Marketing-Mix-Modeling

Marketing-Mix-Modeling beantwortet eine Frage, mit der sich Attribution auf Nutzerebene schwertut: Was traegt ueber alles hinweg, wofuer du Geld ausgibst, von Paid Search und Social ueber TV und Out-of-Home bis hin zu Preis und Saisonalitaet, jeder Kanal wirklich zum Umsatz bei? Statt einzelnen Wegen zu folgen, arbeitet MMM top-down auf aggregierten Daten. Es nimmt mehrere Jahre an woechentlichen oder monatlichen Zahlen zu Budget je Kanal, Umsatz und externen Faktoren wie Aktionen, Feiertagen, Wetter oder Wettbewerberaktivitaet und passt ein statistisches Modell an, das den Effekt jedes Faktors trennt. Das Ergebnis ist eine Schaetzung des inkrementellen Beitrags und der abnehmenden Ertraege je Kanal.

MMM ist genau deshalb wieder im Fokus, weil es keine Cookies und kein individuelles Tracking braucht, was es widerstandsfaehig gegen Datenschutzaenderungen und den Wegfall von Third-Party-Identifiern macht. Es erfasst Kanaele, die Attribution auf Nutzerebene schlecht sieht, etwa Brand-TV oder Sponsoring, und es beruecksichtigt die Grundnachfrage, die du ohnehin erzielt haettest. Der Kompromiss: MMM ist richtungsweisend und strategisch, nicht granular. Es sagt dir grob, wie viel mehr Umsatz weitere 10 Prozent auf einem Kanal braechten, kann aber kein einzelnes Keyword-Gebot in Echtzeit optimieren. Deshalb fahren reife Werbetreibende MMM neben der Attribution, nicht an ihrer Stelle.

Ein MMM zu bauen heisst, saubere historische Daten zu sammeln, typischerweise zwei bis drei Jahre an woechentlichen Beobachtungen, und dann eine Regression anzupassen, die Umsatz als Funktion von Media-Budget und Kontrollvariablen modelliert. Gute Modelle enthalten Adstock, um die nachklingende Wirkung von Werbung nach der Ausgabe abzubilden, und Saettigungskurven, um die abnehmenden Ertraege zu erfassen, wenn du mehr in einen Kanal steckst. Das Modell wird gegen zurueckgehaltene Zeitraeume validiert und dann fuer Szenarien genutzt: Budget von einem Kanal zum anderen verschieben und die vorhergesagte Umsatzaenderung sehen. Die Ergebnisse werden regelmaessig aktualisiert, sobald neue Daten eintreffen.

Marketing-Mix-Modeling ist wichtig, weil es einen datenschutzfesten Blick auf das gesamte Geschaeft gibt, den kein pixelbasiertes System bieten kann. Waehrend Cookies verschwinden und Walled Gardens das Beobachtbare einschraenken, misst MMM die Wirkung aus den Ergebnissen statt aus Tracking, und das funktioniert weiter, egal was mit Identifiern passiert. Es ist das richtige Werkzeug fuer uebergeordnete Budgetfragen, also wie viel insgesamt auszugeben ist und wie es auf die Kanaele aufzuteilen ist, waehrend Attribution und Incrementality-Tests die taegliche Optimierung in den Plattformen uebernehmen. Zusammen decken sie die strategische und die taktische Ebene der Messung ab.