KI-gestütztes Marketing-Mix-Modelling (MMM) schätzt, wie viel jeder Marketingkanal zum Umsatz beiträgt, indem aggregierte historische Daten anstelle von nutzerbasiertem Tracking verwendet werden. Eine gute Messung bedeutet, zwei Dinge getrennt zu beurteilen: ob das Modell genau ist und ob darauf basierende Entscheidungen die Geschäftsergebnisse verbessert haben. Die KPIs, die den Wert belegen, sind die Prognosegenauigkeit in Testzeiträumen, die Übereinstimmung mit Experimenten und die Veränderung von Umsatz oder Gewinn nach Budgetverschiebungen.
Was ist Marketing-Mix-Modelling und was fügt KI hinzu?
MMM ist eine statistische Methode, die wöchentliche oder tägliche Verkäufe mit den Ausgaben in jedem Kanal sowie externen Faktoren wie Preis, Saisonalität, Werbeaktionen und Wettbewerbsaktivitäten in Beziehung setzt. Es erfasst Effekte, die klickbasierte Attribution übersieht, einschließlich TV, Außenwerbung, Marken-Suchanstieg und die verzögerte Wirkung von Werbung.
Klassische MMM-Projekte erforderten monatelange Beraterzeit. Neuere Open-Source-Tools wie Metas Robyn und Googles Meridian sowie Bayesian-Bibliotheken wie PyMC-Marketing automatisieren einen Großteil der Anpassung, testen Tausende von Modellvarianten und erstellen Budgetempfehlungen. Kommerzielle Plattformen bauen auf ähnlichen Methoden auf. “KI-gestützt” bedeutet meist diese Automatisierung: Hyperparameter-Suche, schnellere Neuanpassungen und Szenarioplanung, anstatt eines grundlegend anderen Ansatzes.
Warum ist MMM schwer zu messen?
Es gibt keine Ground Truth für den Kanalbeitrag. Man kann nicht beobachten, wie die Verkäufe ohne TV im letzten Frühjahr gewesen wären. Zwei Modelle können die Vergangenheit gleichermaßen gut abbilden und sich dennoch uneinig darüber sein, welcher Kanal den Umsatz getrieben hat. Deshalb konzentriert sich die Messung auf prädiktive Prüfungen, externe Validierung und Entscheidungsergebnisse.
Welche KPIs zeigen, ob das Modell genau ist?
Modellqualitätsmetriken sagen Ihnen, ob das Modell vertrauenswürdig genug ist, um darauf zu handeln.
- Out-of-Sample-Fehler: Halten Sie die letzten 8 bis 12 Wochen zurück, passen Sie das Modell an den Rest an und vergleichen Sie Prognosen mit Ist-Werten. MAPE (Mean Absolute Percentage Error) ist die übliche Zusammenfassung.
- In-Sample-Fit: R-Quadrat und NRMSE zeigen, wie gut das Modell die Historie erklärt, aber ein hoher Fit allein kann Overfitting bedeuten.
- Plausibilität der Zerlegung: Sieht die Basis (Verkäufe ohne Marketing) sinnvoll aus? Fallen die Kanalbeiträge in Bereiche, die das Unternehmen für glaubwürdig hält?
- Stabilität: Passen Sie das Modell mit ein paar Wochen mehr Daten neu an. Wenn die ROI-Schätzungen der Kanäle stark schwanken, ist das Modell noch nicht zuverlässig.
- Kalibrierung mit Experimenten: Vergleichen Sie den geschätzten Lift des Modells für einen Kanal mit dem Ergebnis eines Geo-Lift- oder Conversion-Lift-Tests für diesen Kanal.
Warum Experimente am wichtigsten sind
Experimente kommen der Ground Truth am nächsten. Ein Geo-Test, der die Ausgaben in einigen Regionen pausiert, oder eine Plattform-Lift-Studie liefern eine unabhängige Schätzung. Sowohl Robyn als auch Meridian erlauben es, Experimentergebnisse in das Modell einfließen zu lassen. Wenn ein Modell mit Experimenten übereinstimmt, steigt das Vertrauen; wenn es widerspricht, muss das Modell überarbeitet werden, bevor Budgets verschoben werden.
Welche KPIs zeigen, ob es Geschäftswert schafft?
Ein Modell kann genau sein und dennoch nutzlos, wenn niemand danach handelt oder wenn das Handeln nicht hilft. Entscheidungsmetriken umfassen:
- Marginaler ROI pro Kanal: die Rendite der nächsten Ausgabeneinheit, die die Umverteilung vorantreibt.
- Umsatz- oder Gewinnveränderung nach Umverteilung im Vergleich zu einer Prognose des alten Plans.
- Anteil des Budgets, der basierend auf dem Modellausgang verschoben wurde.
- Medieneffizienz: gesamter Marketingbeitrag pro Ausgabeneinheit, über Quartale verfolgt.
- Zeit vom Datenabschluss bis zur aktualisierten Empfehlung, was für Planungszyklen wichtig ist.
Der sauberste Beweis ist eine geplante Umverteilung mit einer vorregistrierten Prognose. Schreiben Sie auf, was das Modell für die Änderung vorhersagt, führen Sie die Änderung durch und vergleichen Sie.
Was sollte ein MMM-Dashboard zeigen?
Ein gutes Dashboard bedient zwei Zielgruppen. Finanzen und Führungskräfte wollen wissen, wo Geld am besten arbeitet. Kanalmanager wollen wissen, was sie nächste Woche ändern sollen.
Führungsansicht
- Gesamtumsatz aufgeteilt in Basis-, Marketing-getriebene und Promotions-getriebene Beiträge.
- ROI und marginaler ROI pro Kanal mit Unsicherheitsbereichen, nicht als Einzelpunkte.
- Reaktionskurven, die zeigen, wo jeder Kanal anfängt zu sättigen.
- Empfohlene Budgetaufteilung neben der aktuellen Aufteilung, mit Prognoseauswirkung.
Operative Ansicht
- Wöchentliche Ist-Werte gegenüber Modellprognose, wobei Wochen außerhalb des erwarteten Bereichs hervorgehoben werden.
- Adstock-Schätzungen (Carry-over) pro Kanal, damit Teams wissen, wie lange Effekte anhalten.
- Experimentkalender und Ergebnisse, mit der Art und Weise, wie jedes das Modell verändert hat.
- Daten-Gesundheitschecks: fehlende Wochen, Ausgabenanomalien, Tracking-Änderungen.
Unsicherheit zu zeigen ist wichtig. Ein Kanal mit einem ROI zwischen 0,8 und 3,0 ist ein Kandidat für ein Experiment, nicht für eine große Budgetverschiebung.
Wie Alien Road KI-gestütztes MMM für Werbetreibende anwendet
In einem typischen Engagement beginnt die Entdeckung mit den Daten. Das Team sammelt zwei bis drei Jahre wöchentliche Ausgaben pro Kanal, Verkäufe oder Leads, Preis- und Promotionskalender und notiert wichtige Ereignisse wie Lieferengpässe oder Website-Migrationen. Lücken werden vor jeder Modellierung markiert, da ein fehlender Monat an TV-Ausgaben jedes Ergebnis verzerren würde.
Das Setup verwendet ein Open-Source-Framework wie Robyn oder Meridian, wo es zum Kunden passt, oder die bestehende Plattform des Kunden. Das Team führt die Modellauswahl durch, prüft die Zerlegung mit den Finanz- und Markenleitern des Kunden und vergleicht dann die Ergebnisse mit verfügbaren Lift-Tests. Wo keine existieren, wird ein Geo-Lift-Test für den unsichersten Kanal geplant.
Das Reporting folgt einem vierteljährlichen Rhythmus: Aktualisieren Sie das Modell, aktualisieren Sie das Dashboard, schlagen Sie eine Umverteilung mit einer Prognose vor und vergleichen Sie dann die Ist-Werte mit dieser Prognose bei der nächsten Aktualisierung. Monatliche Check-ins verfolgen wöchentliche Ist-Werte gegenüber dem Modell, damit Probleme frühzeitig auftauchen.
Was sind die häufigsten Fallstricke?
Mehrere Fehler treten immer wieder auf:
- Zu wenig Variation: Wenn die Ausgaben in einem Kanal nie geändert wurden, kann das Modell dessen Effekt nicht schätzen.
- Korrelierte Kanäle: Wenn Suche und Soziale Medien immer zusammen steigen, hat das Modell Schwierigkeiten, sie zu trennen.
- Ignorieren externer Treiber: Preisänderungen, Distributionsgewinne oder Wettbewerberstarts werden den Medien zugeschrieben.
- Ausgaben als präzise behandeln: Punktschätzungen verbergen große Unsicherheit.
- Zu häufige Neuanpassung: wöchentliche Neuanpassungen erzeugen Rauschen; vierteljährlich ist üblich.
Wo man diese Woche anfangen sollte
Ziehen Sie 104 Wochen Ausgaben pro Kanal und eine passende Verkaufsserie in ein Blatt. Prüfen Sie auf Lücken und auf Kanäle, deren Ausgaben nie variierten. Wenn die Daten nutzbar aussehen, führen Sie ein erstes Modell in Robyn oder Meridian auf einer Kopie aus und vergleichen Sie dessen Holdout-Prognose mit den letzten acht Wochen der Ist-Werte. Die Größe dieses Fehlers sagt Ihnen, ob Sie bereit sind, Budgets zu diskutieren, oder ob Sie noch das Fundament bauen.
Weiterlesen: Werbung · KI-Werbeoptimierung