+80 XP

Marketing Mix Modeling: Grundlagen & Kernkonzepte

Coca-Cola gibt jährlich rund 4 bis 5 Milliarden Dollar für Werbung aus, in etwa 200 Märkten, in einer Kategorie, in der die meisten Käufe an einer Kasse stattfinden: ohne Login, ohne Cookie und ohne Belegdaten, die auf irgendetwas zurückverweisen. Kein Tracking-System auf User-Ebene wird jemals einen TV-Spot in Mexico City mit der Flasche verbinden, die drei Tage später im Tante-Emma-Laden verkauft wird. Trotzdem muss jemand entscheiden, wie sich dieses Geld auf TV, Out-of-Home, Digital Video, Preisaktionen und Sponsoring verteilt. Marketing Mix Modeling ist die Antwort, auf die sich die Branche Jahrzehnte vor der Existenz von Click-Tracking geeinigt hat, und sie kam wieder in Mode, weil Click-Tracking seit 2021 auseinanderfällt.

Was Marketing Mix Modeling tatsächlich ist

Marketing Mix Modeling (MMM) ist eine statistische Technik, eine Form der multivariaten Regression, die ein aggregiertes Geschäftsergebnis (Wochenabsatz, Umsatz, Stückzahlen, Abos) als Funktion all dessen erklärt, was es plausibel bewegt haben könnte. Sie füttern das Modell mit zwei oder drei Jahren Historie auf Wochen- oder Monatsbasis: Spend je Kanal, Preis, Promotionstiefe, Distribution, Wettbewerbsaktivität, Saisonalität, makroökonomische Bedingungen. Zurück kommen Koeffizienten, die quantifizieren, wie viel jeder Input beigetragen hat.

Die Analyseeinheit ist ein Zeitraum, keine Person. Diese eine Designentscheidung trennt MMM von Attribution: das Modell muss nie wissen, wer die Werbung gesehen hat.

In Worten ausgedrückt sagt ein Mix-Modell: Der Absatz in Woche t entspricht einem Baseline-Niveau, plus dem Effekt des Spends je Kanal, nachdem dieser Spend adstocked und durch eine Sättigungskurve geschickt wurde, plus dem Effekt von Preis, Distribution, Wettbewerb und Saisonalität, plus einem Fehlerterm. Fast alles Interessante an MMM steckt in diesen beiden Transformationen, die auf den Roh-Spend angewendet werden, bevor die Regression ihn überhaupt sieht.

Das zentrale Ergebnis ist eine Dekomposition. Der Gesamtabsatz wird aufgeteilt in eine Baseline (was Sie mit null Marketing verkauft hätten, getragen von Brand Equity, Gewohnheit und Regalpräsenz) und inkrementellen Absatz, der den einzelnen Aktivitäten darüber hinaus zugerechnet wird. Eine etablierte, breit distribuierte Marke wie Coca-Cola zeigt typischerweise 60-70 % des Volumens in der Baseline. Eine junge, performancegetriebene Marke vielleicht 30 %. Keine der Zahlen ist für sich gut oder schlecht, aber Sie können nicht steuern, was das Modell nicht getrennt hat.

Teilkonzept 1: Adstock und Carryover

Marketing hört nicht in der Woche auf zu wirken, in der das Geld das Konto verlässt. Eine TV-Kampagne aus dem Oktober verschiebt im Dezember noch Käufe. Dieser Abfall heißt Adstock, und die Standardformulierung ist rekursiv: der effektive Werbedruck dieser Woche entspricht dem Spend dieser Woche plus einer Decay-Rate mal dem effektiven Druck der Vorwoche. Eine Decay-Rate von 0,7 bedeutet grob eine Halbwertszeit von zwei Wochen; 0,9 zieht den Tail über Monate.

TV und Video haben üblicherweise langen Adstock, oft acht bis dreizehn Wochen messbaren Nachhall. Paid Search hat praktisch keinen, weil die Anzeige auf bereits vorhandene Intention trifft und innerhalb von Tagen konvertiert. Ein Modell ohne Adstock-Term unterschätzt Brand-Kanäle systematisch und schmeichelt Performance-Kanälen, was ein mechanischer Grund dafür ist, dass der Measurement-Stack von 2015-2020 so viel Geld in den unteren Funnel gedrückt hat.

Teilkonzept 2: Sättigungskurven

Spend und Response sind nicht proportional. Die Kurve ist konkav, manchmal S-förmig mit langsamem Start unterhalb einer Sichtbarkeitsschwelle, und sie flacht immer ab. Die ersten 500K Dollar TV in einem Markt erzeugen vielleicht starken Uplift, die zweiten 500K deutlich weniger, die dritten fast nichts mehr außer Frequenzverschwendung.

Hier trennen sich durchschnittlicher ROI und marginaler ROI, und diese Unterscheidung ist wichtiger als jede einzelne Zahl im Modell. Ein Kanal kann einen gesunden Blended ROI von 3,0 ausweisen, während der nächste Dollar darin 0,4 zurückbringt, weil Sie auf dem flachen Teil seiner Kurve sitzen. MMM schätzt, wo jeder Kanal aktuell steht, und das ist der einzige Weg, die Frage zu beantworten, die Finance tatsächlich stellt: Wenn ich Ihnen 15 % mehr gebe, wohin geht es und was kommt zurück?

Teilkonzept 3: Base- versus inkrementeller Absatz

Die Baseline ist der angesammelte Rückstand aus Jahren Markenaufbau, Distribution und Konsumgewohnheit. Sie bewegt sich langsam, und genau deshalb lohnt es, sie zu beobachten. Binet und Fields Analyse von rund tausend IPA-Case-Studies fand, dass Marken, die etwa 60 % des Budgets in langfristigen Markenaufbau stecken, aktivierungslastige Wettbewerber beim Gewinnwachstum übertreffen, und der Mechanismus ist in einem Mix-Modell sichtbar: Aktivierung leiht sich von der Baseline, Markenaufbau speist sie.

Eine Baseline, die über vier aufeinanderfolgende Quartale erodiert, ist das schwerwiegendste Signal, das MMM produziert. Es heißt, der strukturelle Vorteil läuft aus, und kein Promotionsbudget füllt ihn wieder auf.

Marketing Mix Modeling Explained

Watch on YouTube

Teilkonzept 4: exogene Variablen und Kontrollfaktoren

Ein brauchbares MMM kontrolliert für alles, was den Absatz bewegt und nicht Ihr Marketing ist: Wettbewerberpreise und -promotions, Konsumklima, Distributionsgewinne und -verluste, und Wetter, wo die Kategorie dafür anfällig ist. Wenn Ihre Eismarke einen Rekordsommer hatte und die Temperatur im Modell fehlt, wird die Hitze derjenigen Kampagne zugeschrieben, die gerade lief. Das ist kein Rundungsfehler. Das ist die Entscheidung, das Budget des nächsten Jahres für etwas auszugeben, das nichts bewirkt hat.

Teilkonzept 5: warum aggregierte Ökonometrie das User-Level-Tracking überlebt hat

Zwei Gründe, ein struktureller und ein jüngerer.

Der strukturelle: Messung auf User-Ebene sieht nur die Kanäle, die einen Identifier tragen. Sie kann kein Regallisting, keinen 30-Sekünder, keine Stadionbande, keinen Wettbewerbsrabatt und keine Preiserhöhung einpreisen, und sie kann das Kontrafaktische nicht beobachten, also den Verkauf, der ohnehin stattgefunden hätte. Attribution verteilt Credit innerhalb des trackbaren Digitalbereichs. MMM schätzt den inkrementellen Beitrag über die gesamte P&L, auf der Ebene, auf der Budgets tatsächlich gesetzt werden.

Der jüngere: Apples App Tracking Transparency, eingeführt mit iOS 14.5 im April 2021, machte app-übergreifendes Tracking zur Opt-in-Entscheidung, und die meisten Nutzer lehnten ab. Meta teilte Investoren im Februar 2022 mit, die Änderung werde das Unternehmen in diesem Jahr rund 10 Milliarden Dollar Umsatz kosten, und der Schaden auf der Messseite der Werbetreibenden lag in derselben Größenordnung. Google plante jahrelang, Third-Party-Cookies aus Chrome zu entfernen, legte den Plan dann auf Eis, aber der Signalverlust durch Browser- und Plattformrestriktionen ist dauerhaft genug, dass die Plattformen inzwischen selbst Modeling-Tools ausliefern: Meta hat sein Robyn-Framework 2021 als Open Source veröffentlicht, Google hat später Meridian herausgebracht. Beide sind nützlich. Beide kommen von Unternehmen, die die Medien verkaufen, die das Modell bewertet, behandeln Sie deren Default-Priors also als Ausgangspunkt und nicht als Urteil.

Fälle aus der Praxis

Fall 1: Coca-Cola im Jahr 2020. Der Umsatz fiel um rund 11 %, als Restaurants, Stadien und Kinos schlossen, während das Unternehmen gleichzeitig die Marketingausgaben stark kürzte. Diese beiden Fakten lassen sich leicht vermischen, und die Vermischung ist teuer. Ein Mix-Modell trennt sie: Verfügbarkeit außer Haus ist eine Distributionsvariable, Mediendruck eine weitere, und der Pandemieschock sitzt in einem Kontrollterm. Ohne diese Kontrollen liest ein naives Modell den Absatzeinbruch als Beweis, dass die Marketingkürzung die Nachfrage zerstört hat, und das Budget des Folgejahres wird auf einer falschen Lesart derselben Daten festgelegt.

Fall 2: Meta nach ATT. Das Unternehmen, das Werbetreibenden ein Jahrzehnt lang erzählt hatte, Attribution auf User-Ebene sei der moderne Standard, begann ein Open-Source-Ökonometriepaket zu veröffentlichen, sobald die Identifier dünner wurden. Robyn macht die oben beschriebenen Dinge: Adstock-Transformation, Sättigungskurven über Hill-Funktionen, Dekomposition gegen eine Baseline. Der interessante Teil für einen CMO ist das Eingeständnis, das in dem Release steckt. Das am stärksten getrackte Medium der Geschichte kehrte zur aggregierten Wochenregression zurück, was Ihnen zeigt, wie viel vom Versprechen der Messung auf Personenebene auf einer Infrastruktur beruhte, die nicht mehr trägt.

How to Build a Marketing Mix Model

Watch on YouTube

Action Items für CMOs

  • Prüfen Sie Ihre Daten, bevor Sie irgendetwas in Auftrag geben. Sie brauchen zwei bis drei Jahre Wochen-Spend je Kanal, plus Preis, Distribution, Promotionskalender und Wettbewerbs-Spend. Fehlende Historie ist der häufigste Grund, warum ein Modell mit breiten Konfidenzintervallen und ohne brauchbare Antwort zurückkommt.
  • Fordern Sie Response-Kurven und marginalen ROI je Kanal, nicht eine Tabelle mit Kanal-ROIs. Eine nach ROI sortierte Liste sagt Ihnen nichts darüber, wohin der nächste Dollar gehen soll.
  • Verfolgen Sie die Baseline Quartal für Quartal als Indikator für Markengesundheit. Eine wachsende Baseline heißt, vergangene Investitionen verzinsen sich; ein anhaltender Rückgang heißt, die nächste Promotion leiht sich von einem schrumpfenden Konto.

Häufige Fehler, die Ergebnisse zerstören

Fehler 1: MMM einmal laufen lassen und das Ergebnis als dauerhaft behandeln. Wettbewerber bewegen sich, Preise ändern sich, Kanäle reifen. Ein auf 2021er-Daten geschätztes Modell bepreist 2024er-Media falsch. Mindestens jährlich aktualisieren, bei schnellen Kategorien quartalsweise auf rollierendem Fenster.

Fehler 2: zu viel von zu wenig Daten verlangen. Drei Jahre Wochenbeobachtungen geben Ihnen etwa 156 Datenpunkte. Laden Sie 40 Variablen hinein, und die Koeffizienten werden instabil, besonders wenn Kanäle sich gemeinsam bewegen (alle erhöhen den Spend im Q4), was Multikollinearität aus dem Lehrbuch ist. Weniger, besser spezifizierte Variablen schlagen ein Modell, das alles enthält.

Fehler 3: Korrelation als Beweis lesen. MMM findet statistische Zusammenhänge in beobachteter Historie; es führt kein Experiment durch. Das Modell verdient seine Autorität erst, wenn seine Schätzungen gegen kontrollierte Tests geprüft werden, und diese Kalibrierungsarbeit gehört, zusammen mit der Politik darum, wer das Modell bauen darf, zu den späteren Stufen dieses Moduls.

Ressourcen

Was Sie aus dieser Lektion umsetzen

Diese Maßnahmen sind im Playbook der Rolle zusammengefasst.

  • Unabhängiges MMM auf Basis von mindestens drei Jahren Daten in Auftrag geben, validiert durch Incrementality-Tests
Vollständiges Action Playbook ansehen

Verwandte Artikel

Aktuelle Blogartikel, die auf dieser Lektion aufbauen.