Was ist Marketing Mix Modeling (MMM)

MMM geht von Daten aus, die fast jedes Unternehmen ohnehin hat: wie viel in jeder Woche verkauft wurde und wie viel in derselben Woche in jeden Kanal investiert wurde. Auf diese Zeitreihen wird ein Regressionsmodell angepasst, das die Umsatzschwankung auf die erklärenden Faktoren verteilt, und die Werbung ist einer davon.

Das Verfahren ist alt. Es entstand im Konsumgütergeschäft, wo es keinen Klick zu verfolgen gab und Fernsehen, Radio und Presse sich nur über ihre aggregierte Wirkung auf den Umsatz bewerten ließen. Im Jahrzehnt der individuellen Nachverfolgung geriet es ins Abseits, weil es weniger genau wirkte als Conversions einzeln zu zählen.

Zurück ist es aus einem praktischen Grund: Die individuelle Messung ist enger geworden. Abgelehnte Einwilligungen, blockierte Drittanbieter-Cookies und Einschränkungen bei mobilen Kennungen reißen Lücken, die eine nutzerbasierte Messung nicht füllen kann. MMM hat dieses Problem nicht, weil es nie auf den Nutzer geschaut hat. Es arbeitet mit Summen, und eine Summe hängt nicht davon ab, ob jemand einen Cookie-Hinweis annimmt.

Die offenen Werkzeuge von Google und Meta haben zudem den Einstieg verbilligt, der früher zwingend über eine spezialisierte Beratung lief.

Ausgangspunkt ist eine Tabelle mit einer Zeile pro Periode, üblicherweise einer Woche. In den Spalten stehen der Umsatz oder die gewählte Geschäftskennzahl, die Investition jedes Kanals und die Kontextvariablen, die den Umsatz ebenfalls bewegen: Preis, Aktionen, Saisonalität, Feiertage und Aktivität des Wettbewerbs.

Bevor sie in die Regression eingeht, durchläuft die Investition jedes Kanals zwei Transformationen. Der Adstock bildet ab, dass die Wirkung einer Anzeige am Tag der Ausstrahlung nicht erschöpft ist und über die folgenden Wochen abklingt. Die Sättigungskurve bildet ab, dass jeder zusätzliche Euro weniger bringt als der vorige, sodass die Reaktion abflacht, sobald der Kanal gesättigt ist.

Mit diesen angepassten Kurven schätzt das Modell den Beitrag jedes Kanals, seinen Return und die Form, in der die Reaktion sich mit dem Ausgabenniveau verändert. Daraus ergibt sich das, was Entscheider wirklich interessiert: wie viel man von einem Kanal in einen anderen verschieben sollte, um das Gesamtergebnis zu verbessern.

Aktuelle Modelle sind meist bayesianisch. Das erlaubt es, Vorwissen einzubringen, ganz besonders Ergebnisse früherer Experimente, die als Ausgangsverteilung für den Return eines Kanals eingehen. Außerdem liefern sie Glaubwürdigkeitsintervalle statt einer nackten Zahl, was sichtbar macht, wie viel Unsicherheit in jeder Schätzung steckt.

MMM beantwortet die Frage, die keine Plattformanalytik beantworten kann: was das Ganze wert ist. Ein Google-Ads-Dashboard weiß über Google Ads Bescheid. Ein Mix-Modell sieht Fernsehen, Sponsoring, Prospektverteilung, Display-Investition und Preis in derselben Gleichung und kann daher Kanäle vergleichen, die kein gemeinsames Messsystem haben.

Damit ist es das natürliche Werkzeug der Jahresplanung und der Verteilung zwischen Medien. Es deckt außerdem ab, was kein Pixel abdeckt: Kanäle ohne Klick, den Nachzieheffekt der Markenbekanntheit und den Teil des Geschäfts, der außerhalb des Internets stattfindet.

Der zweite Grund ist Widerstandsfähigkeit. Ein Messsystem, das an der Einwilligung hängt, verschlechtert sich mit jeder neuen Regel und jeder Browseränderung. Ein Modell, das mit Investitions- und Umsatzsummen gefüttert wird, funktioniert unverändert weiter, denn diese Zahlen stammen aus der Buchhaltung und aus dem Mediaplan.

Dafür gibt es einen Preis, und man sollte ihn vor der Beauftragung aussprechen: MMM weiß nichts über konkrete Personen. Es taugt nicht, um zu entscheiden, wen man morgen anspricht, und auch nicht, um ein Gebot zu optimieren. Es ist ein Instrument der Verteilung, nicht der Aussteuerung.

• Mehrere Jahre Wochendaten sammeln, bevor man anfängt, und abzählen, wie viele Parameter das Modell haben wird. Bei wenigen Perioden je Parameter werden die Schätzungen instabil, egal wie viele Kanäle man aufnimmt.
• Bewusst Schwankung in die Investition bringen. Ein Kanal, der seit zwei Jahren dasselbe Budget bekommt, hinterlässt keine Spur, die das Modell lesen könnte.
• Die Variablen aufnehmen, die den Umsatz jenseits der Werbung bewegen: Preis, Aktionen, Distribution, Saisonalität und Wettbewerb.
• Das Modell mit Experimenten kalibrieren. Der in einem geografischen Test gemessene Return geht als Vorwissen ein und verankert die Schätzung des betreffenden Kanals.
• Auf die Intervalle schauen und nicht nur auf den Schätzwert. Ein Kanal, dessen Intervall von fast null bis sehr viel reicht, ist kein rentabler Kanal, sondern ein ungemessener.
• Das Modell in festen Abständen neu rechnen und danach prüfen, ob sich die früheren Empfehlungen in der Realität bestätigt haben.

• Das Ergebnis als bewiesene Kausalität lesen. Das Modell trennt Korrelationen unter der Annahme, dass alle Variablen enthalten sind, die gleichzeitig auf Investition und Verkauf wirken, und diese Annahme lässt sich mit keinem statistischen Test überprüfen.
• Alle Kanäle gleichzeitig hoch- und runterfahren, immer zu denselben Terminen. Wenn sich die Investitionen gemeinsam bewegen, kann das Modell sie nicht trennen und verteilt das Verdienst wenig verlässlich.
• MMM für Aussteuerungsentscheidungen wie Zielgruppen, Gebote oder Creatives verwenden. Diese Ebene steckt nicht in den Daten.
• Den Return eines alten Experiments oder eines anderen Marktes als Vorwissen verpflanzen, ohne zu prüfen, ob Zeitraum, Zielgruppe und verglichenes Szenario zusammenpassen.
• Das Modell als Ersatz für Experimente darstellen. Ohne externe Referenz zur Kalibrierung kann ein MMM sehr gut zur Historie passen und trotzdem falsch verteilen.