Die KI-gestützte Marketing-Mix-Modellierung (MMM) ist eine statistische Methode, die schätzt, wie viel jeder Marketingkanal zum Umsatz beiträgt, indem sie aggregierte wöchentliche oder tägliche Daten verwendet, anstatt einzelne Nutzer zu verfolgen. KI und moderne Bayes-Tools machen sie schneller in der Erstellung, einfacher zu aktualisieren und nützlicher für die Budgetplanung. Sie eignet sich am besten für Marken, die über mehrere Kanäle hinweg Ausgaben tätigen und unabhängige Antworten darauf suchen, wo zusätzliches Budget Wirkung zeigen wird.
MMM ist nicht neu. Konsumgüterunternehmen nutzen sie seit Jahrzehnten, oft über spezialisierte Beratungsfirmen, mit Modellen, deren Erstellung Monate dauerte. Zwei Veränderungen haben sie wiederbelebt: Datenschutzregeln und Browser-Einschränkungen haben die Attribution auf Nutzerebene geschwächt, und Open-Source-Tools haben MMM für kleinere Teams zugänglich gemacht.
Die bekanntesten Open-Source-Optionen sind Metas Robyn, Googles Meridian, das auf das frühere LightweightMMM-Projekt folgte, und PyMC-Marketing von PyMC Labs. Kommerzielle Plattformen bieten MMM auch als Managed Service an. KI kommt an mehreren Punkten zum Einsatz: automatisierte Modellauswahl, schnellere Bayes-Berechnung, Szenarioplanung und natürlichsprachliche Erläuterung der Ergebnisse.
Wie funktioniert Marketing-Mix-Modellierung?
Im Kern ist MMM eine Regression. Sie nimmt eine Zeitreihe von Verkäufen oder Conversions und erklärt diese durch Marketingausgaben pro Kanal sowie andere Faktoren wie Saisonalität, Preis, Werbeaktionen, Feiertage und wirtschaftliche Bedingungen. Das Modell schätzt, wie stark jeder Faktor den Umsatz beeinflusst.
Zwei Ideen machen sie für das Marketing statt für allgemeine Statistiken geeignet.
- Adstock oder Carryover: Eine Anzeige, die diese Woche gesehen wird, kann den Umsatz in späteren Wochen beeinflussen. Das Modell schätzt, wie lange die Wirkung jedes Kanals anhält.
- Sättigung oder abnehmende Erträge: Eine Verdoppelung der Ausgaben führt selten zu einer Verdoppelung der Ergebnisse. Das Modell schätzt die Kurve für jeden Kanal und zeigt, wo zusätzliche Ausgaben keinen Mehrwert mehr bringen.
Bayes-Methoden, die von Meridian und PyMC-Marketing verwendet werden, ermöglichen es Analysten, Vorwissen hinzuzufügen, wie etwa Ergebnisse aus Lift-Tests, und Unsicherheit als Bereiche statt als einzelne Zahlen auszudrücken.
Wo hilft KI?
KI-Unterstützung reduziert hauptsächlich manuelle Arbeit und macht die Ergebnisse nutzbarer.
- Datenvorbereitung: Bereinigung und Abgleich von Ausgaben, Impressionen und Verkäufen aus vielen Quellen in einer wöchentlichen Tabelle.
- Modellsuche: Testen vieler Kombinationen von Adstock- und Sättigungseinstellungen und Auswahl derjenigen, die passen und geschäftlich sinnvoll sind. Robyn verwendet dafür beispielsweise eine mehrzielige Optimierung.
- Szenarioplanung: Zeigen, was mit den erwarteten Verkäufen passiert, wenn das Budget zwischen den Kanälen verschoben wird.
- Erläuterung: Sprachmodelle können Modellergebnisse in einfache Zusammenfassungen für Stakeholder umwandeln, obwohl diese anhand der tatsächlichen Zahlen überprüft werden müssen.
KI ersetzt nicht die Notwendigkeit für Urteilsvermögen. Ein Modell kann gut zu historischen Daten passen und dennoch irreführende Ratschläge geben, wenn die Eingaben falsch sind oder sich Kanäle immer zusammen bewegt haben.
Welche Daten benötigen Sie?
MMM benötigt Historie und Variation. Eine gängige Richtlinie sind mindestens zwei Jahre wöchentlicher Daten, damit das Modell Saisonalität von Marketingeffekten trennen kann. Tägliche Daten können bei kürzeren Historien helfen, sind aber verrauschter.
- Verkäufe oder Conversions pro Woche, idealerweise nach Region, falls verfügbar.
- Ausgaben und, wo möglich, Impressionen oder Klicks pro Kanal und Woche.
- Werbeaktionen, Preisänderungen, Produkteinführungen und Lagerbestände.
- Externe Faktoren, die für das Unternehmen relevant sind, wie Feiertage oder Wetter.
Variation ist wichtig. Wenn die Ausgaben jedes Kanals zusammen stiegen und fielen, kann das Modell sie nicht unterscheiden. Geplante Änderungen, wie das Pausieren eines Kanals in einigen Regionen, machen Modelle weitaus zuverlässiger.
Wie schneidet MMM im Vergleich zu Attribution und Lift-Tests ab?
Die drei Methoden beantworten unterschiedliche Fragen, und ausgereifte Teams nutzen alle drei.
- Plattform- und Multi-Touch-Attribution: schnell, detailliert, auf Nutzerebene, aber blind für Offline-Effekte und voreingenommen gegenüber den Kanälen, die am besten tracken.
- Lift- und Geo-Tests: der klarste Beweis für inkrementelle Auswirkungen für einen Kanal zu einem bestimmten Zeitpunkt, aber langsam und in der Reichweite begrenzt.
- MMM: deckt alle Kanäle ab, einschließlich Offline, und liefert Budgetkurven, jedoch mit geringerer Granularität und größerer Unsicherheit.
Ein praktischer Ansatz ist die Verwendung von Lift-Tests zur Kalibrierung des MMM und von MMM zur Steuerung der Budgetaufteilung, während die Attribution die tägliche Optimierung innerhalb jeder Plattform übernimmt.
Was sind die Grenzen?
MMM-Ergebnisse sind Schätzungen mit Bereichen. Kanäle mit geringen Ausgaben erhalten oft breite, unsichere Schätzungen. Modelle haben Schwierigkeiten mit Markeneffekten, die sich über Jahre aufbauen. Und die Ergebnisse hängen von Modellierungsentscheidungen ab; zwei Analysten können aus denselben Daten zu unterschiedlichen Schlussfolgerungen gelangen, weshalb Transparenz und Kalibrierung wichtig sind.
Teams missbrauchen MMM auch, indem sie es als einmaliges Projekt behandeln. Märkte ändern sich, daher sollten Modelle vierteljährlich oder mindestens zweimal im Jahr aktualisiert werden.
Wer sollte das Modell im Unternehmen besitzen?
MMM liegt zwischen Marketing, Finanzen und Analytik, und Ergebnisse werden ignoriert, wenn nur einer von ihnen es besitzt. Finanzen müssen den Verkaufsdaten vertrauen, Marketing muss den Kanaleingaben vertrauen und Analytik muss die Methode erklären. Vereinbaren Sie zu Beginn, wer die Daten abzeichnet, wer das Modell überprüft und wer über Budgetänderungen entscheidet.
Ein kurzes vierteljährliches Treffen, bei dem die drei Gruppen die neuesten Ergebnisse überprüfen und sich auf einen Test einigen, funktioniert besser als ein langer Bericht, auf den niemand reagiert.
Wie Alien Road KI-gestützte Marketing-Mix-Modellierung anwendet
Bei einem typischen Engagement beginnt MMM mit einem Datenaudit. Wir sammeln Ausgaben, Impressionen und Ergebnisse von Google Ads, Meta, TikTok, LinkedIn und allen Offline-Medien sowie Verkäufe aus dem Shop oder CRM des Kunden und prüfen, ob genügend Historie und Variation vorhanden sind. Wenn nicht, entwerfen wir einige Monate geplanter Ausgabenänderungen vor der Modellierung.
Das Modell selbst wird normalerweise mit einem Open-Source-Framework wie Meridian, Robyn oder PyMC-Marketing erstellt, abhängig von den Daten und der Präferenz des Kunden für Transparenz. Wenn der Kunde Lift-Tests durchgeführt hat, verwenden wir diese Ergebnisse, um das Modell zu kalibrieren. KI-Tools helfen bei der Datenvorbereitung, Modellsuche und ersten Entwurfszusammenfassungen; Analysten überprüfen jede Schlussfolgerung.
Berichte präsentieren den Kanalbeitrag mit Unsicherheitsbereichen, Antwortkurven und zwei oder drei Budgetszenarien mit erwarteten Ergebnissen. Wir empfehlen eine kontrollierte Budgetverschiebung, messen deren Effekt und aktualisieren das Modell mit den neuen Daten.
Wo man diese Woche anfangen kann
Erstellen Sie eine wöchentliche Tabelle für die letzten zwei Jahre mit Gesamtverkäufen und Ausgaben pro Kanal. Selbst vor der Modellierung zeigt das gemeinsame Plotten dieser Linien, ob sich Kanäle unabhängig bewegt haben und wo große Ereignisse, wie Werbeaktionen oder Lagerbestände, aufgezeichnet werden müssen.
Wenn die Historie kurz ist oder sich jeder Kanal zusammen bewegt hat, planen Sie einen Test: Reduzieren oder pausieren Sie einen Kanal in einer Region oder für ein paar Wochen. Diese Variation wird jedes zukünftige Modell weitaus zuverlässiger machen.
Weiterlesen: Werbung · KI-Werbeoptimierung