KI-gestütztes Marketing-Mix-Modelling schätzt anhand aggregierter Daten über einen Zeitraum hinweg, wie viel jeder Marketingkanal zum Umsatz beiträgt, wobei maschinelles Lernen und Automatisierung die Modellerstellung beschleunigen. Open-Source-Tools wie Meridians von Google und Metas Robyn haben dies über große Marken hinaus zugänglich gemacht. Der Weg von einem Pilotprojekt zu einem Modell, das Budgets steuert, erfordert saubere wöchentliche Daten, Experimente zur Kalibrierung, ehrliche Unsicherheitsbereiche und eine Routine zur Aktualisierung des Modells.
Was ist Marketing-Mix-Modelling und wo passt KI hinein?
Marketing-Mix-Modelling (MMM) ist ein statistischer Ansatz, der Verkäufe oder Conversions mit Marketingausgaben, Preisen, Saisonalität, Werbeaktionen und externen Faktoren wie Feiertagen in Beziehung setzt. Da es aggregierte Daten verwendet, benötigt es kein nutzerbasiertes Tracking, was es widerstandsfähig gegen Cookie-Verlust und Datenschutzregeln macht.
KI kommt auf verschiedene Weise ins Spiel. Robyn verwendet eine automatisierte Hyperparameter-Suche, um Tausende von Modellvarianten zu testen. Meridian, Googles Bayes-Framework, schätzt Kanaleffekte mit Unsicherheit und kann Vorwissen und Experimentergebnisse einbeziehen. Sprachmodelle werden jetzt verwendet, um Analysten bei der Untersuchung von Ergebnissen und dem Entwurf von Berichten zu unterstützen, obwohl sie nicht über die Modellspezifikation entscheiden sollten.
Ist Ihr Unternehmen bereit für MMM?
MMM funktioniert am besten mit Historie und Variation. Prüfen Sie vor dem Start:
- Mindestens zwei Jahre wöchentliche Daten, idealerweise drei, für Verkäufe und Ausgaben.
- Ausgaben, die im Laufe der Zeit variierten; Kanäle mit flachen Budgets sind schwer zu messen.
- Mehrere Kanäle mit signifikanten Budgets, einschließlich Offline-Medien, falls verwendet.
- Eine klare Ergebnisvariable, wie Umsatz, Bestellungen oder qualifizierte Leads.
- Ein Analyst, der Regression versteht und Ergebnisse Nicht-Spezialisten erklären kann.
Kleine Unternehmen mit ein oder zwei Kanälen profitieren oft mehr von einfachen Experimenten als von einem MMM. Ein regionaler Einzelhändler, der beispielsweise nur Google Ads und Meta schaltet, kann viel lernen, indem er Meta in einigen passenden Städten für vier Wochen abschaltet.
Implementierungs-Checkliste: Daten
Die Datenaufbereitung nimmt bei einem ersten Projekt die meiste Zeit in Anspruch. Arbeiten Sie diese Punkte durch:
- Sammeln Sie wöchentliche Ausgaben und Impressionen oder Klicks pro Kanal von jeder Plattform.
- Sammeln Sie wöchentliche Verkäufe, aufgeteilt nach Region, wenn das Modell auf Geo-Ebene laufen soll.
- Fügen Sie Kontrollvariablen hinzu: Preisänderungen, Werbeaktionen, Lagerbestände, Feiertage und Wettbewerbsereignisse, falls bekannt.
- Richten Sie alle Serien auf dieselbe Wochendefinition und Zeitzone aus.
- Dokumentieren Sie Lücken und wie jede gefüllt wurde.
Geo-Daten bieten, wo verfügbar, Meridian und ähnlichen Tools viel mehr Signal als eine einzelne nationale Serie. Bewahren Sie sowohl die Roh-Exporte als auch die bereinigte Tabelle auf, damit jede Zahl im Modell auf ihre Quelle zurückgeführt werden kann, wenn jemand sie hinterfragt.
Implementierungs-Checkliste: Modell
Sobald die Daten bereit sind, bauen und prüfen Sie das Modell diszipliniert:
- Beginnen Sie mit einer einfachen Spezifikation und fügen Sie Komplexität nur hinzu, wenn sie gerechtfertigt ist.
- Prüfen Sie, ob Adstock (Carryover) und Sättigungskurven für jeden Kanal plausibel aussehen.
- Überprüfen Sie die Passung auf zurückgehaltenen Wochen, nicht nur im Trainingszeitraum.
- Untersuchen Sie die Unsicherheit: Ein Kanal mit einem sehr breiten Bereich sollte keine Budgetverschiebungen vorantreiben.
- Vergleichen Sie die Ergebnisse mit dem, was das Team aus Erfahrung weiß, und fragen Sie nach dem Warum, wenn sie nicht übereinstimmen.
Ein Modell, das besagt, dass ein Kanal mit winzigen Ausgaben einen großen Anteil am Umsatz ausmacht, hat normalerweise ein Daten- oder Spezifikationsproblem und keine Entdeckung.
Wie kalibriert man ein MMM?
Die Kalibrierung verknüpft das Modell mit kausalen Beweisen. Die üblichen Werkzeuge sind Lift-Studien und Geo-Experimente. Meta und Google bieten beide Conversion-Lift-Tests auf ihren Plattformen an, und Geo-Experimente schalten Ausgaben in passenden Regionen ein oder aus. Die gemessenen Effekte werden zu Priors oder Kalibrierungspunkten im Modell, was den Bereich plausibler Antworten einschränkt.
Planen Sie mindestens ein Experiment pro Hauptkanal pro Jahr. Ohne Kalibrierung können MMM-Ergebnisse gut zur Historie passen und dennoch irreführend sein, was passieren würde, wenn sich Budgets ändern.
Vereinbaren Sie, wie Ergebnisse verwendet werden
Bevor Sie Ergebnisse präsentieren, vereinbaren Sie mit Finanzen und Führung, wie sie verwendet werden. Budgetverschiebungen eines bescheidenen Anteils pro Quartal, getestet und neu gemessen, sind sicherer als die Hälfte des Budgets bei einem Modelllauf zu verschieben. Zeigen Sie Bereiche statt einzelner Zahlen.
Was sind die häufigsten Fallstricke?
Einige Probleme treten bei fast jedem ersten MMM auf. Markensuche sieht oft wie der beste Kanal aus, weil sie Nachfrage erfasst, die andere Medien geschaffen haben; behandeln Sie sie vorsichtig oder modellieren Sie sie als Ergebnis anderer Ausgaben. Hochkorrelierte Kanäle, wie TV und Online-Video, die in denselben Wochen gekauft wurden, können nicht gut getrennt werden, also planen Sie für die Zukunft variiertes Flighting. Und Werbeaktionen, die in den Daten fehlen, werden dem Medium gutgeschrieben, das zur gleichen Zeit lief. Das Überprüfen dieser Punkte vor der Präsentation der Ergebnisse vermeidet später unangenehme Umkehrungen.
Vom Pilot zur Produktion
Ein Pilot beantwortet “funktioniert das für uns?”. Produktion bedeutet, dass das Modell nach einem Zeitplan aktualisiert wird und die Planung speist. Das erfordert automatisierte Datenpipelines von Werbeplattformen und Verkaufssystemen in ein Warehouse wie BigQuery, einen Aktualisierungsrhythmus, oft monatlich oder vierteljährlich, Versionskontrolle für Modellcode und einen kurzen Standardbericht.
Es braucht auch einen Eigentümer. Modelle ohne Eigentümer verfallen leise, wenn sich Kanäle ändern, neue Plattformen starten und alte Datendefinitionen driften.
Wie Alien Road KI-gestütztes Marketing-Mix-Modelling anwendet
In einem typischen Engagement beginnen wir mit einer Bereitschaftsprüfung: Datenhistorie, Ausgabenvariation, Kanalanzahl und das zu modellierende Ergebnis. Wenn das Unternehmen nicht bereit ist, sagen wir das und schlagen zuerst Experimente vor.
Für bereite Kunden bauen wir die Datenpipeline in das Warehouse des Kunden, bereiten wöchentliche oder Geo-Level-Serien vor und führen Meridian oder Robyn aus, wobei wir das Tool nach Datenform und Teamfähigkeiten auswählen. Wir überprüfen Kurven und Unsicherheit mit dem Analysten des Kunden, entwerfen Lift- oder Geo-Tests, um die schwächsten Kanäle zu kalibrieren, und präsentieren Ergebnisse als Bereiche mit einer empfohlenen, bescheidenen Budgetverschiebung. Nach jeder Verschiebung messen wir die Änderung und aktualisieren das Modell, sodass der Plan jedes Quartals gegen das geprüft wird, was passiert ist.
Wo man diese Woche anfangen kann
Erstellen Sie eine Tabelle mit wöchentlichen Ausgaben pro Kanal und wöchentlichem Umsatz für die letzten zwei Jahre. Plotten Sie sie zusammen. Wenn Sie sehen können, dass sich die Ausgaben bewegen, während sich auch die Verkäufe bewegen, haben Sie die Variation, die MMM benötigt; wenn jede Linie flach ist, beginnen Sie mit einem Geo-Test vor der Modellierung.
Weiterlesen: Werbung · KI-Werbeoptimierung