Was ist Marketing-Mix-Modellierung?

Marketing-Mix-Modellierung (MMM) ist ein ökonometrisches Analyseverfahren, das die inkrementelle Absatzwirkung verschiedener Marketinginvestitionen, Preisstrategien und Vertriebsmaßnahmen anhand aggregierter historischer Zeitreihendaten schätzt. Durch die Modellierung der Gesamtnachfrage gegen Werbeausgaben unter gleichzeitiger Kontrolle von Makroökonomie, Saisonalität, Wettbewerbsaktionen und organischem Grundabsatz liefert MMM ein ganzheitliches Bild der kaufmännischen Kapitalproduktivität.

Im Gegensatz zur nutzerbasierten Multitouch-Attribution (MTA), die individuelle Pfade über Tracking-Cookies und Geräte-IDs erfasst, arbeitet MMM auf aggregierten Kennzahlen wie wöchentlichen regionalen Ausgaben und Umsätzen. Dadurch ist MMM immun gegen Datenschutzrestriktionen, Cookie-Löschungen und Browser-Blockaden, während es Offline-Kanäle (TV, Print, Außenwerbung) und digitale Kanäle in einem gemeinsamen mathematischen Rahmenwerk vergleichbar macht.

Unkalibrierte Marketing-Mix-Modelle bergen jedoch erhebliche Gefahren. Werden hochdimensionale Regressionen auf kollineare Budgetdaten ohne experimentelle Verankerung angewendet, erzeugen Modelle statistisch scheinbar hochsignifikante, betriebswirtschaftlich jedoch absurde Koeffizienten. Schreibt ein Modell organische Nachfrageschübe fälschlicherweise Werbekanälen zu, resultiert dies in massiver Kapitalverschwendung.

Wie wird ein Marketing-Mix-Modell formal spezifiziert?

Moderne Marketing-Mix-Modelle kombinieren multiple Regressionen mit nichtlinearen Transformationen für zwei fundamentale ökonomische Phänomene: Werbeerinnerung (Adstock) und abnehmende Grenzerträge (Sättigung).

Die grundlegende Regressionsgleichung

Der Gesamtabsatz ($Y_t$) zum Zeitpunkt $t$ wird formal beschrieben als:

$Y_t = \beta_0 + \sum_{k=1}^K \beta_k \times f(x_{k,t}) + \sum_{m=1}^M \gamma_m \times z_{m,t} + \epsilon_t$

Hierbei gilt:

• $\beta_0$ ist der Basisabsatz, der ohne Marketingmaßnahmen entsteht (Markenbekanntheit und organische Nachfrage).
• $x_{k,t}$ bezeichnet die Ausgaben oder Werbedruckeinheiten im Marketingkanal $k$ zur Zeit $t$.
• $f(x_{k,t})$ ist die zusammengesetzte nichtlineare Transformation für Adstock-Abklingeffekte und Sättigung.
• $\beta_k$ ist der marginale Wirkungsfaktor des transformierten Kanals $k$.
• $z_{m,t}$ erfasst externe Kontrollvariablen (z. B. Preisschwankungen, Konjunkturindizes, Saisonalität, Wettbewerb).
• $\epsilon_t$ ist der normalverteilte Fehlerterm: $\epsilon_t \sim \mathcal{N}(0, \sigma^2)$.

1. Nachhall und Erinnerungswirkung (Adstock)

Werbekontakte erzeugen eine Erinnerungswirkung, die über die eigentliche Kampagnenwoche hinauswirkt. Eine geometrische Adstock-Funktion modelliert dieses Abklingverhalten mit dem Retentionsparameter $\theta_k \in [0, 1)$:

$x_{k,t}^{\prime} = x_{k,t} + \theta_k \times x_{k,t-1}^{\prime}$

Wobei $\theta_k$ die Halbwertszeit des Kanals $k$ abbildet. Während TV-Kampagnen hohe Nachhallwerte aufweisen ($\theta \approx 0{,}80$), verpufft der Effekt bei Suchanzeigen meist rasch ($\theta \approx 0{,}10$).

2. Abnehmende Grenzerträge (Sättigung)

Eine Verdopplung des Mediabudgets verdoppelt niemals dauerhaft den Mehrabsatz. Sättigungseffekte werden über Hill-Funktionen oder exponentielle Kurven modelliert:

$f(x_{k,t}^{\prime}) = \frac{(x_{k,t}^{\prime})^{\alpha_k}}{(x_{k,t}^{\prime})^{\alpha_k} + \kappa_k^{\alpha_k}}$

Hierbei steuert $\kappa_k$ das Ausgabenniveau, bei dem der Kanal 50 % seines Sättigungspotenzials erreicht, während $\alpha_k$ die Steigung der Reaktionskurve definiert.

Gordon et al. (2019) beziffern, wie weit beobachtende Methoden von einem randomisierten Benchmark abweichen können: „the point estimates in 7 of the 14 studies with a checkout-conversion outcome are consistently off by more than a factor of three“, während „observational methods do a better job of approximating RCT outcomes for registration and page“-view outcomes. Ohne Holdout kann ein Modell eine organische Nachfragespitze nicht von Werbewirkung unterscheiden.

Blake et al. (2015) sind das experimentelle Gegenstück: „as an extreme case, we show that brand keyword ads have no measurable short-term bene“fits bei eBay, und „more frequent users whose purchasing behavior is not influenced by ads account for most of the advertising expenses, resulting in average returns that are negative.“ Dass Budget der Nachfrage folgt statt sie zu erzeugen, ist die Endogenität, die eine aggregierte Regression nicht sieht; die Erklärung über automatisierte Gebotsstrategien stammt von mir.

Lewis und Rao (2015) liefern die Varianz: „relative to the per capita cost of the advertising, individual-level sales are very volatile; a coefficient of variation of 10 is common“, und „The median confidence interval on return on investment is over 100 percentage points wide.“ Ihr Untersuchungsfeld sind Experimente und keine Zeitreihenmodelle, und das Rauschen, das sie messen, erbt ein unverankertes Modell.

Johnson et al. (2017) liefern den günstigen randomisierten Anker: Ghost Ads „facilitate“ den Vergleich „by identifying the control-group counterparts of the exposed consumers in a randomized experiment“, und gegenüber PSA- und Intent-to-Treat-Tests könnten sie „reduce the cost of experimentation, improve measurement precision, deliver the relevant strategic baseline“. Eine solche Schätzung als Prior zu verwenden, ist der operative Schritt und stammt von mir; vorliegend ist ein Preprint.

Architekturbaustein	Messebene	Primärer Input	Kaufmännische Steuerungsaufgabe
Top-Down-Ökonometrie (MMM)	Makroökonomische Portfolioebene	Wöchentliche Ausgaben, Absatz, Preise, Konjunktur	Jährliche und quartalsweise Budgetallokation über Kanäle
Experimentelle Eichung (RCTs)	Regionale und Nutzer-Holdouts	Regionale Geo-Tests, Ghost Ads, Kontrollgruppen	Kalibrierungsanker und informative Priors für das MMM
Taktische Klick-Attribution	Granulare intra-mediale Signale	Klicks, Impressionen, Creatives, Keywords	Tagesaktuelle Gebotsanpassung und Creative-Optimierung
Deckungsbeitragsabgleich	Betriebliche Finanzbuchhaltung	Direct Costing, COGS und variable Lieferkosten	Umrechnung von Bruttowerbeeffekten in echten Cashflow
Budget-Optimierungsalgorithmus	Synthese der Grenzertragskurven	Kalibrierte Sättigungsgleichungen je Kanal	Verschiebung von Grenzertrags-Euros auf die steilsten Kurven

Wie grenzt sich Marketing-Mix-Modellierung von Klick-Attribution ab?

Führungskräfte diskutieren häufig, ob sie Marketing-Mix-Modelle oder Multitouch-Attribution einsetzen sollten. Tatsächlich beantworten beide Ansätze unterschiedliche Fragen mit gegensätzlichen Stärken:

Dimension	Marketing-Mix-Modellierung (MMM)	Multi-Touch-Attribution (MTA)
Datengranularität	Aggregierte Zeitreihen (wöchentlich, regional)	Individuelle Nutzerpfade (Klickprotokolle, User-IDs)
Datenschutzkonformität	Vollkommen unabhängig von Cookies und Tracking	Extrem anfällig für Browserblockaden und Werbeblocker
Erfassung von Offline-Kanälen	Integriert TV, Print, Außenwerbung und Konjunktur	Blind für Offline-Medien; erfasst rein digitale Klicks
Erinnerungswirkung	Modelliert Adstock- und Abklingeffekte präzise	Unterstellt starre oder willkürliche Lookback-Fenster
Sättigungseffekte	Erfasst abnehmende Grenzerträge und Kapazitätsgrenzen	Behandelt jeden Klick als linear gleichwertig
Kausale Validität	Moderat (benötigt Kalibrierung gegen Endogenität)	Extrem gering (verwechselt Korrelation mit Werbewirkung)
Steuerungshorizont	Strategisch (quartalsweise und jährliche Planung)	Operativ (tägliche Kampagnen- und Gebotsoptimierung)

Die Verknüpfung mit den Wirtschaftlichkeitskennzahlen ist essenziell. Wie in Was ist Inkrementalität? und Was sind Kundenakquisitionskosten? erläutert, führt der Verzicht auf kausale Modellbereinigung zu gravierenden Fehlentscheidungen in der Kundenakquisition.

Praxisbeispiel: Optimierung eines Multi-Channel-Mediabudgets

Ein Handelsunternehmen investiert monatlich 1.000.000 € in drei Kanäle: Markensuchanzeigen (Brand Search), Performance Social Media (Neukunden) und Connected TV (CTV).

1. Das unkalibrierte Ausgangsszenario (Sicht des Attributions-Dashboards)

• Markensuchanzeigen: 400.000 € Budget $\rightarrow$ 2.400.000 € zugewiesener Umsatz (ROAS 6{,}0).
• Performance Social: 400.000 € Budget $\rightarrow$ 1.200.000 € zugewiesener Umsatz (ROAS 3{,}0).
• Connected TV (CTV): 200.000 € Budget $\rightarrow$ 200.000 € zugewiesener Umsatz (ROAS 1{,}0).
• Fehlleitende Managemententscheidung: Markensuche vervierfachen, CTV komplett einstellen.

2. Kalibrierung des Modells durch experimentelle Kontrolltests

Das Ökonometrie-Team führt regionale Holdout-Tests durch, um den realen kausalen Mehrertrag zu ermitteln, basierend auf den Erkenntnissen von Blake et al. (2015) und Gordon et al. (2019):

• Inkrementalität der Markensuche: Liegt bei lediglich 15 % (85 % der Käufe finden ohnehin organisch statt).
• Inkrementalität von Performance Social: Liegt bei 60 % (echte Neukundengewinnung).
• Inkrementalität von Connected TV: Liegt bei 85 % (starker ungestützter Bekanntheitseffekt).

3. Berechnung der kausalen Grenzerträge

Kanal-Audit nach Kalibrierung:
  Markensuchanzeigen (Brand Search):
    Nominaler Plattformumsatz:              2.400.000 €
    Kausaler Mehrumsatz (15 %):               360.000 €
    Budgeteinsatz:                            400.000 €
    Realer kausaler iROAS:                       0,90x
    Grenzertrag auf nächste 10.000 €:            0,25x (Stark übersättigt)

  Performance Social Media:
    Nominaler Plattformumsatz:              1.200.000 €
    Kausaler Mehrumsatz (60 %):               720.000 €
    Budgeteinsatz:                            400.000 €
    Realer kausaler iROAS:                       1,80x
    Grenzertrag auf nächste 10.000 €:            1,35x (Moderat gesättigt)

  Connected TV (CTV):
    Nominaler Plattformumsatz:                200.000 €
    Kausaler Mehrumsatz (85 %):               170.000 €
    Indirekter Such-Uplift:                   380.000 €
    Gesamte kausale Ertragswirkung:           550.000 €
    Budgeteinsatz:                            200.000 €
    Realer kausaler iROAS:                       2,75x
    Grenzertrag auf nächste 10.000 €:            2,20x (Stark untersättigt)

4. Kaufmännische Neuausrichtung

Das kalibrierte MMM verlagert 250.000 € aus der übersättigten Markensuche in untersättigte Kanäle (CTV und Social):

• Neues Budget: Markensuche 150.000 € | Performance Social 500.000 € | CTV 350.000 €.
• Das Gesamtbudget bleibt mit 1.000.000 € exakt unverändert.
• Der erzielte Netto-Mehrumsatz steigt von 1.630.000 € auf 2.340.000 €, was einen monatlichen Mehrerlös von 710.000 € freisetzt, ohne die Gesamtausgaben um einen einzigen Euro zu erhöhen.

Die Verknüpfung zur Profitabilität ist unmittelbar. Wie in Was ist der Deckungsbeitrag? verdeutlicht, stellt die Ausrichtung an marginalen kausalen Beiträgen sicher, dass Werbeausgaben echten operativen Cashflow erzeugen.

Welche typischen Modellierungsfehler untergraben Marketing-Mix-Modelle?

Modellierungsfehler	Ursache	Ökonometrisches Scheitern	Korrekturprotokoll
Hohes $R^2$ als Wahrheitsbeweis werten	Überanpassung zahlloser Variablen an kurze Zeitreihen	Verwechselt Trendanpassung mit kausaler Elastizität	Vorhersagekraft an Out-of-Sample-Daten testen
Ausblenden organischer Preistreiber	Fehlende Erfassung von Rabattaktionen und Produkteinführungen	Werbekoeffizienten absorbieren unbemerkt Grundabsatz	Preiselastizitäten und Konjunkturindizes explizit modellieren
Ignorieren von Budget-Endogenität	Gebotstools steigern Ausgaben bei ohnehin hoher Nachfrage	Regression interpretiert Nachfrageschübe als Werbeerfolg	Instrumentvariablen oder experimentelle Priors einsetzen
Starre Adstock-Annahmen	Identische Nachhallquoten über alle Medienkanäle hinweg	Überschätzt Suchanzeigen; unterschätzt Markenwerbung	Kanalspezifische Halbwertszeiten empirisch bestimmen
Betrieb ohne Kontrollgruppen	Ausschließliches Vertrauen auf historische Beobachtungsdaten	Modell verharrt in statistisch abgesicherter Selbsttäuschung	Regelmäßige randomisierte Holdouts als Eichanker vorschreiben

Welches auditierbare Protokoll etabliert ein Bayesianisches MMM-System?

1. Saubere Zeitreihen aggregieren: Erfassen Sie wöchentliche Daten zu regionalen Ausgaben, Absätzen, Preisen, Aktionen und Konjunktur über mindestens 104 Wochen.
2. Medientaxonomie differenzieren: Trennen Sie Kanäle nach Wirkungsweisen: Markensuche, generische Suche, Neukunden-Social, Retargeting, lineares TV und digitales Video.
3. Experimentelle Eichpunkte schaffen: Führen Sie regionale Holdout-Tests auf Schlüsselkanälen durch, um unvoreingenommene Inkrementalitätswerte zu gewinnen (Gordon et al., 2019).
4. Informative Bayesianische Priors definieren: Nutzen Sie die Testergebnisse als Grenzen für die Koeffizienten ($\beta_k$) und Sättigungsparameter ($\kappa_k$) der Kanäle.
5. Bayesianische Regression berechnen: Nutzen Sie Markov-Chain-Monte-Carlo-Algorithmen (MCMC), um robuste Parameterverteilungen unter Berücksichtigung von Multikollinearität zu schätzen.
6. Out-of-Sample-Validierung durchführen: Behalten Sie die jüngsten 8 bis 12 Wochen als Testdaten ein, um die Prognosegenauigkeit unter realen Marktveränderungen zu prüfen.
7. Grenzerträge kontinuierlich optimieren: Berechnen Sie die marginale Ertragskurve je Kanal und verschieben Sie Budgets von gesättigten in ertragsstarke Medien.

Wo liegen die empirischen Grenzen der Marketing-Mix-Modellierung?

Marketing-Mix-Modellierung ist ein strategisches Instrument zur Budgetplanung, kein Werkzeug für tagesaktuelle Klickentscheidungen. Sie verlangt eine hinreichende Datenbasis. Unternehmen mit weniger als zwei Jahren konsistenter Historie oder B2B-Anbieter mit seltenen Großabschlüssen verfügen nicht über die notwendigen statistischen Freiheitsgrade für belastbare Modellierungen.

Zudem kann MMM operative Kampagnenoptimierungen nicht ersetzen. Es beantwortet verlässlich, ob 5.000.000 € in TV oder Online-Video fließen sollten, kann jedoch nicht ermitteln, welche spezifische Bildanzeige morgen die höchste Klickrate erzielt.

Die wissenschaftlichen Grundlagen dieses Beitrags basieren auf der ökonometrischen Fachliteratur und groß angelegten Werbefeldstudien, namentlich Gordon et al. (2019), Blake et al. (2015), Lewis und Rao (2015) sowie Johnson et al. (2017). Die mathematischen Transformationen, Portfolio-Berechnungen und Kalibrierungsschritte stellen die methodische Synthese des Autors für eine belastbare Budgetsteuerung dar.

References

1. Blake, T., Nosko, C., & Tadelis, S. (2015). Consumer heterogeneity and paid search effectiveness: A large-scale field experiment. Econometrica, 83(1), 155-174. DOI
2. Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. (2019). A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook. Marketing Science, 38(2), 193-225. DOI
3. Johnson, G. A., Lewis, R. A., & Nubbemeyer, E. I. (2017). Ghost ads: Improving the economics of measuring online ad effectiveness. Journal of Marketing Research, 54(6), 867-885. DOI
4. Lewis, R. A., & Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. The Quarterly Journal of Economics, 130(4), 1941-1973. DOI