Marketing Mix Modeling, erklärt und kalibriert
Marketing Mix Modeling erklärt: was ein Media-Mix-Modell misst, wie Adstock, Sättigung und Priors funktionieren, und wie man es mit Experimenten kalibriert.
Hajime Takeda · Aktualisiert am 28. September 2026
Was ist Marketing Mix Modeling (MMM)?
Marketing Mix Modeling ist eine statistische Methode, die eine Zielgröße des Unternehmens, meist Umsatz oder Bestellungen, als Summe einer Basis und des Beitrags jedes Marketingkanals im Zeitverlauf erklärt. Sie arbeitet mit aggregierten Daten: wöchentliche Ausgaben je Kanal, wöchentliche Verkäufe und das, was die Verkäufe sonst noch bewegt, etwa Preis, Promotions, Saisonalität und Wettbewerber. Sie braucht kein Tracking auf Nutzerebene. Deshalb ist sie nicht auf Third-Party-Cookies angewiesen, und deshalb sieht sie Fernsehen, Radio, Außenwerbung und Print genauso wie Paid Search und Paid Social.
Dieselbe Methode trägt mehrere Namen. Marketing Mix Modeling und Marketing Mix Modelling sind die amerikanische und die britische Schreibweise. Media Mix Modeling legt den Schwerpunkt auf den Media Mix, die Medienausgaben innerhalb des Marketing-Mix, und Medien sind in der Praxis der größte Teil dessen, was das Modell erklärt. Market Mix Modeling und Market Mix Modelling bezeichnen denselben Ansatz. Die Abkürzung MMM deckt alle ab, und ein Marketing Mix Model, im Deutschen ein Marketing-Mix-Modell, ist das, was die Methode hervorbringt: ein angepasstes Modell für eine Marke in einem Zeitraum. MMM Models sind nichts anderes als solche angepassten Modelle.
Was ein MMM beantwortet, ist eine Frage der Budgetallokation: Was hat jeder Kanal im Zeitraum zum Umsatz beigetragen, und was würde der nächste Euro auf jedem Kanal bringen? Was es nicht misst, zählt genauso. Es misst keine einzelnen Kunden, kann also nicht sagen, welche Anzeige eine bestimmte Person gesehen hat. Es misst die Qualität der Kreation nicht, außer über den aggregierten Effekt der Wochen, in denen sie lief. Es beweist keine Kausalität: Ein gut angepasstes Modell kann trotzdem dem falschen Kanal den Erfolg zuschreiben, wenn zwei Kanäle sich immer gemeinsam bewegen. Dafür gibt es den Abschnitt zur Kalibrierung. Und jenseits des Ausgabenbereichs, den es gesehen hat, sind seine Kurven Extrapolationen.
Warum MMM zurück ist: Signalverlust, Datenschutz, Offline-Medien
Marketing-Mix-Modelle sind älter als die digitale Werbung: Mit ihnen hat die Konsumgüterindustrie Fernsehen und Promotions aus aggregierten Verkäufen gemessen. Die digitale Attribution versprach etwas Besseres: jeden Nutzer von der Impression bis zum Kauf zu verfolgen und die Kontaktpunkte auf dem Weg zu bewerten. Datenschutzregeln und Signalverlust haben das Klick-Tracking als Methode zur Werbewirkungsmessung unzuverlässiger gemacht. Consent-Banner, das Ende der Third-Party-Cookies, Tracking-Beschränkungen in Apps und Änderungen der Browser haben einen wachsenden Teil der Nutzerdaten entfernt, auf denen Multi-Touch-Attribution beruht, und was bleibt, ist zu den Nutzern hin verzerrt, die dem Tracking zustimmen.
Zwei weitere Gründe wiegen genauso schwer. Die Attribution hat Offline-Medien nie gesehen: Eine TV-Kampagne erscheint in den Dashboards der Plattformen als unerklärter Anstieg der Markensuchen, den das Dashboard der Suche gutschreibt. Und der von den Plattformen gemeldete ROAS hat eine strukturelle Verzerrung: Jede Plattform misst für sich, oft zählen sie dieselben Verkäufe, und ein gesättigter Kanal meldet noch lange einen gesunden Durchschnittsertrag, nachdem der nächste Euro aufgehört hat, etwas zu bringen.
Marken und Agenturen kehren deshalb zur modellierten Messung zurück, zu Media-Mix-Modellen und Experimenten, mit einer Methode, die die Finanzseite prüfen kann, wenn das Marketing seinen ROI, den Return on Marketing Investment, belegen muss. MMM Marketing ist der Teil dieses Werkzeugkastens, der den gesamten Media Mix auf einmal erfasst, online und offline: Das Modell schätzt die Beiträge der Kanäle, Experimente kalibrieren diese Schätzungen, und am Ende steht eine Budgetentscheidung. Wer Werbewirkung messen will, ohne einzelne Nutzer zu verfolgen, ist hier richtig.
So funktioniert ein Media-Mix-Modell: Adstock, Sättigung, Wirkungskurven
Das Modell zerlegt die Zielgröße in additive Teile:
Umsatz(t) = Basis
+ Σ über Kanäle von β × Sättigung( Adstock( Ausgaben(t) ) )
+ Saisonalität(t) + Trend(t) + Kontrollen(t) + Rauschen
Drei Bausteine leisten die Arbeit, und jeder hat sein eigenes Methodenblatt.
Adstock trägt die Ausgaben einer Woche in die folgenden Wochen, weil Werbung nach der Ausstrahlung weiterwirkt. Die übliche Form ist der geometrische Adstock: Jede Woche bleibt ein fester Anteil der Wirkung der Vorwoche erhalten. Search klingt in Tagen ab, Fernsehen über Wochen. Ein Modell ohne Nachwirkung kann die verzögerten TV-Verkäufe dem zuschreiben, was danach lief, meist Search und Retargeting.
Sättigung biegt die Wirkung ab, weil die zweite Million weniger bringt als die erste: Das Publikum ist endlich, die Kontaktfrequenz häuft sich, das günstigste Inventar geht zuerst. Die übliche Form ist die Hill-Funktion, eine Kurve mit einem Halbsättigungspunkt und einem Formparameter. Sie wird auf die Ausgaben nach Adstock angewendet: Was sättigt, ist die akkumulierte Wirkung, nicht der Einsatz einer einzelnen Woche.
Der Koeffizient β übersetzt die transformierten Ausgaben in Umsatz. Für jede Posterior-Ziehung ist der Beitrag des Kanals β × Sättigung(Adstock(Ausgaben)), und dieser Beitrag, geteilt durch die Ausgaben des Zeitraums, ist der inkrementelle Ertrag des Kanals.
Zusammen ergeben die drei für jeden Kanal eine Wirkungskurve: Umsatz als Funktion der Ausgaben, anfangs steil, dann immer flacher, je stärker der Kanal ausgeschöpft ist. Aus dieser Kurve lassen sich zwei Kennzahlen ablesen, die verschiedene Fragen beantworten. Der Durchschnittsertrag, Umsatz geteilt durch Ausgaben, ist das, was ein Dashboard ROAS nennt: Er beschreibt die Vergangenheit. Der marginale Ertrag, die Steigung der Kurve bei den aktuellen Ausgaben, ist die Schätzung des Modells dafür, was der nächste Euro bringt. Auf jeder sättigenden Kurve liegt der marginale Ertrag unter dem Durchschnitt, und je weiter hinter dem Knick, desto weiter darunter. Der marginale inkrementelle ROAS ist die Zahl, die die Kanäle für den nächsten Euro ordnet, und die Zahl, nach der ein Plan Budget verschiebt.
Der Rest des Modells sind die Basis und die Kontrollvariablen: Saisonalität, Trend, Preis, Promotions, Distribution, Aktivitäten der Wettbewerber, makroökonomische Größen. Sie zählen, weil die Kanäle an ihnen gemessen werden. Ein Modell, das den Promotionskalender auslässt, kann die Promotions dem Kanal zuschreiben, der in dieser Woche lief.
Bayesianisches MMM: Priors, Posteriors, warum die Spanne zählt
Ein Modell ist bayesianisch, wenn jeder Parameter mit einem Prior beginnt, einer ausdrücklichen Annahme über seinen plausiblen Bereich, und die Daten diese Annahme zu einem Posterior aktualisieren. Das Ergebnis ist keine Punktschätzung je Kanal, sondern eine Posterior-Verteilung, aus der ein zentraler Schätzwert und eine Spanne abgelesen werden.
Ein gut gebautes Modell arbeitet mit drei Stufen von Priors. Strukturparameter wie der Adstock-Abklang bekommen starke Priors, weil die Physik der Medien gut bekannt ist: Ein Team, das für Fernsehen eine Halbwertszeit von zwei Wochen erwartet, kann das sagen und die Daten den Wert anpassen lassen. Die Sättigung bekommt moderate Priors, gebunden an die typischen Ausgaben des Kanals. Die Kanalkoeffizienten bekommen schwache Priors, damit die Daten sprechen können, mit der Einschränkung, dass sie positiv sind. Ein nützlicher Standard ist, den Prior eines Koeffizienten am Anteil des Kanals am historischen Budget auszurichten: Die Allokation des Unternehmens kodiert, was es bereits glaubt.
Priors sind auch das, was MMM auf den Daten nutzbar macht, die Marken tatsächlich haben. Zwei oder drei Jahre Wochendaten sind hundert bis hundertfünfzig Punkte, verteilt auf die Kanäle und die Kontrollen. Flache Priors auf so wenigen Daten erzeugen unplausible Erträge und Probleme beim Sampling. Zu enge Priors bewirken das Gegenteil: Das Posterior ist der Prior, und die Daten haben nie gezählt. Die Prior-Sensitivität, also das erneute Anpassen mit anderen plausiblen Priors, zeigt, wie stark die Schlüsse von ihnen abhängen, und unterscheidet beide Fälle. Priors, die Ihr Team prüfen kann, sind der Unterschied zwischen einem Modell und einer Black Box.
Die Anpassung erfolgt durch Markov-Chain-Monte-Carlo-Sampling. Das Ergebnis ist eine Menge von Posterior-Ziehungen für jeden Parameter, und alles Nachgelagerte, Wirkungskurven, Beiträge, Szenarioprojektionen, wird auf diesen Ziehungen berechnet. Daher kommt die Spanne in einem Plan, und deshalb zählt die Spanne mehr als der Punkt. Ein projizierter Zuwachs, dessen Spanne die Null kreuzt, ist von null nicht zu unterscheiden, und ein Plan sollte das sagen, statt den Mittelwert zu melden. Ein Kanal, dessen marginaler Ertrag irgendwo zwischen Verlust und deutlichem Gewinn plausibel ist, ist keine Entscheidung, sondern eine Messung, die zuerst ansteht.
Die bayesianische Media-Mix-Modellierung hat ein eigenes Blatt, mit Priors, Sampling und Fallstricken im Detail.
MMM mit Inkrementalitätstests kalibrieren
Ein MMM schätzt Zusammenhänge aus Beobachtungsdaten. Es kann den Umsatz gut vorhersagen und trotzdem dem falschen Kanal den Erfolg zuschreiben, weil Kanäle sich gemeinsam bewegen: Alle geben im vierten Quartal mehr aus, und Fernsehen erzeugt die Markensuchen, die ein additives Modell der Suche zuschreibt. R² und Out-of-Sample-Fehler sind notwendig, nicht hinreichend. Der Test für die Zuschreibung ist ein Lift-Test.
Ein Inkrementalitätsexperiment verändert die Werbung für einige Einheiten und für andere nicht und misst dann den Unterschied in der Zielgröße. Die Einheit, die ohne Nutzerdaten funktioniert, ist die Geografie: Ein Geo-Lift-Experiment pausiert oder verstärkt einen Kanal in einigen Regionen, baut aus den unbehandelten Regionen eine synthetische Kontrolle und liest die Lücke ab. Es liefert die einzige Art von Zahl, die keinen Vorbehalt braucht: gemessen.
Kalibrierung ist die Schleife zwischen beiden. Der im Experiment gemessene inkrementelle Ertrag wird zum Prior für den Koeffizienten dieses Kanals in der nächsten Anpassung. So ist die Kurve des Modells am getesteten Ausgabenniveau verankert, und die Form des Rests der Kurve kommt weiterhin aus dem Modell. Weichen der vom Modell geschätzte und der im Experiment gemessene inkrementelle Ertrag um mehr als ein Drittel voneinander ab, hat das Modell auf diesem Kanal ein Identifikationsproblem, und der Plan sollte das sagen. Modellieren, testen, neu kalibrieren: Diese Schleife ist der Unterschied zwischen einem Modell, das einmal gebaut wurde, und einem, das sich seinen Platz immer wieder verdient.
Welcher Kanal zuerst getestet wird, beantwortet das Modell. Der Kanal, dessen marginale Spanne zu breit ist, um zu handeln, oder dessen Ausgaben nie genug variiert haben, um identifiziert zu werden (ein Variationskoeffizient der Wochenausgaben unter 0,1 bedeutet, dass das Modell seinen Prior zurückgegeben hat), ist der erste Kandidat für einen Geo-Holdout. Kapitel 6.4 von Marketing Science in Python geht die Kalibrierung Schritt für Schritt durch.
Welche Daten ein MMM braucht
Das Minimum sind Wochendaten je Kanal über einen ausreichend langen Zeitraum. Ausgaben für jeden bezahlten Kanal, auch offline. Die Zielgröße, Umsatz oder Bestellungen, aus dem Data Warehouse, der E-Commerce-Plattform oder der Web-Analyse statt aus der attribuierten Zahl einer Plattform. Und die Kontrollvariablen, die die Zielgröße ebenfalls bewegen: Preis, Promotions, Distribution, Saisonalität, Aktivitäten der Wettbewerber und der Kalender dessen, was passiert ist. Organische und eigene Kanäle, E-Mail, organische Suche, werden in der Regel als Kontrollen behandelt, nicht als Medien; die Model Card hält fest, welche. Für Einzelhandelsmarken kommen Distribution, Filialeröffnungen und der Promotionskalender zu den Kontrollen hinzu.
Wie viel Historie: typischerweise zwei bis drei Jahre. Weniger als zwei Jahre lassen zu wenige Punkte, um die Kanäle von der Saisonalität zu trennen, und dann kommen die Experimente zuerst. Koeffizienten über die Zeit driften zu lassen, braucht fünf Jahre oder mehr und einen dokumentierten Regimewechsel; sonst sind feste Koeffizienten mit ehrlichen Spannen verlässlicher. Tagesdaten brauchen eine tägliche Physik: Der tägliche Faktor ist λ hoch ein Siebtel, wobei λ der wöchentlich verbleibende Wirkungsanteil ist.
Variation zählt genauso viel wie Länge. Ein Kanal, der jede Woche auf demselben Niveau bespielt wird, ist aus den Daten nicht identifizierbar, wie lang die Historie auch ist: Das Modell gibt seinen Prior zurück. Kanäle mit einer Korrelation über 0,95 lassen sich ebenfalls nicht auseinanderhalten. MMM ist auch das falsche Werkzeug bei einem einzigen dominanten Kanal oder für ein ganz neues Produkt. In jedem dieser Fälle kommen die Experimente zuerst und das Modell später, und ein Plan, der auf Benchmarks startet, sollte sagen, welche Zahlen geliehen sind: Dafür gibt es das geprüfte Benchmark-Verzeichnis.
Ein großer Teil der Arbeit von Marketing Scientists, oder MMM Data Scientists, steckt in der Vorbereitung: Plattformexporte mit dem Warehouse abgleichen, Wochen ausrichten, die Promotions und Preisänderungen dokumentieren, die niemand festgehalten hat, und entscheiden, was als Kanal zählt. Das ist unglamourös, und es entscheidet über das Modell.
MMM, Attributionsmodell oder Inkrementalität
Die drei Methoden beantworten verschiedene Fragen, und die Analyse, die ein Messplan braucht, nutzt meist mehr als eine.
Multi-Touch-Attribution, MTA, arbeitet auf Nutzerebene: Sie verfolgt Einzelpersonen über Kontaktpunkte hinweg und verteilt den Erfolg jeder Conversion nach einer Regel auf sie. Sie ist schnell, feinkörnig und jeden Tag verfügbar, und sie ist das übliche Werkzeug für die Optimierung innerhalb eines Kanals: welches Keyword, welche Zielgruppe, welche Anzeige. Ihre Grenzen sind strukturell. Sie sieht nur, was sie nachverfolgen kann, und das schließt Offline-Medien und einen wachsenden Teil der Nutzer aus. Sie zählt Korrelation entlang eines Pfads, nicht Kausalität. Und ihre Regeln, linear, zeitlich abnehmend, datengetrieben, verteilen den Erfolg unter den beobachteten Kontaktpunkten, nie an die unbeobachteten.
Marketing Mix Modeling arbeitet auf aggregierter Ebene, wöchentlich und je Kanal. Es sieht offline und online, braucht kein Tracking und beantwortet die Budgetfrage über den gesamten Mix. Seine Grenzen sind die oben genannten: Es ist beobachtend, es braucht Historie und Variation, und seine Auflösung endet beim Kanal und bei der Woche.
Inkrementalitätstests messen Kausalität direkt, für einen Kanal, auf einem Ausgabenniveau, in einem Zeitraum. Sie sind die einzige Methode, die misst, was ein Kanal bewirkt, unter den Bedingungen des Tests. Ihre Grenzen sind Kosten und Reichweite: Ein Test beantwortet eine Frage auf einmal, braucht einen sauberen Eingriff, und sein Ergebnis ist ein Punkt auf der Kurve, nicht die Kurve.
Die praktische Anordnung ist eine Hierarchie. Experimente kalibrieren das Modell, das Modell verteilt das Budget auf die Kanäle, und die Attribution optimiert innerhalb jedes Kanals, wobei ihre Zahlen als attribuiert gelesen werden, nicht als inkrementell. Ist MMM besser als Attribution? Für eine Budgetverteilung zwischen Kanälen ja. Für die Wahl zwischen zwei Anzeigen an einem Dienstag nein. Die Pillar-Seite zur Inkrementalität behandelt die Experimente, und der Vergleich von MMM, Attribution und Inkrementalität stellt die drei nebeneinander.
Was Ihnen am Ende gehört: Modell, Kurven, Mediaplan
Ein MMM-Projekt, das mit einer Präsentation endet, hat eine Zahl hervorgebracht, keinen Vermögenswert. Was eine Marke am Ende einer Anpassung besitzen sollte, ist das Modell selbst, als Artefakte, die sie prüfen und wiederverwenden kann: die Model Card mit Datenfenster, Kanälen, Kontrollen und Transformationen; die Priors und woher jeder stammt; die angepassten Parameter je Kanal, Abklang, Halbsättigungspunkt, Form, Koeffizient, mit ihren Posteriors; die Wirkungskurven in Umsatz, mit ihren Spannen; die Anpassungsdiagnostik, In-Sample, Out-of-Sample und Prior-Sensitivität; und das Kalibrierungsprotokoll, also welche Experimente welche Kanäle verankert haben.
Kurven sind das, was aus dem Modell einen Plan macht. Ein Szenario ist ein Satz von Ausgabenniveaus, eines je Kanal. Sein projizierter Umsatz ist die Basis plus die Summe der dort ausgewerteten Kurven, berechnet auf jeder Posterior-Ziehung, also mit Spanne. Eine Marketing Simulation auf dieser Grundlage vergleicht Budgetverteilungen nach marginalen Erträgen und mit ihren Spannen: ein Wachstumsszenario, das überall Budget hinzufügt, und ein Effizienzszenario, das die gesättigten Kanäle kürzt, nebeneinander gelesen mit ihrem projizierten Ertrag und dem Kompromiss, den jedes eingeht. Wer eine Werbekampagne planen will, tut es mit MMM so: nicht nach dem Durchschnittsertrag der Vergangenheit, sondern nach dem Ertrag des nächsten Euros, mit seiner Spanne.
Der Mediaplan ist die Entscheidung, mit ihren aufgeschriebenen Annahmen: welche Zahlen gemessen sind, welche aus dem Modell projiziert, welche Benchmarks, und welche Tests eine projizierte Zahl durch eine gemessene ersetzen würden. Dieser Plan, die Modelle und die Belege sollten Ihnen gehören, wer auch immer sie gebaut hat. Das Modell des Planners ist mit PyMC-Marketing gebaut, einer Open-Source-Bibliothek: Warum PyMC-Marketing statt Meridian sagt, was diese Wahl ändert. So bleiben die Annahmen hinter Ihrer Mediastrategie nachvollziehbar.
Wie der Kuwalyst Media Planner ein MMM betreibt
Der Media Planner passt ein bayesianisches MMM an das Data Warehouse der Marke an: wöchentliche Ausgaben je Kanal, Umsatz, Bestellungen und Funnel, typischerweise zwei bis drei Jahre, mit geometrischem Adstock, Hill-Sättigung und Priors, die das Team prüfen kann. Model Card, Priors, Wirkungskurven und Anpassungsdiagnostik werden als Artefakte gespeichert, die das Team einsehen kann. Modelle, die Ihr Team oder ein Partner bereits gebaut hat, lassen sich ebenfalls als Artefakte laden; der Planner besteht nicht auf seinem eigenen.
Die Allokation nutzt nie den durchschnittlichen ROAS. Die Ansicht Plan liest den marginalen inkrementellen ROAS jedes Kanals an seiner Wirkungskurve bei den zugesagten Ausgaben ab, sodass Budget von gesättigten Kanälen zu Kanälen mit Spielraum wandert, und jedes Szenario trägt seine Spanne. Die Ansicht Operate überwacht den Plan gegen seine Ziele, und die Ansicht Tune schlägt Umschichtungen vor, die an den Steigungen bemessen sind: wie viel sich bewegen kann, bevor der empfangende Kanal seinen eigenen Knick erreicht. Ist die Spanne eines Kanals zu breit für eine Entscheidung, ist die Empfehlung stattdessen eine Messung: der Geo-Holdout, der sie verengen würde, mit Regionen, Dauer und der erwarteten Verengung des Intervalls. Das Ergebnis landet im selben Arbeitsbereich und fließt in die nächste Anpassung ein.
Jede Zahl auf jedem Bildschirm und in jedem Export trägt ihre Kennzeichnung: gemessen, projiziert oder Benchmark. Eine Marke ohne Historie beginnt mit dem geprüften Benchmark-Verzeichnis, und der Plan listet die Benchmarks, von denen er abhängt, geordnet danach, wie stark sich die Projektion bewegen würde, wenn sie falsch wären; die Kennzeichnungen ändern sich, sobald Belege sie ersetzen. Agenturen lizenzieren den Media Planner als Marketing-Planungstool unter eigener Marke; mehr zur Marketing-Planungssoftware für Agenturen unter White-Label-Marketing-Science für Agenturen. Marken betreiben ihn selbst oder lassen ihn vom Kuwalyst-Team betreiben: siehe Marketing Science für Marken. Wenn souveräne KI zu Ihren Anforderungen gehört: Das Modell läuft auf in der EU gehosteter Infrastruktur, und wo Ihre Daten bleiben ist festgehalten. Wer noch beim Plan selbst ist, beginnt mit dem Leitfaden zur Mediaplanung und seiner Vorlage.