KI-gestütztes Marketing-Mix-Modelling ist eine statistische Methode, die schätzt, wie viel jeder Marketingkanal sowie externe Faktoren wie Preis und Saisonalität zum Umsatz beitragen, wobei maschinelles Lernen die Anpassung, Abstimmung und Szenarioarbeit beschleunigt. Es beantwortet eine Frage, die Plattform-Dashboards nicht beantworten können: Wie würde der Umsatz aussehen, wenn wir das Budget von einem Kanal auf einen anderen verlagern würden?
Traditionelles Marketing-Mix-Modelling (MMM) gibt es seit Jahrzehnten. Konsumgüterunternehmen nutzten es lange vor digitaler Werbung, meist durch teure Beratungsfirmen, die einen Bericht pro Jahr lieferten. Was sich geändert hat, ist der Zugang. Open-Source-Frameworks wie Robyns von Meta und Googles Meridian sowie Bayesian-Bibliotheken wie PyMC-Marketing haben es für mittelständische Werbetreibende praktikabel gemacht, ihre eigenen Modelle vierteljährlich oder sogar monatlich auszuführen.
Was trägt KI eigentlich zum Marketing-Mix-Modelling bei?
Der Kern von MMM ist immer noch die Regression. Umsätze werden als Funktion der Ausgaben in jedem Kanal erklärt, transformiert, um zwei bekannte Effekte widerzuspiegeln: Adstock (eine Anzeige wirkt noch Tage oder Wochen nach ihrer Schaltung) und Sättigung (jeder zusätzliche Euro bringt weniger als der vorherige). Der “KI”-Teil sitzt um diesen Kern herum, anstatt ihn zu ersetzen.
- Hyperparameter-Suche: Tools wie Robyn verwenden evolutionäre Optimierung (Nevergrad), um Tausende von Adstock- und Sättigungskombinationen zu testen, anstatt dass ein Analyst ein paar errät.
- Bayesian Priors: Meridian und PyMC-Marketing ermöglichen es Ihnen, das zu kodieren, was Sie bereits glauben, wie z. B. Ergebnisse aus einem Lift-Test, und diese Überzeugungen mit Daten zu aktualisieren.
- Budgetoptimierung: Sobald Antwortkurven existieren, sucht ein Optimierer nach der Ausgabenaufteilung, die ein Ziel unter realen Einschränkungen maximiert.
- Schnellere Iteration: Sprachmodelle helfen beim Schreiben von Datenbereinigungsskripten und beim Zusammenfassen von Modelldiagnosen, obwohl man ihnen niemals vertrauen sollte, Kausalität eigenständig zu interpretieren.
Der Punkt ist nicht, dass das Modell intelligent wird. Es ist, dass ein Prozess, der früher eine Beratung drei Monate kostete, jetzt von einem kleinen Team mit sauberen Daten in wenigen Wochen wiederholt werden kann.
Warum machen Datenschutzänderungen MMM wieder relevant?
Klickbasierte Attribution hängt von der Verfolgung von Einzelpersonen ab. Browser-Einschränkungen, Einwilligungsanforderungen gemäß DSGVO und der türkischen KVKK sowie Apples App Tracking Transparency haben alle reduziert, wie viele Conversions einem bestimmten Anzeigenklick zugeordnet werden können. Von Plattformen gemeldete Zahlen füllen die Lücken mit modellierten Schätzungen, und jede Plattform neigt dazu, sich selbst zu loben.
MMM arbeitet mit aggregierten wöchentlichen oder täglichen Daten. Es benötigt keine Cookies oder Benutzer-IDs. Das macht es zu einer natürlichen Gegenprüfung dessen, was Google Ads, Meta Ads Manager und TikTok Ads Manager jeweils behaupten. Wenn die Plattformen gemeinsam mehr Conversions melden, als das Unternehmen tatsächlich verzeichnet hat, ist ein Mix-Modell oft das erste Tool, das die Überschneidung deutlich zeigt.
Wie Alien Road KI-gestütztes Marketing-Mix-Modelling anwendet
In einem typischen Engagement behandeln wir MMM als Messprojekt mit vier Phasen, nicht als einmaligen Bericht. Jede Phase hat ein Ergebnis, das der Kunde abzeichnet, bevor die nächste beginnt.
1. Discovery und Datenaudit
Wir beginnen damit, jeden Input aufzulisten, der den Umsatz bewegen könnte: bezahlte Kanäle, organische Suchsitzungen, E-Mail-Versand, Werbeaktionen, Preisänderungen, Lagerbestände, Feiertage wie Ramadan und die Neujahrszeit sowie Makrofaktoren wie Wechselkurse. Für türkische Kunden können allein Währungsbewegungen große Nachfrageschwankungen erklären, daher führt das Weglassen dazu, dass ein Modell Anzeigen fälschlicherweise gutschreibt.
Das Audit prüft die Historienlänge und Granularität. Als Faustregel suchen wir nach etwa zwei Jahren wöchentlicher Daten oder mindestens einem Jahr täglicher Daten und genügend Variation bei den Ausgaben. Ein Kanal, der jede Woche mit dem gleichen Budget lief, gibt dem Modell nichts, woraus es lernen könnte.
2. Modellaufbau und Kalibrierung
Wir passen normalerweise zwei Kandidatenmodelle an, oft eines in Robyn und ein Bayesian-Modell in Meridian oder PyMC-Marketing, und vergleichen sie. Wo der Kunde Geo-Holdout-Tests oder Plattform-Conversion-Lift-Studien durchgeführt hat, fließen diese Ergebnisse als Priors oder Kalibrierungsziele ein. Dies ist der nützlichste Schritt für die Glaubwürdigkeit: Ein Modell, das mit einem kontrollierten Experiment übereinstimmt, verdient weit mehr Vertrauen als eines, das nur die Historie gut abbildet.
3. Validierung
Wir halten die letzten Wochen zurück, sagen sie voraus und vergleichen die Prognose mit dem, was tatsächlich passiert ist. Wir prüfen auch, ob die Koeffizienten geschäftlich sinnvoll sind. Wenn das Modell sagt, dass Markensuche den meisten Umsatz treibt, signalisiert das normalerweise, dass die Suche Nachfrage erfasst, die anderswo geschaffen wurde, und wir strukturieren die Inputs um.
4. Berichterstattung und Szenarioplanung
Das Endergebnis ist keine Tabelle mit Koeffizienten. Kunden erhalten Antwortkurven pro Kanal, Grenzertrag bei aktuellen Ausgaben und zwei oder drei Budgetszenarien mit Bereichen anstelle von Einzelzahlen. Wir aktualisieren das Modell nach einem vereinbarten Zeitplan, oft vierteljährlich, und protokollieren jede Änderung der Annahmen, damit die Ergebnisse im Laufe der Zeit vergleichbar bleiben.
Was sind die Grenzen eines Mix-Modells?
MMM ist ehrlich in Bezug auf Unsicherheit, wenn es gut gebaut ist, und irreführend, wenn es das nicht ist. Ein paar Grenzen sind es wert, vorab genannt zu werden.
- Es arbeitet auf Kanalebene. Es wird Ihnen nicht sagen, welches Anzeigenmotiv oder welches Keyword am besten abgeschnitten hat; Plattformtests und Attribution erledigen das weiterhin.
- Korrelierte Kanäle verschwimmen. Wenn TV und YouTube immer zur gleichen Zeit steigen und fallen, kann das Modell sie ohne Experiment nicht trennen.
- Kleine Budgets erzeugen breite Fehlerbalken. Für ein Unternehmen, das ein paar tausend Euro im Monat über zwei Kanäle ausgibt, kann ein einfacherer Inkrementalitätstest eine bessere Zeitnutzung sein.
- Ergebnisse beschreiben die Vergangenheit. Ein neuer Kanal ohne Historie muss mit Priors geschätzt oder getestet werden, bevor er modelliert werden kann.
Wie sollten Sie MMM-Ergebnisse lesen, ohne überzureagieren?
Schauen Sie auf den Grenzertrag, nicht auf den Durchschnittsertrag. Ein Kanal kann einen starken durchschnittlichen ROI haben und dennoch gesättigt sein, was bedeutet, dass der nächste dort ausgegebene Euro wenig zurückbringt. Die Antwortkurve zeigt, wo diese Abflachung beginnt.
Nehmen Sie die glaubwürdigen Intervalle ernst. Wenn das Modell sagt, dass Meta zwischen 1,2 und 3,5 Einheiten Umsatz pro Ausgabeneinheit zurückgibt, ist die ehrliche Lesart “wahrscheinlich profitabel, genaues Niveau unsicher”, und der nächste Schritt ist ein Lift-Test, um es einzugrenzen. Die Hälfte des Budgets auf einem breiten Intervall zu verschieben, ist ein Glücksspiel, das als Analyse getarnt ist.
Schließlich ändern Sie Budgets schrittweise. Zehn bis zwanzig Prozent der Ausgaben pro Quartal zu verschieben und zu prüfen, ob das vorhergesagte Ergebnis des Modells eintritt, ist eine sicherere Schleife als eine dramatische Neuzuweisung.
Wo man diese Woche anfangen kann
Sie brauchen kein vollständiges Modell, um zu beginnen. Ziehen Sie die wöchentlichen Ausgaben pro Kanal und den wöchentlichen Umsatz der letzten 24 Monate in ein Blatt, fügen Sie Spalten für Werbeaktionen, Preisänderungen und Feiertage hinzu und markieren Sie die Wochen, in denen das Tracking unterbrochen war oder ein Produkt nicht auf Lager war. Diese einzelne Datei sagt Ihnen, ob ein Mix-Modell bereits machbar ist.
Wenn die Ausgaben in diesem Zeitraum kaum variierten, planen Sie stattdessen einen bewussten Test: Erhöhen oder pausieren Sie einen Kanal in einer Reihe von Regionen für vier bis sechs Wochen. Das Ergebnis ist für sich genommen nützlich und wird zum Kalibrierungspunkt, der jedes zukünftige Modell vertrauenswürdig macht.
Weiterlesen: Werbung · KI-Werbeoptimierung