Marketing-Mix-Modellierung & Attribution

Marketingverantwortliche müssen das Budget auf TV, Suche, Social Media, Retail Media, Influencer und Aktionen verteilen, während der Wegfall von Cookies, Einwilligungsregeln und geschlossene Plattformen („Walled Gardens“) das Tracking auf Nutzerebene unzuverlässiger machen. Die Marketing-Mix-Modellierung (MMM) passt ein Bayes-Modell oder eine regularisierte Regression an aggregierte Zeitreihen an und kalibriert es mit Experimenten, um den inkrementellen Effekt, abnehmende Erträge und die Nachwirkung jedes Kanals zu schätzen. Da sie keine Daten auf Einzelpersonenebene braucht, ist sie in der EU das datenschutzfreundliche Rückgrat der Erfolgsmessung. Ergebnis: belastbare ROI-Werte und eine optimierte Budgetverteilung.

Problem & Nutzen

• Heute: Budgets werden nach Gewohnheit, nach Last-Click-Berichten oder nach der eigenen (selbstbewertenden) Attribution der jeweiligen Plattform verteilt. Last-Click schreibt der Suche und dem Retargeting zu viel zu und ignoriert Marke, TV und Offline. Einwilligungsbanner (ePrivacy/DSGVO), Tracking-Beschränkungen der Browser und Apples ATT verringern die beobachtbaren Nutzerpfade.
• KI-Nutzen: Die MMM misst die Inkrementalität von oben nach unten aus Aggregaten; Experimente (Geo-Holdouts, Conversion-Lift) liefern die Referenzwahrheit zur Kalibrierung; die Optimierung macht aus den Kurven einen Budgetplan. Moderne offene Frameworks laufen in Stunden statt in den mehrmonatigen Beratungsprojekten früherer Jahre.
• Belege für den Nutzen: Fallstudien von Anbietern und Praktikern berichten von Budgetverschiebungen und Effizienzgewinnen, die Zahlen unterscheiden sich aber je nach Aufbau stark; messen Sie den Zugewinn mit eigenen Holdout-Tests, statt allgemeinen Zahlen zu vertrauen [1][2].

Varianten

• Klassische MMM (national, wöchentlich): 2-3 Jahre Wochendaten; geeignet für TV, Print, Außenwerbung und Offline.
• MMM auf Regionenebene (Geo): Panel nach Region/DMA; deutlich mehr statistische Aussagekraft und bessere Identifizierbarkeit.
• Dauerhafte / inkrementelle MMM: wöchentliche oder monatliche Aktualisierung per Automatisierung, wobei Experimente die Priors speisen.
• Multi-Touch-Attribution (MTA) und datengetriebene Attribution: Nutzerpfad-Modelle in Analyse- und Werbeplattformen; beschränkt auf Pfade mit Einwilligung, die beobachtbar sind; am besten in Kombination mit MMM („Unified Measurement“).
• KMU-Variante: ein oder zwei bezahlte Kanäle, kurze Historie: einfache Modelle, Lift-Tests und von Plattformen bereitgestellte oder günstige Werkzeuge statt eines vollständigen Bayes-Aufbaus.
• Privatnutzung: nicht anwendbar.

So funktioniert es

1. Datenerhebung (Ausgaben, Impressions, Ergebnisse, Preis/Aktion, Saisonalität)
2. Datenvalidierung + Feature-Vorbereitung (Wochenraster, Geo-Panel, Kontrollvariablen)
3. Bayes-Modell: Adstock (Nachwirkung) + Sättigung (Hill-Kurve) + Trend/Saisonalität + Kontrollen
4. Kalibrierung mit Priors aus Experimenten (Geo-Lift, Conversion-Lift, Inkrementalitätstests)
5. Posterior-Inferenz (MCMC/NUTS oder variational)
6. ROI, mROI, Beitrag mit Intervallen
7. Budgetoptimierung unter Nebenbedingungen (Gesamtbudget, Kanal-Min/Max)
8. Szenarioplanung + vom LLM geschriebene Zusammenfassung
9. menschliche Prüfung (Marketing, Finanzen)
10. Entscheidung
11. nächstes Experiment

• Kernmodell: hierarchische Bayes-Regression mit Medientransformationen; die Priors bilden ab, was bekannt ist (z. B. ROI-Spannen aus früheren Tests). Die Frameworks unterscheiden sich: Google Meridian modelliert Reichweite und Frequenz sowie die Geo-Hierarchie; PyMC-Marketing bietet flexible Komponenten; Meta Robyn nutzt Ridge-Regression mit evolutionärer Hyperparameter-Suche.
• Attributionsebene: regelbasierte, Markov-/Shapley- oder ML-basierte datengetriebene Attribution auf eigenen Nutzerpfaden mit Einwilligung, abgeglichen mit der MMM.
• Rolle des LLM (nur unterstützend): Ergebnisse erklären, Szenarien entwerfen, Modellausgaben per Chat abfragen und Management-Zusammenfassungen schreiben. Die Schätzungen selbst stammen aus statistischen Modellen, nicht aus dem LLM.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten prüfen Daten, Priors und Diagnosen (Konvergenz, Anpassung außerhalb der Stichprobe, Stabilität); Budgetentscheidungen und Experimente werden von der Leitung in Marketing und Finanzen freigegeben.

Datenaufbereitung

Die MMM braucht zwei bis drei Jahre wöchentliche (idealerweise tägliche) Zeitreihen: Ausgaben, Impressionen und Reichweite je Kanal, Umsatz oder Bestellungen aus dem ERP- oder Shopsystem sowie Preise, Aktionen, Feiertage und Wettbewerbsereignisse. Im Mittelstand liegen diese Daten verstreut in Exporten der Werbeplattformen, in Excel-Tabellen einzelner Personen, im ERP und in Agenturberichten, oft mit unterschiedlichen Kalendern, Kanalnamen und Währungen.

Typische Lücken sind fehlende Wochen, umbenannte Kampagnen, Ausgaben, die in Rechnungen gebucht sind, aber nicht in den Plattformdaten stehen, nicht dokumentierte Aktionen und fehlende Aufzeichnungen früherer Experimente, die als Priors wertvoll sind.

Schritte der Aufbereitung: - Quellen und Verantwortliche erfassen (siehe PREP-001, PREP-004) und Exporte über APIs oder Konnektoren abrufen (PREP-005). - Tabellenverläufe in eine saubere Tabelle mit festem Wochenraster überführen (PREP-011). - Eine Kanal-Taxonomie und KPI-Definitionen gemeinsam mit Marketing und Finanzen festlegen (PREP-012). - Aktionen, Preisänderungen und Tests in einem einfachen Kalender festhalten. - Es werden nur aggregierte Daten benötigt, personenbezogene Daten bleiben also außen vor (PREP-022, falls Exporte solche enthalten).

Werkzeuge: Python mit pandas, dbt oder ein Data Warehouse wie BigQuery, oder Konnektoren im Stil von Supermetrics. Rechnen Sie damit, dass 50 bis 70 Prozent des Projektaufwands in die Datenarbeit fließen; die Modellierung selbst ist der kleinere Teil. GUIDE-003 bietet eine Checkliste zur Datenreife.

Umsetzungswege

Welcher Weg für wen

• smb: Weg B, weil die MMM Ihre eigenen Zeitreihen zu Ausgaben und Umsatz braucht und kein bezahlbares, in der EU gehostetes Produkt zu einem kleinen, nicht standardisierten Kanalmix passt; realistisch ist eine Agentur oder ein Freelancer, der ein offenes Framework betreibt.
• enterprise: Weg C, weil die Budgetverteilung strategisch ist, die Daten wirtschaftlich sensibel sind und offene Frameworks (Meridian, PyMC-Marketing) im eigenen Cloud-Mandanten ohne Lizenzgebühren pro Nutzer laufen.
• developer: Weg C, weil die offenen Frameworks Bibliotheken sind, die Sie selbst anpassen, kalibrieren und versionieren.

Weg A — Kaufen (Standardsoftware) (wenn kein Data-Science-Team vorhanden ist)

• Messplattformen und MMM-SaaS: Recast, Haus, Measured, Mutinex (AU), Analytic Partners, Nielsen/NielsenIQ, Kantar, Sellforte (FI, EU), Funnel, mit Supermetrics gespeiste Werkzeuge; Adobe, Google und Meta bieten eingebaute Messung. Agenturen bieten betreute MMM an.
• Prüfen: EU-Hosting und Auftragsverarbeitungsvertrag, Transparenz des Modells (Priors, Diagnosen), Aktualisierungsrhythmus, Kalibrierung mit Experimenten, Export der Rohergebnisse.
• A wählen, wenn: mehrere Kanäle, keine Bayes-Expertise im Haus, Ergebnisse in Wochen nötig.

Weg B — Auf Cloud-KI-Diensten aufbauen (offene Frameworks plus Cloud-Datenstack) (empfohlene Standardlösung)

• Frameworks (Open Source): Google Meridian (Apache-2.0, Python/TensorFlow Probability, Geo-Ebene, Reichweite und Frequenz, Scenario Planner), PyMC-Marketing, Meta Robyn (R/Python). Alle laufen auf einer normalen Cloud-VM oder einem Notebook [3][4][5].
• Datenstack: BigQuery/Snowflake/Databricks oder ein EU-Cloud-Warehouse; dbt für Feature-Tabellen; Konnektoren (Funnel, Supermetrics, Airbyte) für Ausgabendaten; Looker/Power BI für Dashboards.
• LLM-Ebene: ein in der EU gehostetes Modell oder ein Modell in einer EU-Region (Mistral, Azure OpenAI EU, Vertex AI EU, Claude über EU- Regionen), um Ergebnisse zu erläutern und abzufragen; numerische Ergebnisse gehören in einen strukturierten Speicher.
• Geo-Experimente: Google GeoexperimentsResearch oder Meta GeoLift, um Kalibrierungs-Priors zu erzeugen.

Weg C — Selbst betreiben (Open Source)

• Dieselben Frameworks (Meridian, PyMC-Marketing, Robyn) auf eigenen Servern oder Kubernetes; Backends NumPyro/JAX oder PyMC. Das Sampling ist CPU-gebunden oder profitiert von einer GPU: HW1 genügt, HW2 beschleunigt Meridian (TensorFlow Probability) bei großen Geo-Panels. Optional ein lokales LLM (Open-Weight-Modelle der Klasse Mistral, Qwen, Llama über vLLM/Ollama) zur Erläuterung. Betriebsaufwand: 1-2 Data Scientists.

Weg D — Eigenes Training (individuelle Modellierung)

Eigene hierarchische Modelle (z. B. in Stan/NumPyro) für Sonderstrukturen: Kannibalisierung zwischen mehreren Produkten, langfristige Effekte auf den Markenwert, Retail Media, lange B2B-Zyklen. Erfordert mindestens 2 Jahre konsistente Daten, eine stabile Variation im Kanalmix und eine Statistikerin oder einen Statistiker; immer mit Tests außerhalb der Stichprobe und mit Experimenten validieren.

Stand der Technik (2026)

• Offene, bayessche, kalibrierte MMM ist der Mainstream-Ansatz: Google Meridian (2025 als Open Source veröffentlicht, Nachfolger von LightweightMMM), PyMC-Marketing und Robyn werden aktiv weiterentwickelt; Meridian hat Variablen außerhalb der Werbung und einen No-Code-Scenario-Planner ergänzt [3][6].
• Unified Measurement: MMM für die Strategie, Experimente für die Wahrheit, Attribution für die taktische Optimierung.
• Kalibrierung mit Experimenten ist der wichtigste Qualitätshebel; unkalibrierte MMM können selbstsichere, aber falsche Kanalrangfolgen liefern.
• Agentische Analytik: LLM-Agenten übernehmen Datenaufbereitung, erneutes Anpassen und Berichte, doch erzeugte Zahlen müssen auf die Modellausgabe zurückführbar sein.
• Grenzen und Fehlerbilder: kollineare Kanäle (Ausgaben bewegen sich gemeinsam), geringe Variation der Ausgaben, zu kurze Historie, ausgelassene Variablen (Wettbewerber, Änderungen im Vertrieb), Prior-Empfindlichkeit, langsam wirkende Markeneffekte; Ergebnisse sind Schätzungen mit breiten Intervallen, keine Tatsachen. Von Plattformen gemeldete Conversions überschneiden sich und werden überzählt.

Gemeinsame Bausteine & Kombinationen

• Gleiche Fähigkeiten (tabular-ml, time-series, causal-inference): PRED-001/PRED-002 Nachfrage- und Absatzprognose, DATA-027 Experimente und Kausalwirkung, OPT-016 Optimierung von Handelsaktionen.
• Nachgelagert: OPT-004 dynamische Preisgestaltung; REC-007 Optimierung von Werbemitteln und Gebote; REC-013 Retail Media; REC-003 Next-Best-Action nutzt Erkenntnisse zur Kanalwirkung.
• Eingaben aus: REC-004 Segmentierung (Modelle auf Segmentebene), PRED-004 Customer Lifetime Value (langfristiger ROI).
• Hardware: HW1 CPU/Cloud-VM wird mit anderen tabellarischen Analyse-Workloads geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zu ersten Ergebnissen; Abonnement- oder Projektgebühren.
• Weg B: typischerweise 2-4 Monate bis zu einem kalibrierten, automatisierten Modell einschließlich Datenpipelines; Hauptkosten sind Dateningenieurwesen und Analystenzeit, die Rechenkosten sind gering.
• Weg C/D: 3-6 Monate; Spezialkenntnisse erforderlich.
• Kennzahlen: Fehler außerhalb der Stichprobe (MAPE), Breite des Posterior-Intervalls, Übereinstimmung mit dem Lift aus Experimenten, Anteil des Budgets, der auf Modellempfehlung verschoben wurde, inkrementeller Umsatz je Euro im Vergleich zu einem Holdout, Zeit von den Daten bis zur Entscheidung, Aktualisierungshäufigkeit.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Abteilungsleitung (Marketing und Finanzen): Die MMM verändert Budgetentscheidungen, klären Sie daher früh, welche Entscheidungen das Modell stützen darf. Binden Sie die Datenverantwortlichen (ERP, Agenturen, Werbekonten) ein, wenn die Quellen erfasst werden, und die IT für Konnektoren und Zugriffe. Die Anwender sind Analysten und Kampagnenmanager; zeigen Sie ihnen die Diagnosen, nicht nur die Rangfolge.

Betriebsrat: in der Regel nein. Das Modell nutzt aggregierte Marktdaten, kein Beschäftigtenverhalten, daher greift § 87 Abs. 1 Nr. 6 BetrVG nicht; informieren Sie den Betriebsrat dennoch rechtzeitig nach § 90 Abs. 1 Nr. 3, wenn sich der Ablauf spürbar ändert. Der oder die Datenschutzbeauftragte wird nur benötigt, wenn Exporte personenbezogene Daten enthalten oder eigene Nutzerpfade in die Attributionsebene einfließen; prüfen Sie dann die Rechtsgrundlage und, bei Auftragsverarbeitern, einen AVV (GUIDE-005).

Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) mit einer kurzen Schulung dazu, was die MMM zur Kausalität sagen kann und was nicht (GUIDE-006). Starten Sie mit einem Pilot auf zwei oder drei Kanälen und vergleichen Sie ihn mit einem früheren Experiment. Typische Bedenken: „Die Black Box kürzt meinen Kanal“ und Misstrauen gegenüber Glaubwürdigkeitsintervallen; begegnen Sie ihnen, indem Sie Annahmen und Priors offenlegen, mit Lift-Tests kalibrieren und das Ergebnis als Entscheidungshilfe behandeln: Marketing und Finanzen entscheiden. Siehe GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; aggregierte statistische Messung ist keine Anwendung nach Anhang III. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Nutzen Sie die Ergebnisse nicht, um manipulatives oder ausbeuterisches Targeting aufzubauen (Verbote in Art. 5 Abs. 1 Buchst. a/b für unterschwellige oder Schwächen ausnutzende Techniken); die MMM selbst ist keine solche Technik.
• DSGVO / ePrivacy: MMM auf aggregierten Daten liegt weitgehend außerhalb personenbezogener Daten; Geo- und nutzerbezogene Attribution, Tracking-Pixel und Server-Side-Tagging brauchen eine Rechtsgrundlage und Einwilligung (ePrivacy-Richtlinie Art. 5 Abs. 3, DSGVO Art. 6) [7]. Dokumentieren Sie den Zweck, minimieren Sie die Daten und vermeiden Sie Re-Identifizierung in kleinen Regionen.
• Anbieterrisiko: Datenübermittlung an US-Plattformen (EU-US Data Privacy Framework), Auftragsverarbeitungsverträge, Präferenz für EU-Hosting.
• Modellrisiko: übermäßiges Vertrauen in Punktschätzungen; mindern durch Intervalle, Backtests, Experimente, Versionskontrolle der Priors und ein Änderungsprotokoll. Freigabe von Budgetverschiebungen durch die Finanzen.
• Selbstbewertende Plattformen: vom Anbieter gemeldete Ergebnisse mit unabhängiger Messung abgleichen.

Erste Schritte

1. 2-3 Jahre wöchentliche Ausgaben-, Ergebnis- und Kontrolldaten in einer sauberen Tabelle sammeln; Lücken dokumentieren.
2. Ein Geo- oder Conversion-Lift-Experiment auf einem wichtigen Kanal durchführen, um einen Anker als Referenzwahrheit zu erhalten.
3. Eine Basislinie mit Meridian oder PyMC-Marketing auf einer Stichprobe anpassen; Diagnosen und Anpassung außerhalb der Stichprobe prüfen.
4. Mit den Experimentergebnissen kalibrieren, die ROI-Intervalle mit Marketing und Finanzen prüfen und eine moderate Umschichtung (10-20 %) als gemessenes Experiment testen.
5. Monatliche Aktualisierungen automatisieren und eine LLM-Zusammenfassung ergänzen, sobald den Zahlen vertraut wird.

Quellen

1. Google — Meridian documentation — https://developers.google.com/meridian
2. Meta — Robyn open-source MMM — https://facebookexperimental.github.io/Robyn/
3. Google Meridian GitHub repository — https://github.com/google/meridian
4. PyMC-Marketing documentation — https://www.pymc-marketing.io/
5. Meta Robyn GitHub repository — https://github.com/facebookexperimental/Robyn
6. Martech.org — Google releases its open source marketing mix model to all — https://martech.org/google-releases-its-open-source-marketing-mix-model-to-all/
7. Directive 2002/58/EC (ePrivacy) — https://eur-lex.europa.eu/eli/dir/2002/58/oj
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj