KI-gestütztes Marketing-Mix-Modeling schätzt durch die Analyse aggregierter Ausgaben, Aktivitäten und Umsätze im Zeitverlauf, wie viel jeder Kanal, einschließlich der organischen Suche, zum Umsatz beiträgt. Für SEO verschiebt dies das Gespräch von der Last-Click-Attribution hin zum inkrementellen Beitrag, jedoch nur, wenn die organische Suche als echte Variable in das Modell eingespeist wird, anstatt als Hintergrundrauschen behandelt zu werden.
Das Interesse an MMM ist gewachsen, da Cookies, App-Tracking und Click-Level-Attribution an Bedeutung verloren haben. Open-Source-Tools wie Meridians von Google und Robyns von Meta sowie kommerzielle Plattformen haben es zugänglicher gemacht. Die Frage für organische Teams ist, wie ihre Arbeit sichtbar wird.
Was ist Marketing-Mix-Modeling?
MMM ist ein statistisches Modell, meist eine Form der Regression, das wöchentliche oder tägliche Ergebnisse wie Umsatz oder Leads mit Inputs wie Medienausgaben pro Kanal, Werbeaktionen, Preisen, Saisonalität und externen Faktoren in Beziehung setzt. Es benötigt kein nutzerbasiertes Tracking, weshalb es Datenschutzänderungen übersteht.
Der Teil „KI-gestützt“ bezieht sich meist auf Bayes-Methoden, automatisierte Hyperparameter-Suche und maschinelles Lernen, um Adstock (wie lange die Wirkung eines Kanals anhält) und Sättigung (wo zusätzliche Ausgaben keinen Mehrwert mehr bringen) zu schätzen. Einige Plattformen verwenden auch Sprachmodelle, um Ergebnisse in einfachem Text zu erklären.
Warum ist SEO schwer zu modellieren?
Bezahlte Kanäle haben einen sauberen Input: Ausgaben. Die organische Suche nicht. Es gibt keine wöchentliche Budgetzeile, die die Sichtbarkeit nach oben oder unten bewegt, und die Wirkung von Content-Arbeit kommt langsam und ungleichmäßig.
- Inputs sind indirekt: veröffentlichter Content, gewonnene Links, technische Korrekturen, nichts davon wird in Geld gemessen
- Effekte verzögern sich um Wochen oder Monate, länger als bei den meisten bezahlten Kanälen
- Die organische Sichtbarkeit wird durch Dinge außerhalb Ihrer Kontrolle beeinflusst, wie Algorithmus-Updates und Wettbewerberbewegungen
- Markennachfrage treibt Markensuchen an, daher spiegeln organische Klicks teilweise den Erfolg anderer Kanäle wider
Wenn das Modell SEO einfach weglässt, wird sein Beitrag in die Baseline absorbiert oder fälschlicherweise dem bezahlten Kanal zugeschrieben, der sich zur gleichen Zeit bewegte.
Wie sollte die organische Suche in das Modell einfließen?
Die meisten Praktiker verwenden eine Aktivitäts- oder Expositionsvariable anstelle von Ausgaben. Gängige Optionen sind wöchentliche, nicht markenbezogene organische Klicks oder Impressionen aus der Google Search Console, getrennt von Markenanfragen.
- Verwenden Sie nicht markenbezogene organische Klicks als Haupt-SEO-Variable
- Modellieren Sie Markensuchen separat als ein Ergebnis, das von anderen Kanälen beeinflusst wird
- Fügen Sie bekannte Algorithmus-Update-Daten als Ereignisvariablen hinzu
- Erfassen Sie größere Website-Änderungen, wie Migrationen, ebenfalls als Ereignisse
- Behalten Sie nach Möglichkeit mindestens zwei Jahre wöchentliche Daten bei
Die Behandlung von nicht markenbezogenen Klicks als Input ist nicht perfekt, da Klicks teilweise auch ein Ergebnis sind. Aber es ist weitaus besser, als den Kanal zu ignorieren, und es liefert Ihnen einen Koeffizienten, den Sie diskutieren können.
Was ändert sich bei SEO-Budgets?
Sobald die organische Suche mit einem geschätzten Beitrag im Modell erscheint, kann sie mit bezahlten Kanälen in der gleichen Währung verglichen werden: Umsatz pro Aktivitätseinheit. SEO-Investitionen konkurrieren dann auf Basis von Beweisen statt auf Basis von Traffic-Charts.
Das wirkt in beide Richtungen. Ein Modell kann zeigen, dass ein großer Teil der organischen Klicks markengetrieben ist und ohnehin passiert wäre. Es kann auch zeigen, dass nicht markenbezogener organischer Traffic Verkäufe zu geringeren Kosten generiert als einige bezahlte Kampagnen. Beide Ergebnisse sind nützlicher als das übliche Patt zwischen SEO- und Paid-Teams.
Verändert die KI-Suche das Bild?
KI-Overviews in Google, ChatGPT-Suche und Perplexity beantworten einige Anfragen ohne Klick. In MMM-Begriffen kann das die organischen Klicks reduzieren, während Markenbekanntheit und spätere Markensuchen stabil bleiben. Wenn Sie nur Klicks modellieren, unterschätzen Sie möglicherweise den organischen Einfluss.
Eine praktische Antwort ist, die KI-Sichtbarkeit separat zu verfolgen, zum Beispiel den Anteil der verfolgten Prompts, bei denen Ihre Marke zitiert wird, und sie als zusätzliche Variable zu testen, sobald genügend Historie vorhanden ist. Behandeln Sie frühe Ergebnisse vorsichtig; die Datenreihen sind kurz.
Wie validieren Sie das Modell?
MMM-Ergebnisse sehen präzise aus und können völlig falsch sein. Validierung ist wichtiger als das Tool.
- Überprüfen Sie, ob der prognostizierte Umsatz den tatsächlichen Umsatz in den Testwochen verfolgt
- Führen Sie geo- oder zeitbasierte Experimente für bezahlte Kanäle durch und vergleichen Sie diese mit Modellschätzungen
- Verwenden Sie für SEO Content-Starts oder bewusste Pausen in einem Bereich als natürliche Experimente
- Prüfen Sie, ob die Koeffizienten stabil sind, wenn Sie einige Monate an Daten hinzufügen oder entfernen
Wie Alien Road KI-gestütztes Marketing-Mix-Modeling anwendet
Bei einem typischen Engagement beginnt unser Team mit einer Dateninventur: wöchentliche Ausgaben pro Kanal, Search Console-Exporte unterteilt in Marken- und Nicht-Marken-Anfragen, CRM-Umsatz, Werbeaktionen und bekannte Ereignisse. Fehlende Historie ist das übliche Hindernis, daher dokumentieren wir die Lücken vor jeder Modellierung.
Wir bauen dann ein erstes Modell mit einem Open-Source-Framework wie Meridian oder Robyn, überprüfen die Ergebnisse gemeinsam mit den Paid- und Organic-Teams des Kunden und vereinbaren, welche Experimente die unsichersten Schätzungen testen werden. Die organische Suche wird immer als eigene Variable modelliert, wobei Markenanfragen getrennt werden.
Das Reporting erfolgt vierteljährlich, wobei das Modell aktualisiert und die Budgetempfehlungen als Bereiche, nicht als einzelne Zahlen, angegeben werden. Wo das Modell und ein Experiment nicht übereinstimmen, gewinnt das Experiment und das Modell wird angepasst.
Welche Datenqualitätsprobleme zerstören MMM?
Die meisten gescheiterten MMM-Projekte scheitern an Daten, nicht an Statistiken. Ausgaben, die an Rechnungsdaten statt an Lieferdaten erfasst werden, verschieben Effekte um Wochen. Umsätze, die Kanäle vermischen, wie Marktplatz- und Direktverkäufe, verbergen, was jeder Kanal antreibt. Werbeaktionen, die nicht protokolliert werden, werden dem Medium zugeschrieben, das zur gleichen Zeit lief.
- Erfassen Sie Ausgaben nach der Woche, in der sie anfielen, nicht nach der Woche, in der sie in Rechnung gestellt wurden
- Trennen Sie Umsatzquellen, wo das Geschäftsmodell dies zulässt
- Protokollieren Sie jede Werbeaktion, Preisänderung und jeden Lagerbestand mit Daten
- Notieren Sie Tracking-Änderungen, wie eine GA4-Migration, als Ereignisse
Wo man diese Woche anfangen sollte
Exportieren Sie zwei Jahre wöchentliche Search Console-Daten und teilen Sie sie mithilfe eines Regex für Ihre Markennamen in Marken- und Nicht-Marken-Anfragen auf. Legen Sie sie in einer Tabelle neben wöchentliche Umsätze und bezahlte Ausgaben. Selbst bevor ein Modell existiert, zeigt diese Tabelle, ob sich nicht markenbezogene organische Suche mit den Verkäufen bewegt, und es ist der erste Input, den jedes MMM-Projekt benötigt.
Erwarten Sie, dass das erste Modell grob ist. Sein Hauptwert ist oft das Gespräch, das es zwischen Paid- und Organic-Teams darüber erzwingt, welche Daten fehlen und welche Annahmen jede Seite getroffen hat.
Weiterlesen: Werbung · KI-Werbeoptimierung