Media-Mix-Modellierung (MMM): Definition und Funktionsweise

Media-Mix-Modellierung (MMM) ist eine statistische Technik, die schätzt, wie viel jeder Marketingkanal zu Verkäufen oder Conversions im Aggregat beiträgt, und dabei historische Ausgaben- und Ergebnisdaten anstelle von Tracking auf individueller Ebene verwendet. Anstatt den Klick einer Person bis zum Kauf zu verfolgen, betrachtet MMM wöchentliche oder monatliche Summen, wie viel Sie für Native, bezahlte Suche und TV ausgegeben haben im Vergleich zu den verkauften Einheiten, und passt dann ein Modell an, das das Muster erklärt.

Warum es das gibt#

Jede Attributionsmethode hat einen blinden Fleck. Klickbasierte Modelle überschätzen den Kanal, der dem Verkauf am nächsten ist, und personenbezogenes Tracking benötigt eine dauerhafte Kennung über Touchpoints hinweg – etwas, das Cookie-Deprecation und App-Tracking-Einschränkungen erschwert haben. MMM umgeht beide Probleme, da es nie einen einzelnen Benutzer identifizieren oder ihn über ein Gerät hinweg verfolgen muss. Es arbeitet ausschließlich mit aggregierten, kanalbezogenen Daten, was es datenschutzresistent und auch für Offline-Kanäle wie TV, Radio oder Außenwerbung nutzbar macht, die gar keine klickbare Spur hinterlassen.

Was in das Modell einfließt#

Ein typisches MMM regrediert Verkäufe gegen wöchentliche Werbeausgaben pro Kanal, plus Kontrollvariablen: Saisonalität, Preisänderungen, Wettbewerbsaktivität und Aktionen. Die Ausgabe ist eine Reihe von Koeffizienten, die den geschätzten Beitrag jedes Kanals und seine Abnehmende-Ertrag-Kurve zeigen – den Punkt, an dem ein zusätzlicher ausgegebener Dollar weniger zusätzlichen Umsatz bringt als der Dollar zuvor. Dieses Muster abnehmender Erträge spiegelt oft wider, was sich auch auf der Kreativebene zeigt, wo anhaltende Frequenz Creative Fatigue auslöst, lange bevor ein kanalweites Modell es erfassen würde. Basisverkäufe – das, was Sie ohne Marketing verkaufen würden – werden von marketinggetriebenen Verkäufen getrennt, sodass das Modell nicht versehentlich Anzeigen für Nachfrage gutschreibt, die ohnehin vorhanden war.

MMM versus ein Live-Holdout#

Ein Live-Inkrementalitätsexperiment liefert eine präzise, experimentell verifizierte Steigerungszahl für einen Kanal über einen Testzeitraum, auf Kosten des Pausierens oder Reduzierens echter Ausgaben. MMM läuft kontinuierlich im Hintergrund mit bereits vorhandenen Daten und deckt alle Kanäle gleichzeitig ab, aber seine Präzision hängt davon ab, ob genügend historische Ausgabenvariation vorhanden ist, um die Wirkung eines Kanals von der eines anderen zu trennen. Viele Analyseteams verwenden Holdout-Ergebnisse, um ihre MMM-Koeffizienten zu kalibrieren und zu validieren, da ein Modell, das einem sauberen experimentellen Ergebnis widerspricht, wahrscheinlich eine Variable vermissen lässt.

Wo Native und Social in ein MMM passen#

Native-Netzwerke und Social-Plattformen werden normalerweise als separate Posten modelliert, da ihre Antwortkurven unterschiedlich sind: Ein Netzwerk wie Taboola hat tendenziell eine längere, langsamer aufbauende Kurve als eine eng gezielte Suchkampagne, und über eine Demand-Side-Plattform gekaufte Inventar zeigt oft wieder eine andere Form. Bevor Sie ein verteidigungsfähiges Modell aufbauen können, benötigen Sie sauberes kanalweites Conversion-Tracking und korrekt aufgeschlüsselte Ausgabendaten – das ist in der Praxis normalerweise der schwierigste Teil der Übung. Zu beobachten, wie viel Wettbewerbsausgaben und Kreativvolumen sich auf einem bestimmten Netzwerk bewegen, mithilfe einer Plattform wie OpenAdLibrarys Anzeigen-Intelligenz, ist ein nützlicher Plausibilitätscheck, ob der modellierte Beitrag eines Kanals mit dem übereinstimmt, was tatsächlich auf dem Markt passiert, und ob der gemeldete ROAS daneben plausibel ist.

Einschränkungen#

MMM benötigt eine erhebliche Menge historischer Daten, normalerweise ein Jahr oder mehr wöchentlicher Beobachtungen, um ein stabiles Modell anzupassen. Es reagiert auch langsam: Ein Kanal-Koeffizient wird sich nicht in Echtzeit aktualisieren, wie ein Plattform-Dashboard es tut, daher eignet sich MMM besser als strategisches vierteljährliches Planungswerkzeug denn als tägliches Optimierungstool. Korrelierte Ausgaben – wenn Sie jedes Mal gleichzeitig das Budget für zwei Kanäle erhöhen – machen es statistisch schwierig, ihre individuellen Effekte zu trennen, ein Problem, das als Kollinearität bekannt ist, und keine noch so gute Medieneinkauf-Fähigkeit repariert ein Modell, dem die benötigten Daten fehlen.