Marketing Mix Modeling für Trade- und Media-Spend

# Marketing Mix Modeling für Trade- und Media-Spend

Eine Snack-Marke fährt im selben Quartal zwei Dinge: eine große Buy-one-get-one-Aktion in den Lebensmittelketten und eine massive Schaltung von Digital-Video-Ads. Der Absatz springt um 18 Prozent. Das Marketing-Team feiert. Dann stellt Finance eine einfache Frage: Was hat den Lift verursacht?

Niemand weiß es. Promo und Ads überlappten in denselben Stores, in denselben Wochen, gerichtet auf dieselben Shopper. Beide Teams reklamieren den Erfolg für sich. Und das Budget des nächsten Quartals hängt an der Antwort.

Genau dieses Problem löst Marketing Mix Modeling (MMM). MMM ist eine statistische Methode, die schätzt, wie viel jeder Marketing-Input (TV, Digital, Trade-Promotions, In-Store-DisplaysDisplaysThe total number of times an ad or piece of content is displayed, regardless of clicks. Each display counts as one impression, even to the same person.Vollständige Definition ansehen →) zum Absatz beigetragen hat. KI hat es schneller, granularer und nützlicher gemacht für die unordentliche Realität von FMCG-Spend.

Warum FMCG das schwer macht

FMCG-Marken geben Geld in zwei sehr unterschiedlichen Töpfen aus:

• Media-Spend: TV, Digital Video, Social und zunehmend Retail Media (Ads, die auf der eigenen Plattform eines Händlers gebucht werden, etwa bei Amazon oder in der App einer Lebensmittelkette).
• Trade-Spend: Gelder, die an Händler für Promotions, Rabatte, Zweitplatzierungen am Gangende und Regalplatz fließen. Für viele FMCG-Unternehmen ist das nach den Herstellkosten der größte Einzelposten, häufig mit rund 15 bis 25 Prozent des Bruttoumsatzes angegeben.

Das Problem: Diese Hebel feuern gleichzeitig, in überlappenden Regionen, mit verzögerten Effekten. Eine TV-Kampagne kann den Absatz über Wochen heben. Eine Preis-Promotion treibt das Volumen sofort nach oben, kann aber Nachfrage vorziehen (Leute bevorraten sich und kaufen danach weniger). Das mit dem Auge zu entwirren, ist unmöglich.

Was MMM tatsächlich misst

MMM arbeitet auf aggregierter Ebene. Es nimmt historische Absatzdaten (meist wöchentlich, nach Region oder Store-Cluster) und regressiert sie gegen jeden messbaren Marketing- und Nicht-Marketing-Treiber.

Typische Inputs:

• Media-Spend nach Kanal und Woche
• Tiefe und Timing von Trade-Promotions
• Preis und Wettbewerbspreis
• Distribution (in wie vielen Stores das Produkt gelistet ist)
• Saisonalität und Wetter
• Makroökonomische Faktoren

Das Modell liefert eine Contribution Decomposition: welcher Anteil des Absatzes aus der Basisnachfrage kam und welcher aus jedem Marketing-Hebel, plus eine ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Kennzahl (Return on InvestmentReturn on InvestmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) pro Kanal.

Zwei Konzepte machen MMM realistisch:

Adstock (Carryover): Der Werbeeffekt klingt über Zeit ab, statt beim Ende der Schaltung zu verschwinden. Ein TV-Flight wirkt mehrere Wochen weiter.

Saturation (abnehmende Erträge): Der zehnte Euro in einem Kanal arbeitet weniger hart als der erste. Ab einem Punkt bewegt mehr Spend den Absatz kaum noch. Das ist die wichtigste Erkenntnis, die MMM liefert, denn sie zeigt, wo Sie zu viel ausgeben.

Wo KI den Unterschied macht

Klassisches MMM nutzte einfache lineare Regression und Analysten brauchten Monate für den Aufbau. KI-getriebenes MMM verbessert das konkret:

Bayes-Methoden bewältigen das Problem „wenig Daten, viele Variablen“, dem FMCG immer gegenübersteht. Sie haben selten genug saubere Datenwochen, um jeden Kanal zu isolieren. Bayes-Modelle erlauben es, Priors einzubringen (informierte Ausgangsannahmen, zum Beispiel dass TV-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → in der Regel positiv ist), damit das Modell stabil bleibt und keine unsinnigen Koeffizienten ausspuckt.

Automatisierte Feature-Behandlung: Machine Learning hilft, nicht-lineare Saturation und Interaktionseffekte zu modellieren (etwa TV, das eine Promotion stärker wirken lässt), ohne jede Kurve manuell zu tunen.

Geschwindigkeit und Refresh: Was früher ein Quartals-Beratungsprojekt war, läuft nun monatlich oder on demand, sodass Budgets sich an das anpassen, was tatsächlich passiert.

Googles Open-Source-Bibliothek Meridian ist ein gutes Beispiel dafür, wo das Feld 2026 steht. Es ist ein bayesianisches MMM-Framework, gebaut für genau diese Art von Analyse. Hier 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 Sie es erkunden: Meridian on GitHub.

Hier die konzeptionelle Form eines modernen MMM, vereinfacht:

# Sales as base demand + carryover-and-saturation-adjusted media effects
sales_t = base_t \
    + beta_tv    * saturate(adstock(tv_spend))    \
    + beta_retail* saturate(adstock(retail_media)) \
    + beta_trade * saturate(trade_depth)          \
    + gamma      * seasonality_t                   \
    + error_t

# The model estimates each beta (channel effectiveness),
# then ROI = incremental_sales_from_channel / channel_spend

Sie müssen das nicht programmieren. Sie müssen verstehen, dass das Modell eine Basis (Absatz, den Sie ohnehin hätten) von inkrementellem Absatz trennt, der durch Spend getrieben ist, und dann inkrementellen Absatz durch Kosten teilt, um den ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → pro Kanal zu erhalten.

MMM versus 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 →: nutzen Sie beides

Das wird oft verwechselt. Die beiden beantworten unterschiedliche Fragen.

• MMM ist top-down. Es nutzt aggregierte Absatzdaten und funktioniert für alle Kanäle, auch offline wie TV und In-Store-DisplaysDisplaysThe total number of times an ad or piece of content is displayed, regardless of clicks. Each display counts as one impression, even to the same person.Vollständige Definition ansehen →, die Sie nicht Klick für Klick tracken 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.
• Multi-Touch-Attribution (MTA) ist bottom-up. Sie folgt einzelnen User Journeys (diese Person hat die Ad gesehen, geklickt, gekauft) und funktioniert nur für trackbare digitale Touchpoints.

Retail Media sitzt unbequem zwischen beiden. Es ist digital und trackbar, lebt aber im Walled Garden eines Händlers, weshalb Sie oft die Attributionszahlen des Händlers bekommen, die den Händler tendenziell gut aussehen lassen. Behandeln Sie händlerberichtete ROASROASReturn on Ad Spend (ROAS) measures the revenue generated for every unit of currency spent on advertising, calculated as revenue divided by ad cost.Vollständige Definition ansehen →-Werte (Return on Ad SpendReturn on Ad SpendReturn on Ad Spend (ROAS) measures the revenue generated for every unit of currency spent on advertising, calculated as revenue divided by ad cost.Vollständige Definition ansehen →) mit gesunder Skepsis und validieren Sie sie gegen Ihr MMM.

Best Practice 2026 ist ein layered approach: MMM für die strategische Budgetaufteilung über alle Kanäle, 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 Experimente für taktische Entscheidungen innerhalb Digital.

🎬 [VIDEO: "Marketing Mix Modeling Explained" - youtube.com - ein klarer Durchgang durch MMM-Inputs, -Outputs und wie ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Kurven Budgetentscheidungen leiten]

Das Problem der Snack-Marke lösen

Zurück zu unserer Snack-Marke. So würde MMM den Streit Promo gegen Ads auflösen.

Das Modell schaut über viele Wochen und Regionen, in denen Promo und Ads sich *nicht* perfekt überlappten. In Regionen, in denen Digital Video ohne Promo lief, stieg der Absatz dennoch moderat. In Regionen, in denen die Promo ohne Ads lief, schoss der Absatz stark nach oben und fiel danach ab (der Pull-Forward-Effekt).

Die Decomposition 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 →önnte zeigen:

• Die Promo trieb den größten Teil des unmittelbaren Volumens, aber ein großererThe 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 → Anteil waren bestehende 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 →äufer, die sich bevorrateten, sodass der *inkrementelle* Gewinn dünn war, sobald man die Rabattkosten abzieht.
• Das Digital Video trieb einen kleineren, aber nachhaltigeren Lift, mit besserer Marge, weil kein Preisrabatt daran hing.

Jetzt hat Finance eine Antwort. Der Lift von 18 Prozent war überwiegend promo-getrieben, aber die Promo war weniger profitabel, als sie aussah. Die Empfehlung: einen Teil der Trade-Gelder zu Media verschieben und die nächste Promo flacher gestalten, aber mit einem Display kombinieren, da MMM zeigte, dass DisplaysDisplaysThe total number of times an ad or piece of content is displayed, regardless of clicks. Each display counts as one impression, even to the same person.Vollständige Definition ansehen → und Promos sich gegenseitig verstärken.

Die Ergebnisse lesen, ohne sich täuschen zu lassen

MMM ist mächtig, aber leicht zu missbrauchen. Achten Sie auf:

Korrelation ist kein Beweis. Wenn Sie im Dezember immer stark werben, schreibt das Modell der Werbung womöglich zu, was eigentlich Weihnachtssaisonalität ist. Gute Modelle kontrollieren dafür, schlechte nicht.

Mit Experimenten validieren. Der Goldstandard ist ein Geo-Experiment: Spend in einigen Regionen hochfahren, in anderen konstant halten und die Differenz messen. Das liefert eine echte kausale Lesung, die Sie zur Kalibrierung des MMM zurückspeisen 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. Meta und Google veröffentlichen beide kostenlose Leitfäden zu Incrementality-Testing, die sich lohnen.

Trauen Sie keiner einzelnen ROI-Zahl zu sehr. Jede Schätzung hat eine Unsicherheitsspanne. Ein Bayes-Modell gibt Ihnen diese Spanne (ein Credible Interval). Wenn der TV-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → irgendwo zwischen 0,8 und 2,5 liegen kann, ist das eine völlig andere Entscheidung als ein enges 1,9 bis 2,1.

Insight in Budget-Handeln überführen

Der ganze Sinn von MMM ist Reallokation. Die Saturation-Kurven sind Ihre Landkarte.

Praktischer Workflow:

1. Die flachen Teile finden. Jeder Kanal, dessen Kurve flach geworden ist, ist überinvestiert. Geld herausnehmen.

2. Die steilen Teile finden. Kanäle, die noch im steilen Teil ihrer Kurve liegen, 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 mehr Spend profitabel aufnehmen.

3. Guardrails setzen. Schieben Sie nicht aufgrund eines einzigen Modelllaufs ein ganzes Budget in einen Kanal. Reallokieren Sie in Schritten (zum Beispiel 10 bis 15 Prozent verschieben), messen und erneut rechnen.

4. Trade-Entscheidungen separat behandeln. Am Trade-Spend hängen strategische Fäden (Regalplatz, Händlerbeziehungen), die ein reiner ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → nicht erfassen kann. Nutzen Sie MMM, um Trade-Verhandlungen zu informieren, nicht um blind einen Händler 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 →ürzen, der auch Ihre Distribution kontrolliert.

Ein realistisches Ergebnis für unsere Snack-Marke: Gesamtbudget konstant halten, einen Teil der Trade-Gelder in Retail Media verschieben (das noch auf einer steilen Ertragskurve lag), einen schlankeren Promo-Kalender fahren und im nächsten Quartal einen Geo-Test aufsetzen, um zu bestätigen, dass der Media-Lift real ist.

Key Takeaways

• MMM trennt Basisabsatz von inkrementellem Absatz und teilt dann den inkrementellen Absatz durch den Spend, um den ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → pro Kanal zu erhalten. Damit werden Debatten à la „war es die Promo oder die Ads“ entschieden.
• Saturation-Kurven sind der Geldbringer. Sie zeigen, welche Kanäle überinvestiert sind (flach) und welche mehr aufnehmen 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 (steil). Reallokieren Sie schrittweise in Richtung der steilen Kurven.
• Nutzen Sie MMM und Attribution zusammen. MMM für die strategische Aufteilung über alle Kanäle (inklusive Offline und Trade), 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 Geo-Experimente für taktische digitale Entscheidungen.
• KI, besonders bayesianisches MMM, macht das schneller und stabiler für die unordentliche, überlappende Small-Data-Realität von FMCG. Tools wie Googles Meridian haben die Einstiegshürde gesenkt.
• Trauen Sie niemals blind einer Zahl. Prüfen Sie die Unsicherheitsspanne, kontrollieren Sie für Saisonalität und validieren Sie mit einem echten Geo-Experiment, bevor Sie das Budget verwetten.