Marketing-Mix-Modellierung ist eine statistische Methode, die schätzt, wie viel jeder Kanal – wie Suche, Soziale Medien, TV oder E-Mail – zum Umsatz beiträgt, indem aggregierte historische Daten anstelle von nutzerbasiertem Tracking verwendet werden. KI-gestütztes MMM nutzt Open-Source-Tools wie Googles Meridian und Metas Robyn sowie Automatisierung und Bayes-Methoden, um die Modellierung schneller und kostengünstiger zu machen. Die Kosten liegen hauptsächlich in der Datenaufbereitung und der Zeit der Analysten; der ROI ergibt sich aus einer besseren Budgetallokation.
MMM ist wieder in Mode gekommen, da die cookiebasierte Attribution schwächer geworden ist. Browser-Einschränkungen, Einwilligungsanforderungen und App-Tracking-Prompts bedeuten, dass Plattformen einen kleineren Teil der Customer Journey sehen. MMM umgeht dies, indem es mit wöchentlichen Summen arbeitet: Ausgaben pro Kanal, Verkäufe, Preise, Werbeaktionen und externe Faktoren. Es beantwortet eine Budgetfrage statt einer Klickfrage.
Was fügt KI der Marketing-Mix-Modellierung hinzu?
Traditionelles MMM war langsam und teuer und wurde über Monate von spezialisierten Beratungsfirmen erstellt. Die aktuelle Welle von Tools ändert das in mehrfacher Hinsicht.
- Open-Source-Frameworks: Google Meridian und Meta Robyn bieten getestete Modellstrukturen, sodass Teams nicht bei Null anfangen müssen.
- Bayes-Methoden: ermöglichen es Analysten, Vorwissen, wie Ergebnisse aus Lift-Tests, einzubeziehen und Unsicherheit als Bereiche auszudrücken.
- Automatisierte Abstimmung: Robyn zum Beispiel durchsucht viele Modellvarianten und präsentiert Kandidaten, die Passgenauigkeit und Plausibilität abwägen.
- Schnellere Aktualisierungen: Sobald Datenpipelines aufgebaut sind, können Modelle monatlich oder vierteljährlich statt jährlich neu ausgeführt werden.
- Sprachmodelle: helfen Analysten, Code zu schreiben, Annahmen zu dokumentieren und Ergebnisse Nicht-Spezialisten zu erklären.
KI ersetzt nicht die Notwendigkeit für Urteilsvermögen. Modelle können gut zu historischen Daten passen und dennoch unplausible Antworten liefern, wie etwa einen Kanal mit negativem Effekt. Ein Analyst muss die Ergebnisse anhand von Geschäftswissen und Experimenten überprüfen.
Was kostet ein MMM-Projekt?
Die Software kann kostenlos sein, aber das Projekt ist es nicht. Die Kosten fallen in vier Gruppen an.
- Datenaufbereitung: Sammeln von zwei oder mehr Jahren wöchentlicher Ausgaben, Impressionen, Verkäufe, Preise, Werbeaktionen und externer Faktoren wie Feiertage oder Wetter.
- Analystenzeit: Aufbau, Validierung und Interpretation von Modellen, meist der größte Kostenfaktor.
- Infrastruktur: Cloud-Computing für Modellläufe, moderat für die meisten mittelgroßen Werbetreibenden.
- Kalibrierungsexperimente: Geo-Tests oder Conversion-Lift-Studien, die die Kanalschätzungen des Modells überprüfen.
Datenaufbereitung wird konsequent unterschätzt. Ausgabendaten liegen in vielen Plattformen mit unterschiedlichen Datumsformaten und Währungen vor. Offline-Verkäufe können aus einem separaten System stammen. Bei einem typischen ersten Projekt dauert das Zusammenstellen sauberer Daten länger als die Modellierung.
Wie viele Daten und Ausgaben benötigen Sie?
MMM benötigt Variation, um zu lernen. Wenn die Ausgaben eines Kanals zwei Jahre lang flach blieben, kann das Modell nicht sagen, was er beiträgt. Es benötigt auch genügend Historie, üblicherweise zwei bis drei Jahre wöchentlicher Daten, damit Saisonalität und Trends von Kanaleffekten getrennt werden können.
Sehr kleine Werbetreibende mit wenigen Kanälen erhalten oft instabile Ergebnisse. Wenn der Großteil Ihres Budgets in einem oder zwei Kanälen mit stetigen Ausgaben liegt, können einfachere Methoden wie strukturierte Geo-Tests Ihre Fragen zuverlässiger beantworten. MMM zahlt sich tendenziell für Werbetreibende aus, die über mehrere Kanäle hinweg ausgeben, einschließlich einiger Offline-Medien, wo Plattform-Attribution große Lücken hinterlässt.
Wie messen Sie den ROI von MMM selbst?
Die Rendite eines MMM-Projekts ist die Verbesserung der Marketingergebnisse durch Budgetumschichtung abzüglich der Projektkosten. Um dies zu messen, benötigen Sie eine Entscheidung und einen Test.
Verwenden Sie das Modell, um eine Umschichtung zu identifizieren, zum Beispiel das Verschieben eines Teils des Budgets von einem gesättigten Kanal zu einem mit Wachstumspotenzial. Implementieren Sie dies kontrolliert, idealerweise zuerst in einigen Regionen, und vergleichen Sie die Ergebnisse mit Regionen, die den alten Mix beibehalten haben. Wenn sich die Verkäufe pro Ausgabeneinheit in den Testregionen verbessern, hat sich das Modell bezahlt gemacht.
Fragen, die man an jedes Modell stellen sollte
- Ergeben die Kanaleffekte Sinn im Vergleich zu dem, was das Team weiß?
- Stimmen sie im Großen und Ganzen mit Lift-Tests oder Geo-Experimenten überein?
- Wie breit sind die Unsicherheitsbereiche und halten Entscheidungen innerhalb dieser stand?
- Sagt das Modell einen kürzlich zurückgehaltenen Zeitraum einigermaßen gut voraus?
- Sind die Kurven für abnehmende Erträge für jeden Kanal plausibel?
Was sind die Hauptgrenzen?
MMM arbeitet auf einer aggregierten Ebene. Es sagt Ihnen, wie viel ein Kanal insgesamt beiträgt, nicht welche Werbekreative oder welches Keyword am besten funktioniert hat. Verwenden Sie Plattformdaten und Experimente für diese Entscheidungen.
Es ist auch rückwärtsgewandt. Ein neuer Kanal ohne Historie kann nicht modelliert werden, bis er lange genug mit variierten Ausgaben gelaufen ist. Und korrelierte Kanäle, wie Such- und Social-Ausgaben, die während Kampagnen immer zusammen steigen, sind ohne geplante Variation schwer zu trennen.
Wie sollte das Budget phasiert werden?
Planen Sie das erste Jahr in drei Phasen. Das erste Quartal fließt hauptsächlich in die Datenarbeit und ein erstes Modell. Das zweite Quartal führt einen Test der Haupteinzelheiten des Modells durch. Die zweite Jahreshälfte aktualisiert das Modell mit neuen Daten und Testergebnissen, was normalerweise die Unsicherheitsbereiche verengt.
Halten Sie den Umfang des ersten Projekts eng: ein Markt, ein Verkaufsmaß, die wichtigsten bezahlten Kanäle. Das Hinzufügen jeder Marke, Region und Produktlinie auf einmal vervielfacht die Datenarbeit und macht Ergebnisse schwerer lesbar. Erweitern Sie erst, nachdem das erste Modell eine Entscheidung geleitet hat, die sich im Test bewährt hat.
Wie Alien Road KI-gestützte Marketing-Mix-Modellierung anwendet
In einem typischen Engagement prüft die Discovery, ob MMM überhaupt das richtige Werkzeug ist: wie viele Kanäle der Kunde nutzt, wie stark die Ausgaben im Laufe der Zeit variieren und wie viel Historie existiert. Wenn es nicht gut passt, empfehlen wir stattdessen Geo-Tests oder Plattform-Lift-Studien.
Wenn es passt, bedeutet Setup den Aufbau einer Datenpipeline von Werbeplattformen, Analytik und Verkaufssystemen in wöchentliche Tabellen, dann das Ausführen von Meridian oder Robyn mit Priors, die durch vorhandene Experimente informiert sind. Wir überprüfen Modelle mit den Marketing- und Finanzteams des Kunden, um sicherzustellen, dass die Ergebnisse geschäftlich sinnvoll sind.
Das Reporting übersetzt Ergebnisse in eine Budgetempfehlung mit Unsicherheitsbereichen und einen Testplan zur Überprüfung. Nachdem der Test läuft, berichten wir das Ergebnis gegenüber Kontrollregionen und aktualisieren das Modell mit den neuen Daten.
Wo man diese Woche anfangen sollte
Exportieren Sie die wöchentlichen Ausgaben pro Kanal für die letzten zwei Jahre zusammen mit den wöchentlichen Verkäufen. Legen Sie sie nebeneinander in eine Tabelle und stellen Sie sie grafisch dar. Suchen Sie nach Kanälen, deren Ausgaben sich nie geändert haben, und Zeiträumen mit ungewöhnlichen Ereignissen wie Lagerengpässen oder großen Werbeaktionen.
Dieses Diagramm zeigt, ob Ihre Daten genügend Variation für MMM haben. Wenn ja, sind Sie bereit, ein erstes Modell zu definieren. Wenn nicht, planen Sie bewusste Ausgabenänderungen über die kommenden Quartale, damit ein später gebautes Modell etwas zum Lernen hat.
Weiterlesen: Werbung · KI-Werbeoptimierung