KI-gestütztes Marketing-Mix-Modelling hilft B2B-Teams dabei, den Beitrag jedes Kanals – von LinkedIn-Anzeigen bis hin zu Events und Suche – zur Pipeline und zum Umsatz zu schätzen, indem aggregierte wöchentliche Daten anstelle von nutzerbasiertem Tracking verwendet werden. Es funktioniert im B2B-Bereich, wenn Sie Pipeline-Phasen mit realistischen Zeitverzögerungen modellieren, das Modell mit Experimenten kombinieren und eine größere Unsicherheit akzeptieren, als sie Konsumgütermarken haben. Open-Source-Tools wie Meridian von Google und Robyn von Meta machen es ohne ein großes Data-Science-Team zugänglich.
Marketing-Mix-Modelling, oder MMM, ist eine regressionsbasierte Methode, die seit Jahrzehnten von Konsumgütermarken verwendet wird. Der KI-gestützte Teil bezieht sich auf moderne Werkzeuge: Bayes’sche Modelle, die mit Unsicherheit umgehen, automatisierte Hyperparameter-Suche und Sprachmodelle, die bei der Datenaufbereitung und der Erklärung der Ergebnisse helfen. Seine Attraktivität wuchs, als Cookie-Beschränkungen und Datenschutzregeln die klickbasierte Attribution schwächten.
Warum ist MMM im B2B-Bereich schwieriger als im Konsumgütermarketing?
Konsumgütermarken verkaufen jede Woche viele Einheiten, daher hat das Modell viele Signale. Ein B2B-Unternehmen schließt möglicherweise nur ein paar Dutzend Deals pro Quartal ab, jeder nach monatelangen Kontaktpunkten innerhalb eines Einkaufsgremiums. Das schafft drei spezifische Probleme.
- Geringe Anzahl an Ergebnissen: Closed-Won-Deals sind zu wenige, um sie wöchentlich zu modellieren, daher müssen frühere Phasen verwendet werden
- Lange Verzögerungen: Ein Webinar im März kann einen im Oktober unterzeichneten Deal beeinflussen
- Offline-Einfluss: Verkaufsgespräche, Partner und Events sind schwer konsistent zu quantifizieren
Nichts davon macht MMM nutzlos. Sie ändern nur, wie Sie es einrichten. Die meisten B2B-Modelle verwenden qualifizierte Pipeline, Sales-Accepted-Leads oder den Opportunity-Wert als Ergebnis und fügen lange Adstock-Einstellungen hinzu, damit die Wirkung der Ausgaben langsam abklingen kann.
Welche Daten benötigt ein B2B-Mix-Modell?
Die Datenaufbereitung nimmt mehr Zeit in Anspruch als die Modellierung. Rechnen Sie damit, den größten Teil des ersten Projekts hier zu verbringen.
- Wöchentliche Ausgaben pro Kanal für mindestens zwei Jahre: LinkedIn, Google Ads, Microsoft Ads, Display, Content-Syndication, Events
- Wöchentliches Ergebnis: neue Opportunities oder qualifizierter Pipeline-Wert aus dem CRM
- Nicht-bezahlte Aktivitäten: durchgeführte Webinare, versendete E-Mails, organische Suchklicks
- Kontrollvariablen: Saisonalität, Preisänderungen, Produkteinführungen, Vertriebspersonal
- Externe Faktoren, wo relevant: Branchenveranstaltungen, makroökonomische Verschiebungen, Wettbewerber-Launches
Konsistenz ist wichtiger als Präzision. Wenn Event-Ausgaben ein Jahr lang monatlich und im nächsten Jahr pro Event erfasst wurden, standardisieren Sie dies vor allem anderen. Sprachmodelle sind hier nützlich, um unordentliche Kampagnennamen in saubere Kanalgruppen abzubilden, wobei eine Person die Zuordnung überprüft.
Welche Tools können B2B-Teams verwenden?
Open-Source-Optionen
Meridian von Google ist ein Bayes’sches MMM-Framework, das als Open Source veröffentlicht wurde, mit Unterstützung für Reichweiten- und Frequenzdaten sowie durch Experimente informierte Priors. Robyn von Meta verwendet eine automatisierte Modellauswahl und ist beliebt für seinen Budget-Allokator. PyMC-Marketing bietet flexible Bayes’sche Bausteine für Teams, die mit Python vertraut sind.
Kommerzielle Plattformen
Mehrere Anbieter bieten MMM als Managed Service mit Dashboards und Szenarioplanung an. Diese eignen sich für Teams ohne interne Analysten, obwohl Sie vor der Unterzeichnung fragen sollten, wie das Modell mit geringem Ergebnisvolumen und langen Verzögerungen umgeht.
Wie validieren Sie ein B2B-Mix-Modell?
Ein Modell kann gut zur Historie passen und dennoch falsch liegen, was die Ursache betrifft. Validierung macht es für Budgetentscheidungen nutzbar.
- Holdout-Test: Trainieren Sie auf früheren Wochen, sagen Sie das letzte Quartal voraus, vergleichen Sie mit den Ist-Werten
- Plausibilitätsprüfung: Liegen die Kanalrenditen in einem vernünftigen Bereich angesichts dessen, was Sie wissen?
- Kalibrierung: Führen Sie Geo– oder Zielgruppen-Holdout-Tests auf einem oder zwei Kanälen durch und speisen Sie die Ergebnisse als Priors zurück
- Stabilität: Schwankt das Ergebnis stark, wenn Sie eine Einstellung ändern?
- Vertriebsüberprüfung: Erkennen die Account Executives die Geschichte, die das Modell erzählt?
Die Kalibrierung mit Experimenten ist der stärkste Schritt. LinkedIn und Google unterstützen beide Formen von Lift-Tests, und ein einfacher geografischer Holdout, bei dem ein Kanal in einigen Regionen pausiert wird, kann ebenfalls funktionieren, wenn die Regionen vergleichbar sind.
Wie sollten B2B-Teams die Ergebnisse nutzen?
Nutzen Sie das Modell für Richtungen und Bereiche, nicht für exakte Zahlen. Ein Ergebnis, das besagt, dass LinkedIn Sponsored Content das 1,5- bis 3-fache seiner Kosten in der Pipeline einbringt, ist nützlich. Ein Ergebnis, das exakt 2,37 behauptet, ist falsche Präzision.
Der Budget-Allokator in Tools wie Robyn oder Meridian schlägt Umverteilungen basierend auf abnehmenden Ertragskurven vor. Verschieben Sie das Budget in Schritten, vielleicht zehn bis zwanzig Prozent auf einmal, und beobachten Sie dann, ob die Pipeline der Prognose folgt. Große Sprünge basierend auf einem ersten Modell sind riskant.
Wie Alien Road KI-gestütztes Marketing-Mix-Modelling anwendet
Bei einem typischen Engagement beginnt die Entdeckung mit einer Dateninventur: wo Ausgaben erfasst werden, wie das CRM Pipeline-Phasen definiert und wie weit zuverlässige Daten zurückreichen. Wenn die Historie zu kurz oder inkonsistent ist, sagen wir das und richten zuerst die Datenerfassung ein, da ein Modell auf schlechten Daten selbstbewusste falsche Antworten liefert.
Die Einrichtung umfasst die wöchentliche Bereinigung und Aggregation von Daten, die Verwendung eines Sprachmodells zur Unterstützung bei der Klassifizierung von Kampagnennamen mit menschlicher Überprüfung und die Anpassung eines Open-Source-Modells wie Meridian oder Robyn mit Verzögerungseinstellungen, die auf den Verkaufszyklus des Kunden zugeschnitten sind. Wir planen mindestens einen Lift-Test, um einen wichtigen Kanal zu kalibrieren. Das Reporting präsentiert den Kanalbeitrag als Bereiche, Reaktionskurven und eine empfohlene Umverteilung in Schritten, gefolgt von einer vierteljährlichen Aktualisierung, die die prognostizierte Pipeline mit den tatsächlichen Ergebnissen vergleicht.
Fehler, die B2B-MMM scheitern lassen
Die Verwendung von Closed-Won-Umsatz als einziges Ergebnis bei zu wenigen Deals erzeugt Rauschen. Die Verwendung einer Pipeline-Phase, der der Vertrieb nicht vertraut, erzeugt Argumente. Vereinbaren Sie die Ergebnisdefinition mit der Vertriebsleitung vor der Modellierung.
Das Ignorieren von Marken- und organischen Effekten ist ein weiterer häufiger Fehler. Wenn die Ausgaben gleichzeitig mit einer großen Produkteinführung stiegen, könnte das Modell die Anzeigen für das gutschreiben, was die Einführung bewirkt hat. Fügen Sie die Einführung als Variable hinzu.
Schließlich ist es eine Verschwendung, MMM als einmaliges Projekt zu behandeln. Märkte ändern sich, Kanalkosten verschieben sich und neue Kanäle erscheinen. Ein vierteljährlich aktualisiertes Modell bleibt nützlich; eines, das einmal gebaut und vergessen wurde, wird zur Folie.
Wo man diese Woche anfangen sollte
Exportieren Sie zwei Jahre wöchentliche Ausgaben pro Kanal aus Ihren Anzeigenplattformen und Finanzunterlagen sowie die wöchentliche qualifizierte Pipeline aus Ihrem CRM in ein Blatt. Prüfen Sie auf Lücken, umbenannte Kampagnen und Monate, in denen Ausgaben in großen Mengen gebucht wurden. Wenn das Blatt zusammenhält, haben Sie genug, um ein erstes exploratives Modell auszuführen; wenn nicht, ist die Korrektur dieses Blattes die wertvollste Analysearbeit, die Sie dieses Quartal leisten können.
Weiterlesen: Werbung · KI-Werbeoptimierung