werden Dead Clicks deshalb gar nicht erkannt: Die Prüfung schweigt lieber, als Meldungen zu erfinden. Session Replay erkennt Dead Clicks separat, innerhalb einer Aufzeichnung.
Bot Filtering	Der Pixel entscheidet vor seiner ersten Anfrage, ob er mit einem Menschen spricht; ein erkannter Bot erzeugt keine Events, keine Session, keine A/B-Zuteilung und keine Aufzeichnung. Signale: ein namentlich bekannter Crawler im User Agent, das Muster "<name>bot/<version>", navigator.webdriver, von Selenium, Puppeteer oder Playwright injizierte Globals sowie die Headless-Signatur aus null Plugins zusammen mit fehlenden Sprachen. Bewusst konservativ, weil ein False Positive die komplette Journey eines echten Kunden löscht: Ein reiner Treffer auf "bot" würde jeden Käufer mit einem CUBOT-Telefon löschen, und ein Abgleich auf Firmennamen würde die Browser von DuckDuckGo, Yandex, Baidu, Sogou und Perplexity löschen — deshalb wird jeder Crawler exakt benannt. Erweiterbar über extra_bot_patterns, abschaltbar über disable_bot_detection.
SPA Pageview	Ein Pageview, der bei einem clientseitigen Routenwechsel in einer Single-Page-App ausgelöst und mit navigation: "spa" markiert wird. Nur ein Pfadwechsel zählt, außer spa_track_query ist gesetzt; derselbe Pfad wird nie zweimal hintereinander gezählt, Änderungen werden um 300 ms entprellt, und der Hook schaltet sich nach 100 Views in einem Seitenaufruf selbst ab. Jeder dieser Schutzmechanismen existiert, weil ein ungeschützter Hook der schnellste Weg zu Zehntausenden Pageviews von einem einzigen Besucher ist. Opt-in: activate_spa_pageviews.
Core Web Vitals	Googles drei Page-Experience-Messwerte, aus den Performance-Einträgen des Browsers erhoben und als ein web_vitals-Event gesendet, wenn die Seite verschwindet: LCP (Largest Contentful Paint, wann der Hauptinhalt erschienen ist, bei der ersten Interaktion eingefroren, gut unter 2,5 s), CLS (Cumulative Layout Shift, das schlechteste Fünf-Sekunden-Fenster an Verschiebungen statt der Summe über den Besuch, gut unter 0,1) und INP (Interaction to Next Paint, die langsamste echte Interaktion, gut unter 200 ms). FCP und TTFB kommen mit. Einen Timer gibt es nicht: CLS und INP sind beide über den gesamten Besuch definiert, früher zu senden würde also einen besseren Wert melden, als der Besucher bekommen hat. Opt-in: activate_web_vitals.
Exception Event	Ein nicht abgefangener JavaScript-Fehler oder eine abgelehnte Promise, erfasst als exception-Event mit Typ, Meldung, gekürztem Stack, Quelle und Pfad. Derselbe Fehler wird einmal pro Pageview gesendet (Fingerprint aus Typ, Meldung und erstem Stack-Frame — zwei Bugs mit derselben Meldung bleiben also zwei Bugs), höchstens zehn verschiedene Fehler pro Pageview, und Cross-Origin-Meldungen der Form "Script error." werden verworfen, weil sie nichts Verwertbares enthalten. Eigene Fehler filtert der Pixel über den Stack heraus und nie über die Meldung — ein Theme, das "advPxl is not defined" wirft, erreicht uns also weiterhin. Das automatische Erfassen ist opt-in über activate_error_tracking; einen Fehler selbst zu melden, mit advPxl("exception", err), braucht kein Flag, weil der geschriebene Aufruf das Opt-in ist.
Offline Queue	Opt-in (activate_offline_queue). Ein Event, das gescheitert ist, während der Browser sich selbst als offline gemeldet hat, wird in localStorage geparkt und beim nächsten Pageview erneut gesendet; begrenzt auf 25 Einträge, 64 KB und 24 Stunden, wobei gewöhnliche Events vor Conversions verworfen werden. Nur der Offline-Fall wird eingereiht, weil die Ingestion nicht dedupliziert: Ein Event, das möglicherweise schon angekommen ist, darf nie erneut gesendet werden. Opt-in ist es, weil ein erneut gesendetes Event den Zeitstempel seiner Ankunft bekommt — es kann also am falschen Tag landen und in einer Session ohne Ad-Klick.

Kunden & Segmente

Kundendaten, Segmentierung, Lifetime Value und Loyalty

Term	Definition
Kunden-Segment	Eine Gruppe von Kunden mit gemeinsamen Merkmalen — Kaufverhalten, Standort, Akquisitionskanal oder Custom-Regeln. Segmente werden im Rule-Builder erstellt und automatisch aktualisiert, wenn neue Kunden den Kriterien entsprechen.
Segment-Regel	Eine Bedingung, die Segment-Zugehörigkeit festlegt. Regeln bestehen aus Dimension (z. B. Land, Erstkauf-Datum, Akquisitionskanal), Operator (gleich, größer, enthält) und Wert. Mehrere Regeln lassen sich für präzises Targeting kombinieren.
Segment-Mitglied	Ein Kunde, der alle Regeln eines Segments erfüllt. Mitgliedschaft ist dynamisch — bei neuen Käufen oder geänderten Attributen treten Kunden automatisch bei oder aus.
Customer Lifetime Value (LTV)	Gesamtumsatz, der von einem Kunden über die gesamte Beziehung erwartet wird. In Adverfly aus Pixel-Conversion-Daten berechnet, segmentierbar nach Akquisitionskanal, Kampagne oder Segment.
RFM-Analyse	Segmentierungs-Framework auf Basis von Recency (wie kürzlich gekauft), Frequency (wie oft) und Monetary (wieviel). In Adverfly sind RFM-Dimensionen als Einzelregeln verfügbar — du kannst Segmente nach Recency, Frequency oder Monetary filtern, ein eigenständiges RFM-Scoring gibt es jedoch nicht.
Kohorten-Analyse	Gruppierung von Kunden nach Akquisitions-Datum (oder einem anderen geteilten Event) und Verfolgung ihres Verhaltens über Zeit. Zeigt, ob die Kundenqualität steigt oder fällt — und wie unterschiedliche Kanäle unterschiedliche Retention-Muster erzeugen.
Loyalty-Programm	Belohnungssystem, das Wiederkäufe über Punkte, Tiers und exklusive Vorteile incentiviert. Kunden sammeln Punkte für Käufe, Reviews und Referrals und steigen Tiers (Bronze, Silber, Gold, Platin) auf, um zunehmende Vorteile freizuschalten.
Loyalty-Tier	Mitgliedschafts-Stufe innerhalb eines Loyalty-Programms. Höhere Tiers schalten bessere Rewards frei (Rabatte, Early Access, Free Shipping). Tiers schaffen aspirative Ziele und steigern Wiederkauf-Rate und LTV.
Einlöse-Quote	Anteil verdienter Loyalty-Punkte, die Kunden tatsächlich einlösen. Eine gesunde Quote (40–60 %) zeigt: Rewards sind wertvoll genug, um Engagement zu fördern, ohne zu leicht erreichbar zu sein.
Self-Reported Attribution	Qualitative Daten aus Post-Purchase-Umfragen mit der Frage, wie Kunden die Marke entdeckt haben. Erfasst Kanäle, die digitales Tracking nicht sieht — Word-of-Mouth, Podcasts, TV, Creator-Mentions — als Ergänzung zu quantitativen Methoden.
Post-Purchase-Survey	Kurze Umfrage nach dem Checkout, typisch: „Wie hast du von uns erfahren?“. Häufigste Methode für Self-Reported Attribution. In Adverfly konfigurierbar in der Surveys-App, getrackt via Pixel-Events.
Neue vs. wiederkehrende Kunden	Klassifizierung nach Kaufhistorie. Neuer Kunde = ohne vorherige Transaktion; wiederkehrender Kunde = hatte schon mal gekauft. Erfasst über das is_new_customer-Flag des Pixels. Entscheidend, um zu verstehen, ob Kampagnen Neukunden gewinnen oder Bestandskunden reaktivieren.

Term	Definition
Kampagne	Eine Sammlung von Anzeigengruppen, organisiert um ein bestimmtes Marketing-Ziel oder Thema.
Ad Set / Anzeigengruppe	Eine Sammlung von Anzeigen innerhalb einer Kampagne, die Targeting, Budget und Zeitplan teilen.
Ad / Creative	Die tatsächlich ausgespielte Anzeige — Bilder, Videos, Texte und Call-to-Action.
Audience	Eine definierte Nutzergruppe, die durch deine Anzeigen targetiert wird — basierend auf Demografie, Interessen, Verhalten oder Custom-Daten.
Lookalike Audience	Eine Audience aus Nutzern, die deinen bestehenden Kunden oder Website-Besuchern ähneln.
Retargeting	Anzeigen an Nutzer, die zuvor mit deiner Website oder App interagiert haben. Auch Remarketing genannt.
Prospecting	Targeting neuer potenzieller Kunden, die deine Marke noch nicht kennen.
Frequency	Durchschnittliche Anzahl, wie oft jeder Nutzer deine Anzeige gesehen hat.
Reach	Gesamtzahl einzigartiger Nutzer, die deine Anzeige gesehen haben.
Ad Fatigue	Performance-Verfall, der entsteht, wenn Nutzer dieselbe Anzeige zu oft sehen.
Creative Fatigue	Nachlassende Performance eines spezifischen Creatives durch Überbelichtung.
A/B-Testing	Vergleich zweier Versionen einer Anzeige oder Landingpage, um die bessere zu identifizieren.
Bid	Der maximale Betrag, den du für eine bestimmte Aktion (Klick, Impression, Conversion) zu zahlen bereit bist.
Budget	Gesamtbetrag für eine Kampagne oder Ad-Set über einen bestimmten Zeitraum.
Optimierung	Verbesserung der Kampagnen-Performance durch Anpassungen an Targeting, Bidding, Creatives oder anderen Einstellungen.
Influencer	Eine Person mit Social-Media-Reichweite, die Produkte oder Services für ihre Audience promotet. In Adverfly trackt ein Creator-Eintrag einen einzigartigen Affiliate-Code/Link.
Creator	Content Creator oder Creator mit Zugang zum Creator-Dashboard, um Affiliate-Codes und Performance einzusehen.
Affiliate-Code	Einzigartiger URL-Parameter oder Code für einen Creator/Creator, um Traffic und Conversions seiner Promotions zu tracken.
Provision	Vergütung, die ein Creator/Creator für jede Conversion oder Sale über seinen Affiliate-Code erhält. Prozentual oder fix.
Creator-Dashboard	Dediziertes Portal in Adverfly, in dem Creator alle zugewiesenen Affiliate-Codes, Performance und Provisionen über mehrere Workspaces einsehen können.
Responsive Search Ad (RSA)	Google-Ads-Format, bei dem du bis zu 15 Headlines und 4 Beschreibungen lieferst. Google testet Kombinationen automatisch und spielt die beste aus. In Adverfly werden RSA-Assets als reine Text-Creatives gespeichert (ohne Bild-URL), Headlines und Descriptions als Properties.
Performance Max (PMax)	Google-Ads-Kampagnentyp, der Anzeigen über alle Google-Kanäle (Search, Display, YouTube, Gmail, Maps) aus einer Kampagne ausspielt. Assets sind in Asset-Groups organisiert, nicht in einzelnen Anzeigen. In Adverfly fungiert die campaign_id als ad_id für Spend-Attribution.
Asset-Group	Creative-Container in einer PMax-Kampagne. Jede Group enthält Headlines, Descriptions, Bilder, Logos und Videos. Google montiert daraus automatisch Anzeigen. Adverfly sammelt alle einzigartigen Assets aus allen Asset-Groups einer Kampagne.
Responsive Display Ad (RDA)	Google-Display-Format mit mehreren Bildern, Headlines und Descriptions. Google montiert und optimiert Kombinationen. In Adverfly werden Marketing-Bilder und YouTube-Thumbnails als individuelle Assets gespeichert.

KI & Automatisierung

KI-gestützte Features, Automatisierung und intelligente Optimierung

Term	Definition
KI-Sichtbarkeit	Funktion, die trackt, wie deine Marke in KI-Suchmaschinen und Assistenten wie ChatGPT, Claude, Gemini und Perplexity erscheint. Tägliche automatisierte Queries messen Visibility-Score, Mention-Rate, Citation-Rate und Sentiment — quantitative Sicht auf deine Brand-Präsenz im KI-Discovery-Layer.
Visibility-Score	Score von 0 bis 100, der misst, wie prominent deine Marke in KI-Antworten erscheint. Berechnet anhand von: Erwähnung, Position in der Antwort, Empfehlung vs. Listing. Tägliche Trend-Verfolgung.
Mention-Rate	Anteil KI-Queries, die deine Marke in der Antwort erwähnen. Beispiel: 20 Prompts getrackt, deine Marke erscheint in 12 Antworten — Mention-Rate = 60 %.
Citation-Rate	Anteil KI-Mentions, die einen expliziten Link zu deiner Website enthalten. Hohe Rate = KI-Systeme erwähnen nicht nur, sondern leiten aktiv Traffic zu dir.
KI-Suggestion	KI-generierte Empfehlung für eine spezifische App. Kontext-bewusst, kann akzeptiert oder neu generiert werden.
Empfehlung	KI-generierte Optimierungs-Vorschläge auf Basis deiner Workspace-Performance. Können akzeptiert (Implementierungs-Marker), verworfen oder zur Prüfung offen gelassen werden. Akzeptierte Empfehlungen werden für Outcome-Messung getrackt.
Empfehlungs-Digest	Periodische E-Mail-Zusammenfassung neuer und offener KI-Empfehlungen für deinen Workspace. Stellt sicher, dass Optimierungs-Chancen nicht verpasst werden, auch wenn das Dashboard nicht aktiv beobachtet wird.
Outcome-Tracking	Performance-Messung akzeptierter Empfehlungen über Zeit. Nach Annahme einer KI-Empfehlung verfolgt Outcome-Tracking, ob die Maßnahme die Ziel-Metrik tatsächlich verbessert hat.
Automatisierungs-Regel	Konfigurierbare KI-Aktion, die automatisch ausgelöst wird, wenn bestimmte Bedingungen erfüllt sind. Regeln können Budgets anpassen, Underperformer pausieren oder Alerts senden — Schwellen werden in den Workspace-Einstellungen definiert.
Agent-Automation	Geplanter oder manuell gestarteter Run eines KI-Agenten — entweder Preset (Adverfly AI Digest, Empfehlungen, Creative Director) oder Custom-Template-Agent aus Agents & Skills. Verwaltet in System & Automatisierungen, mit Cron, Zeitzone, Enable/Disable und „Jetzt starten“-Button mit optionalem E-Mail-Versand.
KI-Automatisierungs-Einstellungen	Bereich in den Workspace-Einstellungen, wo du KI-Regeln konfigurierst — Schwellen setzen, einzelne Automatisierungen aktivieren/deaktivieren und steuern, wie aggressiv die KI optimiert.
KI-Chat	Konversations-Interface, um Marketing-Daten in natürlicher Sprache abzufragen. Frage „Welche Kampagne war letzten Monat am besten?“ und erhalte Antworten, gestützt auf alle Mess-Methoden.
KI-Forecasting	Funktion, die historische Daten und MMM-Outputs nutzt, um Umsatz, Conversions und Spend-Performance zu prognostizieren. Forecasts mit Credible-Interval-Bändern für die Spannweite wahrscheinlicher Outcomes.
KI-Labeling	Automatische Klassifizierung von Creatives mit KI-Vision-Modellen. Assets werden mit Labels für visuellen Inhalt, Marketing-Angle, Funnel-Stage und Format versehen — Performance-Analyse nach Creative-Attributen wird möglich.
Execution-Queue	Approval-Queue, in der KI-vorgeschlagene Aktionen (Budget-Änderungen, Pauses, Skalierungen) auf manuelle Prüfung warten. Aktionen sind nach Risiko-Tier (low/medium/high) klassifiziert und können freigegeben oder abgelehnt werden.
Marketing-Angle	Strategischer Messaging-Ansatz im Creative — z. B. Social Proof, Dringlichkeit, FOMO oder Testimonial. Adverfly labelt Creatives automatisch nach Angle und trackt, welcher Angle pro Kanal und Audience am besten performt.
Geo-Lift-Test	Inkrementalitäts-Test, der Performance über Regionen mit/ohne Werbung vergleicht. Misst die echte kausale Wirkung durch Conversion-Differenzen zwischen Treatment- und Kontroll-Städten.
Candidate Finder	Analyse-Tool, das deine Pixel-Conversion-Daten scannt und Städte für Geo-Lift-Tests identifiziert. Bewertet Stabilität (CV), Trend und Spike-Ratio, um Regionen mit sauberen, vorhersagbaren Baselines zu finden.

Analytics

Analytics- und Reporting-Begriffe

Term	Definition
Breakdown	Daten nach einer Dimension segmentieren — Kampagne, Ad-Set, Creative, Datum oder Gerät.
Dimension	Kategoriales Attribut zur Segmentierung und Analyse (z. B. Kampagnen-Name, Land, Gerätetyp).
Metrik	Quantitative Performance-Messung (z. B. Spend, Umsatz, Conversions, ROAS).
Filter	Bedingung, die nur passende Datensätze anzeigt.
Datumsbereich	Der Zeitraum, für den Daten dargestellt oder analysiert werden.
Vergleichszeitraum	Sekundärer Datumsbereich zum Vergleich gegen den primären.
Trend	Veränderungs-Richtung einer Metrik über Zeit (steigend, fallend, stabil).
Kohorte	Gruppe von Nutzern mit gemeinsamem Merkmal, oft genutzt, um Verhalten über Zeit zu analysieren.
Funnel	Visualisierung der Stufen, die Nutzer von der ersten Interaktion bis zur Conversion durchlaufen.
Customer Journey	Vollständiger Pfad eines Kunden vom ersten Touchpoint bis zur Conversion und darüber hinaus.
Touchpoint	Jede Interaktion zwischen Kunde und Marke — Ad-Views, Klicks, Website-Besuche, Käufe.
Channel	Marketing-Plattform oder -Medium zur Kundenansprache (z. B. Meta, Google, TikTok, E-Mail).
Source	Herkunft von Traffic oder Conversions — meist die spezifische Plattform oder Kampagne.
Medium	Allgemeine Kategorie eines Marketing-Kanals (z. B. paid, organic, referral, email).
Dashboard	Visuelles Interface mit zentralen Metriken und Daten zur Performance-Überwachung.
Report	Strukturierte Daten- und Insight-Darstellung, oft exportiert oder regelmäßig zugestellt.
Custom Report	User-gebauter Report mit eigener Metrik-Auswahl, Formel-Berechnungen und Visualisierungs-Typen. Kann gespeichert, wiederverwendet und geteilt werden. Der Builder unterstützt KI-gestützte Natural-Language-Queries für schnellere Erstellung.
Report-Chat	KI-gestütztes Konversations-Interface in Custom Reports — beschreibe in natürlicher Sprache, was du sehen willst. Das System generiert Query, Metriken und Visualisierung automatisch.
Dynamic Renderer	Engine, die das Schema eines Custom Reports interpretiert und passende Visualisierung rendert — Tabellen, Charts, Vergleiche oder kombinierte Views.
Workspace-Usage	Metriken zur Ressourcen-Nutzung des Workspaces — API-Calls, Datenvolumen, Modell-Runs und Feature-Usage. Für Monitoring und Abrechnung.
Logbook	Audit-Trail aller signifikanten Plattform-Aktionen — Modell-Runs, Budget-Änderungen, Automation-Ausführungen, Empfehlungs-Entscheidungen, Konfigurations-Änderungen. Nachvollziehbarkeit und historischer Kontext für jede Entscheidung.

Activity & Operations

Tägliches Activity-Tracking über alle Apps, plus Registry, Digest und Schwellen-Trigger

Term	Definition
Activity	Workspace-weite Sicht, die tägliche Counts relevanter Events pro App zeigt — neue Survey-Antworten, neue Labels, neue Vektoren, neue Segment-Kunden, dispatched Conversions etc. Erreichbar unter /workspace/{id}/activity.
Activity Registry	Einzige deklarative Source-of-Truth, die jede App auf eine oder mehrere Tagesmetriken mappt. Jeder Eintrag beschreibt Quelle (Tabelle), Datums-Spalte, optionalen Filter (eingeschränkte Grammatik) und optionale Distinct-Count-Spalte. Dashboard und Backend-Resolver lesen aus dieser Registry.
Activity-Metric	Ein einzelnes Tupel (App, ID, Label, Source) in der Activity Registry. Backend macht aus einer Metric eine parametrisierte ClickHouse-Query, die Tages-Counts für den Datumsbereich liefert.
Activity-Resolver	Generischer Backend-Resolver (getAppActivity), der ClickHouse-Queries on-the-fly aus der Registry kompiliert. Kein Lambda pro App — eine App ergänzt man per Registry-Edit, nicht per Code.
Activity-E-Mail-Digest	Opt-in-Tagesmail um 08:00, die Activity des Vortags pro App zusammenfasst und Top-Mover (größte absolute und prozentuale Änderungen) ranked. Konfigurierbar in Outbox. Wird vom selben Scheduler ausgeliefert wie die Digests von Adverfly AI, Empfehlungen, KI-Visibility und Automations.
activity_threshold-Trigger	Automations-Trigger, der feuert, wenn eine Activity-Metric — über ein konfigurierbares Lookback-Fenster summiert — eine Operator-Bedingung (>, <, >=, <=, =) gegen einen Schwellenwert erfüllt. Cooldown verhindert wiederholtes Feuern.
Activity-Empfehlungs-Provider	Empfehlungs-Provider, der jeden Activity-Bucket des Vortags gegen den 7-Tage-Schnitt vergleicht. Drops < 50 % oder Spikes > 200 % erscheinen als activity_drop / activity_spike-Empfehlungen — neben MMM-, Pixel-, KI-Visibility- und anderen Mustern.
Top Movers	Shortlist von Activity-Metrics mit der größten Veränderung des letzten Buckets vs. Vorgänger — sichtbar in Dashboard-Delta-Indikatoren und im Activity-Email-Digest.

Upsell

Storefront upsell prompts — the mined opportunity types, the rule anatomy, and how a rule reaches a shopper

Term	Definition
Upsell	A prompt bound to a specific moment in the purchase flow whose purpose is order-value uplift — moving the buyer to a higher-value version of what they already want. Distinct from an Offer, which is an incentive redeemed at some later point and has no storefront runtime.
Upsell Rule	One configured prompt. Carries the placement it renders at, the trigger that decides when it fires, the offer it presents, the copy it shows, and a priority. Stored in the enduser upsell_rules table; only rules with status active are published.
Placement	Where the pixel renders a rule: product_page, cart, checkout, post_purchase, or thank_you. A rule belongs to exactly one placement; several rules can compete for the same one, and the lowest priority number wins.
Trade-up	A mined upsell type: buyers of the cheaper product A later end up owning the markedly pricier product B, so B is put in front of them while they are still on A. Requires a price step of at least 25% — below that it is a variant swap, not a trade-up.
Quantity Upgrade	A mined upsell type: a product customers keep re-buying at quantity 1 in short intervals. Selling the multi-pack up front collapses the repeat order into one larger first order.
Order Bump	A mined upsell type: a low-priced item that already rides along on a large share of multi-item orders. Priced relative to the store's own AOV rather than an absolute threshold, so it scales with the catalogue.
Post-purchase Upsell	A mined upsell type: a product bought within about two weeks of another one. The short window is what separates it from a cross-sell — at that distance the shopper would plausibly have completed the purchase in one go, so the thank-you page catches them first.
Uplift	The uniform ranking metric across all upsell miners: estimated monthly order-value uplift in minor units. It is what the Opportunities tab sorts by and what the card's footer stat shows.
Take Rate	Accepted prompts divided by prompts shown, for one rule. Computed from the upsell_accepted and upsell_impression pixel events.
Upsell Snapshot	The public JSON object (upsell/{workspace_id}/latest.json) holding every active rule of a workspace. Published on each write, cached for 60 seconds, and read by both the browser pixel and the public /upsell/v1/rules endpoint — which is why those two can never disagree.
Accept Handoff	The pixel cannot add a line item to an arbitrary storefront's cart, so on accept it calls window.adverfly.upsell_add_to_cart(offer, rule) if the merchant defined one, or fires an adverfly:upsell:accept event. The shop owns the cart mutation; everything else is handled by the pixel.