Die Retention-Kurve einer Anzeige Sekunde für Sekunde lesen: drei Kurven und ein Perzentil

Die üblichste Wettbewerbsanalyse ist schnell erzählt: Im Creative Center nach Aufrufen sortieren, den Spitzenreiter öffnen, dreimal ansehen und dann aus dem Bauch heraus festhalten: „Der Einstieg ist schnell“ oder „Der Pain Point sitzt.“ Danach wird eine eigene Variante produziert. Sie läuft allenfalls mittelmäßig – also folgt der nächste vermeintliche Hit.

Das Problem ist nicht mangelnder Einsatz, sondern der falsche Blick auf die Daten. Aufrufe und Likes zeigen nur, dass ein Creative erfolgreich war. Sie verraten weder, in welcher Sekunde es gewonnen hat, noch wodurch. Genau diese beiden Informationen lassen sich aber in das nächste Asset übertragen.

Vorweg zur Datenquelle: Alle Kurven und Perzentile in diesem Beitrag stammen aus den öffentlichen Ad Libraries und Creative Centern der jeweiligen Plattformen. Sie sind im eigenen Account sichtbar – ohne Scraping, Signaturen oder Umgehung von Zugriffsschutz. Die Plattformen haben diese Bereiche für Werbetreibende geschaffen; die Daten liegen offen da. Meist fehlt nur das Wissen, auf welche wenigen Kennzahlen es ankommt.

Aufrufe sind die schwächste Kennzahl

Die Aufrufzahl ist stark von der Auslieferungslogik der Plattform verzerrt. Viele Views können für gutes Creative sprechen – oder einfach dafür, dass die Kampagne früh und mit hohem Budget gestartet wurde und ein günstiges Traffic-Fenster erwischt hat. Aus der Aufrufzahl allein lässt sich „gutes Creative“ nicht von „großem Budget“ trennen.

Likes sind noch weniger aussagekräftig. Sie messen eine emotionale Reaktion, die oft in eine andere Richtung geht als die Conversion, auf die es tatsächlich ankommt. Ein Video kann viele Menschen zum Lachen bringen und deshalb Likes sammeln; anschließend wischen sie weiter, die Conversion bleibt bei null. Wer auf Likes optimiert, optimiert Unterhaltungswert statt Kaufabsicht.

Beide Kennzahlen haben denselben grundlegenden Mangel: Sie sind Skalare ohne Zeitachse. Ein Creative entfaltet sich über die Zeit. Das Verhalten der Zuschauer in Sekunde 2, 5 oder 8 unterscheidet sich erheblich, doch eine aggregierte Aufrufzahl glättet diesen Verlauf vollständig. Wer eine zeitbasierte Arbeit mit einer zeitlosen Kennzahl steuern will, hat die relevante Information bereits verloren.

Die Daten mit Zeitdimension liegen direkt im Creative Center auf der Detailseite des jeweiligen Creatives. Nur klickt kaum jemand darauf.

Drei Kurven, drei entscheidende Wendepunkte

Öffnest du ein erfolgreiches Creative, zeigt die Plattform neben dem Video drei Sekundenkurven, die fast nie ausgewertet werden: Retention, Klicks und Conversions pro Sekunde. Auf der x-Achse steht die jeweilige Videosekunde – die Gesamtlänge gibt die Plattform an. Die y-Achse zeigt, wie viele Personen zu diesem Zeitpunkt noch zusehen, geklickt oder konvertiert haben. Einige markante Frames hebt die Plattform sogar hervor. Doch eine Markierung erklärt noch nicht, was der Ausschlag bedeutet.

Entscheidend ist nicht, ob eine Kurve insgesamt hoch liegt, sondern in welcher Sekunde ihr Wendepunkt liegt. Die Wendepunkte der drei Kurven beantworten jeweils eine andere Frage:

Der Einbruch der Retention-Kurve zeigt, ob der Einstieg funktioniert hat. Jede Retention-Kurve beginnt bei 100 % und fällt. Relevant ist die Form dieses Falls. Bricht sie bereits in Sekunde 2 oder 3 steil weg, hat der Einstieg in den ersten zwei Sekunden keinen Grund zum Dranbleiben geliefert. Genau die Zuschauer, die weitergewischt haben, wurden nicht abgeholt. Die Position des Einbruchs verweist unmittelbar auf diese eine Zeile oder diesen einen Shot im Skript. Liegt der Knick in Sekunde 3, liegt das Problem beim Frame in Sekunde 3.

Der Peak der Klickkurve zeigt, in welcher Sekunde das Verkaufsargument tatsächlich zündet. Klicks verteilen sich nicht gleichmäßig, sondern häufen sich in einer oder zwei Sekunden. Was in diesem Moment im Bild passiert – der Preis wird gezeigt, das Ergebnis demonstriert oder das Versprechen formuliert –, ist der eigentliche Hook des Creatives. Viele vermuten den Hook am Anfang; der Klickpeak zeigt oft, dass er in der Mitte liegt.

Am kontraintuitivsten und zugleich wertvollsten ist der Versatz der Conversion-Kurve. Conversions laufen fast nie synchron zu Klicks, sondern folgen zeitlich später. Ein Zuschauer ist in Sekunde 5 überzeugt genug zum Klicken, konvertiert aber erst in Sekunde 12, nachdem er den Nutzen vollständig verstanden hat. Dieser Abstand – die Anzahl der Sekunden zwischen Klickpeak und dem Anstieg der Conversion – zeigt, wie lang die Überzeugungsphase sein muss, um aus „interessiert“ ein „kaufbereit“ zu machen. Ist der Versatz zu lang, wurde der Nutzen zu langsam aufgebaut und Zuschauer steigen aus, bevor er ankommt.

Legst du die drei Kurven übereinander, erzählt das Creative seine gesamte Geschichte: Einige Sekunden lang Aufmerksamkeit halten, in einer bestimmten Sekunde überzeugen und anschließend ein paar Sekunden nutzen, um daraus eine Conversion zu machen. Die Sekundenmarken dieser drei Wendepunkte sind die Struktur, die du direkt in dein nächstes Skript übernehmen kannst.

CTR zählt nur im Perzentil-Vergleich

Neben den Kurven liefert die Plattform noch eine weitere Kennzahl: das CTR-Perzentil des Creatives.

Der klassische Anfängerfehler besteht darin, die CTR absolut zu bewerten: „Dieses Creative hat 5 % CTR, also gar nicht schlecht.“ Ob 5 % gut oder schlecht sind, lässt sich ohne Vergleichsgruppe nicht beurteilen. In einer Impulskauf-Kategorie könnten 5 % am unteren Ende liegen, in einer hochpreisigen Kategorie an der Spitze. Die absolute CTR sagt nichts aus, das Perzentil schon. Ein Perzentil von 0,9 bedeutet, dass das Creative besser klickt als 90 % der Creatives in seiner Branche. Damit lässt sich arbeiten.

Das Perzentil enthält außerdem einen leicht zu übersehenden Parameter: das Zeitfenster. Dasselbe Creative kann über die vergangenen 7, 30 oder 180 Tage sehr unterschiedliche Perzentile haben. Ein Creative, das erst kürzlich Reichweite gewonnen hat, kann im 7-Tage-Fenster weit oben stehen und im 180-Tage-Fenster verwässert werden. Der gewählte Zeitraum bestimmt also, was die Zahl aussagt. Richte ihn deshalb an deinem Launch-Rhythmus aus.

Eine weitere oft übersehene Kurve zeigt die Popularität eines Creatives über Tage hinweg: Steigt sie, stagniert sie oder fällt sie bereits? Ein Creative mit hohem CTR-Perzentil, dessen Popularitätskurve schon nach unten zeigt, kopiert nur die letzte Welle des Traffics. Interessanter ist ein Creative mit ordentlichem Perzentil und weiter steigender Popularität. Diese Kurve entscheidet nicht über „kopieren oder nicht“, sondern darüber, ob es für eine Kopie bereits zu spät ist.

Kurvenbatches dem Modell zur Attribution geben

Die drei Kurven eines einzelnen Creatives kann ein Mensch noch selbst lesen. Für eine wiederverwendbare Erkenntnis musst du aber einen ganzen Batch betrachten: ein oder zwei Dutzend gut laufende Creatives aus einer Branche und die Gemeinsamkeiten ihrer Wendepunkte. Halten sie alle die Retention bis vor Sekunde 2? Liegen die Klickpeaks immer bei einem bestimmten Frame-Typ? Im Kopf lässt sich das kaum leisten, denn dafür müssten die punktweisen Werte dutzender Kurven gleichzeitig ausgerichtet werden. Genau hier kommt das Modell ins Spiel.

Der sinnvolle Ablauf besteht aus zwei Schritten, nicht aus einem einzigen Durchgang. Er folgt derselben Logik wie der Beitrag zum Clustering von Anzeigentexten:

Schritt eins: Pro Creative strukturierte Felder extrahieren. Für jedes Creative werden die Wendepunkt-Sekunden aller drei Kurven, der Wertverlust rund um jeden Wendepunkt und die Bildaktion zu diesem Zeitpunkt in einem strukturierten Datensatz erfasst. Das ist mechanische Arbeit mit hoher Parallelität: ein Aufruf pro Creative, Hunderte bis Tausende pro Batch.

Schritt zwei: Die gesamte Tabelle auf einmal zur Attribution an das Modell geben. Das Ausgabeformat muss im Prompt verbindlich vorgegeben sein. Frage nicht einfach „Warum sind diese Creatives gut?“ – du erhältst sonst eine Ansammlung vager Aussagen wie „ein ansprechender Einstieg“. Lass stattdessen für jede wiederkehrende Struktur diese drei Punkte ausgeben:

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

Schritt eins passt zur günstigen Batch-Stufe. Schritt zwei muss gleichzeitig einen ganzen Batch an Kurvenwerten halten und gehört damit naturgemäß in eine Long-Context-Stufe: Die punktweisen Arrays von Dutzenden Creatives summieren sich schnell auf einige Hunderttausend Token. Mit zwei Stufen stimmen Kosten und Präzision gleichermaßen.

Aus Attribution muss eine Skriptvorgabe werden

Der dritte Teil dieses Prompts ist der Punkt, an dem sich der gesamte Aufwand auszahlt. Eine Attribution, die sich nicht in eine Anweisung für das nächste Skript übersetzen lässt, bleibt wertlos.

„Diese erfolgreichen Anzeigen haben alle einen guten Rhythmus“ ist keine Attribution, sondern ein Eindruck. Niemand kann auf „guten Rhythmus“ hin drehen. „Die Creatives mit stabiler Retention zeigen vor Sekunde 2 ein Ergebnis nach der Nutzung, nicht das Produkt selbst“ ist dagegen Attribution, weil daraus eine unmittelbar umsetzbare Produktionsvorgabe wird: Im nächsten Skript muss vor Sekunde 2 ein Ergebnis-Frame erscheinen.

Für die Qualität einer Attribution reicht eine Frage: Lässt sie sich in eine konkrete Variable im Skript übersetzen? Die Sekunde ist eine Variable, der Frame-Typ ist eine Variable, die Länge der Überzeugungsphase ist eine Variable. Behalte nur Aussagen, die zu Variablen werden, und streiche den Rest. Das Ziel ist kein Wettbewerbsanalyse-Report, sondern eine Variablentabelle für den nächsten Asset-Batch: Was erscheint in welcher Sekunde, wie viele Sekunden Überzeugung bleiben und auf welchem Frame sitzt der Hook?

Der nächste Schritt nach dieser Variablentabelle ist das Skript, danach folgt der fertige Spot. Vom Skript zum fertigen Spot geht es über die On-Site-Bild- und Videogenerierung. Den vollständigen Ablauf „Keyword zu Kurvenattribution zu Skript zu fertigem Spot“ behandelt der Beitrag vom Keyword zur fertigen Anzeige. Dieser Beitrag deckt ausschließlich die erste Hälfte ab: Kurven in eine Variablentabelle zu überführen.

Die Falle: Korrelation nicht als Kausalität verkaufen lassen

Batch-Attribution hat eine fast unvermeidliche Schwachstelle: Modelle neigen stark dazu, Korrelation für Kausalität zu halten.

Sieht ein Modell am Anfang von zehn Creatives mit hoher Retention eine Katze, erklärt es womöglich: „Die Katze ist der Schlüssel zur Retention.“ Tatsächlich könnten alle Beispiele von einem Team stammen, das Katzen mag. Katze und Retention wären dann lediglich Folgen desselben Stils, ohne kausalen Zusammenhang. Wer dieser Attribution glaubt und in den nächsten Batch zwanghaft eine Katze einbaut, wird keine bessere Retention sehen.

Das ist dieselbe Schwäche wie beim JS-Reverse-Engineering, wenn ein Modell „eine Algorithmusfamilie erkennt und die genaue Prüfung beendet“: Sobald es eine in sich schlüssige Erklärung gefunden hat, zweifelt es nicht weiter daran. Der Reverse-Engineering-Workflow löst das, indem der Prompt einen Abschnitt zu Gegenbelegen erzwingt. Hier gilt genau dasselbe: Der vierte Prompt-Teil oben, das Gegenbeispiel, ist nicht optional. Er prüft, ob einer Attribution überhaupt zu trauen ist.

Die Anwendung ist direkt: Behauptet das Modell, „der Ergebnis-Frame in Sekunde 2 verursacht hohe Retention“, muss es beantworten: „Gibt es in diesem Batch Creatives mit Ergebnis-Frame in Sekunde 2 und schlechter Retention?“ Falls ja, ist diese Kausalität falsch; zwischen Frame und Retention liegt noch etwas anderes. Durchsucht das Modell dagegen den gesamten Batch und findet kein Gegenbeispiel, gehört die Struktur in die Variablentabelle. Ein Modell, das keine Gegenbeispiele liefern kann, sollte mit keiner seiner Attributionen die Produktion steuern. Sonst produzierst du auf Basis von Korrelationen und verstehst nicht, warum es nicht funktioniert.

Das passende Modell für jeden Arbeitsschritt

Diese vierstufige Pipeline stellt völlig unterschiedliche Anforderungen an ein Modell. Für alles ein einziges Modell zu verwenden, verschwendet entweder Geld oder Präzision:

Besonders wichtig ist der Schritt mit den Gegenbeispielen. Er prüft dasselbe wie der Abschnitt zu Gegenbelegen bei der Identifikation von Algorithmusfamilien: Ob das Modell bereit ist, die eigene Schlussfolgerung weiter kritisch zu prüfen. Ein schwächeres Modell formuliert den Gegenbeispiel-Abschnitt nur als Wiederholung seines Ergebnisses – „Die Struktur wird von den meisten Creatives bestätigt.“ Ein stärkeres Modell findet tatsächlich das Creative, das ihr widerspricht. Die Qualität dieses Abschnitts bestimmt unmittelbar, wie vielen falschen Kausalitäten du in der Produktion folgst.

Verlass dich nicht auf diese Einschätzung – teste den Unterschied selbst. Das Vorgehen:

1. Ziehe 10 bis 15 Top-Creatives aus einer Branche und erfasse jeweils die drei Sekundenkurven plus CTR-Perzentil.

2. Extrahiere sie in eine strukturierte Tabelle auf der günstigen Stufe: Wendepunkt-Sekunden und den Frame zu diesem Zeitpunkt.

3. Gib die gesamte Tabelle mit dem Gegenbeispiel-Prompt aus Teil 4 oben an claude-opus-5 und gpt-5.6-sol.

4. Prüfe genau eine Sache: Erkennt das Modell eigenständig ein Creative mit hervorragender Retention, aber schwacher Conversion, als Gegenbeispiel? Die Stufe, die unaufgefordert Gegenbeispiele liefert, ist diejenige, deren Attributionen sich für Skripte eignen.

Ein einziger Durchlauf zeigt den Unterschied direkter als jeder Benchmark.

Das Problem ist nicht die Modellauswahl, sondern der Wechselaufwand

Vier Modelle von drei Anbietern bedeuten drei SDKs, drei Authentifizierungsschemata und drei Fehlerformate. Wer verschiedene Modelle je Arbeitsschritt einsetzen will, würde naiv drei Clients anbinden. Viele rechnen den Aufwand durch, entscheiden sich dagegen und bleiben dann doch bei einem einzigen Modell. Für die Batch-Attribution nutzen sie damit eine Stufe, die schwache Gegenbeispiele liefert, und produzieren auf Basis falscher Kausalitäten, ohne zu wissen, warum.

AIReiter glättet diese Schicht: ein Key, eine OpenAI-kompatible Schnittstelle, alle vier Stufen dahinter. Der Wechsel erfolgt allein über das Feld model im Request-Body.

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

Wenn du bereits das OpenAI SDK verwendest, setze base_url auf https://aireiter.com/api/v1 und ändere sonst nichts. Mit dem Anthropic SDK nutzt du POST /api/v1/messages mit demselben Key.

Preislich laufen Claude-Modelle mit 30 % Rabatt gegenüber dem Listenpreis, GPT-Modelle zum halben Preis. In diesem Ablauf trifft der Rabatt genau den größten Kostenblock: Die Feldextraktion pro Creative ist mit Hunderten bis Tausenden Aufrufen pro Batch der aufrufintensivste Schritt und läuft auf Claude Sonnet mit 30 % Rabatt. Die Attribution von Unterschieden einzelner Creatives läuft auf GPT-5.6 Sol zum halben Preis. Der Long-Context-Input für die Batch-Attribution umfasst einige Hunderttausend Token und läuft auf Kimi K3, erreichbar über denselben Key. Der Rabatt greift damit bei den zwei teuersten Teilen.

• API-Key anfordern

• Ohne Anmeldung ausprobieren: Gib zunächst einige Kurven manuell ein, vergleiche, ob die beiden Modelle Gegenbeispiele liefern, und entscheide dann, welches du integrierst.

Fazit

Creatives über Aufrufe und Likes zu bewerten heißt, eine Kennzahl mit plattgedrückter Zeitachse für Arbeit zu nutzen, die von Anfang bis Ende zeitbasiert ist. Die entscheidende Information ist damit von Beginn an verschwunden.

Das Creative Center zeigt die zeitbasierten Daten längst: Die Wendepunkte der drei Sekundenkurven verraten, wann du Aufmerksamkeit halten, überzeugen und konvertieren musst. Das CTR-Perzentil zeigt, ob ein Creative im Vergleich zu seinen Peers überhaupt gut ist – der absolute Wert zählt dafür nicht. Übergibst du einem Modell die Kurven eines ganzen Creative-Batches zur Attribution, entsteht kein vages Gefühl von „das ist gut“, sondern eine Variablentabelle für das nächste Skript. Voraussetzung: Das Modell muss Gegenbeispiele liefern, und angenommene Korrelationen müssen einzeln auf echte Kausalität geprüft werden.

Die Rolle des Modells ist hier klar umrissen: Es ist der Attributor, der Dutzende Kurven gleichzeitig ausrichten, Gemeinsamkeiten erkennen und – mit dem richtigen Prompt – sich selbst widersprechen kann. Es dreht den Spot nicht für dich und entscheidet Kausalität nicht für dich. Gegenbeispiele filtern echte Kausalität, die Variablentabelle wird zum Skript, und der fertige Spot ist Aufgabe des nächsten Beitrags.