Media-Mix-Modeling
Media-Mix-Modeling (MMM) ist eine statistische Methode, die anhand aggregierter Ausgaben- und Ergebnisdaten über die Zeit schätzt, wie stark jeder Marketingkanal zu Verkäufen oder Conversions beiträgt.
Das Wichtigste in Kürze
- Adstock bildet Nachwirkung ab, Sättigungskurven den abnehmenden Grenzertrag zusätzlicher Ausgaben.
- Koeffizienten sind nur schätzbar, wenn die Kanalausgaben in der Historie tatsächlich variierten.
- Das Ergebnis zerlegt die Zielgröße in eine Basis plus Beiträge je Kanal.
- Für die nächste Budgetentscheidung zählt der Grenzertrag, nicht der durchschnittliche Ertrag.
- Wegen aggregierter Daten bewertet MMM keine einzelnen Creatives, Keywords oder Zielgruppen.
Im Detail
Ein MMM regressiert eine Geschäftskennzahl, meist wöchentliche Umsätze oder qualifizierte Leads, auf Spalten historischer Daten: Ausgaben je Kanal, Preis, Aktionen, Distribution, Saisonalität und externe Einflüsse wie Wetter oder Wettbewerberaktivität. Zwei Transformationen leisten dabei die Hauptarbeit. Adstock verteilt die Ausgaben einer Woche auf die folgenden Wochen und bildet so ab, dass Werbung nach der Schaltung weiterwirkt; eine Sättigungskurve krümmt den Beitrag jedes Kanals so, dass zusätzliche Ausgaben immer weniger beitragen. Die geschätzten Koeffizienten zerlegen das Ergebnis anschließend in eine Basis und Beiträge je Kanal.
Die Qualität des Modells hängt an der Variation der Eingangsdaten. Läuft ein Kanal zwei Jahre lang mit konstantem Wochenbudget, hat das Modell nichts zu lernen, und sein Koeffizient bleibt instabil, gleich wie viele Daten Sie einspeisen. Bewusste Budgetschwankungen, versetzte Kampagnenstarts und regionale Unterschiede verbessern die Identifizierbarkeit deutlich. Der Zielkonflikt wirkt auch andersherum: Je mehr Variablen, desto größer das Risiko, dass korrelierte Kanäle die Zurechnung willkürlich untereinander aufteilen. Modellierer setzen deshalb Priors oder fassen Kanäle zusammen, die sich stets gemeinsam bewegen.
Teams nutzen die geschätzten Response-Kurven zur Planung, nicht zum Reporting. Der Grenzertrag beim aktuellen Ausgabenniveau zeigt je Kanal, wo die nächste Budgeteinheit am meisten bringt, und macht aus einer Quartalsdiskussion eine Rechenaufgabe. Die Wahl der modellierten Zielgröße ist dabei eine Entscheidung mit Folgen: Modelliert man rohe Formular-Einsendungen, dominiert billiger Traffic; modelliert man qualifizierte Leads aus einem Scorecard-Funnel, binden die Koeffizienten an tatsächlich passende Interessenten, und die Kurven lenken das Budget in Pipeline statt in Volumen.
MMM ist konstruktionsbedingt grob. Es arbeitet mit Wochen- oder Monatsaggregaten und kann deshalb nicht sagen, welches Creative, welche Zielgruppe oder welches Keyword gewirkt hat; für die Frage nach einem zweiwöchigen Test taugt es ebenfalls nicht. Es braucht eine lange Historie, typischerweise zwei bis drei Jahre konsistenter Daten, was junge Unternehmen und erst kürzlich gestartete Kanäle ausschließt. Da es rein korrelativ arbeitet, landet eine ausgelassene Variable wie eine Preissenkung in dem Kanal, der zufällig mit ihr korreliert.
Beispiel aus der Praxis
So wird es gemessen
Beurteilen Sie zuerst das Modell, nicht die Kanäle. Halten Sie die jüngsten Monate zurück, prognostizieren Sie diese und vergleichen Sie Prognose und Ist; ein Modell, das einen ungesehenen Zeitraum nicht reproduziert, sollte keine Budgets bestimmen. Prüfen Sie außerdem, ob die Residuen kein Muster über die Zeit zeigen und ob der Basisanteil, also der nicht durch Media erklärte Teil, für eine Marke Ihres Alters plausibel ist.
Lesen Sie die Kanalergebnisse anschließend als zwei getrennte Größen. Der Beitrag ist der Anteil am Ergebnis, den das Modell einem Kanal über den Zeitraum zuschreibt; der Grenzertrag ist das zusätzliche Ergebnis der nächsten Budgeteinheit auf dem heutigen Niveau. Ein Kanal kann einen großen Beitrag und zugleich einen schwachen Grenzertrag haben, genau das Bild eines gesättigten Kanals. Planen Sie am Grenzertrag, berichten Sie über den Beitrag.
Häufige Fehler
Der erste Fehler ist eine dekorative Ausgabenhistorie. Wenn jeder Kanal mit konstantem Wochenbudget lief, kann die Regression die Kanäle nicht trennen und liefert selbstbewusst wirkende Koeffizienten auf Basis von fast keiner Information. Variieren Sie Budgets vor der Modellierung bewusst nach Region oder Woche und protokollieren Sie jede Aktion, Preisänderung und Störung, denn nicht erfasste Ereignisse werden dem Kanal zugerechnet, der zufällig gerade lief.
Der zweite Fehler ist, das Modell als Urteil statt als Vorannahme zu lesen. Teams streichen einen Kanal, weil sein Koeffizient niedrig ausfiel, ohne zu prüfen, ob dieser Kanal überhaupt nutzbare Variation hatte oder ob seine Wirkung außerhalb des Modellfensters liegt. Nutzen Sie das Modell für priorisierte Hypothesen, bestätigen Sie die größten Umschichtungen vorab mit einem Holdout-Test und schätzen Sie das Modell jedes Quartal neu.
Häufig gestellte Fragen
Wie unterscheidet sich Media-Mix-Modeling von Attribution?
Attribution verfolgt einzelne Nutzerpfade und schreibt Touchpoints auf Klickebene Gutschriften zu, während MMM mit aggregierten Ausgaben- und Ergebnisdaten über die Zeit arbeitet. MMM ist datenschutzresilient und erfasst Offline- und Markeneffekte, die klickbasierte Attribution übersieht.
Wie viele Daten braucht Media-Mix-Modeling?
Als Faustregel zwei bis drei Jahre wöchentlicher Beobachtungen, damit das Modell mehrere Saisonzyklen und genug Budgetbewegung sieht, um Kanäle zu trennen. Kürzere Historien funktionieren, wenn die Ausgaben stark schwankten oder regionale Daten die Zahl der Beobachtungen vervielfachen. Wichtiger als die Länge ist die Variation: Eine lange, flache Historie enthält kaum verwertbare Information.
Ist MMM besser als Multi-Touch-Attribution?
Beide beantworten verschiedene Fragen. MMM arbeitet aggregiert und deckt Offline-, Marken- und datenschutzbeschränkte Kanäle ab, sieht aber keine einzelnen Journeys. Multi-Touch-Attribution verfolgt getrackte Nutzer granular, wird aber blind, sobald Kennungen fehlen. Reife Teams betreiben beides plus regelmäßige Holdout-Tests und behandeln dauerhafte Widersprüche als Anlass zur Untersuchung, nicht als zu entscheidendes Unentschieden.
Was bedeutet Adstock im MMM?
Adstock ist die Transformation, die den Werbeeffekt einer Periode auf spätere Perioden verteilt und damit abbildet, dass eine diese Woche gesehene Anzeige nächsten Monat zu einer Conversion führen kann. Sie wird über eine Abklingrate definiert: Eine hohe Rate bedeutet schnelles Verblassen, eine niedrige eine lange Nachwirkung. Eine falsch gewählte Rate verschiebt Beiträge zwischen schnellen und langsamen Kanälen.
Lohnt sich Media-Mix-Modeling für kleine Unternehmen?
Es ist möglich, aber oft nicht der beste Einsatz von Aufwand. Bei wenigen Kanälen, kurzer Historie und geringen Wochenvolumina gibt es kaum etwas zu trennen, und die Konfidenzintervalle überdecken die Schätzungen. Kleinere Teams kommen meist mit Holdout-Tests je einem Kanal weiter und greifen MMM auf, sobald die Ausgaben auf genug Kanäle verteilt sind.
Wie oft sollte ein Media-Mix-Modell aktualisiert werden?
Schätzen Sie es quartalsweise neu, sobald weitere Wochen vorliegen, und bauen Sie die Spezifikation neu, wenn sich das Geschäft strukturell ändert: neues Preismodell, neuer Markt oder ein zuvor nicht existierender Kanal. Zwischen den Aktualisierungen können Sie mit den bestehenden Kurven planen, sollten aber Kanäle ausklammern, deren Ausgaben weit außerhalb der historischen Spanne liegen.
Wofür steht die Basis in einem MMM?
Die Basis ist der Teil des Ergebnisses, den das Modell nicht der Media zurechnet: Nachfrage aus Markenstärke, Bestandskunden, Distribution und Saisonalität. Eine sehr große Basis deutet darauf hin, dass Media weniger leistet als angenommen, oder dass ein Treiber im Modell fehlt. Wie sich die Basis über Jahre entwickelt, ist selbst eine Kennzahl für Markenaufbau.