MMM vs. Attribution

Marketing Mix Modeling (MMM) und Multi-Touch-Attribution (MTA) versuchen beide, die Frage „Was hat den Umsatz verursacht?“ zu beantworten, gehen dabei aber in entgegengesetzte Richtungen vor.

MMM ist Top-down: Es verwendet aggregierte Zeitreihen zu Ausgaben und Umsätzen, um den Beitrag jedes Kanals zu schätzen. MTA ist Bottom-up: Es verknüpft die einzelnen Kontaktpunkte eines Nutzers bis hin zu einer einzelnen Conversion.

Fortgeschrittene Anwender verwenden beide Methoden und berücksichtigen, dass jede Schwachstellen hat, die von der jeweils anderen teilweise ausgeglichen werden.

MMM regressiert Umsätze im Zeitverlauf auf Marketing- und Nicht-Marketing-Faktoren. Das Modell liefert Elastizitäten auf Kanalebene und eine Aufschlüsselung des Umsatzes in Basis- und inkrementelle Beiträge.

Entscheidend ist, dass MMM Offline-Kanäle wie TV, Radio und Außenwerbung sowie langfristige Effekte erfasst, die sich durch Tracking auf Nutzerebene nicht erkennen lassen.

MTA weist jedem erfassten Kontaktpunkt, mit dem ein Nutzer vor der Conversion in Berührung kam, einen anteiligen Beitrag zu. Die Modelle reichen von Last-Click-Attribution bis zur datengetriebenen Attribution nach dem Shapley-Prinzip.

Die Methode eignet sich besonders für digitale, per Cookie erfassbare Customer Journeys und liefert detaillierte, nahezu in Echtzeit verfügbare Beiträge auf Kanal- und Kampagnenebene.

Der zentrale Zielkonflikt: Attribution ist granular, aber eng gefasst; MMM ist umfassend, aber grob.

MTA kann Ihnen sagen, welches Anzeigenmotiv eine Conversion bei einem Nutzer erzielt hat, ignoriert aber TV, Mundpropaganda und alles außerhalb seines Tracking-Zeitfensters. MMM betrachtet das gesamte Budget, kann aber nicht bis auf eine einzelne Kampagne oder Zielgruppe herunterbrechen.

Das Auslaufen von Cookies, ATT (App Tracking Transparency) und Einwilligungsregeln haben das Nutzersignal geschwächt, auf das MTA angewiesen ist.

Da MMM ausschließlich aggregierte Daten verwendet, ist es von diesen Änderungen weitgehend unberührt. Das ist der Hauptgrund, warum MMM bei großen Werbetreibenden wieder stark an Bedeutung gewonnen hat.

Beide Methoden laufen Gefahr, Korrelation mit Kausalität zu verwechseln. Search wird oft zu viel angerechnet, weil dieser Kanal Nachfrage erfasst, die von anderen Kanälen erzeugt wurde.

Echte Inkrementalität beantwortet die Frage: Wäre dieser Verkauf auch ohne die Ausgaben erfolgt? Geo-Experimente und Holdout-Tests sind der Goldstandard, an dem MMM und MTA kalibriert werden sollten.

MTA betrachtet ein Conversion-Zeitfenster von Tagen bis Wochen. MMM kann mithilfe von Adstock und Trendvariablen Nachwirkungen und langfristige Markeneffekte über mehrere Monate modellieren.

Wenn Sie eine Markenkampagne ausschließlich mit MTA beurteilen, werden Sie ihren Wert systematisch unterschätzen, weil ihre Wirkung außerhalb des Zeitfensters eintritt.

MMM benötigt eine zwei- bis dreijährige wöchentliche Historie: Ausgaben nach Kanal, Verkäufe, Preise, Werbeaktionen, Distribution sowie externe Faktoren wie Wetter oder makroökonomische Indizes.

MTA benötigt saubere, deduplizierte Ereignisprotokolle mit beständigen Nutzerkennungen über alle Kontaktpunkte hinweg, die zunehmend schwer zu beschaffen sind.

Ausgereifte Messsysteme triangulieren: MMM dient der strategischen Budgetverteilung über Kanäle hinweg, MTA der taktischen Optimierung innerhalb eines Kanals und Experimente der Kalibrierung beider Methoden.

Wenn MMM und MTA voneinander abweichen, ist die Abweichung selbst aufschlussreich und weist oft auf nicht erfasste oder zu hoch angerechnete Pfade hin.

MMM scheitert, wenn sich Kanäle gemeinsam bewegen (Multikollinearität), die Historie zu kurz ist oder das Modell zu stark an Rauschen angepasst wurde.

MTA scheitert bei unvollständigem Tracking, wenn der Last-Click-Bias die Berichterstattung dominiert und wenn Offline-Conversions nie in den Datensatz gelangen.

Fragen Sie sich: Ist die Frage strategischer oder taktischer Natur? Umfasst sie Offline-Medien? Sind Nutzerdaten hier zuverlässig?

Die jährliche Budgetplanung für TV, digitale Kanäle und den Einzelhandel spricht eher für MMM. Die Optimierung eines Paid-Search-Kontos in der nächsten Woche eher für MTA. Die Validierung beider Methoden spricht für Experimente.

Testen Sie Ihr Verständnis dafür, wann MMM besser als Attribution geeignet ist.

MMM ist Top-down, aggregiert, datenschutzrobust und eignet sich hervorragend für die strategische Verteilung über alle Medien einschließlich Offline-Medien. MTA ist Bottom-up und granular und eignet sich am besten für die taktische digitale Optimierung, ist aber anfällig für Tracking-Verluste.

Keine der beiden Methoden ist allein vollständig. Triangulieren Sie MMM, MTA und Experimente und lassen Sie Inkrementalitätstests Streitfragen zwischen ihnen entscheiden.