Marketing Mix Modeling: Was es ist und warum MMM die Zukunft gehört

Führungskräfte haben schon immer von einer "Single Source of Truth" geträumt, um die Marketingleistung zu messen und die Verschwendung von Werbebudgets zu vermeiden. Dann kam der Weckruf mit iOS14, als Apple es den Nutzern ermöglichte, das Tracking zu deaktivieren. In der Post-iOS14-Ära geht es bei der Marketing-Attribution um die Kombination von Methoden zur Kalibrierung deines Geschäftsmodells, damit du weißt, welche Hebel die Leistung steigern und Wachstumsziele erreichbar machen (Return on Investment).

In diesem Artikel teile ich das Wissen und die Erfahrungen aus meinem Marketing Mix-Modeling-as-a-Service Angebot.

Inhaltsverzeichnis

Was ist Marketing Mix Modeling?

Warum Marketing Mix Modeling?

Und was ist mit Google Analytics 4?

Die Schwierigkeiten von Marketing Mix Modelling

Welche Möglichkeiten zur Umsetzung gibt es?

Das können die neuen MMM-SaaS-Lösungen

Nachteile von Lightweight MMM und Robyn MMM

Hybride Attribution und Triangulation als Wege in die Zukunft

Häufige Fragen zu Marketing Mix Modeling

Was ist Marketing Mix Modeling?

Marketing-Mix-Modellierung (MMM) ermöglicht es, die Ergebnisse deiner Marketing- und Werbekampagnen zu messen und auf Basis ökonometrischer Modelle deiner historischen Daten zu bestimmen, wie verschiedene Kanäle zu deinem Ziel (z. B. Umsatz) beitragen.

Marketing Mix Modellierung ist ein etablierter Ansatz, der lange vor dem digitalen Marketing von Medienhäusern angewandt und optimiert wurde. Dies jedoch, du ahnst es schon, in manueller, Zeit-aufwendiger und damit Kosten-intensiver Handarbeit. Auch heutzutage sind es meistens noch Agenturen, die über lange Zeiträume Daten sammeln und in Modelle überführen.

Dabei werden die Geschäftskennzahlen aufgeschlüsselt, um zwischen den Beiträgen von Marketing- und Werbeaktivitäten (inkrementelle Faktoren) und anderen Faktoren (Basisfaktoren) zu unterscheiden. Diese Faktoren, die den Marketing-Mix beeinflussen, können wie folgt definiert werden:

• Inkrementelle Faktoren: Geschäftsergebnisse, die durch Marketingaktivitäten wie TV- und Printanzeigen, digitale Ausgaben, Preisnachlässe, Werbeaktionen usw. erzielt werden.
  
  
• Basis-Treiber: Das Basisergebnis wird ohne jegliche Werbung erzielt. Es ist auf den über Jahre hinweg aufgebauten Markenwert zurückzuführen. Basisergebnisse sind in der Regel fest, es sei denn, es gibt wirtschaftliche oder umweltbedingte Veränderungen. Auch Saisonalität und andere nicht marktbezogene Faktoren wie BIP, Wachstumsrate, Verbraucherstimmung können hierunter subsumiert werden.
  
  
• Andere Treiber: Sie sind eine Unterkomponente der Basisfaktoren und werden als der Markenwert gemessen, der sich über einen bestimmten Zeitraum aufgrund der langfristigen Auswirkungen von Marketingaktivitäten angesammelt hat.

Die statistische Analyse im Rahmen der Media-Mix-Modellierung verwendet eine multi-lineare Regression, um die Beziehung zwischen der abhängigen Variable, z. B. dem Umsatz oder dem Engagement, und den unabhängigen Variablen, z. B. den Werbeausgaben in den verschiedenen Kanälen, zu bestimmen.

Für Unternehmen, die Marketing Mix Modelling einsetzen, ist es wichtig, bei der Auswahl der Daten, die sie messen möchten, und der Daten, die sie messen können, kritisch zu sein. Die Datenqualität darf nicht vernachlässigt werden, daher müssen Unternehmen Zeit für die Aggregation und Bereinigung von Daten aus internen Datenbanken, Drittquellen oder beidem aufwenden. Media-Mix-Modelle verwenden oft Daten aus zwei bis drei Jahren, die es erlauben, Faktoren wie Saisonalität zu berücksichtigen.

Warum Marketing Mix modeling?

Ein Bild spricht mehr als tausend Worte:

(Grafik von Sellforte.)

Marketing Mix Modeling ermöglicht daher folgendes:

Mit Marketing Mix Modelling kann der am besten geeignete Marketingkanal (z. B. TV, Online, Print, Radio usw.) ermittelt werden, um die Marketingziele zu erreichen und maximale Erträge zu erzielen. Oft lässt sich auch eine Eben tiefer, auf Kampagnenebene, schauen, welche Kampagnen welchen ROI haben, welche nur zusammengelegt einen positiven ROI erzielen und welche gar nicht.

2. Bessere Durchführung von Werbekampagnen

Mit Hilfe von Marketing Mix Modellen können optimale Ausgabenniveaus für die genutzten Marketingkanäle prognostiziert werden, um für künftige Kampagnen eine Sättigung zu vermeiden. Gerade in den digitalen Auktionsplattformen wie Meta und Google lässt sich abnehmender Grenznutzen so vermeiden. Der Return on Investment jedes Kanals und jeder Kampagne wird transparent.

3. Testen von Geschäftsszenarien

Mit Marketing Mix Modellierung können Geschäftskennzahlen auf der Grundlage geplanter Marketingaktivitäten prognostiziert und dann verschiedene Geschäftsszenarien simuliert werden, z. B. die Erhöhung der Ausgaben um 10 % in Zeitraum y, die Höhe der Ausgaben, die erforderlich sind, um eine 10-prozentige Steigerung der Umsätze zu erreichen usw.

Dazu kommt: Attributionsmodelle überschätzen die relative Wirksamkeit von Direct-Response-Kanälen und unterschätzen die Wirkung von markenbildenden Medien wie TV. Dabei ist TV noch immer das Medium, das die meisten inkrementellen Verkäufe generiert. Dennoch haben Attributionsmodelle Schwierigkeiten, die Auswirkungen von Medien wie TV zu messen.

Ein weiterer Grund, warum die digitale Zurechnung den ROI verfälscht, ist, dass sie kurzfristig ist. Eine Studie von Meta bestätigt, dass Werbeeffekte Monate oder Jahre andauern können, und der größte Teil des Paybacks kommt von diesen langfristigen Effekten. Attributionsmodelle blicken selten über ein paar Tage hinaus.

Dabei darf man nicht vergessen, die tatsächliche Definition von Attribution ist "Ursache und Wirkung". Sehr oft ist es der Fall, dass Kampagnenplaner einer Social-Media-Kampagne Credits zuweisen und dies als "Attribution" bezeichnen:

Doch dies ist nur ein sehr kleiner Teil des Marketing-Mixes, und echte Attribution ist der inkrementelle Effekt von:

• Marktforschung
• Produktentwicklung
• Kundenforschung und -segmentierung 
• mentale und physische Verfügbarkeit 
• sowie Unterscheidbarkeit und Differenzierung der Marke

Es geht also tatsächlich um mehr, als Lower-Funnel-Sales, Retargeting und Google Search-Klicks. Und Marketing Mix Modeling ist ein Schritt in diese Richtung. Marketing Mix Modelle verwenden aggregierte Daten und kann daher eine größere Anzahl von Kanälen, sowohl traditionelle als auch digitale, auswerten. Darüber hinaus ermöglicht es MMM, externe Einflussfaktoren wie Saisonalität, Werbeaktionen, Ferien usw. zu berücksichtigen.

Gerne helfe ich bei der Erstellung eines MM-Modells. Nimm dazu gerne Kontakt auf.

Und was ist mit Google Analytics 4 (GA4)?

Genau wie Apple, Meta und andere Werbenetzwerke verfolgt Google Analytics einen "Walled-Garden"-Ansatz für sein Werbegeschäft, d. h. es bietet Analyse- und Optimierungstools für die Google-Kanäle und nur für diese Kanäle. Google wird niemals empfehlen, einen Teil des Budgets in Meta zu investieren oder umgekehrt, auch wenn dies für dein Unternehmen besser wäre.

Aufgrund der neuesten Datenschutzgesetze und der Datenlücken durch Adblocker (bis zu 30% Datenverlust alleine dadurch) und Apples ATT verlässt sich GA(4) auf maschinelles Lernen, um den Datenverlust zu kompensieren. Das sogenannte Data Sampling ist nichts anderes, als eine Schätzung, auch wenn Google sich alle Mühe gibt, es cool zu verpacken.

Am Ende des Tages ist es ein Webanalyse-Tool, nicht mehr. Und dafür gibt es u.U. auch bessere Alternativen wie z.B. Amplitude oder TripleWhale.

Die Schwierigkeiten von Marketing Mix Modeling

Marketing Mix Modelling hat nicht nur Vorteile. Eines der Probleme mit Marketing-Mix-Modellen ist, dass sie viele Daten erfordern. Das kann ein Problem sein, wenn du mit einem kleinen Marketingbudget arbeitest oder wenn dein Unternehmen gerade erst mit Werbekampagnen in größerem Stil begonnen hat. Denn die meisten klassischen Marketing-Mix-Modelle benötigen bestenfalls 2 Jahre historischer Daten, um tragbare Vorhersagen machen zu können.

Und selbst wenn ein Unternehmen viel in Marketing investiert, ist es oft nicht so einfach, alle aggregierten Daten zu sammeln, die für ein Marketing Mix Modell benötigt werden. Die Daten werden oft in verschiedenen Datensilos gesammelt. Nur datenaffine Unternehmen verfügen über die richtigen Lösungen, wie z. B. ein Marketing Data Hub und ein Data Warehouse. Aber oft lässt sich doch eine Lösung finden.

Welche Möglichkeiten zur Umsetzung von MMM gibt es?

(Grafik von Analysts guide to MMM)

MMM-Drittanbieter

Es gibt Drittanbieter wie Nielsen, die sich auf MMMs spezialisiert haben und in der Regel den gesamten Job einschließlich Datenerfassung, Modellierung und Empfehlungen übernehmen. Die meisten bieten Software an, in die ein MMM geladen werden kann, um vorausschauende Simulationen/Optimierungen und Prognosen zu ermöglichen.

Vorteile: Bietet einen End-to-End-Service, erfordert den geringsten Zeit- und Arbeitsaufwand (im Vergleich zu anderen Optionen), kann deine MMM-Ergebnisse mit Benchmarks vergleichen (je nach Anbieter);
Nachteile: Der Anbieter erhebt eine Gebühr und ist im Vergleich zu anderen Optionen in der Regel die teuerste Option.

Halbautomatische MMM-Tools oder Software-as-a-Service-Plattformen (Saas) 

Diese neuen Marktteilnehmer ermöglichen MMMs in GUIs zu erstellen. Dafür sind weniger fundierte Statistikkenntnisse erforderlich. MMM-SaaS-Lösungen bieten automatisierte Modellierungstechniken, die kontinuierlich ausgeführt werden können und in der Regel Optimierungsplanungs- und Simulationsmodule für die vorausschauende Szenarienplanung enthalten. Ein Anbieter in diesem Bereich ist Cassandra, eine Self-serve-Plattform, die MMM so einfach wie möglich machen möchte.

Wie du mit Cassandra ein Marketing Mix Modell erstellst, habe ich in diesem Artikel zusammengefasst: Marketing Mix Modeling leicht gemacht: Eine Einführung in Cassandra.

Vorteile: Geeignet für Personen mit weniger spezialisierten MMM- oder analytischen Kenntnissen, kostengünstigere Alternative zur Zusammenarbeit mit einem MMM-Anbieter;
Nachteile: Weniger Beratung als bei der Zusammenarbeit mit einem MMM-Anbieter.

Entwicklung einer internen MMM-Lösung

Für Unternehmen, die alles vollständig intern betreiben und verwalten möchten, besteht die Möglichkeit, eine eigene MMM-Lösung zu entwickeln.

Vorteile: Abgesehen von Personal,Zeit und Serverkosten entstehen keine laufenden Kosten für den Betrieb von MMM;
Nachteile: Erfordert interne analytische / datenwissenschaftliche Fähigkeiten, erfordert von allen Optionen die meisten internen Zeit- und Ressourceninvestitionen.

Marketing-Mix-Modeling-as-a-Service

Um den Zugriff für Unternehmen auf Marketing Mix Modelling so einfach wie möglich zu machen, biete ich auch Marketing-Mix-Modeling-as-a-Service an.

Das können die neuen Marketing Mix MoDelling SaaS-Lösungen

Nach dem iOS14-Update von Apple, das mit ATT die Datenmengen Richtung Meta, TikTok und Co. drastisch reduzierte (mehr dazu in diesem Artikel zu Apples SkAdNetwork), begann Meta die Arbeit an Robyn MMM, einem Open Source Media Mix Modeling-Tool. Auch Google nahm den Ball auf und entwickelte Lightweight MMM.

Beide Libraries sind Open Source, wodurch sich jeweils eine Community gebildet hat, die die Libraries ständig verbessert und neue Funktionen hinzufügt.

Lightweight MMM nutzt den Bayes'schen Algorithmus und Numpyro als Backend und ermöglicht den Nutzern, ihre eigenen Daten in das Modell zu integrieren. Dadurch ist die Analyse präziser.

Einer der Hauptvorteile der Bayes'schen Modellierung in der Marketing-Anwendung ist, dass sie einen flexiblen Rahmen für den Umgang mit Unsicherheit und Variabilität in den Daten bietet. Durch die Verwendung von Wahrscheinlichkeitsverteilungen zur Darstellung der Unsicherheit können Bayes'sche Modelle genauere Vorhersagen und Erkenntnisse liefern als herkömmliche lineare Modelle.

Eine Weiterentwicklung von Lightweight ist Meridian. Durch Meridian wird Google Zugang zu verschiedenen Datenpunkten bieten, einschließlich der Reichweite und Frequenz von YouTube-Werbung sowie Google-Suchvolumendaten. Diese werden hoffentlich auch für andere MMMs exportierbar sein.

Robyn MMM setzt auf R und Metas Nevergrad Python Library, so wie die Prophet Library. Prophet ermöglicht dem Modell die Auswahl von Feiertagen je nach Land und bestimmt automatisch Trend und Saisonalität.

Nevergrad wiederum führt eine vom Benutzer gewählte Anzahl von Iterationen durch (in der Dokumentation werden nicht weniger als 2.000 empfohlen), die mehrere Modelle erstellen. Anschließend minimiert es die ausgewählten Metriken und wählt aus diesen die Pareto-optimalen Modelle aus.

Darüber hinaus verwendet Robyn MMM Hyperparameter-Optimierung, bei der das Modell tausende Male mit verschiedenen Parametern ausgeführt wird, um die beste Parameterkombination zu finden, die die genauesten Ergebnisse liefert.

Als zentrales Ergebnis liefern Robyn wie auch Lightweight eine optimale Budgetverteilung. Dafür vergleicht es die historische Budgetzuweisung mit der Empfehlung des Algorithmus und zeigt auch die prognostizierten Veränderungen in der Medienwirkung nach deren Anwendung:

(Grafik von Analysts guide to MMM)

Nachteile von Lightweight MMM und Robyn MMM

Die Vorteile im Einsatz der Bibliotheken und Regressionsfilter sind gleichzeitig die Nachteile. So sind die Variablen von Prophet (Saison, Trend, Feiertage) zwar effektive Annahmen, um den gesamten Prozess zu automatisieren, aber ohne manuelle Änderung ist es schwierig, aussagekräftige Schlussfolgerungen zu ziehen. Beim klassischen Ansatz der Marketing-Mix-Modellierung können wir untersuchen, welche Elemente der "Saison" sich auf die abhängige Variable auswirken, und welche genauen Feiertage sie positiv oder negativ beeinflussen.

Eine weitere Herausforderung sind die zugrunde liegenden Datenquellen. Wenn diese Daten unvollständig, ungenau oder inkonsistent sind, können die Modelle falsche oder irreführende Ergebnisse liefern. Hier ist es hilfreich, Beratung an der Hand zu haben, die diesen Prozess begleiten kann, um verlässliche Ergebnisse sicherzustellen.

Hybride Attribution und Triangulation als zukünftige Lösungen

Die hybride Attribution ist meiner Meinung nach die Zukunft des Marketings: Man muss aus mehreren Blickwinkeln triangulieren, statt sich nur auf eine Methode zu verlassen.

Dieser Punkt wird in der Regel von denjenigen, die nicht in der Praxis tätig sind, übergangen, aber die meisten Datenschutzänderungen verursachen nicht wirklich Probleme. Die DSGVO erforderte viel Zuarbeit, aber die Dinge funktionierten danach weiter. iOS14 war anders, da es wirklich alles änderte und wir größtenteils wieder von vorne anfangen mussten, doch SKAN ist inzwischen ganz okay. Doch was sich niemand leisten kann, ist untätig zu bleiben und abzuwarten, denn mit Privacy Sandbox kommt die gleiche Veränderung wie bei iOS14 auch zu Android.

Die wichtigste Erkenntnis ist, dass verschiedene Attributionsmethoden unterschiedliche Anwendungsfälle haben. SKAN ist zum Beispiel für die Echtzeit-Optimierung/Granularität, MMM für die strategische Budgetzuweisung. Keine von ihnen kann alles alleine machen.

(Aus diesem Event: Sustainable Measurement for Mobile Gaming)

Deshalb besteht die Zukunft aus folgenden Methoden:

1. Multi-Touch-Attribution: Für Entscheidungen auf Tagesbasis.

2. Experimente wie Conversion Lift Tests und Geo-Lift-Tests: Kausale Zusammenhänge validieren.

3. Modeling: Ganzheitliche Sicht auf Marketingbudgets und Geschäftstreiber.

4. Nutzerbefragungen: Der beste Weg, um früh herauszufinden, für wen du Marketing machst und wie diese Nutzer auf dein Unternehmen aufmerksam geworden sind.

Häufige Fragen zu Marketing Mix Modeling

Was ist Marketing-Mix-Modellierung und wofür wird sie verwendet?

Mithilfe von statistischen Modellen und Analysemethoden wird untersucht, wie die Verkaufszahlen auf Veränderungen reagieren. Das Ziel der Marketing-Mix-Modellierung besteht darin, den Einfluss jeder Marketingaktivität auf den Verkaufserfolg eines Unternehmens zu quantifizieren und somit fundierte Entscheidungen in Bezug auf das Marketingbudget und die -strategie zu treffen. Es beantwortet auf aggregierter Basis die Frage, welche Faktoren den größten Einfluss auf den Verkaufserfolg haben.

Marketing-Mix-Modellierung kann bei der Bewertung der Wirksamkeit von Werbekampagnen, der Festlegung von Marketingbudgets und der Identifizierung von Wachstumschancen helfen. Es ist auch nützlich, um die Marketingaktivitäten von Wettbewerbern zu analysieren und herauszufinden, welche Faktoren den größten Einfluss auf den Verkaufserfolg haben.

Welche Datenquellen werden für die Marketing-Mix-Modellierung benötigt?

Für die Marketing-Mix-Modellierung werden verschiedene Datenquellen benötigt, wie beispielsweise Verkaufsdaten, Werbeausgaben, Wettbewerbsdaten, Daten zu den Vertriebskanälen, Marktanteilen, Preisen, allgemeine Wirtschaftsdaten und andere relevante Variablen. Diese Daten können aus verschiedenen Quellen stammen, z.B. aus internen Unternehmenssystemen, Marktstudien oder öffentlich zugänglichen Datenquellen.

Welche Art von Variablen werden in einer Marketing-Mix-Modellierung berücksichtigt?

Es werden möglichst all jene Variablen berücksichtigt, die den Erfolg von Marketingaktivitäten beeinflussen können. Dazu gehören beispielsweise Werbeausgaben, Preisniveaus, Wettbewerbsaktivitäten, Vertriebskanäle und saisonale Trends.
Wie wird die Wirksamkeit von Werbeaktionen mit der Marketing-Mix-Modellierung gemessen?

Welche Techniken werden bei der Marketing-Mix-Modellierung eingesetzt?

Statistische Analysen, Regression, Zeitreihenanalyse und andere Datenanalysetechniken. Die Wahl der Techniken hängt von den verfügbaren Daten, den spezifischen Zielen der Analyse und anderen Faktoren ab.

Wie wird eine Marketing-Mix-Modellierung durchgeführt?

Zuerst werden die relevanten Variablen identifiziert, dann werden die Daten gesammelt, analysiert und ein Modell erstellt. Dieses Modell wird im Laufe der Zeit immer weiter auf Basis aktueller Daten verfeinert.

Moderne SaaS-Lösungen arbeiten häufig mit Annahmen, um diese Schritte so einfach wie möglich zu machen und den Zeitaufwand zu reduzieren.

Was sind die Herausforderungen bei der Durchführung einer Marketing-Mix-Modellierung?

Die Verfügbarkeit und Qualität der Daten, die Komplexität der Analyse, die Identifikation relevanter Variablen und die Validierung der Ergebnisse. Auch hier helfen SaaS-Lösungen, in dem sie mit Annahmen arbeiten.

Gibt es Grenzen der Marketing-Mix-Modellierung?

Ja, die gibt es. Sie basiert einzig auf den verfügbaren Daten und das sind möglicherweise nicht alle relevanten Faktoren, die den Erfolg der Marketingaktivitäten beeinflussen. Auch kann die Marketing-Mix-Modellierung keine Vorhersagen über die Zukunft treffen, sondern basiert auf historischen Daten. Unerwartete Ereignisse, wie Covid-19 oder der Angriff von Russland auf die Ukraine, können das Ergebnis beeinflussen. Deshalb empfehle ich einen hybriden Ansatz zusammen mit Multi-Touch-Attribution, Experimenten wie Geo-Lift und Nutzerbefragungen.