Marketing Mix Modeling Tool (MMM)

Was ist Marketing Mix Modeling, und was leistet dieses Tool?

Marketing Mix Modeling (MMM) vergleicht Ihre wöchentlichen Ausgaben mit Ihrem wöchentlichen Ergebnis und schätzt statistisch, wie viel jeder Kanal beigetragen hat. Sie brauchen also keine Daten über einzelne Klicks oder Nutzer. Die Gesamtausgaben und der Gesamtumsatz (oder die Conversions) jeder Woche genügen. Dieses Tool ist eine schlanke Variante von Marketing Mix Modeling, die dieselbe Logik ohne Code ausführt.

Sie fügen die Wochendaten ein, und das Tool liefert diese Ergebnisse:

• Kanalbeitrag und Anteil: wie viel jeder Kanal zum Ergebnis addiert hat.
• ROI und marginaler ROI: die durchschnittliche Rendite und die Rendite der nächsten Einheit.
• Carryover und Sättigung: wie viele Wochen ein Effekt anhält und wie die Rendite bei steigenden Ausgaben nachlässt.
• Budgetverteilung: eine bessere Kanalmischung für dasselbe Gesamtbudget.

Vorab eine Warnung: Die Ergebnisse zeigen eine Richtung, sie liefern kein Urteil. Das Tool ersetzt kein vollständiges bayessches Modell, deshalb sollten Sie die Ausgabe mit Inkrementalitätstests prüfen. Wollen Sie die Richtung dann in Kampagneneinstellungen übersetzen, übernimmt unsere Google Ads Verwaltung ab hier.

Warum kehrt Marketing Mix Modeling in die Zeit ohne Cookies zurück?

Je schwächer das Tracking auf Nutzerebene wird, desto mehr Lücken hinterlässt die klickbasierte Messung. Browserbeschränkungen, Einwilligungsabfragen in Apps und abgelehnte Cookie Banner dünnen die Attributionsdaten aus. MMM kommt von der anderen Seite, denn es braucht keine personenbezogenen Daten. Es verlangt stattdessen nur eine aggregierte Wochentabelle.

Die großen Plattformen gehen ebenso diesen Weg. Google hat sein quelloffenes Modell Meridian Ende Januar 2025 für alle geöffnet. Laut Ankündigung nutzt Meridian bayessche kausale Inferenz, nimmt Ergebnisse aus Inkrementalitätsexperimenten als Priors auf und berücksichtigt Reichweite und Frequenz. Meta bietet das quelloffene Paket Robyn an, das auf Ridge Regression, Prophet und Nevergrad setzt.

Beide haben ihren Preis: Sie verlangen Code, Setup und Fachwissen in Data Science. Fehlt dieses Wissen im Team, kommt der erste Blick womöglich nie zustande. Deshalb schließt das Tool genau diese Lücke. Es liefert zunächst eine schnelle Einschätzung, danach entscheiden Sie, ob sich der Schritt zu Meridian oder Robyn lohnt.

Behalten Sie außerdem die klickbasierte Seite im Blick. Unser Vergleich der Attributionsmodelle zeigt die Reihenfolge der Kanäle, MMM zeigt den Gesamtbeitrag. Attributionsfenster erklären wir zudem im Beitrag Meta Attribution und Attributionsfenster.

Wie funktionieren Carryover und Sättigung in diesem Marketing Mix Modeling Tool?

Werbewirkung endet nicht in der Woche der Ausgabe. Zum Beispiel kauft, wer heute ein Video sieht, vielleicht erst zwei Wochen später. Das Tool bildet das mit geometrischem Adstock ab: Die effektiven Ausgaben einer Woche entsprechen den Ausgaben dieser Woche plus der Carryover Rate mal den effektiven Ausgaben der Vorwoche. Es probiert Carryover Raten von 0 bis 0,7 in Schritten von 0,1. Ein Wert von 0 heißt, der Effekt endet sofort; bei 0,7 klingt er lange nach.

Die zweite Transformation ist dann die Sättigungskurve. Verdoppeln Sie die Ausgaben, verdoppelt sich der Umsatz nicht, denn die ersten Euro wirken am stärksten. Eine Hill Funktion beschreibt dieses Abflachen über den halben Sättigungspunkt, also die Ausgaben, bei denen die Wirkung die Hälfte ihres Maximums erreicht. Wir testen dafür das 0,5, 1, 1,5 oder 2,5fache der durchschnittlichen Adstock Ausgaben des Kanals. Da die Kurve immer konkav ist, bringt jeder weitere Euro etwas weniger als der vorige. Kurven in S Form lassen wir bewusst weg, weil sie bei Wochendaten oft nur Rauschen abbilden. Das Diagramm Reaktionskurven zeigt danach Ausgaben von 0 bis zum Doppelten des heutigen Werts.

So finden wir die Koeffizienten:

• Kanalkoeffizienten dürfen nicht negativ sein (NNLS). Basis, Trend, Saisonalität und Kontrollterme dürfen dagegen ein negatives Vorzeichen tragen.
• Eine leichte Ridge Strafe nur auf die Kanalkoeffizienten hält sie stabil, wenn Kanäle gemeinsam steigen und fallen.
• Das Tool geht die Kanäle nacheinander durch, behält das Paar aus Carryover und Sättigungspunkt mit dem kleinsten Fehler und wiederholt diese Runde höchstens viermal.
• Ab 40 Wochen schätzt das Tool das Modell achtmal neu und lässt dabei jedes Mal einen Block von Wochen weg. Die Streuung dieser Läufe ergibt die Spalten ROI Spanne und Stabilität; mehr Budget für einen unsicheren Kanal markiert die Optimierung eigens.

Das erinnert an Robyns Idee, mit Ridge zu regularisieren. Bayessche Priors und die Kalibrierung mit Experimenten fehlen hier jedoch, daher liefert das Tool eine Richtung, keine Sicherheit.

Wie bereiten Sie die Wochendaten vor, und wie viele Wochen genügen?

Jede Zeile muss eine Woche sein, und die erste Zeile enthält zunächst die Überschriften. Sie brauchen drei Gruppen von Spalten: das Startdatum der Woche, die wöchentlichen Ausgaben jedes Kanals und das Ziel. Wählen Sie Umsatz, wenn das Ziel ein Geldbetrag ist, und Conversions, wenn es eine Anzahl ist. Fügen Sie zum Beispiel Aktionswochen, Rabatte, Preisänderungen oder Lieferengpässe als Kontrollspalten hinzu. Sonst schreibt das Tool diese Effekte der Werbung gut.

Für die Länge gilt eine einfache Regel: mindestens 52 Wochen, ideal zwei Jahre. Das Tool läuft ab 12 Wochen, warnt Sie aber unter 52 Wochen. Auch die Meridian Dokumentation setzt die Datenmenge in Bezug zur Zahl der Modellparameter; zwei Jahre Wochendaten ergeben 104 Beobachtungen. Mehr Kanäle bedeuten mehr Parameter, also wächst der Datenbedarf mit.

• Lassen Sie keine Woche aus; tragen Sie 0 ein, wenn ein Kanal nichts ausgegeben hat.
• Nutzen Sie ebenso über alle Kanäle dieselbe Währung und dieselbe Umsatzsteuer.
• Tragen Sie Ausgaben als Geldbetrag ein, nicht als Impressionen oder Klicks.
• Teilen Sie Kanäle nicht zu fein auf, weil das Zusammenlegen kleiner Kanäle das Modell stabil hält.

Für saubere Daten pro Kanal versehen Sie Ihre Kampagnenlinks von Anfang an mit Parametern. Der UTM Generator erledigt das in Minuten.

Wie lesen Sie ROI, marginalen ROI und Sättigung?

Der ROI ist die Spalte, die man am häufigsten falsch liest. Er ist ein Durchschnitt: der Beitrag des Kanals geteilt durch seine gesamten Ausgaben. Der marginale ROI, in der Tabelle die Spalte Grenz ROI, ist allerdings die Rendite der nächsten Einheit. Auf der Sättigungskurve gehen beide auseinander, denn der erste und der letzte Euro verdienen nicht gleich viel. Bei einem Conversion Ziel sehen Sie statt des ROI den CPA und statt des Grenz ROI den Grenz CPA; der CPA ist Ausgaben geteilt durch Beitrag.

Drei Lesemuster helfen:

• Hoher ROI, niedriger marginaler ROI: Der Kanal ist gesättigt, zusätzliches Budget bringt wenig.
• Mittlerer ROI, marginaler ROI nahe daran: Der Kanal hat noch Luft.
• ROI unter 1 bei einem Umsatzziel: Die Ausgaben decken den Beitrag nicht. Entscheiden Sie trotzdem nie ohne einen Blick auf die Marge.

Die Spalte Carryover (Adstock) zeigt die Carryover Rate, und die Spalte Sättigung ordnet jeden Kanal als Luft nach oben, mittel oder nahe Sättigung ein. Zum Gegenprüfen der Rendite nutzen Sie dann mit Ihren eigenen Zahlen den ROAS Rechner. Sinkt die Rendite, folgen Sie zudem den Diagnoseschritten in unserem Beitrag zu den Ursachen eines ROAS Rückgangs.

Wie funktioniert die Budgetverteilung, und wie weit können Sie ihr trauen?

Unter Budgetverteilung startet das Feld Wochenbudget mit Ihrem aktuellen Durchschnitt. Geben Sie stattdessen auf Wunsch eine andere Summe ein und klicken Sie auf Verteilung optimieren. Das Tool teilt diese Summe in kleine Schritte und gibt jeden Schritt dem Kanal mit dem größten Gewinn, daher liegen die marginalen Renditen der Kanäle am Ende nah beieinander. Wer Geld von einem Kanal mit niedriger Grenzrendite zu einem mit hoher verschiebt, steigert den Gesamtbeitrag. Deshalb stoppt die Verteilung, sobald sich die marginalen Renditen angleichen.

Ist Jeden Kanal auf ±50 % begrenzen angehakt, sinkt kein Kanal unter die Hälfte und keiner steigt über das Anderthalbfache seiner aktuellen Ausgaben. Diese Grenze ist wichtig, denn bei Ausgaben, die das Modell nie gesehen hat, ist die Kurve nur eine Vermutung. Nehmen Sie das Häkchen heraus und decken Ihre Daten 2.000 bis 10.000 pro Woche ab, begegnen Sie einem Ergebnis mit 50.000 besser mit großer Skepsis.

Die Ausgabe zeigt aktuelle und empfohlene Wochenausgaben neben der erwarteten Veränderung. Lesen Sie diese Veränderung daher als kleine Prozentzahl, nicht als Versprechen. Testen Sie zuerst eine kleine Verschiebung in einem einzigen Kanal, messen Sie sie und machen Sie dann weiter. Für die Höhe der Gesamtsumme ergänzt der Google Ads Budget Rechner das Tool zudem gut. Zur Planungslogik lesen Sie Google Ads Budget für B2B festlegen.

Was kann ein schlankes Marketing Mix Modeling nicht leisten?

Seien wir ehrlich: Jedes MMM auf Wochendaten misst Zusammenhang, nicht Ursache. Vor allem drei Grenzen stechen heraus.

• Multikollinearität: Steigen und fallen Kanäle gemeinsam, zum Beispiel weil alle in der Rabattwoche zulegen, kann das Modell nicht trennen, wer das Ergebnis geliefert hat. Deshalb meldet das Tool eine Korrelation ab 0,85 zwischen zwei Kanälen unter Hinweise.
• Zu wenig Daten: Unter 52 Wochen bleiben Koeffizienten wacklig. Einen Kanal mit gleichbleibenden Ausgaben nimmt das Tool gar nicht erst ins Modell.
• Fehlende Einflussgrößen: Ein Schritt des Wettbewerbs, Presseberichte oder das Wetter landen womöglich bei der Werbung.

Die Lösung heißt daher Validierung. Starten Sie in dem Kanal, den das Modell hervorhebt, einen geografischen oder zeitlichen Lift Test und messen Sie den inkrementellen Effekt. Die Meta Brand Lift Studie ist ein Beispiel für so ein Experiment. Für die Statistik hilft ein A/B Test Rechner. Dieselbe Ehrlichkeit gilt für klickbasierte Messung: Kein Attributionsmodell beweist Inkrementalität, also lesen Sie jeden Attributionsvergleich zusammen mit einem Lift Test.

Meridian, Robyn oder dieses Tool: was passt zu Ihnen?

Die Wahl hängt von den Fähigkeiten Ihres Teams und von der Größe der Entscheidung ab. Mit großem Budget und einem Data Science Team brauchen Sie ein bayessches Modell mit Experimentkalibrierung, und Meridian bietet diesen Weg. Ein Team, das in R arbeitet, kann stattdessen Robyn ausprobieren. Wollen Sie die Richtung sehen, dem Team ein erstes Bild zeigen und erfahren, welcher Kanal gesättigt ist, genügt ein schlankes Tool.

Ein praktischer Weg sieht so aus:

• Erster Schritt: Verschaffen Sie sich mit diesem Tool den ersten Überblick und notieren Sie die Hinweise.
• Zweiter Schritt: Prüfen Sie den Befund mit einem Lift Experiment.
• Dritter Schritt: Wächst die Entscheidung, laden Sie dieselben Wochendaten in Meridian oder Robyn.

Dieselbe Tabelle funktioniert in allen dreien, Ihre erste Mühe geht also nicht verloren. Schließlich stellt die Tabelle unten die drei nebeneinander.