Wie Procter & Gamble sein Media-Mix-Modeling neu aufgebaut hat und was das konkret verändert hat

2017 stand Marc Pritchard, damals CMO von Procter & Gamble, vor dem IAB Annual Leadership Meeting und lieferte eine der offensten Abrechnungen mit der digitalen Werbung, die die Branche von einem großen Werbetreibenden zu hören bekommen hatte. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → nannte Betrug bei der Viewability, undurchsichtige Agenturverträge und was er eine "crappy media supply chain" nannte. Weniger Aufmerksamkeit bekam damals das tiefer liegende Messproblem: P&G hatte, wie die meisten großen Werbetreibenden, sein Verständnis davon, was Umsatz tatsächlich treibt, nach und nach an einen Flickenteppich aus Plattform-Attributionstools abgegeben, von denen jedes einen strukturellen Anreiz hatte, Conversions für sich zu verbuchen. Die Investitionen des Unternehmens in Ökonometrie und Media Mix Modeling waren in den frühen 2010er Jahren verkümmert und durch Last-Click- und Multi-Touch-Attributionsmodelle ersetzt worden, die schneller und günstiger waren, sich aber immer weiter von den Geschäftsergebnissen entfernten.

Anfang der 2020er Jahre waren die Grenzen dieses Ansatzes nicht mehr zu ignorieren. Die Zeitpläne für das Cookie-Aus beschleunigten sich. Das Reporting der Walled Gardens von Meta und Google blieb opak. Und die eigenen Daten von P&G zeigten, dass die aggregierten Umsatzreaktionen auf Media-Spend nicht zu den Prognosen der Attributions-Dashboards passten. Das Unternehmen hatte den digitalen Anteil seines Media-Spend deutlich erhöht, seine klassische TV-Präsenz zurückgefahren und sah nicht die Brand-Health-Metriken, die es erwartet hatte. Es brauchte eine Methodik, die das Gesamtbild über Kanäle, Zeithorizonte und Länder hinweg zusammenhalten konnte.

Was P&G konkret getan hat

Der Neuaufbau war keine einzelne Initiative, sondern ein über mehrere Jahre laufender Wandel der Messphilosophie. P&G begann massiv in das zu investieren, was die Branche heute als augmented oder continuous MMM bezeichnet und was sich von den quartalsweisen oder jährlichen ökonometrischen Studien unterscheidet, die in den 1990ern und frühen 2000ern Standard waren. Statt einmal im Jahr ein retrospektives Modell in Auftrag zu geben, baute das Unternehmen eine Infrastruktur auf, um Modelle fortlaufend zu rechnen und die Inputs wöchentlich oder zweiwöchentlich zu aktualisieren, sobald neue Umsatz- und Mediadaten eingingen.

Dieser Wandel erforderte echte Investitionen auf der Datenseite. P&G musste die Mediadaten aus dutzenden Märkten bereinigen und standardisieren, was weniger glamourös ist als die Modellierungsarbeit selbst, aber vollständig darüber entscheidet, ob die Ergebnisse belastbar sind. Das Unternehmen arbeitete außerdem daran, First-Party-Abverkaufsdaten aus dem Handel enger in die Modelle zu integrieren, damit die abhängige Variable (der tatsächliche Umsatz) granularer und aktueller war als syndizierte Paneldaten allein.

P&G traf zudem eine strukturelle Entscheidung, die viele Werbetreibende vermeiden: Das Unternehmen holte relevante Modellierungskompetenz ins Haus, statt sich vollständig auf Black Boxes von Agenturen oder Anbietern zu verlassen. Das heißt nicht, dass man die Zusammenarbeit mit externen Partnern beendet hätte. Beratungen und spezialisierte Analytics-Anbieter trugen weiterhin bei, besonders bei marktspezifischer Arbeit. Aber das interne Team konnte Annahmen hinterfragen, Modellspezifikationen einem Stresstest unterziehen und widersprechen, wenn ein Ergebnis unplausibel aussah. Diese Fähigkeit zur Interpretation ist genauso wichtig wie die statistische Maschinerie.

Ein verwandter Schritt war die bewusste Rückkopplung der MMM-Ergebnisse an die Mediaplanung schon in der Investitionsphase, nicht als nachträgliches Audit. Die Ergebnisse flossen in die Budgetallokation über das gesamte Portfolio ein, wobei von den Kategorieteams erwartet wurde, zu zeigen, wie ihre Entscheidungen zum Kanalmix auf Schätzungen des marginalen Returns aus den Modellen gründeten.

Die Ergebnisse, soweit öffentlich bekannt

Die Geschichte der Marketingeffizienz von P&G in den frühen 2020er Jahren ist in groben Zügen gut dokumentiert, auch wenn granulare MMM-spezifische Kennzahlen nicht öffentlich sind. Das Unternehmen berichtete in seinen Jahreszahlen 2022, es habe über die Kategorien hinweg ein "balanced growth" erreicht, obwohl bestimmte Formen von Media-Spend reduziert und der Mix verschoben wurden. Über mehrere Jahre strich das Unternehmen rund 2 Milliarden Dollar an Marketingausgaben, die Pritchard als wirkungslos bezeichnete, und hielt oder steigerte dabei die Marktanteile in Schlüsselkategorien. Analysten, die das Unternehmen beobachten, führten dies allgemein unter anderem auf eine strengere Messdisziplin zurück.

Schwerer dem MMM-Neuaufbau konkret zuzuschreiben ist der genaue Umsatzeffekt, und jeder Anbieter oder Berater, der diese Zahl exakt zu kennen behauptet, sollte skeptisch betrachtet werden. Besser belegbar ist, dass P&G öffentlich immer deutlicher auf die Grenzen plattformseitiger 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 → hinwies, was zu einer Organisation passt, die genug interne Modellierungskompetenz aufgebaut hatte, um die Abweichungen zu sehen. Dieses institutionelle Selbstvertrauen kommt nicht vom Kauf eines Dashboards, sondern aus Jahren methodischer Investitionen.

Was übertragbar ist und was nicht

Der Fall P&G hält mehrere praktische Lehren für CMOs bereit, die kein Konsumgüterunternehmen mit 80 Milliarden Dollar Umsatz führen.

Am besten übertragbar ist die Entscheidung, MMM als laufende analytische Funktion zu behandeln und nicht als periodisches Projekt. Ein Modell, das einmal im Jahr läuft, liefert Erkenntnisse, die zu alt sind, um danach zu handeln. Die Infrastrukturkosten für kontinuierliche Modellierung sind 2026 deutlich niedriger als noch vor fünf Jahren, Cloud-Rechenleistung macht das auch für mittelgroße Werbetreibende machbar.

Die Frage der internen Kompetenz hängt vom Kontext ab. P&G hat die Größe, um Senior Data Scientists zu rechtfertigen, die ausschließlich an Media-Ökonometrie arbeiten. Ein Unternehmen mit 500 Millionen Dollar Jahresumsatz wahrscheinlich nicht. Die realistische Alternative ist, genug internes Verständnis aufzubauen, um ein glaubwürdiger Auftraggeber externer Modellierungspartner zu sein: zu wissen, welche Fragen man zur Modellstruktur stellt, zu verstehen, was die Konfidenzintervalle tatsächlich bedeuten, und eine klare Verbindung zwischen Modellergebnissen und Budgetentscheidungen zu haben.

Der Punkt Datenqualität gilt universell und wird durchgängig unterschätzt. Bevor eine Organisation Geld für Modellierungssoftware oder externe Berater ausgibt, braucht sie eine gründliche Prüfung, ob sich ihre Mediadaten und Umsatzdaten überhaupt sauber zusammenführen lassen. In den meisten Unternehmen ist das nicht der Fall, jedenfalls nicht ohne erheblichen Aufwand. An diesem Fundament scheitern die meisten MMM-Projekte still und leise.

Ein Bereich, in dem sich die Erfahrung von P&G nicht sauber übertragen lässt, ist die Größenordnung der Markeninvestitionen. MMM liefert statistisch belastbarere Ergebnisse, wenn die Spend-Niveaus über Zeit und über Märkte hinweg stark variieren. Unternehmen mit relativ flachen Mediabudgets und wenig geografischer Varianz erhalten verrauschtere Ergebnisse und müssen ihre Erwartungen entsprechend kalibrieren.

Der größere Wandel, für den P&G steht, ist die Abkehr davon, plattformseitige Attribution den Beitrag des Marketings zum Geschäft definieren zu lassen. Dieser Wandel ist unabhängig von der Unternehmensgröße relevant. Attributionstools, die von denselben Unternehmen gebaut werden, die die Media verkaufen, haben ein strukturelles Problem, das keine technische Raffinesse löst. MMM arbeitet mit allen seinen Grenzen zumindest von einer unabhängigen analytischen Position aus. Die Investition von P&G in diese Unabhängigkeit hat seine Messung intern und extern glaubwürdig gemacht. Und diese Glaubwürdigkeit gibt einem CMO letztlich die Autorität, ein Mediabudget zu verteidigen oder umzulenken.