Media Mix Modeling: Warum Mastercard und Uber auf ein altes Werkzeug in einer neuen Ära setzen

Media Mix Modeling, kurz MMM, wurde rund ein Jahrzehnt lang als Relikt behandelt. Mit dem digitalen Marketing kamen Click-Through-Rates, Last-Click-AttributionAttributionA framework for assigning credit to the touchpoints that contributed to a conversion, so you can measure which channels and interactions actually drive results.Vollständige Definition ansehen → und das verführerische Versprechen, jeden Dollar bis zur Conversion nachverfolgen zu kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. MMM, das mit statistischer Regression schätzt, wie stark jeder Marketingkanal über die Zeit zum Umsatz beiträgt, wirkte langsam, rückwärtsgerichtet und ehrlich gesagt überflüssig. Dann verschwanden die Cookies, die Walled Gardens gaben keine Daten mehr heraus, und Performance Marketing lieferte abnehmende Erträge. Jetzt steht MMM wieder auf der Agenda, und die Unternehmen, die dieses Comeback anführen, sind keine Forscher und keine Beratungen. Es sind Mastercard und Uber.

Warum das für CMOs besonders relevant ist

Zum Job des CMO gehörte immer, Marketingbudgets vor einem CFO zu rechtfertigen, der Belege sehen will. Ein Jahrzehnt lang schien die digitale Attribution dieses Problem zu lösen. Man konnte zeigen, dass eine Paid-Search-Anzeige einen Klick erzeugte, der zu einem Kauf führte, und der Fall war erledigt.

Das Problem ist, dass dieses Modell strukturell unvollständig ist. Es überschätzt den Beitrag leicht messbarer Kanäle im unteren FunnelFunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Vollständige Definition ansehen → (Search, RetargetingRetargetingShowing ads to users who have previously visited your site or interacted with your brand, to bring them back and drive conversion.Vollständige Definition ansehen →) und unterschätzt den Beitrag markenbildender Aktivitäten (TV, Sponsorings, Out-of-Home), die Nachfrage Wochen oder Monate erzeugen, bevor irgendjemand irgendwo klickt. Ein CMO, der ausschließlich auf Last-Click oder auch Multi-Touch-Attribution setzt, investiert systematisch zu wenig in die Marke und zahlt dafür später mit sinkenden Conversion Rates, wenn die Marke schwächer wird.

Genau diese Spannung haben Werbeverantwortliche von Mastercard und Uber in Adweeks Serie „The Innovation Playbook“ angesprochen. Beide Unternehmen bewegen sich in Märkten, in denen Performance Marketing allein kein Wachstum tragen kann. Mastercard konkurriert über die Markenwahrnehmung in einer Kategorie, in der die Produkte technisch ähnlich sind. Uber betreibt einen Marktplatz, auf dem beide Seiten der Plattform, Fahrgäste und Fahrer, Vertrauen in die Marke brauchen, nicht nur Promo-Anreize. In beiden Fällen sind die Investitionen in Markenarbeit erheblich und mit konventionellem digitalem Tracking nicht attribuierbar. MMM ist das einzige glaubwürdige Werkzeug, mit dem sie diesen Beitrag modellieren können.

Für einen CMO auf diesem Niveau ist der Einsatz konkret: ein Marken-Sponsoring über 50 Millionen Dollar vor einem Board verteidigen zu können, das Attributionsdaten erwartet, oder eine Media-Umverteilung über zehn Kanäle zu entscheiden, ohne sechs Monate auf das Ergebnis eines kontrollierten Experiments zu warten.

Wie MMM tatsächlich funktioniert

Der Kern ist Regressionsanalyse. Sie füttern das Modell mit historischen Daten: Wochenumsätze, Spend je Kanal, Preise, Saisonalität, Wettbewerbsaktivität, makroökonomische Indikatoren. Das Modell schätzt dann den marginalen Beitrag jeder Variable zum Umsatz und isoliert, wie viel des Umsatzanstiegs in einem Zeitraum auf TV-Spend, digitales Display, Paid Social und so weiter zurückgeht.

Ein vereinfachtes Beispiel: Uber fährt in Großbritannien im Februar 2026 vier Wochen lang eine Marken-TV-Kampagne, kombiniert mit Paid Social und Search. Die abgeschlossenen Fahrten steigen in diesem Zeitraum um 12 %. Aber im Februar ist auch Valentinstag, es gibt eine Kältewelle, und Uber hat die Fahreranreize erhöht. MMM trennt diese Treiber statistisch und weist der TV-Kampagne einen Koeffizienten zu, während es Wetter, Saisonalität und Anreizprogramm kontrolliert. Das Ergebnis zeigt dem Marketingteam von Uber näherungsweise, wie viel inkrementellen Umsatz die TV-Kampagne erzeugt hat, und zu welchen Kosten pro zusätzlicher Fahrt.

Das unterscheidet sich von der Last-Click-Attribution in einem grundlegenden Punkt: Es berücksichtigt Kanäle, die nie einen direkten Klick produzieren und trotzdem wirken. Es erfasst auch Carryover-Effekte, also die Tatsache, dass ein TV-Kontakt diese Woche einen Kauf in drei Wochen beeinflussen kann, über das, was Modellierer Adstock oder Decay-Funktion nennen.

Die historische Schwäche von MMM lagen in der Datengranularität und der Rechenzeit. Klassische Modelle liefen auf Monatsaggregaten und brauchten Wochen zum Aufbau. Was sich 2026 geändert hat, ist die Kombination aus besserer First-Party-Dateninfrastruktur, Cloud Computing, das Regressionen in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab rechnet, und KI-gestützter Modellkalibrierung, die MMM-Ergebnisse nahezu in Echtzeit gegen geobasierte Incrementality-Experimente kreuzvalidieren kann. Die Analytics-Teams von Mastercard, die in Dutzenden Märkten parallel arbeiten, können MMM heute in einer Frequenz und Auflösung fahren, die vor fünf Jahren unbezahlbar gewesen wäre.

Wann MMM sinnvoll ist und wann nicht

MMM ist das richtige Werkzeug, wenn Sie einen breiten Media Mix haben, der Kanäle enthält, in denen direkte Attribution unmöglich oder unzuverlässig ist. Wenn Sie TV, Out-of-Home, Radio, Sponsorings oder Influencer-Kampagnen in relevantem Umfang fahren, liefert Last-Click-Attribution kein zutreffendes Bild. Punkt. MMM ist außerdem das richtige Werkzeug, wenn Sie Budgetentscheidungen auf Portfolioebene über Kanäle hinweg treffen müssen, statt innerhalb eines einzelnen Kanals zu optimieren.

Es ist nicht das richtige Werkzeug, wenn Ihr Marketing auf zwei oder drei trackbare digitale Kanäle konzentriert ist und Ihre Verkaufszyklen sehr kurz sind. Eine Direct-to-Consumer-Marke, die 90 % ihres Budgets bei Meta und Google ausgibt, bei einem Kaufzyklus von drei Tagen, zieht aus plattformeigenen Experimenten und Incrementality-Tests mehr verwertbare Signale als aus MMM.

Es gibt auch Grenzen, die man offen benennen sollte. MMM braucht eine belastbare Datenhistorie, typischerweise mindestens zwei bis drei Jahre, um Saisonmuster zuverlässig zu erkennen. Und es ist nur so gut wie die Dateninputs: Wenn Ihre Offline-Verkaufsdaten lückenhaft oder Ihre Spend-Aufzeichnungen inkonsistent sind, spiegelt das Modell diese Lücken. Außerdem sind MMM-Ergebnisse Wahrscheinlichkeitsbereiche, keine exakten Zahlen. Ein MMM-Ergebnis dem CFO als „unsere TV-Kampagne hat genau 4,2 Millionen Dollar inkrementellen Umsatz erzeugt“ zu präsentieren, gibt falsch wieder, was das Werkzeug tatsächlich liefert.

Uber und Mastercard nutzen MMM nicht, weil es einfacher wäre als digitale Attribution. Sie nutzen es, weil ihre Geschäfte der Erklärungskraft digitaler Attribution allein entwachsen sind. Markeninvestitionen in der Größenordnung, in der diese Unternehmen agieren, brauchen ein Measurement-Framework, das Brand und Performance in einem Modell zusammenhält, und MMM, aufgefrischt mit besseren Datenpipelines und KI-gestützter Kalibrierung, ist derzeit der glaubwürdigste Weg dorthin.

Der CMO, der MMM 2026 beherrscht, gewinnt einen konkreten Vorteil: die Fähigkeit, Markeninvestitionen mit einem belastbaren finanziellen Argument zu verteidigen, nicht nur mit einem kreativen. Genau das hält das Markenbudget vom Tisch, wenn der CFO anfängt, nach Einsparungen zu suchen.