Marketing-Mix-Modellierung ist ein Kalibrierungsproblem

Marketing-Mix-Modellierung ist ein Kalibrierungsproblem, kein Dashboard-Problem. Sie kann eine aggregierte Budgetentscheidung ordnen, zeigen, wie sich Nachfrage und Ausgaben gemeinsam bewegen, und eine Reihe von Szenarien sichtbar machen. Sie kann keinen kausalen Lift bescheinigen, nur weil die Regression anspruchsvoll ist.

Die Unterscheidung geht leicht verloren, weil jedes Instrument eine Zahl liefert. Ein Multi-Touch-Attributionsmodell verteilt Verdienst auf beobachtete Kontakte. Ein Marketing-Mix-Modell setzt aggregierte Ergebnisse mit aggregierten Inputs in Beziehung. Ein Inkrementalitätstest fragt, was sich gegenüber einem Kontrafaktum verändert hat. Die Zahlen wirken erst vergleichbar, nachdem die Frage stillschweigend ausgetauscht wurde.

Welche drei unterschiedlichen Messfragen beantworten Attribution, Tests und MMM?

Die erste Disziplin besteht darin, den Output vor der Modellwahl zu benennen. Wenn die Entscheidung lautet, ob ein Kanal Nachfrage erzeugt hat, die sonst nicht entstanden wäre, muss das Modell ein glaubwürdiges Kontrafaktum enthalten. Wenn die Entscheidung lautet, wie ein Portfolio unter mehreren Nachfrageszenarien geplant wird, kann ein Aggregatmodell das richtige Instrument sein, auch wenn es kausalen Lift allein nicht identifizieren kann.

Das ist die engere Aussage hinter der Inkrementalitätsillusion. Das Problem besteht nicht darin, dass beobachtete Zusammenhänge nutzlos wären. Es besteht darin, dass eine Organisation eine kontrafaktische Entscheidung aus einem Instrument ableitet, das das Kontrafaktum nie beobachtet hat.

Warum erfordern Marketing-Mix-Modelle eine kontinuierliche Kalibrierung durch Uplift-Tests?

Ein Aggregatmodell sieht Zeit. Zeit enthält Saisonalität, Aktionen, Produkteinführungen, makroökonomische Schocks und die eigene Entscheidung des Unternehmens, mehr auszugeben, wenn die Nachfrage vielversprechend aussieht. Das Modell muss diese Bewegungen mit Daten und Annahmen trennen, die nie vollständig beobachtet werden.

Auch die Transformationen sind wichtig. Adstock, Sättigung, Verzögerung und Interaktionsterme sind keine Dekoration. Sie sind Behauptungen darüber, wie Exposition zu Nachfrage wird. Unterschiedliche Annahmen können zu unterschiedlichen Allokationen führen, obwohl sie die Vergangenheit ähnlich gut anpassen.

Kalibrierung verhindert, dass dies zu einem Streit darüber wird, wessen Grafik plausibler aussieht. Sie verwendet Experimente, externe Schocks, stabile Kontrollreihen, bekannte Preisänderungen oder andere Beobachtungen, um das Modell zu begrenzen. Sie macht das Modell nicht experimentell. Sie zeigt dem Leser, welche Modellteile außerhalb des Modells einen Anker haben.

Gordon und Kollegen zeigen, warum das beim Vergleich verschiedener Verfahren der Werbemessung mit Feldexperimenten wichtig ist. Blake, Nosko und Tadelis zeigen, wie Paid Search inframarginale Käufer erfassen kann. Lewis und Rao zeigen, wie verrauschte Ergebnisse die Messung von Rendite verteuern. Die Lehre besteht nicht darin, jedes Modell zu verwerfen. Es geht darum, Modell-Fit nicht als Beweis für Lift zu behandeln.

Wie nutzen Führungskräfte MMM-Ergebnisse ohne methodische Überreizung?

Beginnen Sie mit der Portfoliosteuerung. Welche Kanäle brauchen eine Richtungsspanne? Welche Kanäle sind groß genug für einen geplanten Holdout? Welche Entscheidungen sind defensiv und sollten durch eine Budgetobergrenze statt durch einen Anspruch auf inkrementelle Nachfrage geregelt werden?

Zeigen Sie anschließend die Bandbreite. Ein Modell, das eine Allokation ohne Sensitivitätsansicht erzeugt, hat seine Unsicherheit versteckt. Variieren Sie Basis, Nachwirkung und Sättigungsannahmen. Wenn sich das empfohlene Portfolio bei einer vernünftigen Annahme verändert, reagiert die Entscheidung auf diese Annahme. Das ist ein wichtiger Output.

Der nächste Schritt ist die Verbindung des Modells mit einem Test. Ein Holdout kann einen Kanal oder eine Kanalfamilie kalibrieren. Er muss sich nicht auf jeden Markt oder Zeitraum übertragen lassen, liefert dem Aggregatmodell aber einen externen Punkt. Das Arbeitsblatt Evidenz statt Anekdote hilft hier: Schreiben Sie auf, was als Evidenz gelten würde, bevor die Allokation gezeigt wird.

Trennen Sie schließlich das Modellszenario von der operativen Entscheidung. Das Modell kann sagen, dass ein Portfolio unter bestimmten Annahmen besser aussieht. Die Führung muss trotzdem entscheiden, wie viel Unsicherheit sie kaufen will, welche Cash-Payback akzeptabel ist und welches Lernen wichtiger ist als die scheinbare Effizienz dieses Quartals.

Warum unterscheidet sich ökonometrische Governance grundlegend vom Dashboard-Monitoring?

Das Dashboard ist eine Ansicht. Governance ist die Regel, die sagt, was geschieht, wenn die Ansicht mit einem Test, einer Margenschwelle oder einer Kundenbedingung kollidiert. Der Funnel-Engpass, den niemand misst zeigt dasselbe Muster außerhalb der Werbung: Die sichtbare Kennzahl ist oft der Output, während das ungemessene Intervall entscheidet, ob der Output vertrauenswürdig ist.

Eine Marketing-Mix-Modellierung ist es wert, behalten zu werden, wenn sie Annahmen sichtbar macht, Szenarien unterstützt, externe Kalibrierung akzeptiert und eine Entscheidung verändert. Als dekorative Präzisionsquelle ist sie es nicht. Die richtige Frage im nächsten Review lautet nicht: „Was sagte das Modell?“ Sie lautet: „Welcher Teil des Modells wurde getestet, welcher ist ein Szenario, und auf welchen Teil darf sich welche Entscheidung stützen?“