Sättigungskurven mit wenig Daten, was bayesianische Priors leisten

Im zweiten Beitrag dieser Serie haben wir die Sättigungskurve als eines der drei zentralen mathematischen Werkzeuge vorgestellt. Wer den Beitrag gelesen hat, wird sich gefragt haben, ob das alles wirklich funktioniert, wenn man gar nicht zwölf saubere Wochen Datenpunkte beisammen hat. Was ist mit einem neuen Kanal, der erst vier Wochen läuft? Was ist mit einer Kampagne, die wir noch nie gefahren haben? Genau dieser Fall ist Alltag und nicht die Ausnahme. Wir schauen uns deshalb heute an, wie ein Modell auch dann etwas Sinnvolles sagen kann, wenn die Datenlage dünn ist, ohne dass es sich Sicherheit erfindet, die es nicht hat.

Warum klassische Statistik bei wenigen Daten Schwierigkeiten hat

Stellen wir uns vor, wir haben drei Datenpunkte. An einem Tag haben wir 500 Euro Budget investiert und 1.200 Euro Umsatz erzeugt. An einem zweiten Tag waren es 800 Euro Budget und 1.700 Euro Umsatz. Am dritten Tag 1.500 Euro Budget und 2.400 Euro Umsatz. Eine klassische Regression versucht, diese drei Punkte durch eine Kurve zu legen. Sie wird es schaffen, aber das Ergebnis sagt uns wenig über die Realität, weil drei Punkte fast jede Form rechtfertigen können. Eine leichte Gerade, eine starke Sättigung, sogar eine S-Kurve mit Wendepunkt liegen alle innerhalb der statistischen Toleranz. Wir hätten ein Modell, aber kein Wissen.

Das Problem ist nicht, dass wir zu wenig Geduld hätten. Das Problem ist, dass jeder Datenpunkt eine Mischung aus echtem Signal und zufälligem Rauschen ist. Je weniger Punkte wir haben, desto stärker schlägt das Rauschen durch. Eine Regression kann dieses Rauschen nicht von Signal unterscheiden, sie versucht beides gleichermaßen zu erklären, und das kippt das Ergebnis.

Was bayesianische Statistik anders macht

Bayesianische Statistik fängt nicht bei null an. Sie geht davon aus, dass wir vor der Beobachtung schon etwas wissen, zum Beispiel weil wir die Branche kennen oder weil Kollegen ähnliche Kampagnen gefahren haben. Dieses Vorwissen verbinden wir mit den frischen Datenpunkten und kommen zu einer aktualisierten Schätzung. Das ist mathematisch sehr sauber und entspricht ziemlich genau dem, was wir alle im Kopf machen, wenn wir Erfahrungen mit neuen Beobachtungen abgleichen.

Woher die Priors für Marketing-Sättigungskurven kommen

Ein nützlicher Prior ist nicht aus der Luft gegriffen, sondern aus belastbaren Branchen-Erfahrungen abgeleitet. Vectalyze führt eine eigene Datenbank mit Branchen-Benchmarks, die wir aus öffentlich verfügbaren Studien, Plattform-Reports und anonymisierten Aggregat-Daten zusammengetragen haben. Für eine Kategorie wie B2B-SaaS, Google-Search-Kampagne, mit einem mittleren Budget, kennen wir ungefähr den Wertebereich der drei Hill-Parameter. Wir wissen zum Beispiel, dass der maximale ROAS für diese Kategorie typischerweise zwischen drei und sechs liegt, der Halbsättigungs-Punkt zwischen achtzehntausend und vierzigtausend Euro Monatsbudget, und die Steilheit zwischen eins-Komma-zwei und zwei.

Diese Bereiche definieren wir als Wahrscheinlichkeitsverteilungen. Ein neuer Vectalyze- Account, der eine Sättigungskurve für einen Google-Ads-Channel rechnen will, startet mit diesen Branchen-Verteilungen als Prior. Mit dem ersten echten Datenpunkt verschiebt sich die Verteilung leicht in Richtung der eigenen Beobachtung. Mit dem zwölften Datenpunkt ist die Verschiebung deutlich, der Posterior ist viel enger geworden, und der Branchen- Standard spielt nur noch eine kleine Rolle.

Wie sich Konfidenz mit Datenpunkten entwickelt

Ein zentraler Vorteil des bayesianischen Ansatzes ist, dass wir nicht nur eine Schätzung bekommen, sondern auch eine ehrliche Aussage zur Unsicherheit. Mit drei Datenpunkten breitet sich das Konfidenz-Band weit aus, weil wir noch nicht viel wissen. Mit zwölf Datenpunkten ist es deutlich schmaler. Wichtig ist, das Modell tut nie so, als wüsste es mehr als es weiß. Es zeigt uns offen, wo wir uns mit unserer Schätzung gerade befinden.

Das hat einen praktischen Effekt für Entscheidungen. Wenn wir nach drei Wochen eine Empfehlung lesen, die sagt, das optimale Budget liegt bei dreiundzwanzigtausend Euro mit einem Konfidenz-Band von dreizehntausend bis vierunddreißigtausend, dann wissen wir, dass wir die Empfehlung mit Vorsicht nehmen sollten und besser noch zwei Wochen weitermessen. Wenn wir nach zwölf Wochen eine Empfehlung lesen, die ein Band von einundzwanzigtausend bis fünfundzwanzigtausend zeigt, dann ist die Schätzung deutlich vertrauenswürdiger.

Ein konkretes Beispiel, ein neuer LinkedIn-Channel

Stellen wir uns ein B2B-SaaS-Team vor, das LinkedIn-Sponsored-Content das erste Mal testet. Wir haben drei Wochen Daten, zusammen sechs Datenpunkte. Eine klassische Regression würde aus diesen Punkten eine fragwürdige Kurve formen. Bayesianisch starten wir mit dem Prior für B2B-SaaS auf LinkedIn, der einen erwarteten ROAS-Maximalwert um vier setzt und einen Halbsättigungs-Punkt um zwanzigtausend Euro Monatsbudget. Unsere sechs Datenpunkte zeigen bisher einen ROAS um drei-Komma-fünf bei vergleichsweise niedrigem Budget, also unter dem Halbsättigungs-Punkt. Das Modell aktualisiert den Prior und sagt uns, dass die Sättigungs- Schwelle für unsere konkrete Kampagne wahrscheinlich etwas niedriger liegt als der Branchen-Standard, aber das Konfidenz-Band ist breit. Empfehlung, jetzt vorsichtig skalieren, aber nicht hochrampen, denn die Datenlage trägt noch keine große Wette.

Drei Monate später haben wir vierundzwanzig Datenpunkte. Der Posterior ist deutlich enger, wir wissen sicher, dass unsere LinkedIn-Kampagne bei achtzehntausend Euro Monatsbudget ihre Sättigung erreicht und nicht erst bei dreißigtausend. Wir können das Budget jetzt präzise steuern. Das ist der Wert von kontinuierlichem Lernen, das Modell wird nicht nur klüger, es wird auch ehrlicher.

Was, wenn unsere Branche nicht zu den Standard-Priors passt

Das ist ein berechtigter Einwand. Branchen-Benchmarks sind Mittelwerte über viele Unternehmen, und unser Geschäft kann anders gelagert sein. Bayesianisch lösen wir das elegant, der Prior darf bewusst breiter sein, wenn wir unsicher sind, ob wir zur Branche passen. Ein breiter Prior bedeutet mathematisch, dass wir den Branchen-Werten weniger Gewicht geben und unseren eigenen Datenpunkten mehr. Wir können auch eigene Priors aus früheren eigenen Kampagnen ableiten, wenn wir vergleichbare Settings schon einmal gefahren sind. Vectalyze erlaubt beides, einen Standard-Prior aus der Branchen-Datenbank oder einen eigenen Prior aus früheren Modellzuständen.

Wie das in den Strategie-Zyklus passt

Der Strategie-Zyklus aus Beitrag drei lebt davon, dass wir messen, lernen und nachjustieren. Bayesianische Sättigungskurven sind genau der Mechanismus, der dieses Lernen technisch möglich macht. Statt einmal pro Quartal das ganze Modell neu zu rechnen, fließt jeder neue Datenpunkt sanft in die Schätzung ein. Die Erkenntnisse von gestern werden nicht verworfen, sondern mit den Beobachtungen von heute verschmolzen.

Das hat einen kulturellen Nebeneffekt. Teams, die bayesianisch arbeiten, lernen einen anderen Umgang mit Unsicherheit. Statt nach der einen Wahrheit zu suchen, akzeptieren sie, dass jede Aussage eine Verteilung ist und die Konfidenz mit den Daten wächst. Das hilft in Vorstands-Diskussionen, weil wir nicht so tun müssen, als wüssten wir Dinge, die wir nicht wissen können.

Im nächsten Beitrag dieser Serie steigen wir tiefer in einen verwandten Aspekt ein, der in der Praxis oft das Adstock-Phänomen genannt wird. Werbung wirkt nicht sofort, sondern verzögert über Wochen, und die Sättigungskurve allein kann das nicht abbilden. Wir zeigen, wie wir diesen Zeit-Effekt in die Modelle bekommen, ohne dass das Setup komplex wird.