Marketing-Mix-Modeling, das große Comeback der Top-down-Messung
MMM schätzt aus aggregierten Daten, welcher Kanal das Geschäft trägt, ganz ohne Cookies. Wir erklären, was Marketing-Mix-Modeling ist, warum es gerade zurückkommt und wo seine Stärken und Grenzen liegen.
Marketing-Mix-Modeling, kurz MMM, galt lange als Werkzeug der Großkonzerne, aufwändig, teuer und Statistikern vorbehalten. In den letzten Jahren erlebt es ein bemerkenswertes Comeback, ausgerechnet weil das klassische Klick-Tracking immer schlechter funktioniert. Wir erklären hier von Grund auf, was MMM ist, warum es gerade jetzt wieder wichtig wird und wo seine Stärken und Grenzen liegen.
In drei Sätzen
- 01Marketing-Mix-Modeling schätzt aus aggregierten Daten, wie stark jeder Kanal zum Gesamt-Ergebnis beiträgt.
- 02MMM braucht keine Cookies und keine Einzelnutzer-Daten, deshalb gewinnt es in der cookielosen Welt an Bedeutung.
- 03MMM sieht das große Bild von oben, ist aber gröber als klick-genaue Methoden, beide ergänzen sich.
Die einfache Definition
Anders gesagt, MMM schaut sich an, wie sich Umsatz und Marketing über Wochen und Monate gemeinsam bewegt haben, und rechnet daraus heraus, wie viel jeder Kanal beigetragen hat. Es berücksichtigt dabei auch Dinge, die nichts mit Marketing zu tun haben, etwa Saison, Wetter, Preis oder Konjunktur.
Warum MMM gerade jetzt zurückkommt
Das klassische Tracking über den Browser verliert Jahr für Jahr mehr Daten, durch Tracking-Schutz, iOS-Privacy und Werbeblocker. Damit wird die klick-basierte Messung löchrig. MMM hat dieses Problem nicht, weil es gar keine Einzelnutzer-Daten braucht. Es arbeitet mit aggregierten Zahlen, die ohnehin vorliegen, Budget pro Kanal und Woche, Umsatz, ein paar äußere Faktoren. Genau diese Unabhängigkeit von Cookies macht MMM in der cookielosen Zukunft so wertvoll.
Was MMM gut kann
MMM ist stark im großen Bild. Es zeigt, wie sich das Gesamt-Budget über alle Kanäle hinweg auswirkt, es berücksichtigt verzögerte Effekte wie Adstock und die Sättigung einzelner Kanäle, und es funktioniert auch für Kanäle, die sich klick-genau gar nicht messen lassen, etwa TV, Plakat oder Radio. Für die strategische Budget-Verteilung über das ganze Jahr ist es deshalb ein hervorragendes Werkzeug.
MMM beantwortet nicht, welcher Klick den Kauf brachte, sondern welcher Kanal das ganze Geschäft trägt. Das ist die Frage, die über die Jahresplanung entscheidet.
Wo MMM an Grenzen stößt
MMM ist grob. Es sieht Kanäle und Wochen, nicht einzelne Anzeigen oder Zielgruppen. Für die feine Optimierung einer einzelnen Kampagne ist es zu wenig detailliert. Außerdem braucht es genug Historie, oft ein bis zwei Jahre Daten, um verlässliche Aussagen zu treffen, und es kann Kanäle verwechseln, die sich immer gemeinsam bewegt haben. Wer MMM überfordert, indem er damit einzelne Anzeigen bewerten will, bekommt unscharfe Ergebnisse.
MMM und Attribution gehören zusammen
Der häufigste Denkfehler ist, MMM und klick-basierte Attribution als Gegner zu sehen. In Wahrheit ergänzen sie sich. MMM liefert das strategische Gesamtbild von oben, Attribution die taktische Feinsteuerung von unten. Wie sich beide unterscheiden und sinnvoll kombinieren lassen, zeigt der Vergleich MMM vs Attribution. Und für den Nachweis, dass ein einzelner Effekt wirklich kausal war, kommt zusätzlich Causal Impact ins Spiel.
Was das für dich bedeutet
Wenn dein Tracking löchrig wird und du wissen willst, wie dein Marketing als Ganzes wirkt, führt an MMM kaum ein Weg vorbei. Früher war das eine Konzern-Übung mit langen Projektlaufzeiten. Heute lässt sich der Kern davon, die Zerlegung in Kanal-Beiträge mit Sättigung und Adstock, auch für Mid-Market-Teams zugänglich machen. Genau diese Bausteine stecken in Vectalyze, sodass du das große Bild bekommst, ohne ein eigenes Data-Science-Team aufzubauen.