Marketing Mix Modeling Beratung: 5-Phasen-Prozess aus der Praxis

Am 23. Juli hat Dr. Simon Hannemann, Manager Marketing Science bei Hopmann, beim Raw & Roasted gezeigt, wie eine Marketing Mix Modeling Beratung in der Praxis abläuft, von der ersten Datenauswahl bis zur Budgetentscheidung. Es war unser letztes Raw & Roasted vor der Event-Sommerpause, und ein besonders schönes dazu: Erstmals fand das Format hybrid statt, ein Teil der Gäste vor Ort im Hopmann Büro in München-Neuhausen, ein Teil per Zoom zugeschaltet. Das Publikum war außergewöhnlich aktiv, ein großer Teil des Vormittags ging in eine lebhafte Fragerunde. Die Aufzeichnung des Vortrags ist jetzt verfügbar.

Der 5-Phasen-Prozess einer MMM-Beratung

„MMM dient nicht dazu, Diskussionen über die Vergangenheit zu gewinnen, sondern bessere Entscheidungen für die Zukunft zu treffen.“ Mit diesem Leitsatz brachte Hannemann das Ziel jeder Marketing Mix Modeling Beratung auf den Punkt: Welche Kanäle treiben tatsächlich Umsatz, und wohin sollte das nächste Budget fließen? Wie MMM grundsätzlich funktioniert und warum die Methode gerade jetzt an Bedeutung gewinnt, haben wir in unserer Blogpost-Serie bereits eingeordnet.

In der Beratungspraxis von Hopmann laufen MMM-Projekte meist in fünf Phasen ab.

1. Datenauswahl & Sammlung

Zunächst wird die Zielgröße festgelegt, meist Umsatz, teils auch Conversions oder Installs. Bei den KPIs empfiehlt Hannemann, zunächst breit zu starten und dann gezielt einzugrenzen, mehr KPIs sind nicht automatisch besser. Für die Datenmenge gilt eine klare Faustregel: mindestens zwei Jahre wöchentliche Daten und zehn Beobachtungen pro Modellparameter. Bei 104 Wochen entspricht das etwa zehn Parametern, also beispielsweise sechs Mediakanälen plus vier Kontextvariablen. Wer selbst prüfen möchte, welche Datenkategorien konkret benötigt werden, findet in unserer MMM-Daten-Checkliste und dem zugehörigen Blogpost zu den Datenanforderungen eine detaillierte Übersicht.

2. Datenaufbereitung

Hier folgt die Qualitätsprüfung: Vollständigkeit, Duplikate, Ausreißer und Multikollinearität zwischen Kanälen. Besonders wichtig laut Hannemann: fehlende Werte, falsche Granularität oder zu wenig Schwankung in den Ausgaben erschweren es dem Modell erheblich, den Effekt eines Kanals überhaupt zu erkennen.

3. Modellierung

Hopmann setzt bevorzugt auf bayesianische Open-Source-Tools. Meridian von Google ist tief ins Google-Ökosystem integriert und unterstützt nativ Reach- und Frequency-Daten sowie geo-basierte Modellierung. PyMC Marketing, eine Python-Bibliothek von PyMC Labs, verfolgt einen ähnlichen Ansatz und bietet zusätzlich fertige Bausteine für Adstock- und Sättigungskurven sowie eine integrierte Budgetoptimierung. Beide Tools erlauben es, bestehendes Wissen, etwa aus Lift-Studien, als Prior einzuspeisen, und arbeiten durchgängig mit bayesianischen Posterior-Verteilungen, sie liefern also zu jedem Ergebnis eine Unsicherheitsspanne statt nur einer einzelnen Zahl. Robyn von Meta verfolgt einen anderen Ansatz: Es kombiniert Ridge Regression mit Constraints und setzt für die Kalibrierung auf Multi-Ziel-Optimierung mittels evolutionärer Algorithmen (Nevergrad), arbeitet also nicht bayesianisch. Einen ausführlichen Praxisvergleich der drei Tools Robyn, Meridian und Orbit haben wir in Teil 3 unserer MMM-Blogpost-Serie zusammengefasst.

4. Validierung & Anpassung

Ein Modell durchläuft zwei Prüfungen. Die statistische Validierung misst, wie gut das Modell die tatsächlichen Verkaufszahlen abbildet, etwa über R² oder MAPE. Die Business-Validierung prüft, ob die Ergebnisse fachlich plausibel sind, ob das Channel-Ranking beispielsweise mit der Erfahrung des Media-Teams übereinstimmt. Beide Schritte sind laut Hannemann gleichermaßen wichtig: Ein statistisch sauberes Modell kann trotzdem falsche Geschäftsentscheidungen begünstigen, wenn relevante Variablen fehlen. Reicht die Passung nicht aus, werden Kanäle neu gruppiert, Kontextvariablen angepasst und das Modell erneut durchlaufen.

5. Ergebnisse

Am Ende stehen drei konkrete Outputs: der Beitrag jedes Kanals zum Umsatz, Erkenntnisse zu Carryover- und Sättigungseffekten je Kanal, sowie eine Empfehlung zur Budgetumschichtung.

Genau hier zeigt sich, warum der vorausschauende Blick aus der Eröffnung so entscheidend ist: Diese drei Outputs sind kein Rückblick, sondern die Grundlage für die nächste Budgetentscheidung.

Was Sie aus unserer Beratungspraxis mitnehmen können

Damit ein Modell überhaupt Signale erkennen kann, sollten Marketingaktivitäten von Anfang an auf Messbarkeit ausgelegt sein: Ausgaben sollten über die Zeit spürbar variieren, nicht nur mit dem Kalender schwanken, und nicht alle Kanäle sollten gleichzeitig hoch- oder heruntergefahren werden. Wer testen will, ob ein Kanal wirkt, sollte das wiederholt und kontrolliert tun statt einmalig. Und: MMM sollte nie die einzige Messmethode sein. Inkrementalitätstests und Attribution liefern zusätzliche Signale, mit denen sich Modellergebnisse gegenprüfen lassen. Ein Punkt aus der lebhaften Fragerunde blieb besonders hängen: MMM hilft nicht nur bei der Budgetentscheidung selbst, sondern auch dabei, emotionale Kanal-Vorlieben im Team von tatsächlicher Wirkung zu trennen, etwa wenn ein Kanal „gefühlt“ gut läuft, die Daten aber etwas anderes zeigen. Wo Marketing Mix Modeling an seine Grenzen stößt und welche Missverständnisse sich hartnäckig halten, haben wir in Teil 2 unserer MMM-Blogpost-Serie eingeordnet.

Wo AI den Prozess unterstützt

Einen kurzen Ausblick gab Hannemann zum Schluss auch auf AI im MMM-Prozess: Bei der Datensammlung kann AI beim Skripten für Datenexporte helfen, bei der Datenaufbereitung übernimmt sie Qualitätschecks, und beim Modellieren lassen sich mehrere Konfigurationen parallel testen. Was AI dabei nicht ersetzt: statistisches und fachliches Urteilsvermögen. Ein Modell kann ein hohes R² ausweisen und trotzdem irreführend sein, wenn ein externer Störfaktor wie eine Wettbewerberkampagne oder eine Marktveränderung fehlt. Genau das zu erkennen, bleibt Aufgabe von Menschen mit Geschäftsverständnis, nicht der KI. Welche KPIs geschäftlich relevant sind, ob ein Ausreißer ein Fehler oder ein echtes Signal ist, und ob ein Budget tatsächlich umgeschichtet wird, entscheidet weiterhin das Beratungsteam gemeinsam mit dem Kunden.

Marketing Mix Modeling bleibt damit, was es in jeder guten Beratung sein sollte: ein Prozess, der am besten wirkt, wenn saubere Daten, statistisches Handwerk und geschäftliches Urteilsvermögen zusammenkommen. Wer selbst einschätzen möchte, wo das eigene Unternehmen steht, kann das mit unserem MMM Readiness Check in wenigen Minuten tun, oder die Prinzipien aus diesem Post im interaktiven MMM Simulator direkt ausprobieren.

Sie möchten den vollständigen Vortrag inklusive Fragerunde ansehen? Die Aufzeichnung steht hier zum Abruf bereit.

Fragen des Raw & Roasted MMM Events.

FAQ aus der Marketing Mix Modeling Beratung