Marketing Mix Modeling: Budgets gezielt steuern
Marketing Mix Modeling misst den Beitrag jedes Kanals zum Umsatz, ohne Cookies und Klickpfade. Was MMM leistet, welche Daten es braucht und wann es sich lohnt.
Marketing Mix Modeling (MMM) beantwortet eine Frage, an der Attribution regelmäßig scheitert: Was hätte uns der letzte Euro Werbebudget in jedem Kanal gebracht? Statt einzelne Klickpfade zu verfolgen, sucht MMM statistische Zusammenhänge zwischen Werbeausgaben und Umsatz über Monate und Jahre.
Weil MMM ohne Cookies und ohne Nutzerdaten auskommt, erlebt die Methode gerade ein Comeback. Sie ist allerdings kein Werkzeug für jeden.
Wie Marketing Mix Modeling funktioniert
Ein MMM ist im Kern eine Regression. Die Zielgröße ist meist der Umsatz pro Woche. Die erklärenden Größen sind die Ausgaben pro Kanal, dazu Faktoren, die nichts mit Marketing zu tun haben: Saison, Feiertage, Preisaktionen, Wetter, Wettbewerb.
Zwei Effekte bildet ein gutes Modell zusätzlich ab:
- Verzögerung (Adstock): Eine TV-Kampagne wirkt nicht nur in der Woche, in der sie läuft. Ein Teil der Wirkung kommt Wochen später.
- Sättigung: Der erste Tausender auf Meta bringt mehr als der zwanzigste. Irgendwann flacht die Kurve ab.
Am Ende steht für jeden Kanal eine Antwortkurve. Aus ihr lässt sich ablesen, wo zusätzliches Budget noch etwas bringt und wo nicht mehr.
Was MMM besser kann als Attribution
Attribution in GA4 oder Google Ads sieht nur, was sie messen kann: Klicks und Seitenaufrufe von Menschen, die Cookies akzeptiert haben. Plakate, Radio, Podcasts und Messen tauchen dort nie auf. Und jeder Kanal rechnet sich selbst gern die Conversions zu.
MMM betrachtet das Gesamtsystem. Es erkennt zum Beispiel, wenn Ihre YouTube-Kampagne die Markensuchen bei Google steigen lässt, obwohl YouTube in der Attribution kaum Conversions bekommt.
Die Grenze: MMM sagt Ihnen, welcher Kanal wie viel bringt, aber nicht, welche Anzeige oder welches Keyword. Für die Feinsteuerung bleibt die Attribution im Konto zuständig. Beide Methoden ergänzen sich.
Welche Daten Sie brauchen
Das ist der Punkt, an dem viele Projekte scheitern, bevor sie anfangen.
- Zeitraum: mindestens zwei, besser drei Jahre auf Wochenbasis. Bei kürzeren Zeiträumen lässt sich Saison nicht von Werbewirkung trennen.
- Ausgaben pro Kanal und Woche: auch Offline-Kanäle, auch Rabattaktionen.
- Zielgröße: Umsatz, Bestellungen oder Anfragen pro Woche, idealerweise aus dem Warenwirtschafts- oder CRM-System, nicht aus GA4.
- Variation: Wenn Sie jede Woche dasselbe Budget gleich verteilt haben, kann kein Modell herausfinden, was welcher Kanal bewirkt. Unterschiede in den Daten sind die Voraussetzung.
Die Aufbereitung dieser Daten macht in unseren Projekten den größeren Teil der Arbeit aus. Die Modellierung selbst geht danach schnell.
Werkzeuge
Sie müssen nicht bei null anfangen. Zwei Open-Source-Pakete haben sich etabliert:
- Meridian von Google, ein bayesianisches Modell in Python. Es hat das ältere LightweightMMM abgelöst.
- Robyn von Meta, in R, mit automatischer Suche nach guten Modellparametern.
Dazu kommen kommerzielle Anbieter mit fertigen Oberflächen. Die Werkzeuge sind gut, ersetzen aber nicht das Urteil: Ein Modell, das TV einen negativen Effekt zuschreibt, ist falsch, egal wie gut die Kennzahlen aussehen.
So läuft ein MMM-Projekt ab
- Frage klären: Geht es um die Verteilung des Jahresbudgets, um einen neuen Kanal oder um den Beweis, dass TV wirkt?
- Daten sammeln und prüfen: Ausgaben, Umsätze, Kontrollvariablen. Lücken schließen.
- Modell bauen und gegenprüfen: Plausibilität mit dem Marketingteam besprechen, Ergebnisse mit Experimenten abgleichen, wo es geht.
- Budget simulieren: Was passiert, wenn 20 Prozent von Display zu Suche wandern?
- Regelmäßig aktualisieren: Quartalsweise neue Daten einspielen, sonst veraltet das Modell.
Den besten Abgleich liefern Experimente. Wer in einzelnen Regionen eine Kampagne pausiert und die Umsätze mit anderen Regionen vergleicht (Geo-Test), kann das Modell an der Wirklichkeit eichen.
Lohnt sich MMM für Sie?
Ehrliche Antwort: Für viele Mittelständler noch nicht. Wenn Ihr Budget fast ausschließlich in Google Ads fließt, bringt ein MMM wenig, was die Konto-Daten nicht auch zeigen.
Interessant wird es ab etwa drei relevanten Kanälen, darunter mindestens einer, der sich schlecht per Klick messen lässt: TV, Radio, Außenwerbung, YouTube, Podcasts. Und ab einem Budget, bei dem eine bessere Verteilung von zehn Prozent mehr wert ist als das Projekt selbst.
Unsere Software zur Budget-Allokation setzt genau hier an.
FAQ
Was ist der Unterschied zwischen MMM und Attribution?
Attribution verteilt einzelne Conversions auf die Klicks davor. MMM schätzt aus Zeitreihen, wie stark jeder Kanal den Gesamtumsatz beeinflusst, auch Kanäle ohne Klick.
Wie viele Daten braucht ein Marketing Mix Model?
Als Faustregel zwei bis drei Jahre auf Wochenbasis mit Ausgaben pro Kanal und einer klaren Zielgröße wie Umsatz oder Bestellungen.
Ist Marketing Mix Modeling DSGVO-konform?
Ja, in der Regel. MMM arbeitet mit aggregierten Wochenwerten und braucht keine personenbezogenen Daten.