Marketing Mix Modeling für kleine Unternehmen nutzt statistische Analysen, um zu bestimmen, wie verschiedene Marketingkanäle zum Gesamtumsatz beitragen. Durch die Verarbeitung aggregierter wöchentlicher Daten der letzten zwei Jahre identifiziert diese Methode den Return on Investment für jeden Kanal und berücksichtigt dabei externe Faktoren wie Feiertage oder Preisänderungen. Es bietet mittelständischen Marken eine datenschutzfreundliche Möglichkeit, ihre Medienausgaben zu optimieren, ohne auf individuelles User-Tracking oder Cookies angewiesen zu sein.
Warum gewinnt Marketing Mix Modeling jetzt an Bedeutung?
Die digitale Landschaft hat sich aufgrund von Datenschutzbestimmungen und der Abschaffung von Third-Party-Cookies erheblich verändert. Laut Branchentrends erhöhen 46,9 % der US-Vermarkter ihre Investitionen in Marketing Mix Modeling, wie verschiedene Anbieterumfragen berichten. Dieser Wandel findet statt, weil herkömmliche Tracking-Methoden wie Pixel oft nicht in der Lage sind, die vollständige Customer Journey über verschiedene Geräte und Offline-Touchpoints hinweg zu erfassen.
Für ein mittelständisches Unternehmen kann es zu schlechten Budgetentscheidungen führen, sich ausschließlich auf die Last-Click-Attribution zu verlassen. Sie sehen vielleicht eine hohe Rendite bei Google Ads, aber diese Nutzer haben Ihre Marke möglicherweise zuerst über eine Meta-Videoanzeige entdeckt. MMM betrachtet das große Ganze, indem es analysiert, wie Schwankungen bei den Ausgaben im Laufe der Zeit mit Schwankungen beim Umsatz korrelieren.
Welche Daten benötigt ein mittelständisches Unternehmen für MMM?
Um ein zuverlässiges Modell zu erstellen, benötigen Sie im Allgemeinen etwa zwei Jahre an wöchentlichen Daten. Diese Dauer ist notwendig, um Saisonalitäten zu berücksichtigen, wie den Umsatzanstieg während des Black Friday oder die typische Sommerflaute. Wenn Sie nur sechs Monate an Daten verwenden, könnte das Modell einen natürlichen saisonalen Höhepunkt fälschlicherweise einer bestimmten Werbekampagne zuschreiben, die zufällig zur gleichen Zeit lief.
Die erforderlichen Daten sind aggregiert, das heißt, Sie benötigen keine individuellen Kunden-E-Mails oder Namen. Sie benötigen den Gesamtbetrag, der pro Woche für jeden Kanal ausgegeben wurde, sowie die Gesamtzahl der Conversions oder den generierten Umsatz. Sie müssen auch nicht-marketingbezogene Variablen einbeziehen, die den Umsatz beeinflussen könnten, wie z. B. Wirtschaftsindikatoren oder sogar lokale Wetterbedingungen, wenn Sie physische Ladenlokale haben.
- Mediendaten: Wöchentliche Ausgaben und Impressionen für Meta, Google Ads, LinkedIn und YouTube.
- Verkaufsdaten: Wöchentlicher Umsatz oder Auftragsvolumen von Shopify, Amazon oder Ihrem CRM.
- Basisdaten: Daten für wichtige Feiertage, Preisänderungen und Produkteinführungen.
- Externe Daten: Wettbewerbsaktivitätsniveaus oder regionale Wirtschaftstrends.
Wie senken Open-Source-Tools die Eintrittsbarriere?
In der Vergangenheit war Marketing Mix Modeling ein teurer Service, der nur von High-End-Beratungsunternehmen angeboten wurde. Dies hat sich mit der Veröffentlichung von Open-Source-Bibliotheken wie Robyn von Meta und Meridian von Google geändert. Diese Tools ermöglichen es Unternehmen mit internen Datenanalysten oder spezialisierten Agenturen, komplexe statistische Modelle auszuführen, ohne massive Lizenzgebühren zu zahlen.
Robyn verwendet einen automatisierten Ansatz, um komplexe Berechnungen wie Adstock (die anhaltende Wirkung von Anzeigen) und Sättigung (der Punkt, an dem mehr Geld auszugeben zu weniger Ergebnissen führt) zu handhaben. Meridian, das auf Python basiert, bietet ein ähnliches Framework, das sich auf Transparenz konzentriert und ein tieferes Verständnis dafür ermöglicht, wie verschiedene Medienkanäle miteinander interagieren.
Adstock- und Sättigungseffekte verstehen
Ein häufiges Muster im Marketing ist, dass die Wirkung einer Anzeige nicht immer unmittelbar ist. Dies ist als Adstock-Effekt bekannt. Wenn ein potenzieller Kunde an einem Montag eine YouTube-Anzeige sieht, tätigt er den Kauf möglicherweise erst am Donnerstag. Das Modell verwendet Zerfallsfunktionen, um diese Zeitverzögerung zu berücksichtigen und sicherzustellen, dass die Gutschrift für einen Verkauf korrekt auf die Tage nach der Anzeigenpräsenz verteilt wird.
Sättigung ist ein weiteres kritisches Konzept für Unternehmen mit mittleren Budgets. Jeder Kanal hat einen Punkt abnehmender Erträge. Ein Shopify-Shop, der Bio-Kaffee verkauft, könnte beispielsweise feststellen, dass die Ausgabe von 2.000 $ pro Woche auf Instagram 10.000 $ Umsatz generiert. Eine Erhöhung dieser Ausgaben auf 10.000 $ könnte jedoch nur 20.000 $ Umsatz generieren. MMM hilft dabei, diese Sättigungspunkte zu identifizieren, damit Sie das Budget auf effizientere Kanäle verlagern können.
Ein Vergleich von MMM und Multi-Touch-Attribution
Es ist hilfreich, MMM und Multi-Touch-Attribution (MTA) eher als ergänzende Tools denn als Konkurrenten zu betrachten. Während sich MTA auf die individuelle User Journey und kurzfristige Klicks konzentriert, bietet MMM einen Makro-Blick auf das gesamte Geschäftsökosystem.
- Datenschutz: MMM verwendet aggregierte Daten (datenschutzfreundlich); MTA verwendet nutzerbezogene Daten (datenschutzsensibel).
- Umfang: MMM umfasst Offline-Faktoren und Markenwert; MTA ist meist auf digitale Klicks beschränkt.
- Zeithorizont: MMM eignet sich am besten für langfristige strategische Planung; MTA ist besser für tägliche Kampagnenanpassungen.
- Technischer Fokus: MMM verwendet Regressionsanalyse; MTA verwendet Tracking-Pixel und Cookies.
Schritte zur Vorbereitung Ihrer Marketingdaten für die Modellierung
Der zeitaufwändigste Teil des Prozesses ist die Datenvorbereitung. Sie müssen sicherstellen, dass Ihre Daten sauber und konsistent formatiert sind. Ein typisches Konto sollte damit beginnen, historische Ausgaben von Plattformen wie Google Ads und Meta Ads Manager auf wöchentlicher Ebene zu exportieren.
Als nächstes gleichen Sie diese Mediendaten mit Ihren Umsatzdaten ab. Wenn Ihre Geschäftswoche an einem Montag beginnt, Ihre Marketingberichte aber an einem Sonntag, müssen Sie diese neu ausrichten, um sicherzustellen, dass die Korrelationen korrekt sind. Sie sollten auch eine ‘Feiertagsdatei’ erstellen, die alle wichtigen Ereignisse auflistet, die Ihre Daten verzerren könnten, wie z. B. den Labor Day oder spezifische Aktionszeiträume, die für Ihr Unternehmen einzigartig sind.
Variablenauswahl für Modelle kleiner Unternehmen
Versuchen Sie nicht, jede einzelne Metrik in Ihr erstes Modell aufzunehmen. Beginnen Sie mit 5 bis 10 Schlüsselvariablen. Dazu könnten Ihre drei wichtigsten Ausgabekanäle, Ihre durchschnittliche Rabattquote und ein Saisonalitätsindex gehören. Das Hinzufügen zu vieler Variablen mit begrenzten Datenpunkten kann zu ‘Overfitting’ führen, bei dem das Modell Muster findet, die in der Realität gar nicht existieren.
Budgetallokationsszenarien für E-Commerce
Betrachten Sie eine mittelständische E-Commerce-Marke, die 50.000 $ pro Monat auf verschiedenen Plattformen ausgibt. Durch die Durchführung eines MMM mit einem Open-Source-Tool wie Robyn könnte die Marke entdecken, dass ihre Suchanzeigen stark gesättigt sind, was bedeutet, dass zusätzliche Ausgaben dort ineffizient sind. Gleichzeitig könnte das Modell zeigen, dass ihre Videoanzeigen einen hohen ‘Halo-Effekt’ haben und indirekten Traffic auf ihre Website lenken.
Mit diesen Erkenntnissen kann der Marketingmanager 10.000 $ von der Suche auf Video umverteilen. Da MMM die Verzögerung der Videoeffektivität berücksichtigt, wird der Manager nicht entmutigt sein, wenn er keinen sofortigen Anstieg der direkten Verkäufe durch die Videoanzeigen sieht. Er wird verstehen, dass sich die langfristige Wirkung in den aggregierten Daten über die folgenden Wochen zeigen wird.
Wo Sie diese Woche anfangen können
Wenn Sie bereit sind, Marketing Mix Modeling zu erkunden, beginnen Sie mit der Prüfung Ihrer historischen Daten. Überprüfen Sie, ob Sie mindestens 104 Wochen an konsistenten Ausgaben- und Umsatzaufzeichnungen in Ihrem Analyse- oder CRM-System gespeichert haben. Diese Daten sind das Fundament jedes erfolgreichen Modells.
Sobald Ihre Daten organisiert sind, können Sie die Open-Source-Dokumentation für Robyn oder Meridian nutzen, um die technischen Anforderungen für Ihren Datenanalysten zu verstehen. Wenn Sie keinen internen Analysten haben, ziehen Sie ein Pilotprojekt mit einer Agentur wie Alien Road in Betracht, um ein erstes Modell zu erstellen. Dies hilft Ihnen dabei, zu identifizieren, welche Kanäle das Wachstum wirklich vorantreiben und wo Sie möglicherweise zu viel ausgeben.
Weiterlesen: Strategische Planung · Digitales Marketing