Marketing Glossar

2.413 Fachbegriffe aus 22 Bereichen des Online Marketings

Marketing Mix Modeling (MMM)

Definition: Marketing Mix Modeling (MMM), auch als Econometric Mix Modeling bezeichnet, ist ein statistisches Analyseverfahren, das den quantitativen Beitrag verschiedener Marketingkanäle (z. B. TV, Online Display, Search, Social Media, Print, Radio, Aussenmedien) sowie externer Einflussfaktoren (Saisonalität, Wirtschaftslage, Preisstrategie, Wettbewerberaktivitäten) zu einer Zielgrösse – typischerweise Umsatz, Absatz oder Conversions – mithilfe von Regressionsmodellen auf aggregierten Zeitreihendaten quantifiziert. Das Ziel ist es, den inkrementellen Beitrag jedes Kanals und Faktors zu isolieren, Werbebudgets optimal zu allozieren und die Effizienz des gesamten Marketing-Mix zu maximieren. MMM arbeitet auf Basis öffentlich verfügbarer, aggregierter Marktdaten und kommt ohne individuelles Nutzer-Tracking aus – es ist damit datenschutzkonform und robust gegenüber dem Ende von Third-Party-Cookies und den Einschränkungen durch iOS-Privacy-Updates.

Erläuterung

Marketing Mix Modeling hat seinen Ursprung in den 1960er Jahren und wurde zunächst von grossen FMCG-Unternehmen und deren Werbeagenturen eingesetzt, um TV-Budget-Allokationen zwischen Marken und Regionen zu optimieren. In den 2010er Jahren verdrängte das Aufkommen digitaler Attribution-Methoden MMM vorübergehend aus dem Rampenlicht; die Datenschutzwende der 2020er Jahre – Ende der Third-Party-Cookies, iOS-ATT, DSGVO – hat jedoch eine Renaissance von MMM ausgelöst, da es keine personenbezogenen Trackingdaten benötigt. Das methodische Fundament ist die multiple lineare Regression: Als abhängige Variable dient eine wöchentliche oder monatliche Zeitreihe der Zielgrösse (z. B. Umsatz), als unabhängige Variablen die Werbeinvestitionen in jedem Kanal sowie Kontrollvariablen (Saisonalität, Feiertage, Preisindex, Wettbewerber-GRP). Entscheidende Modelltransformationen sind der Adstock-Effekt (Carry-over: Werbewirkung klingt nicht sofort ab, sondern hat einen “Nachhall” in den Folgewochen – modelliert durch geometrisches Decay oder Weibull-Transformation) und der Sättigungseffekt (Diminishing Returns: ab einem bestimmten Investitionslevel erzeugt jede zusätzliche Einheit Werbung weniger inkrementelle Wirkung – modelliert durch Hill- oder Power-Transformationen). Aus diesen Modellen werden Response-Kurven je Kanal abgeleitet, die den Zusammenhang zwischen Investition und inkrementeller Wirkung bei verschiedenen Budget-Levels zeigen. Auf Basis der Response-Kurven kann eine Budgetoptimierung durchgeführt werden, die die Grenznutzen der Investitionen über alle Kanäle angleicht (marginale ROAS-Angleichung). Bayesianische MMM-Ansätze – popularisiert durch Meta Robyn (Open Source, R-basiert) und Google Meridian (Open Source, Python/PyTorch-basiert) – erlauben die Integration von Vorwissen (Priors) über Adstock-Parameter und Sättigungseffekte aus früheren Studien oder Incrementality Tests und liefern Posterior-Verteilungen statt Punktschätzungen, was die Unsicherheitsquantifizierung erheblich verbessert. Für valide MMM-Ergebnisse empfiehlt sich mindestens zwei Jahre Wochendaten, ausreichende Variabilität in den Marketinginvestitionen (kein flaches Budget), sorgfältige Datenharmonisierung und eine kontinuierliche Kalibrierung mit Incrementality-Test-Ergebnissen. MMM gibt keine kausal validen Aussagen, wenn die Annahmen verletzt werden (z. B. bei starker Multikollinearität zwischen Kanälen, zu wenig historischer Variation oder unbeobachteten Confoundern wie Produktinnovationen).

Kernkonzepte des MMM

MMM vs. Multi-Touch-Attribution

Praxistipp: Beginnen Sie mit dem Aufbau einer soliden Datenbasis für MMM schon bevor Sie MMM implementieren: Wöchentliche Zeitreihen über mindestens zwei Jahre für alle Marketinginvestitionen, Umsatzzahlen und externe Einflussfaktoren (Saisonalität, Preisanpassungen, Wettbewerberaktivitäten). Testen Sie zunächst Open-Source-Lösungen wie Meta Robyn oder Google Meridian, bevor Sie in teure proprietäre Tools investieren. Kalibrieren Sie Ihr MMM-Modell kontinuierlich mit Geo-Experiment- und Incrementality-Test-Ergebnissen, um systematische Schätzfehler zu erkennen und zu korrigieren.

Ausgewählte Referenzen