Marketing-Mix-Modelling, oder MMM, ist eine statistische Methode, die schätzt, wie viel jeder Marketingkanal zum Umsatz beiträgt, indem aggregierte wöchentliche oder tägliche Daten anstelle von User-Tracking verwendet werden. KI-gestützte Tools, einschließlich Open-Source-Projekte wie Meridians von Google und Metas Robyn, erleichtern den Aufbau von Modellen. Kleine Unternehmen können starten, wenn sie etwa zwei Jahre an konsistenten Ausgaben- und Verkaufsdaten haben.
Warum ist MMM wieder in Mode?
Klickbasierte Attribution ist weniger zuverlässig geworden. Browser-Datenschutzfunktionen, Einwilligungsanforderungen und Änderungen beim App-Tracking bedeuten, dass viele Conversions nicht mit einem Anzeigenklick verknüpft werden können. Plattformberichte neigen auch dazu, sich selbst zu begünstigen. MMM umgeht dies, indem es die Beziehung zwischen Ausgaben und Ergebnissen im Zeitverlauf betrachtet, ohne personenbezogene Daten.
Die Methode ist Jahrzehnte alt, erforderte aber früher teure Berater. Open-Source-Bibliotheken, günstigere Rechenleistung und KI-Coding-Assistenten haben die Hürde gesenkt. Ein Marketer, der mit Tabellenkalkulationen und etwas Python vertraut ist oder mit einem Analysten zusammenarbeitet, kann jetzt ein Basismodell ausführen.
Ist MMM für ein kleines Unternehmen realistisch?
Es hängt von den Daten ab, nicht von der Unternehmensgröße. MMM benötigt Variation: Wochen, in denen Sie mehr für Meta und weniger für Google ausgegeben haben, eine Pause bei einem Kanal, ein saisonaler Push. Wenn Sie ein Jahr lang jede Woche den gleichen Betrag für dieselben zwei Kanäle ausgegeben haben, hat das Modell wenig zu lernen.
- Mindestens 18 bis 24 Monate wöchentlicher Daten sind eine gängige Faustregel
- Ausgaben pro Kanal pro Woche von jeder Anzeigenplattform
- Verkäufe oder Leads pro Woche aus Ihrem Shop oder CRM, nicht von Anzeigenplattformen
- Bekannte Ereignisse: Werbeaktionen, Preisänderungen, Lagerbestände, Feiertage
- Idealerweise etwas natürliche Variation bei den Ausgaben zwischen den Kanälen
Für ein Unternehmen, das einen kleinen Betrag über zwei Kanäle ausgibt, ist ein einfacherer Ansatz möglicherweise besser: geplante On-Off-Tests oder geografische Tests auf jeweils einem Kanal. MMM wird lohnenswert, wenn es mehrere Kanäle gibt und die Frage, wohin das Budget verschoben werden soll, real ist.
Welche Tools können Sie verwenden?
Meridian ist Googles Open-Source-Bayesian-MMM-Framework, geschrieben in Python. Robyn ist Metas Open-Source-Paket, erstellt in R mit einer verfügbaren Python-Schnittstelle. Beide sind kostenlos nutzbar und auf GitHub dokumentiert. Es gibt auch kommerzielle SaaS-Tools, die das Modelling in einem Dashboard verpacken und sich an E-Commerce-Marken richten.
Die KI-Unterstützung findet sich an mehreren Stellen. Coding-Assistenten wie ChatGPT, Claude oder Gemini helfen beim Schreiben der Datenbereinigungs- und Modellskripte. Die Bibliotheken selbst verwenden automatisierte Optimierung, um viele Modelleinstellungen auszuprobieren. Und Sprachmodelle können helfen, Ergebnisse in einfachen Begriffen zu erklären, obwohl eine Person die Erklärung anhand der Zahlen überprüfen muss.
Wie baut man Schritt für Schritt ein erstes Modell?
- Schritt 1: Exportieren Sie die wöchentlichen Ausgaben pro Kanal aus Google Ads, Meta Ads Manager und jeder anderen bezahlten Quelle
- Schritt 2: Exportieren Sie wöchentliche Umsätze oder Leads aus Shopify, WooCommerce oder Ihrem CRM
- Schritt 3: Fügen Sie Spalten für Werbeaktionen, Feiertage und Preisänderungen hinzu
- Schritt 4: Überprüfen Sie die Daten auf Lücken und offensichtliche Fehler, wie eine Woche mit null Verkäufen aufgrund eines Tracking-Problems
- Schritt 5: Führen Sie ein Basismodell mit den Standardeinstellungen und dem Dokumentationsbeispiel der Bibliothek aus
- Schritt 6: Überprüfen Sie die Kanalkontributionsschätzungen und deren Unsicherheitsbereiche
- Schritt 7: Vergleichen Sie die Ergebnisse mit allem, was Sie bereits wissen, wie z. B. die Auswirkung einer vergangenen Pause
- Schritt 8: Planen Sie einen Test, um die größte Behauptung des Modells zu überprüfen
Welche Fehler sollten Anfänger vermeiden?
Der erste Fehler ist, den Output als Wahrheit zu behandeln. MMM liefert Schätzungen mit Bereichen, und diese Bereiche können bei kleinen Datensätzen groß sein. Wenn das Modell sagt, ein Kanal bringt das Dreifache seiner Kosten mit einem Bereich von unter eins bis sechs, ist die ehrliche Schlussfolgerung ‘wir wissen es noch nicht’.
Der zweite Fehler ist, Dinge zu ignorieren, die kein Marketing sind. Ein Preisnachlass, ein neuer Wettbewerber oder ein viraler Social-Media-Beitrag können Verkäufe antreiben. Wenn diese in den Daten fehlen, wird das Modell sie dem Kanal zuschreiben, der in dieser Woche zufällig mehr ausgegeben hat.
- Verwenden Sie keine Conversion-Zahlen von Anzeigenplattformen als Ergebnis
- Schließen Sie keine Kanäle mit fast keiner Ausgabenvariation ein und erwarten Sie klare Antworten
- Treffen Sie keine großen Budgetverschiebungen basierend auf einem Modelllauf
- Notieren Sie, was sich jede Woche im Unternehmen geändert hat
Wie verwandeln Sie Ergebnisse in Entscheidungen?
Verwenden Sie das Modell, um eine Hypothese zu bilden, und testen Sie diese dann. Wenn MMM nahelegt, dass YouTube mehr beiträgt, als die Klick-Attribution zeigt, erhöhen Sie die YouTube-Ausgaben kontrolliert für einen festgelegten Zeitraum oder führen Sie einen geografischen Test durch und sehen Sie, ob die Gesamtverkäufe reagieren. Meta und Google bieten beide Lift-Study-Tools für einige Werbetreibende an, die helfen können, Erkenntnisse zu validieren.
Führen Sie das Modell jedes Quartal erneut aus, wenn neue Daten eintreffen. Im Laufe der Zeit bietet die Kombination aus Modellschätzungen und Experimentergebnissen eine weitaus zuverlässigere Sicht als jede für sich allein.
Wie Alien Road KI-gestütztes Marketing-Mix-Modelling anwendet
Bei einem typischen Engagement für einen kleineren Werbetreibenden beginnen wir mit einem Datenbereitschafts-Check: Wie viele Wochen an sauberen Ausgaben- und Verkaufsdaten existieren, welche Kanäle variieren genug, um sie zu modellieren, und welche Geschäftsereignisse müssen aufgezeichnet werden. Wenn die Daten zu dünn sind, empfehlen wir zuerst strukturierte Tests und richten die Datenerfassung so ein, dass MMM später möglich wird.
Wenn die Daten bereit sind, bauen unsere Analysten ein Modell mit einem Open-Source-Framework, dokumentieren jede Annahme und präsentieren Ergebnisse mit Unsicherheitsbereichen anstelle von einzelnen Zahlen. Die Empfehlungen beinhalten immer einen Validierungstest. Quartalsberichte aktualisieren das Modell, vergleichen vorhergesagte und tatsächliche Ergebnisse und passen den Budgetplan an.
Halten Sie das erste Modell bewusst klein. Drei oder vier Kanäle, eine Handvoll Kontrollvariablen und eine klare Dokumentation werden Ihnen mehr beibringen als ein ehrgeiziges Modell, das niemand im Team der Finanzabteilung erklären kann.
Wo man diese Woche anfangen kann
Erstellen Sie eine Tabelle mit einer Zeile pro Woche für die letzten zwei Jahre. Fügen Sie Spalten für Ausgaben pro Kanal und für Einnahmen aus Ihrem eigenen Shop oder CRM hinzu. Füllen Sie aus, was Sie können, und markieren Sie die Lücken. Wenn Sie am Ende saubere Daten für die meisten Wochen und mindestens zwei Kanäle haben, die variiert haben, sind Sie bereit für ein erstes Modell.
Weiterlesen: Werbung · KI-Werbeoptimierung