Multi-Channel-Optimierung, das Equimarginal-Prinzip in der Praxis

Im zweiten Beitrag dieser Serie haben wir Marginal Return als eines der drei zentralen Werkzeuge eingeführt. Das war zunächst eine konzeptionelle Sicht, wie wir den Beitrag eines einzelnen zusätzlichen Euro auf einem Kanal messen. Heute übertragen wir diese Logik auf den ganzen Mix. Wenn wir vier, sechs oder zehn Kanäle parallel fahren, wie verteilen wir das Gesamtbudget so, dass am Ende der maximale Gewinn herauskommt. Wir zeigen das Equimarginal-Prinzip, das die theoretische Lösung gibt, und gehen dann praktisch durch, wie eine iterative Re-Allokation in echten Setups funktioniert, inklusive der Stolpersteine wie Kannibalisierung und Plattform-Mindestbudgets.

Die zentrale Idee, alle Kanäle sollen gleich produktiv sein

Wenn wir auf Kanal A mit dem nächsten Euro vierzig Cent Gewinn machen und auf Kanal B nur fünfzehn Cent, dann sollte der nächste Euro nach Kanal A gehen. So lange, bis die Marginal-Returns gleich groß sind. Bis dahin gibt es immer eine bessere Allokation, weil wir Euros mit niedriger Wirkung gegen Euros mit höherer Wirkung tauschen können.

Das Prinzip klingt simpel, hat aber praktische Konsequenzen. Es heißt nicht, dass alle Kanäle das gleiche Budget bekommen sollen. Es heißt, dass der Marginal Return des letzten Euro überall gleich sein soll. Ein Kanal mit hoher Sättigungs-Schwelle bekommt mehr absolutes Budget, ein Kanal mit niedriger Schwelle bekommt weniger, beide arbeiten am Ende auf der gleichen Steigungs-Höhe ihrer Sättigungskurve.

Wie wir das praktisch ausrechnen

Wir starten mit der aktuellen Allokation und der für jeden Kanal geschätzten Sättigungs- kurve. Aus der Sättigungskurve und dem aktuellen Spend lässt sich für jeden Kanal der Marginal Return berechnen, also die Steigung der Kurve im aktuellen Spend-Punkt. Wir identifizieren den Kanal mit dem höchsten und den mit dem niedrigsten Marginal Return. Dann verschieben wir einen kleinen Budget-Schritt vom Niedrig- zum Hoch-Kanal, etwa ein Prozent des Gesamtbudgets, und rechnen die Marginal Returns neu. Wir wiederholen, bis die Differenz zwischen höchstem und niedrigstem Marginal Return unter eine kleine Schwelle fällt.

Das Verfahren konvergiert üblicherweise in wenigen Hundert Iterationen, jede Iteration ist mathematisch trivial. Vectalyze macht das im Multi-Channel-Optimizer im Hintergrund und liefert die finale Allokation als Empfehlung. Wichtig ist, dass wir bei jeder Verschiebung die Constraints respektieren, also nicht in einen Mindest- oder Maximalwert eines Kanals laufen.

Constraints, die in jedes echte Setup gehören

Drei Beschränkungen sind praktisch immer relevant.

Erstens, Mindestbudgets pro Kanal. Plattformen wie LinkedIn oder Programmatic-Buying haben Mindesteinsätze, unter denen die Auslieferung nicht stabil ist. Ein Kanal mit zweihundert Euro Wochenbudget ist auf LinkedIn quasi unsichtbar. Die Optimierung muss deshalb sicherstellen, dass ein Kanal entweder seine Mindestschwelle erreicht oder ganz rausfällt. Halbe Sachen sind hier wirtschaftlich gefährlich.

Zweitens, Maximalbudgets pro Kanal. Manche Kanäle haben begrenztes Inventar, etwa spezialisierte B2B-Newsletter mit fester Auflage oder Branchen-Newsletter mit definierten Sponsoring-Plätzen. Wer mehr ausgeben wollte, kann das schlicht nicht. Andere Kanäle haben praktisch keine Obergrenze, hier müssen wir nur die Sättigungs-Aussage ernst nehmen.

Drittens, strategische Pflicht-Budgets. Manche Allokationen ergeben sich aus strategischen Gründen, nicht aus Marginal-Return-Logik. Vielleicht wollen wir auf einer Branchen-Konferenz unbedingt mit einem Stand auftreten, weil unsere Hauptkonkurrenz dort ist. Vielleicht erfordert ein Partner-Vertrag einen Mindesteinsatz auf einer bestimmten Plattform. Solche Pflicht-Budgets nehmen wir oben raus und optimieren mit dem Rest.

Kannibalisierung, der Stolperstein der naiven Optimierung

Kannibalisierung ist die wichtigste Korrektur, die ein naives Multi-Channel-Modell braucht. Im Beispiel mit Google-Brand und organischer Suche kann der nominale Marginal Return der Brand-Anzeige bei vierzig Cent pro Euro liegen, der echte Mehrwert aber nur bei fünfzehn Cent, weil fünfundzwanzig Cent ohnehin organisch gekommen wären. Wer Kannibalisierung ignoriert, verschiebt zu viel Budget zu Brand-Search und unterschätzt andere Kanäle.

Vectalyze schätzt Kannibalisierungs-Effekte über die historische Korrelation zwischen Kanal-Aktivität und organischen Bewegungen. Wenn die organische Such-Conversion immer dann sinkt, wenn die Brand-Anzeige läuft, wissen wir, dass ein Teil der Anzeigen-Wirkung nur Umverteilung ist. Die Optimierung berücksichtigt das automatisch.

Wie das in den Strategie-Zyklus passt

Multi-Channel-Optimierung gehört in die Plan-Phase und in die Measure-Phase des Strategie-Zyklus aus Beitrag drei. In der Plan-Phase nutzen wir sie, um das nächste Quartalsbudget zu verteilen. In der Measure-Phase prüfen wir, ob die Empfehlung tatsächlich zu den erwarteten Gewinnen geführt hat. Falls nicht, ist das ein Signal, dass entweder unsere Sättigungskurven falsch geschätzt waren oder dass eine externe Veränderung eingetreten ist, etwa ein neuer Mitbewerber.

Eine wichtige Erkenntnis aus der Praxis. Die Multi-Channel-Optimierung sollte nie auf einen Schlag radikale Umschichtungen verlangen. Wenn die Empfehlung sagt, das Budget für Google soll von vierzig auf zwanzig Prozent fallen und für TikTok von fünf auf fünfundzwanzig steigen, ist das eine zu große Sprung-Empfehlung. Wir sollten dann skeptisch sein und kleine Schritte gehen, oft fünf Prozent pro Monat. Das gibt uns die Möglichkeit zu lernen, ohne uns einem Modell-Fehler komplett auszuliefern.

Was wir in Vectalyze konkret einsetzen

Der Multi-Channel-Optimizer kombiniert die bayesianisch geschätzten Sättigungskurven aus Beitrag fünf, die Adstock-Effekte aus Beitrag sechs, die saisonale Komponente aus Beitrag elf und die Kannibalisierungs-Korrektur. Heraus kommt eine Empfehlung, die nicht nur die Steigungen ausgleicht, sondern die zeitliche Wirkung und die Wechselwirkungen berücksichtigt. Plus eine ehrliche Konfidenz-Aussage, sodass wir wissen, wie zuversichtlich wir der Empfehlung folgen sollten.

Wer die Empfehlung umsetzt, sollte den nächsten Causal-Impact-Test schon planen. Wir prüfen, ob die tatsächliche Umsatz-Entwicklung der vorhergesagten entspricht. Falls ja, geht das Vertrauen in das Modell hoch und wir können größere Schritte wagen. Falls nicht, lernen wir, wo die Kurven nachjustiert werden müssen.

Im nächsten Beitrag wechseln wir den Cluster und eröffnen die Branchen-Sektion mit dem ersten konkreten Anwendungsfall, B2B-SaaS. Wir zeigen, wie die ganze Werkzeug-Familie aus den letzten Beiträgen auf die typischen Eigenheiten dieses Segments angewendet wird, von Sales-Cycle-Effekten bis zu Brand-Pipeline-Verknüpfungen.