Marketing-Mix-Modellierung: Ihr Schlüssel zur Entfaltung grösserer Verkaufswirkung

In der heutigen schnelllebigen digitalen Landschaft, mit unzähligen Marketingkanälen und komplexen Kundenreisen, kann die Ermittlung der besten Verwendung Ihres Marketingbudgets manchmal wie ein Schuss ins Blaue wirken.

Bereit, die Welt des Marketing-Mix-Modellierens (MMM) zu erkunden? In diesem Artikel demystifizieren wir diesen leistungsstarken analytischen Ansatz. Unser umfassender Leitfaden rüstet Sie mit dem Wissen und den Werkzeugen aus, um die Marketing-Mix-Modellierung effektiv zu nutzen, egal ob Sie ein erfahrener Marketer oder neu in diesem Bereich sind.

Lassen Sie uns eintauchen!

Lange Rede kurzer Sinn

• Marketing-Mix-Modellierung (MMM) optimiert Ihre Online-Leistung, indem sie historische Daten nutzt, um zu messen, wie verschiedene Marketingaktivitäten die Verkäufe beeinflussen. Ihre Bedeutung ist mit den reduzierten Tracking-Möglichkeiten gewachsen und bietet wichtige Erkenntnisse für die zukünftige Strategieplanung und eine bessere Budgetverteilung über die Marketingkanäle hinweg.
• MMM umfasst verschiedene Arten von Modellen, die Zusammenhänge zwischen Marketingbemühungen und Geschäftsergebnissen aufdecken. Die Methode berechnet die Auswirkungen und die Rentabilität (ROI) jedes Marketingkanals und erstellt Reaktionskurven zur Optimierung der Budgetzuweisung.
• Open-Source-Tools wie Meta’s Robyn und Google’s LightweightMMM bieten praktische Lösungen für die Durchführung eines Marketing-Mix-Modells. Robyn verwendet einen Ridge-Regression-Ansatz, während LightweightMMM einen Bayesschen Ansatz verwendet.
• Herausforderungen bei der Implementierung von MMM sind die Auswahlverzerrung, Datenbegrenzungen und die Modellauswahl. Es ist entscheidend, ausreichende und qualitativ hochwertige Daten für eine effektive Implementierung zu haben.
• MMM unterscheidet sich von der Multi-Touch-Attribution (MTA), die jedem Kontaktpunkt entlang der Customer Journey eine Wertung gibt. MMM bietet eine breitere Perspektive, während MTA mehr auf die individuellen Kontaktpunkte fokussiert ist.
• Nexoya optimiert den Marketing-Mix durch die Integration eines datengesteuerten Ansatzes, der eine strategische Budgetoptimierung über verschiedene Marketingkanäle hinweg ermöglicht.

Inhalt:

• Was ist Marketing Mix Modellierung (MMM)?
• Tiefer Einblick in MMM-Modelle
• Herausforderungen, die vor der Implementierung von MMM zu berücksichtigen sind
• Marketing-Mix-Modellierung vs. Multi-Touch-Attribution
• NEXOYA vs. MMM: Klingt kompliziert, was ist mit Nexoya?

Was ist Marketing-Mix-Modellierung (MMM)?

Marketing-Mix-Modellierung ist eine datengetriebene Methode, die historische Daten verwendet, um die Verkaufsauswirkungen verschiedener Marketingaktivitäten zu messen.
Betrachten Sie MMM als Ihre persönliche Marketing-Zeitmaschine, die in der Lage ist, Sie zurück zu transportieren, um die Auswirkungen Ihrer vergangenen Aktivitäten auf Ihren Verkauf zu beobachten. Dieses aufschlussreiche Konzept ist keine jüngste Erfindung – es geht zurück auf das Jahr 1964, als es erstmals von Professor Neils H. Borden von Harvard eingeführt wurde.

Als Performance-Marketer haben Sie vielleicht den zunehmenden Hype um MMM und seine praktischen Anwendungen bemerkt. Angesichts der aufkommenden Veränderungen in der Marketingbranche, einschließlich des voraussichtlichen Rückgangs der Tracking-Fähigkeiten, suchen Marketer nach innovativen Wegen, um die Wirksamkeit von Strategien zu bewerten. In diesem sich wandelnden Umfeld gewinnen datenorientierte Lösungen wie MMM an Boden und treten als leistungsstarke Tools in den Vordergrund, die vergangene Marketingleistungen beleuchten und zukünftige Strategien informieren.

Praktisch gesehen beinhaltet das Marketing-Mix-Modell das Definieren Ihrer Marketingaktivitäten, das Sammeln ihrer historischen Daten und das Messen ihrer Auswirkungen. Um Budgets innerhalb der einzelnen Kanäle Ihres Mixes zu verteilen, nutzt Nexoya datengesteuerte Methoden, um die optimale Budgetverteilung zu finden.

Die Bedeutung des Marketing-Mix-Modells

Warum streben Marketer danach, das Marketing-Mix-Modell zu nutzen?

Haben Sie sich jemals gefragt: ‚Was treibt wirklich meinen Verkauf (oder einen anderen KPI) an?‘ Wenn ja, dann ist MMM Ihr Schlüssel, um diese Erkenntnisse freizuschalten.

MMM ermöglicht es Ihnen, historische Daten zu Ihren Medienausgaben zu analysieren und den Einfluss jeder Aktivität auf den Verkauf zu berechnen, was Ihnen hilft, die Kundenreise besser zu verstehen. Das Marketing-Mix-Modell wird noch wertvoller, wenn wir dieses Wissen nutzen, um unsere zukünftige Strategie zu formen. Mit anderen Worten, durch die Anwendung von MMM und ökonometrischen Methoden können digitale Marketer ihre zukünftigen Taktiken besser orchestrieren. Dies beinhaltet die Feinabstimmung der Art, des Volumens, des Timings, des Ortes und der Ausführung ihrer Aktivitäten. So löst MMM nicht nur die Rätsel Ihrer vergangenen Marketingbemühungen, sondern hilft auch bei der Planung Ihrer zukünftigen Marketingaktivitäten.

Tiefer Einblick in MMM-Modelle

Werfen wir einen genaueren Blick auf die verschiedenen Arten von Marketing-Mix-Modellierungsmodellen.

MMM, also das Marketing-Mix-Modell, nutzt historische Verkaufs- und Marketingdaten, um ein statistisches Modell zu erstellen. Dieses Modell deckt die Verbindungen zwischen Marketinganstrengungen und Geschäftsergebnissen auf. Durch die Analyse von Faktoren wie vergangenen Marketingausgaben, externen Einflüssen und Schlüsselkennzahlen wie Umsatz und Einnahmen bestimmt MMM die Auswirkungen und die Rentabilität (ROI) jedes Marketingkanals.

Das untenstehende Bild gibt einen Einblick in eine einfache MMM-Beitragsschätzung. Es zeigt einen geschätzten prozentualen Beitrag jedes Kanals zum Key Performance Indicator (KPI).

Neben der Feststellung von Beiträgen kann ein MMM-Modell auch Reaktionskurven für jeden Kanal erzeugen.

Was genau ist eine Reaktionskurve? Im Marketing werden Reaktionskurven oft verwendet, um die Auswirkungen von Änderungen in Marketingvariablen auf das Verbraucherverhalten oder das Endergebnis im Allgemeinen zu schätzen. Zum Beispiel kann eine Reaktionskurve eine visuelle Darstellung der Ausgabe (wie ein KPI) bieten, die aus einem bestimmten Betrag an Werbeausgaben resultiert. Ein visuelles Beispiel dieser Reaktionskurven für verschiedene Kanäle kann im beigefügten Bild gesehen werden. In der Praxis dient eine Reaktionskurve als wertvolles Werkzeug, das Ihnen hilft, einen optimalen Punkt für die Budgetallokation zu identifizieren. Sie leitet Sie bei der Verteilung Ihres Budgets, um Ergebnisse oder Ausgaben zu maximieren, und hebt im Grunde genommen den ’sweet spot‘ für Ihre Investition hervor.

Die obige Abbildung zeigt Reaktionskurven für jeden Kanal im Lightweight Bayesian MMM-Tool von Google.

Welche Optionen stehen für die Instantiierung von MMM zur Verfügung?

Schauen wir uns einige Beispiele von MMM-Modellen an.

Meta und Google haben zwei Open-Source-Tools entwickelt, um ein Marketing-Mix-Modell zu erstellen, bekannt als Robyn und LightweightMMM.

Wie funktioniert Metas Robyn?

Die Modellierung mit Robyn verwendet einen Ridge-Regression-Ansatz, der nur statistisch signifikante unabhängige Variablen im Modell belässt. Robyn ist bekannt für seine schnelle Trainingszeit und leicht interpretierbare Ausgabe. Mit dem richtigen Datensatz kann es eine MMM-Analyse in weniger als einer Stunde abschließen. Einer der Hauptvorteile der Verwendung des Robyn-Tools ist seine prägnante einseitige Ausgabe. Diese Funktion ermöglicht eine kompakte und unkomplizierte Präsentation der endgültigen Ergebnisse.

Unten sehen Sie ein Beispiel für Robyns endgültige einseitige Ausgabe, die die folgenden Grafiken enthält

Werfen wir einen kurzen Blick auf diese Ergebnisse und ihre Interpretation.

Antwort-Wasserfall-Finalzerlegung (oben links): Dies ist das unmittelbare Ergebnis des hochgejubelten Regressionsmodells von MMM, bei dem jedem statistischen Merkmal ein Beitrag zu unserem Geschäfts-KPI zugeschrieben wird. Hierbei ist zu beachten, dass saisonale Merkmale dank Meta’s Tool Prophet automatisch in das Modell einbezogen werden.

• Ein FEATURE ist nicht nur der einzelne Kanal, sondern auch andere Informationen wie das Wetter oder das Datum und die Uhrzeit.
• Sie können diese Grafik verwenden, um den Beitrag jedes einzelnen Merkmals zum Gesamt-KPI (zum Beispiel die Leads) zu zerlegen. Dieses Verständnis kann Ihnen helfen, die Datenqualität zu verbessern, die Qualität Ihrer Kanäle/Kampagnen zu verbessern und das Geschäft allgemein zu verbessern.

Tatsächliche vs. vorhergesagte Reaktion (oben rechts): Diese Grafik vergleicht tatsächliche und vorhergesagte Daten für eine Antwortvariable und zeigt, wie eng das Modell die tatsächliche Kurve erfasst. Das Ziel ist es, die Differenz zwischen den vorhergesagten und den tatsächlichen Daten zu minimieren und damit das Modell zu optimieren.

• Das Ziel hier ist es, die beiden Linien (blau und orange) so ähnlich wie möglich zu haben, das ideale Szenario ist, dass sie genau gleich sind.
• Die tatsächliche (orange) Linie stellt die Realität dar, die vorhergesagte (blaue) Linie stellt die Modellausgabe dar.
• Sie können diese Informationen nutzen, um zu verstehen, wie nah Ihr Modell an der Realität ist und daher, wie realistisch der Rest der Informationen ist.

Anteil der Ausgaben vs. Anteil der Wirkung (mittlere linke Grafik): Diese Grafik spiegelt den Vergleich der Gesamtwirkung wider, die jeder Kanal durch die Zerlegung der Koeffizienten in die Antwortvariable geteilt durch die Gesamtwirkung hatte. Sie berichtet auch über den Anteil der Ausgaben jedes Kanals bei der aktuellen Budgetverteilung. Man kann auch die Rentabilität jedes Marketingkanals dank der ROI bewerten.

• Diese Grafik ist voller Informationen. Sie zeigt Ihnen, wie viel Sie auf einen Kanal setzen, wie effektiv der Kanal bei den Ausgaben ist und wie profitabel das Geld ist, das pro Kanal ausgegeben wird.
• Sie können diese Informationen nutzen, um zu entdecken, wie effizient Ihr Kanal bei den Ausgaben ist, während Sie den Überblick darüber behalten, wie viel Geld er ausgeben kann. Letztlich ermöglicht es Ihnen, zu entdecken, ob Ihre Kanäle abnehmende Erträge erzielen.

Antwortkurven und durchschnittliche Ausgaben pro Kanal (mittlere rechte Grafik): Für jeden Kanal berechnet Robyn die Antwortkurven und bewertet, wie sich der KPI in Bezug auf die Ausgaben verändert. Jede Kurve hat die Form eines Hügels und weist ein anfängliches exponentielles Wachstum, einen Wendepunkt und ein finales Segment auf, in dem der Effekt der abnehmenden Rendite einsetzt. Die Grafik gibt eine unmittelbare Darstellung davon, wie das Budget möglicherweise besser umverteilt werden könnte.

• Antwortkurve: aus einem zufälligen Wörterbuch -> eine Kurve, die graphisch die Größe der Reaktion eines empfindlichen Geräts auf einen wechselnden Reiz darstellt.
• Einfach ausgedrückt, handelt es sich um eine Kurve, also eine Liniengrafik, die Ihnen sagt, was die Reaktion eines Wertes auf eine anfängliche Eingabe ist, zum Beispiel: Wenn ich 10 CHF für eine Werbekampagne ausgebe, werde ich 100 CHF als Rendite erzielen, wenn ich 11 CHF ausgebe, bekomme ich 105, wenn ich 12 ausgebe, bekomme ich 110.
• Sie können diese Informationen nutzen, um zu verstehen, ob es eine gute Idee ist, mehr oder weniger in diesen Kanal zu investieren, da Sie eine Schätzung Ihrer Rendite für viele mögliche Werte haben.

Durchschnittliche Adstock-Abfallrate (untere linke Grafik): Diese Grafik zeigt die durchschnittliche Abfallrate pro Kanal. Je höher die Abfallrate, desto länger ist der zeitliche Effekt für diese spezielle Kanalmediennutzung. Die Modellierung des Adstock-Effekts – also der zeitverzögerte Effekt von Werbung auf das Kaufverhalten der Verbraucher – hängt stark von der anfänglichen Hyperparameter-Einstellung ab (Geometrisch, Weibull,…)

• Adstock-Effekt bezieht sich auf das Phänomen, dass Sie, wenn Sie heute eine Million Dollar für GoogleAds ausgeben, nicht heute eine Rendite auf Ihre Million haben, sondern erst morgen oder nächste Woche. Denken Sie daran als die Zeit, die zwischen dem Moment, in dem Sie das Geld an GoogleAds senden, und dem Moment, in dem der erste Kunde die Anzeige sieht, darauf klickt und kauft, vergeht. Die Abfallrate ist die Zeit, bis der letzte Kunde sieht, klickt und kauft.
• Sie können diese Informationen nutzen, um zu überprüfen, wann Sie den Effekt einer Kampagne erwarten können. Um für zukünftige Kampagnen zu planen, wenn Sie sicherstellen wollen, dass der Kunde sie an einem bestimmten Tag sieht. Um zu überprüfen, wie effektiv die neue Kampagne oder der Anbieter darin ist, Ihren Inhalt Ihren Kunden zu zeigen.

Angepasste vs. Residualwerte (untere rechte Grafik): Diese Grafik zeigt die Beziehung zwischen angepassten und Residualwerten. Ein Residualwert ist ein Maß dafür, wie sehr eine Regressionslinie einen Datenpunkt vertikal verfehlt. Wenn die Residualwerte normal um die horizontale Achse verteilt sind, könnte ein lineares Modell tatsächlich gut zu unserem Fall passen.

• Residual ist eine komplizierte Art zu sagen Fehler, zurück zum Plot von tatsächlichen vs. vorhergesagten Werten (obere rechte Grafik) jeder Punkt hier ist ein Moment des oben genannten Plots, in dem Sie tatsächlich – vorhergesagt berechnen, Sie erstellen dann ein Modell davon, die blaue Linie, je näher Sie bei 0 sind, also kein Fehler, desto besser ist Ihr Modell. Je flacher die blaue Linie ist, desto besser verteilt ist Ihr Fehler.
• Sie können diese Informationen ähnlich wie beim Plot von tatsächlichen vs. vorhergesagten Werten (obere rechte Grafik) nutzen, abhängig von der Form der blauen Linie können die technischen Leute entscheiden, welches Modell sie zur Modellierung der Daten verwenden. Sie können es auch dazu verwenden, zu verstehen, bei welchen Werten Ihr Modell unsicherer ist und wie sehr Sie sich auf die einzelnen Vorhersagen verlassen können.

Wie funktioniert Google’s LightweightMMM

LightweightMMM ist mit einem bayesianischen Ansatz konzipiert. Es ermöglicht dem Benutzer, willkürliche Prioritäten für die Verteilung aller Parameter des Modells festzulegen, die als Regularisierer für die Parameter fungieren. Ein überzeugender Grund, LightweightMMM zu nutzen, ist seine inhärente Fähigkeit, Saisonalität mit sich wiederholenden Mustern und geografischen Regionen direkt in das Modell zu integrieren. Mit anderen Worten, LightweightMMM bewältigt mühelos anspruchsvolle Szenarien, einschließlich der Einschränkung von Modellverhalten, der Erfassung von Marktschwankungen und der Berücksichtigung verschiedener Trends in geografischen Gebieten.

Herausforderungen, die vor der Implementierung von MMM zu berücksichtigen sind

Vor der Implementierung von MMM ist es wichtig, die drei großen Bereiche der Herausforderungen zu berücksichtigen:

Die Auswahlverzerrung bezieht sich auf Ereignisse, die im Laufe der Zeit stattgefunden haben, aber keine angemessenen Registrierungen im System erhalten haben, was bedeutet, dass keine numerischen Beweise in den Daten vorhanden sind (siehe Abbildung).

Datenbeschränkungen beziehen sich auf zu wenige oder zu schlechte Daten. Im Prinzip sollte man mindestens zwei Jahre wöchentlicher Daten mit insgesamt mindestens 100 Datenpunkten haben. Aus einer anderen Perspektive kann es genug Daten geben, aber wenn die Daten keine vorherigen Anzeichen eines Verhaltens enthalten, ist es nicht möglich, dessen Auftreten vorherzusehen (siehe Abbildung).

Die Modellauswahl bezieht sich auf die Situation, in der man den ‚falschen Mann für den Job‘ hat, was bedeutet, dass wir, wenn wir das falsche ökonometrische Modell auf die gegebene Situation anwenden, praktisch keine Möglichkeit haben zu wissen, dass wir die Situation auf die falsche Weise modellieren, bis es bereits zu spät ist, etwas dagegen zu tun (siehe Abbildung).

Insbesondere repräsentieren diese drei Abbildungen den gleichen Datensatz aus unterschiedlichen Perspektiven. Im linken Panel ist die wahre Reaktionskurve dargestellt. Im mittleren Panel werden die für die Modellierer verfügbaren Daten angezeigt, während im rechten Panel vier angepasste Reaktionskurven gezeigt werden. Diese drei Bilder erklären auch grafisch einige der Fallstricke von MMM. Im linken Bild ist die tatsächliche Datenverteilung vorhanden, aber im hervorgehobenen Bereich werden einige Daten aus dem gesamten Set ausgewählt, diese Daten werden dann im mittleren Bild vergrößert. Im mittleren Bild ist die Menge der Punkte sehr gering und wird schwierig zu interpretieren, die Daten werden dann auf das rechte Bild kopiert. Im rechten Bild wird gezeigt wie sehr unterschiedliche Funktionen, welche durch die farbigen Linien dargestellt werden, die Daten perfekt anpassen und zu sehr unterschiedlichen Ergebnissen führen können. Nehmen Sie zum Beispiel die lila Linie und sehen Sie den Unterschied im Wert, wenn Sie 600 auf der ‚x‘-Achse erreichen, und vergleichen Sie ihn mit dem Wert der roten Linie, und vergleichen Sie ihn erneut mit der wahren Reaktionslinie, die Sie auf dem linken Bild finden können.

Marketing-Mix-Modellierung vs. Multi-Touch-Attribution

Natürlich ist das Marketing-Mix-Modell nicht der einzige Weg, um zu analysieren, was deine Verkäufe antreibt. Multi-Touch-Attribution (MTA) taucht oft als bemerkenswerte Alternative zum MMM auf. MTA zielt darauf ab, jedem Berührungspunkt entlang der Customer Journey Kredit zu geben. Während MMM nicht die einzelnen Berührungspunkte modelliert, sondern eher die Menge der Interaktionen für jeden Berührungspunkt, ist dies ein subtiler Unterschied, aber extrem wichtig, da die Modellierung der einzelnen Berührungspunkte die Verwendung von Tracking-Optionen impliziert. Dies kann zu Problemen bei der Datenqualität und Datenmenge führen, insbesondere wenn Sie ein Künstliche-Intelligenz-Modell mit deinen Daten trainieren möchten.

In der obigen Abbildung ist ein Multi-Touch-Attributionsmodell dargestellt, bei dem der Kredit für den Verkauf auf alle Schritte der Customer Journey verteilt wird.

Vergleichen wir beide Methoden.

NEXOYA vs. MMM: Klingt kompliziert, was ist mit Nexoya?

Obwohl Nexoya keine direkte Alternative zum Marketing-Mix-Modell ist, spielt es eine entscheidende Rolle bei der Optimierung des modellierten Mixes von Marketingkanälen durch seinen datengetriebenen Ansatz.

Nexoya integriert einen datengetriebenen Ansatz in den modellierten Mix von Marketingkanälen. Nexoya ermöglicht es einem Unternehmen, eine zuverlässige Budgetoptimierung für die verschiedenen Marketingkanäle zu haben. Wenn also MMM die Frage beantwortet: Wie sollte ich meine Marketingstrategie entwickeln und wo sollte ich mein Produkt vermarkten? Beantwortet Nexoya die Frage: Wie viel Budget sollte ich den Kampagnen in jedem einzelnen Kanal meines Marketing-Mix zuweisen, um meine Rendite auf Werbeausgaben zu maximieren?