Marketing-Mix-Modellierung

Marketing-Mix-Modellierung (MMM) ist eine statistische Analysemethode, mit der der Beitrag jedes Marketingkanals und nicht marketingbezogener Faktoren zu Geschäftsergebnissen wie Umsatz quantifiziert wird. Dafür werden aggregierte historische Daten statt Tracking auf Nutzerebene verwendet.

MMM wurde in den 1960er-Jahren für Fernseh- und Printwerbung entwickelt und erlebt eine Renaissance, da digitales Tracking unzuverlässiger wird. Es ist die einzige Messmethode, die vollständig ohne Identifikatoren auf Nutzerebene oder Cookies funktioniert.

Attribution arbeitet auf Ebene einzelner Nutzer und verfolgt bestimmte Kunden über ihre Customer Journey hinweg anhand erfasster Touchpoints. MMM arbeitet auf Bevölkerungsebene und analysiert aggregierte Muster von Ausgaben und Umsatz im Zeitverlauf, um den Beitrag einzelner Kanäle abzuleiten.

Attribution ist granular, aber unvollständig, da Offline-Kontakte, Dark Social und nicht erfasste Touchpoints fehlen. MMM erfasst statistisch das Gesamtbild, kann jedoch keine individuellen Customer Journeys identifizieren. Die beiden Ansätze ergänzen sich, anstatt miteinander zu konkurrieren.

Ein MMM-Modell benötigt wöchentliche oder monatliche Zeitreihendaten zu Marketingausgaben nach Kanal, Umsatz oder Conversions sowie externen Variablen, die unabhängig vom Marketing den Umsatz beeinflussen – darunter Saisonalität, Aktivitäten der Konkurrenz, Preisänderungen, makroökonomische Indikatoren und Wetter.

Die Qualität eines MMM-Ergebnisses ist direkt proportional zur Qualität und Vollständigkeit der Eingabedaten. Fehlende Kanäle oder externe Faktoren führen dazu, dass das Modell ihre Effekte fälschlicherweise den Kanälen zuschreibt, die im Datensatz enthalten sind.

Eine zentrale Ausgabe von MMM ist ein Diagramm zur Umsatzzerlegung. Es zeigt, welcher Prozentsatz des Gesamtumsatzes den einzelnen Marketingkanälen, der Basisnachfrage (dem, was ohne Marketing geschehen würde) und externen Faktoren zugerechnet wird.

Diese Zerlegung zeigt häufig, dass ein größerer Anteil des Umsatzes aus der Basisnachfrage stammt, als die meisten Marketingteams erwarten. Das verändert die Diskussion über den Gesamtbeitrag des Marketings und den inkrementellen Wert einzelner Kanäle.

Adstock bezeichnet die Nachwirkung von Werbung – die Annahme, dass heutige Werbeausgaben auch in den kommenden Wochen den Umsatz beeinflussen, weil Markenerinnerung und Markenbekanntheit allmählich statt sofort abnehmen.

Abnehmende Grenzerträge beschreiben, dass jede zusätzliche Ausgabeneinheit in einem Kanal weniger zusätzlichen Umsatz erzeugt als die vorherige. MMM quantifiziert sowohl die Abklingrate des Adstocks als auch den Punkt, ab dem für jeden Kanal abnehmende Grenzerträge einsetzen.

Sättigungskurven stellen den Zusammenhang zwischen Kanalausgaben und Umsatzergebnis dar. Sie zeigen, wie der Umsatz bei niedrigen Ausgaben zunächst schnell wächst und sich dann abflacht, sobald der Kanal seinen Sättigungspunkt erreicht.

Diese aus MMM-Ergebnissen abgeleiteten Kurven bilden die Grundlage der Budgetoptimierung: Sie zeigen, welche Kanäle noch Wachstumsspielraum haben (niedrige Ausgaben, steile Kurve) und welche gesättigt sind (hohe Ausgaben, flache Kurve) und deren Budget daher auf andere Kanäle umverteilt werden sollte.

Meta's Robyn (R-Paket) und Googles LightweightMMM (Python) sind die beiden führenden Open-Source-Frameworks für MMM. Sie machen anspruchsvolle Marketing-Mix-Analysen ohne teure proprietäre Anbieter zugänglich.

Robyn verwendet evolutionäre Algorithmen zur automatisierten Modellkalibrierung und erstellt direkt Ausgaben für Budgetoptimierer und Sättigungskurven. LightweightMMM verwendet Bayes-Inferenz und ermöglicht die Quantifizierung der Unsicherheit in den Modellergebnissen – ein wesentlicher Vorteil, wenn Entscheidungsträgern Konfidenzintervalle vermittelt werden sollen.

Ein MMM-Budgetoptimierer verwendet Sättigungskurven als Eingabe und berechnet die Verteilung eines festgelegten Gesamtbudgets, die den prognostizierten Umsatz maximiert. Im Wesentlichen wird für jede Kanal-Kurve der Punkt ermittelt, an dem pro ausgegebenem Dollar der größte inkrementelle Umsatz entsteht.

Typische MMM-Empfehlungen umfassen die Reduzierung der Ausgaben in gesättigten TV- oder Display-Kanälen und die Umverteilung auf digitale Kanäle mit verbleibendem Wachstumsspielraum, häufig ergänzt um prognostizierte Umsatzspannen.

MMM benötigt mindestens zwei Jahre wöchentlicher Daten, um zuverlässige Ergebnisse zu liefern. Kürzere Zeitreihen können saisonale Muster nicht von tatsächlichen Marketingeffekten unterscheiden. Außerdem gibt es eine zeitliche Verzögerung: Modelle werden in der Regel vierteljährlich aktualisiert und können daher keine Entscheidungen zu laufenden Kampagnen in Echtzeit unterstützen.

MMM hat außerdem Schwierigkeiten mit stark korrelierten Kanälen, beispielsweise TV und Onlinevideo, die immer gemeinsam eingesetzt werden, und kann keine granularen Targeting-Effekte auf Zielgruppenebene messen, die durch Attribution auf Nutzerebene erfasst werden.

Ein ausgereiftes Messkonzept kombiniert MMM für strategische Entscheidungen zur Budgetverteilung (in welche Kanäle im nächsten Quartal investiert werden soll) mit Attribution für die taktische Optimierung laufender Kampagnen (welche Keywords, Zielgruppen und Creatives heute Conversions erzielen).

MMM kalibriert Attributionsmodelle, indem es aufzeigt, an welchen Stellen Attribution Kanäle systematisch über- oder unterbewertet. So entsteht eine Rückkopplung, die die Genauigkeit beider Messansätze im Laufe der Zeit verbessert.

Eine gängige Methode zur Validierung von MMM-Ergebnissen ist ein Geo-Holdout-Experiment: Ein Kanal wird in einer Gruppe von Testmärkten abgeschaltet, während er in Kontrollmärkten weiterhin aktiv bleibt. Anschließend wird die Umsatzdifferenz mit dem vom MMM prognostizierten Beitrag dieses Kanals verglichen.

Wenn das Ergebnis des Holdout-Experiments nahe an der MMM-Prognose liegt, steigt das Vertrauen in die Genauigkeit des Modells. Erhebliche Abweichungen weisen darauf hin, dass in den Modelleingaben wichtige Variablen fehlen oder die Adstock-Spezifikation angepasst werden muss.

Testen Sie Ihr Verständnis der Marketing-Mix-Modellierung.

MMM quantifiziert den Umsatzbeitrag einzelner Kanäle anhand aggregierter Daten und ist nicht auf Tracking auf Nutzerebene angewiesen. Damit ist MMM der beständigste Messansatz in einer datenschutzorientierten Welt.

Sättigungskurven und Budgetoptimierer von Robyn oder LightweightMMM übersetzen Modellergebnisse in konkrete Entscheidungen zur Budgetumschichtung. Die Kombination von MMM und Attribution schafft einen vollständigen Mess-Stack: MMM für die Strategie, Attribution für die Taktik.