Warum einzelne Conversions nicht die ganze Wirkung zeigen
Viele Marketingberichte beginnen bei Klicks, Formularen und direkt zugeordneten Käufen. Das ist für die tägliche Kampagnensteuerung wichtig, beantwortet aber nicht jede Budgetfrage. Ein Podcast-Sponsoring, eine Plakataktion oder eine Marken-Kampagne kann Nachfrage aufbauen, die später über eine Suche oder einen direkten Websitebesuch endet. Eine Zuordnung zum letzten Kontakt bildet diesen Zusammenhang nur teilweise ab.
Marketing-Mix-Modelling, kurz MMM, betrachtet deshalb aggregierte historische Daten über Zeiträume und möglichst auch Regionen. Media-Aktivität wird gemeinsam mit einem Geschäftsziel und relevanten Einflussfaktoren modelliert. Im Mittelpunkt steht nicht der Weg einer einzelnen Person, sondern die Frage, welchen Beitrag Kanäle unter den getroffenen Annahmen zum Gesamtergebnis geleistet haben könnten.
Was Google Meridian für die Budgetsteuerung anbietet
Meridian ist ein von Google entwickeltes Open-Source-Framework für Marketing-Mix-Modelle. Laut offizieller Einführung soll es unter anderem historische Kanalbeiträge, Return on Investment, Reaktionskurven und mögliche Budgetverteilungen untersuchen. Weil der Code offenliegt, können Fachleute Modell, Daten und Annahmen selbst prüfen und anpassen.
Die Offenheit macht Meridian nicht zu einem fertigen Knopf im Werbekonto. Daten müssen gesammelt, vereinheitlicht, fachlich eingeordnet und das Modell diagnostiziert werden. Google nennt als zentrale Eingaben einen KPI, Media-Daten, Media-Ausgaben und Kontrollvariablen. Die Daten werden typischerweise nach Zeit, etwa Wochen, und idealerweise nach Regionen zusammengeführt.
Wann ein MMM für ein Unternehmen sinnvoll werden kann
Meine Einschätzung: Ein MMM lohnt eine Vorprüfung, wenn ein Unternehmen regelmäßig in mehrere Kanäle investiert, ein belastbares Geschäftsziel wie Umsatz oder qualifizierte Anfragen führt und über ausreichend konsistente Historie verfügt. Zusätzlich braucht es Variation. Wenn Budgets und Ergebnisse über lange Zeit nahezu unverändert bleiben, kann ein Modell Kanalwirkungen schwer voneinander trennen.
Kontrollvariablen sind ebenso wichtig. Preise, Aktionen, Feiertage, Saison, Verfügbarkeit oder relevante Marktentwicklungen können das Ergebnis beeinflussen. Werden solche Faktoren ignoriert oder falsch eingeordnet, kann das Modell ihre Wirkung fälschlich einem Werbekanal zuschreiben. Sehr kleine Kanäle sind ebenfalls kritisch: Die Meridian-Dokumentation weist darauf hin, dass Kanäle mit geringen Ausgaben besonders anfällig für wenig informative Schätzungen sind.
Warum Conversion-Tracking trotzdem bleibt
MMM und Conversion-Tracking beantworten unterschiedliche Fragen. Kampagnentracking hilft täglich: Welche Anzeige erzeugt Anfragen? Funktioniert ein Formular? Wo bricht ein Prozess ab? Ein MMM arbeitet gröber und unterstützt eher periodische Entscheidungen über Kanäle und Budgets. Es liefert keine Liste einzelner Leads und sollte nicht für kurzfristige Anzeigenkorrekturen missverstanden werden.
Meine Empfehlung ist daher ein Messsystem mit mehreren Ebenen: sauberes Website- und CRM-Tracking für operative Abläufe, Plattformdaten für die Kampagnenoptimierung und ein MMM für die übergreifende Budgetperspektive. Stimmen die Ebenen nicht überein, ist das kein Grund, eine davon passend zu rechnen. Es ist ein Anlass, Definitionen, Zeiträume, Datenqualität und Annahmen erneut zu prüfen.
Angenommenes Beispiel aus einem regionalen Unternehmen
Angenommen, ein Händler wirbt in mehreren Regionen über Suchanzeigen, Social Media, Print und Radio. Für jede Woche liegen Umsätze, Media-Ausgaben und geeignete Reichweitenwerte vor. Zusätzlich werden Preisaktionen, Feiertage, Filialöffnungen und Lieferengpässe dokumentiert. Dieses Beispiel ist fiktiv und beschreibt nur den Ablauf, keine erwartbaren Ergebnisse.
Das Unternehmen könnte mit einem MMM prüfen, wie stark die Daten Kanalbeiträge und abnehmende Grenzerträge stützen. Ein mögliches Ergebnis wäre nicht einfach „Radio wirkt“ oder „Social Media wirkt nicht“, sondern eine Verteilung plausibler Werte. Danach würden Verantwortliche Unsicherheit, Datenlücken und betriebliche Rahmenbedingungen betrachten, bevor sie Budgets verändern. Ein begrenzter Test in ausgewählten Regionen könnte die nächste Entscheidung zusätzlich absichern.
Modellgüte ist mehr als eine schöne Kurve
Meridian stellt Diagnose- und Ergebnisansichten bereit, darunter Vergleiche von prognostiziertem und tatsächlichem KPI sowie Kennzahlen zur Modellanpassung. Google betont zugleich, dass eine gute Vorhersagegüte allein noch kein vollständiger Nachweis für eine korrekte kausale Schätzung ist. Ergebnisse sollten deshalb zusammen mit Konvergenz, Vorannahmen und glaubwürdigen Unsicherheitsintervallen gelesen werden.
Experimente können die Schätzungen kalibrieren. Meridian unterstützt dafür kanalbezogene Vorannahmen, die beispielsweise aus Inkrementalitätstests abgeleitet werden. Auch dann bleibt zusätzliche Unsicherheit, weil ein Testergebnis in den Kontext des Gesamtmodells übertragen wird. Meine Einschätzung: Ein belastbares Modell zeigt seine Grenzen offen und macht Annahmen diskutierbar, statt eine einzige präzise Zahl als Wahrheit zu verkaufen.
Checkliste für die Vorprüfung
Bevor Software ausgewählt oder ein Modell gebaut wird, sollte die fachliche Grundlage stehen. Mit dieser Checkliste lässt sich prüfen, ob ein MMM-Projekt bereits sinnvoll vorbereitet werden kann.
- Eine konkrete Budgetfrage und einen eindeutig definierten KPI festlegen.
- Historische KPI-, Media- und Ausgabendaten auf einheitliche Zeiträume bringen.
- Prüfen, ob regionale Daten verfügbar und über Regionen vergleichbar sind.
- Preise, Aktionen, Saison, Feiertage und weitere mögliche Einflussfaktoren dokumentieren.
- Kanalnamen, Währungen, Zeitzonen und Messdefinitionen vereinheitlichen.
- Sehr kleine oder kaum veränderte Kanäle vor der Modellierung kritisch prüfen.
- Vorannahmen und verwendete Kontrollvariablen schriftlich begründen.
- Modellkonvergenz, Anpassung und Unsicherheitsintervalle gemeinsam bewerten.
- Wo möglich, Inkrementalitätstests zur Kalibrierung oder Überprüfung planen.
- Budgetentscheidungen dokumentieren und das Modell nach neuen Daten erneut prüfen.