Media Mix Modelling: Adstock, Sättigung und wohin das nächste Budget geht

Der Katalog, der nichts bringt, und die Suchkampagne, die alles bringt

Jeden Jänner setze ich mich bei The Gift Bow, meinem Solidus Demoshop für Geschenkkörbe auf hampers.keferboeck.com, mit zwei Jahren Wochenzahlen hin, und in meinem Kopf bricht derselbe Streit aus. Der Attributionsbericht sagt: Paid Search hat 61 Prozent des nachverfolgten Umsatzes geliefert, Paid Social 14 Prozent, Email respektable 18 Prozent, weil der Klick auf einem getaggten Link landet. Der gedruckte Katalog, der Anfang Oktober und noch einmal Ende November an 40.000 Haushalte geht, bekommt exakt nichts, weil niemand auf Papier klickt.

Ich weiss, dass das falsch ist. In der Woche nach dem Katalog springen die Suchanfragen nach "gift bow hampers" um ein Drittel, und Paid Search kassiert die Anerkennung für Nachfrage, die eine Postsendung erzeugt hat. Ich sehe auch, dass die Suchkurve flach geworden ist: Wir haben das Budget im zweiten Herbst verdoppelt, und der Suchumsatz ist um einen Bruchteil davon gestiegen. Irgendetwas sättigt, irgendetwas wirkt aus früheren Wochen nach, und irgendetwas füttert etwas anderes. Attribution sieht nichts davon, weil sie nur Klicks kennt, denen sie folgen kann.

Media Mix Modelling, kurz MMM, ist die Methode für genau diese Lage. Das Modell arbeitet von oben, mit Wochensummen, ganz ohne Tracking auf Nutzerebene, und beantwortet die Frage, die die Finanzseite tatsächlich stellt: Wenn ich das nächste Pfund von hier nach dort schiebe, was passiert mit dem Umsatz? Die Zahlen in diesem Kapitel sind illustrativ, aber die Form des Problems ist die, die ich in jedem Konto mit mehr als zwei Kanälen antreffe.

Wo das in der Serie steht

Das ist Kapitel 16 von 21, und wir sind in Teil vier, Media und Loyalität, Kapitel 15 bis 19. Das vorige Kapitel, Den Wert von Marketingkommunikation modellieren, hat gefragt, was eine Botschaft wert ist, wenn sie angekommen ist; dieses fragt, was ein Kanal wert ist, wenn man Gedächtnis und abnehmende Erträge berücksichtigt, und wohin das nächste Pfund gehört. Das nächste Kapitel wechselt die Seite und geht zum Kunden mit Loyalität: die drei R, das Spektrum, und Earn und Burn richtig gestalten.

Was MMM beantwortet und Attribution nicht

Attribution fragt: Von den Verkäufen, die wir einer Person zuordnen können, welche Kontaktpunkte lagen auf dem Weg? MMM fragt: Von allen Verkäufen dieser Woche, wie viele hätten wir ohne den jeweiligen Kanal nicht gemacht? Das erste ist Buchhaltung über nachverfolgte Wege. Das zweite ist eine kausale Frage über Gesamtergebnisse.

Daraus ergeben sich drei praktische Vorteile. MMM sieht Kanäle, die keine Klicks erzeugen: Katalog, Radio, Plakat, ein Sponsoring. Es sieht Wechselwirkungen zwischen Kanälen und kann dir sagen, dass ein guter Teil deiner Markensuche weiter oben erzeugt wird. Und es braucht keine Cookies, Pixel, Consent Banner oder Nutzerkennungen, weil der Input eine Tabelle mit einer Zeile pro Woche ist. Ich habe an anderer Stelle über Privacy First Growth Hacking geschrieben, und MMM ist die datenschutzfreundlichste Messmethode, die ich kenne: Das Persönlichste im Datensatz ist das Wetter.

Der Preis ist Auflösung. MMM kann dir nicht sagen, welche Anzeige, welche Zielgruppe oder welches Keyword funktioniert hat. Es sagt dir, was der Kanal auf Ebene des Wochenbudgets getan hat, mit Fehlermarge, und es braucht Geschichte: Zwei Jahre Wochendaten sind das vernünftige Minimum, und 104 Wochen liefert mir The Gift Bow. Die Keyword Sicht gehört ins Suchkonto, und wie der Long Tail deiner Keywords dein Budget frisst, habe ich separat behandelt. MMM sitzt darüber und entscheidet, wie gross jeder Topf sein soll.

Adstock: Werbung hat ein Gedächtnis

Die erste Idee, die MMM von einer naiven Regression von Umsatz auf Ausgaben unterscheidet, ist der Übertrag. Ein Katalog, der am Dienstag ankommt, verkauft sechs Wochen lang Körbe. Eine Social Kampagne baut Bekanntheit auf, die sich auszahlt, nachdem sie vorbei ist. Sogar ein Suchklick hat einen Schweif: Der Besucher setzt ein Lesezeichen und bestellt am Zahltag. Wer den Umsatz dieser Woche auf die Ausgaben dieser Woche regressiert, liegt beim Timing falsch und unterschätzt langsame Kanäle.

Adstock löst das, indem es rohe Ausgaben durch einen Bestand ersetzt, der abklingt. Die einfachste und nach meiner Erfahrung robusteste Variante ist die geometrische Rekursion:

$$A_t = x_t + \lambda \, A_{t-1}, \qquad \lambda = 0.5^{1/h}$$

Dabei ist $A_t$ der Adstock in Woche $t$, $x_t$ sind die Ausgaben oder Impressionen dieser Woche, $\lambda$ ist die Haltequote zwischen 0 und 1, und $h$ ist die Halbwertszeit in Wochen, also die Zeit, bis die Wirkung eines Impulses auf die Hälfte gefallen ist. Mit Kunden rede ich in Halbwertszeiten, nie in $\lambda$, weil "der Katalog hat eine Halbwertszeit von fünf Wochen" ein Satz ist, über den ein Geschäftsführer streiten kann, und "Lambda ist 0,87" nicht.

Das Diagramm zeigt einen einzelnen Impuls von 100 in Woche 0 und danach nichts, für einen Kanal mit einer Woche Halbwertszeit und einen mit vier Wochen.

Zwei Abklingkurven: Halbwertszeit eine Woche (schnell) und vier Wochen (langsam). Der langsame Kanal leistet acht Wochen später noch ein Viertel seiner Arbeit.

Die Rekursion ist eine Verwandte der Distributed Lag Modelle aus Kapitel 5. Ein Polynomial Distributed Lag erlaubt dem Schweif jede glatte Form, auch einen Buckel, bei dem die Wirkung ein oder zwei Wochen nach der Ausgabe ihren Gipfel hat. Geometrischer Adstock zwingt den Gipfel in die Ausgabenwoche. Mit 104 Wochen und vier Kanälen bevorzuge ich fast immer die geometrische Variante, weil sie einen Parameter pro Kanal kostet statt drei oder vier, und die Daten tragen selten mehr. Wenn ein Kunde darauf besteht, dass sein TV zwei Wochen bis zum Gipfel braucht, ergänze ich einen Gipfelparameter und sage ehrlich, dass der Gipfel ebenso Annahme wie Befund ist.

Sättigung: das zweite Pfund ist weniger wert als das erste

Die zweite Idee sind abnehmende Erträge. Doppeltes Suchbudget verdoppelt die Klicks nicht, weil die guten Keywords schon gekauft sind und das zusätzliche Geld in schwächere Positionen und breitere Übereinstimmungen fliesst. Doppelte Email Frequenz verdoppelt den Umsatz nicht, weil deine Liste endlich ist und ermüdet. Jeder Kanal hat eine Kurve, und die Kurve macht die Budgetverteilung zu einer echten Frage statt zu "alles in den Kanal mit dem besten Durchschnitts ROI". Ich habe ausführlich argumentiert, dass marginaler ROI den durchschnittlichen ROI schlägt; MMM ist die Maschinerie, die die marginale Zahl schätzt.

Die Kurve, die ich am häufigsten nutze, ist die Hill Funktion:

$$S(A) = \frac{A^{\alpha}}{A^{\alpha} + K^{\alpha}}$$

$S$ ist die gesättigte Wirkung zwischen 0 und 1, $A$ der Adstock, $K$ der Halbsättigungspunkt, also das Adstock Niveau, bei dem die Hälfte der Maximalwirkung erreicht ist, und $\alpha$ steuert die Form: Werte nahe 1 geben eine konkave Kurve, die sich vom ersten Pfund an biegt, Werte über 1 geben eine S Form, die langsam startet, beschleunigt und dann abflacht. Ein Katalog folgt der S Form, weil die ersten 5.000 Exemplare kaum registriert werden. Suche folgt der konkaven Kurve, weil das erste Pfund dein bestes Keyword kauft.

Eine einfachere Alternative ist die logarithmische Form $S(A) = \ln(1 + A/K)$, die nie ganz sättigt. Die Form ist leichter zu schätzen und schwerer zu verteidigen, wenn ein Kunde fragt: "Also gibt es keine Grenze?" Ich nutze sie bei dünnen Daten, und sage das dazu.

Die Wirkung eines Kanals ist dann $\beta_c \, S_c(A_{c,t})$, wobei $\beta_c$ der maximale Wochenumsatz ist, den der Kanal je hinzufügen könnte. Das vollständige Modell mit einer Gleichung lautet:

$$y_t = \beta_0 + \sum_{c} \beta_c \, S_c(A_{c,t}) + \sum_{k} \gamma_k \, z_{k,t} + \varepsilon_t$$

$y_t$ ist der Umsatz in Woche $t$, $\beta_0$ die Basis, also der Umsatz, den du ganz ohne Media machen würdest, die erste Summe läuft über die Kanäle, die zweite über Kontrollvariablen $z$ wie Saison, Aktionen, Preisänderungen und Feiertage mit ihren Koeffizienten $\gamma_k$, und $\varepsilon_t$ ist das Rauschen. Die Kontrollen sind keine Dekoration. Bei The Gift Bow machen die acht Wochen vor Weihnachten 55 Prozent des Jahres, und wenn das Modell das nicht weiss, gibt es Weihnachten dem Kanal, der im November am meisten ausgegeben hat, und das ist die Suche.

Illustrative Response Kurven für Paid Search (pink) und Paid Social (blau) bei The Gift Bow. Die Suche sitzt weit oben auf ihrer Kurve; Social ist noch im steilen Teil.

Wenn Kanäle einander füttern

Die einzelne Gleichung nimmt stillschweigend an, dass jedes Kanalbudget unabhängig von den anderen und vom Umsatz festgelegt wird. Bei The Gift Bow stimmt beides nicht. Das Suchbudget wird weitgehend von der Auktion bestimmt, und Markenanfragen steigen, wenn der Katalog ankommt oder eine Social Kampagne läuft, also steigt das Suchbudget, weil die anderen Kanäle gewirkt haben. Auch der Umsatz treibt das Budget, weil der Shop in guten Wochen nachlegt. Das ist das Simultaneitätsproblem aus Kapitel 11 mit Mediahut, und die ehrliche Lösung ist eine zweite Gleichung:

$$x_{\text{search},t} = \delta_0 + \delta_1 \, A_{\text{social},t} + \delta_2 \, A_{\text{cat},t} + \delta_3 \, y_{t-1} + u_t$$

Das Suchbudget in Woche $t$ wird erklärt durch den Adstock von Social und Katalog, durch den Umsatz der Vorwoche und durch sein eigenes Rauschen $u_t$. Schätzt man beide Gleichungen gemeinsam oder setzt das vorhergesagte Suchbudget in die Umsatzgleichung ein, fällt der Teil der Suche weg, der bloss anderswo erzeugte Nachfrage eingesammelt hat. In den Gift Bow Daten wanderten so etwa 30 Prozent des scheinbaren Sucheffekts zu Social und Katalog. Es ist die grösste einzelne Korrektur der ganzen Übung, und die meisten fertigen MMM Werkzeuge lassen sie aus.

Das Rechenbeispiel: 104 Wochen bei The Gift Bow

Vier Kanäle, zwei Jahre, ein Wochenumsatz von im Schnitt £38.000 mit einer Basis von £17.600, die der Shop ganz ohne Media machen würde. Das Wochenbudget für Media beträgt £8.000. Ich habe geometrischen Adstock, Hill Sättigung, Kontrollen für Weihnachten, zwei Aktionswochen, eine Preisänderung und eine Woche mit Shopproblemen geschätzt, dazu die zweite Gleichung für das Suchbudget. Die Schätzungen sind illustrativ, aber sie haben die Form dessen, was herauskam.

Kanal	Wochenbudget	Halbwertszeit	Haltequote λ	Halbsättigung K	Form α	Maximalwirkung β	Modellierter Wochenumsatz	Durchschnitts ROI
Paid Search	£4.000	0,6 Wochen	0,31	2.800	1,3	£9.500	£6.860	1,72
Paid Social	£2.000	2,0 Wochen	0,71	9.000	1,6	£17.000	£6.650	3,33
Email	£700	1,0 Woche	0,50	2.600	1,5	£7.000	£1.980	2,83
Katalog	£1.300	5,0 Wochen	0,87	2.000	2,2	£5.000	£4.860	3,74

Zeile für Zeile. Paid Search hat eine Halbwertszeit von 0,6 Wochen: Die Wirkung ist in der Folgewoche verschwunden, was zu einem Kanal passt, der Nachfrage erntet statt sie zu erzeugen. Sein eingeschwungener Adstock von etwa 5.800 liegt weit über dem Halbsättigungspunkt von 2.800, er läuft also bei 72 Prozent seiner Maximalwirkung. Sein Durchschnitts ROI von 1,72 Umsatz pro Pfund wirkt annehmbar, bis du dich erinnerst, dass die Bruttomarge bei Geschenkkörben 45 Prozent beträgt, ein Pfund also £2,22 Umsatz zurückbringen muss, nur um sich zu decken. Der Durchschnitt liegt schon unter dieser Linie.

Paid Social hat zwei Wochen Halbwertszeit, eine S Form mit α von 1,6 und einen Halbsättigungspunkt weit über dem aktuellen Adstock; es läuft bei 39 Prozent seines Maximums. Email bringt, wenn man die Klicks abzieht, die sowieso gekommen wären, etwa £1.980 pro Woche aus £700 Werkzeug und Kreativkosten, bei 28 Prozent seines Maximums. Der Katalog sieht beim Durchschnitts ROI grossartig aus, 3,74, und bei allem Marginalen furchtbar: Bei 97 Prozent seines Maximums ist er bei der aktuellen Auflage voll gesättigt, was ich von einem Kanal erwarte, der nur zweimal im Jahr variiert. Darauf komme ich bei den Fallen zurück.

Jetzt die Zahl, die entscheidet, wohin das Geld geht. Der marginale ROI ist die Ableitung des Umsatzes nach den Ausgaben, ausgewertet dort, wo du heute stehst:

$$\text{mROI}_c = \frac{\partial y}{\partial x_c} = \beta_c \cdot \frac{\alpha_c \, K_c^{\alpha_c} \, A_c^{\alpha_c - 1}}{\left(A_c^{\alpha_c} + K_c^{\alpha_c}\right)^2} \cdot \frac{1}{1 - \lambda_c}$$

Der erste Faktor ist die Maximalwirkung des Kanals, der mittlere die Steigung der Hill Kurve beim aktuellen Adstock, und der letzte übersetzt eine dauerhafte Änderung des Wochenbudgets um ein Pfund in die eingeschwungene Änderung des Adstocks, weil ein jede Woche ausgegebenes Pfund zu $1/(1-\lambda)$ Pfund Bestand anwächst. Die Einheit ist Umsatz pro zusätzlichem Pfund pro Woche, dauerhaft.

Kanal	Budget vorher	Marginaler ROI vorher	Budget nachher	Marginaler ROI nachher	Umsatz vorher	Umsatz nachher
Paid Search	£4.000	0,62	£2.800	1,04	£6.860	£5.900
Paid Social	£2.000	3,24	£2.800	2,42	£6.650	£8.910
Email	£700	3,05	£1.100	2,35	£1.980	£3.060
Katalog	£1.300	0,23	£1.300	0,23	£4.860	£4.860
Summe	£8.000		£8.000		£20.350	£22.730

Die Umschichtung bewegt 15 Prozent des Budgets, £1.200 pro Woche, aus Paid Search heraus und in Social (plus £800) und Email (plus £400), und lässt den Katalog in Ruhe, weil du eine Auflage im März nicht ändern kannst. Das letzte Pfund in der Suche brachte 62 Pence Umsatz zurück, was bei 45 Prozent Marge heisst, dass jedes zusätzliche Pfund etwa 72 Pence Gewinn vernichtet hat. Nach der Verschiebung steht die Suche bei 1,04, und die beiden empfangenden Kanäle kommen auf 2,42 und 2,35 herunter. Der projizierte Zugewinn liegt bei etwa £2.400 Umsatz pro Woche, rund 12 Prozent des mediagetriebenen Umsatzes und gut £120.000 im Jahr, beim gleichen Budget. Das 80 Prozent Intervall um diesen Zugewinn reicht von etwa £900 bis £3.600 pro Woche. Beide Zahlen stehen im Memo. Ein Zugewinn ohne Intervall ist ein Slogan.

Zwei Dinge würde ich der Geschäftsführung dazu sagen. Erstens will das Modell noch mehr aus der Suche herausnehmen, weil 1,04 unter der Deckungsgrenze liegt, und ich höre absichtlich bei 15 Prozent auf: Die Kurven sind nur dort vertrauenswürdig, wo die Daten tatsächlich waren, und die Suche lag in diesen zwei Jahren nie unter £2.800 pro Woche. Verschieben, messen, neu schätzen, wieder verschieben. Zweitens ist das Ziel, die marginalen Erträge über die Kanäle anzugleichen, nicht den Durchschnitt eines einzelnen Kanals zu maximieren. Die drei beweglichen Kanäle landen zwischen 1,0 und 2,4 statt zwischen 0,6 und 3,2, und so sieht ein effizientes Budget aus.

Eine bayesianische Anmerkung in einfachen Worten

Mit 104 Wochen, vier Kanälen, Adstock und Sättigungsparametern für jeden, plus Kontrollen, schätze ich fünfzehn bis zwanzig Parameter auf hundert Datenpunkten, die meisten davon ruhige Sommerwochen. Kleinste Quadrate liefern mir bereitwillig eine Katalog Halbwertszeit von 40 Wochen oder einen negativen Email Koeffizienten, wenn das Rauschen so fällt. Also schätze ich diese Modelle bayesianisch, und die Idee ist weniger exotisch als das Wort. Bevor ich die Daten anschaue, schreibe ich auf, was ich glaube: Der Übertrag von Email ist kurz, eine Halbwertszeit zwischen einer halben und zwei Wochen; der Übertrag des Katalogs ist lang, drei bis acht Wochen; jeder Kanal wirkt positiv. Das sind Priors. Die Daten ziehen die Schätzungen so weit von ihnen weg, wie die Evidenz es rechtfertigt, und heraus kommt eine Verteilung pro Parameter statt einer einzelnen Zahl. Daher kommt das Intervall um den Zugewinn. Die Priors stehen im Anhang, damit der Kunde sieht, wie viel von der Antwort meine war und wie viel die der Daten.

Wie MMM und Inkrementalitätstests zusammenpassen

Ein MMM ist ein Modell der Geschichte und erbt jede ihrer Eigenheiten. Ein Geo Holdout Test, bei dem du einen Kanal in ein paar Postleitzahlgebieten oder österreichischen Bezirken vier Wochen abschaltest und mit vergleichbaren Gebieten vergleichst, ist eine Messung der Gegenwart. Beide brauchen einander. Der Test liefert eine saubere, kausale Zahl für einen Kanal auf einem Budgetniveau. Das Modell verteilt dieses Wissen über alle Kanäle und Budgetniveaus und sagt dir, welcher Test sich als nächster lohnt.

Die Schleife, die ich fahre: modellieren, den wackeligsten Kanal testen, das Testergebnis als Prior zurückspielen, neu schätzen, entscheiden.

Bei The Gift Bow war die Suche die wackeligste Zahl, also würde ich sie zuerst testen: Suche in einem Fünftel des Vereinigten Königreichs nach Postleitzahlbezirk für vier ruhige Wochen pausieren und den Gesamtumsatz beobachten, nicht den Suchumsatz. Landet der gemessene Zugewinn im Intervall des Modells, gewinnt das Modell Glaubwürdigkeit. Wenn nicht, war das Modell falsch, und das wüsste ich lieber.

Selbst durchführen

Du brauchst eine Zeile pro Woche mit Umsatz, Bestellungen, Ausgaben pro Kanal (oder Impressionen, wo Ausgaben klumpig sind), Katalogterminen, einem Weihnachtsindikator oder einem glatten Saisonterm, Aktionsflags, durchschnittlichem Verkaufspreis und allen Ereignissen, von denen du weisst, dass sie das Geschäft bewegt haben. Zwei Jahre Minimum; drei sind besser, aber nur, wenn das Geschäft dazwischen seine Form nicht geändert hat. Der erste Durchgang dauert bei mir etwa zwei Wochen: drei Tage Daten zusammenstellen und prüfen, immer der längste Teil, eine Woche schätzen und belasten, zwei Tage Memo schreiben.

Die Kerntransformation sind zehn Zeilen Python:

import numpy as np

def adstock(x, half_life):
    lam = 0.5 ** (1 / half_life)
    a = np.zeros_like(x, dtype=float)
    for t in range(len(x)):
        a[t] = x[t] + (lam * a[t - 1] if t > 0 else 0.0)
    return a

def hill(a, K, alpha):
    return a ** alpha / (a ** alpha + K ** alpha)

search = 9500 * hill(adstock(spend["search"].values, 0.6), 2800, 1.3)

Das nichtlineare Modell schätzt du mit einer probabilistischen Bibliothek wie PyMC oder Stan, oder mit den Open Source MMM Paketen der grossen Plattformen, die anständig sind, solange du verstehst, dass ihre Standard Priors Meinungen sind. Egal womit, vier Prüfungen, bevor du vertraust. Eins: Die letzten zwölf Wochen zurückhalten, auf dem Rest schätzen und sehen, ob das Modell sie auf zehn Prozent genau vorhersagt; wer nicht prognostizieren kann, kann nicht verteilen. Zwei: Residuen über die Zeit zeichnen und nach Struktur suchen, besonders um Weihnachten; Struktur heisst fehlende Kontrolle. Drei: Jede Halbwertszeit und jeder Sättigungspunkt sollte eine Zahl sein, die du dem Kanalverantwortlichen ohne Verlegenheit erklären kannst. Vier: Den implizierten Zugewinn mindestens eines Kanals mit einem echten Test vergleichen, und wenn du noch nie einen gefahren hast, fahre einen.

Fallen

Kanäle, die sich gemeinsam bewegen. In einem Geschenkkorbshop gibt jeder Kanal im November mehr aus. Wenn Suche, Social und Email gemeinsam steigen und fallen, kann das Modell sie nicht auseinanderhalten, und die Koeffizienten tauschen sich gegeneinander aus: Ein Kanal bekommt zu viel, ein anderer zu wenig, und die Summe stimmt. Das Heilmittel ist Variation, die du absichtlich erzeugst, ein Monat, in dem Social hoch ist und Suche flach, plus Priors, die die Schätzungen am Wandern hindern. Kollinearität ist der Grund, warum MMM Ergebnisse zwischen Neuschätzungen manchmal kippen, und ein Kunde sollte das hören, bevor es passiert.

Kanäle, die nie variieren. Der Katalog in meinem Beispiel ändert sich nur an zwei Terminen im Jahr, das Modell weiss also, was eine Sendung gegenüber keiner Sendung bringt, und nichts über 30.000 gegenüber 40.000 Exemplaren. Sein marginaler ROI von 0,23 ist eine Zahl aus einer Kurve, die vor allem der Prior geformt hat. Schichte nicht bei einem Kanal um, dessen Variation du nicht beobachtet hast; teste ihn stattdessen.

Kleine Daten im Kostüm grosser Daten. Hundert Wochenzeilen sind ein kleiner Datensatz, egal wie viele Gigabyte roher Klicks dahinterstehen. Tagesdaten sehen nach mehr aus, aber das Wochentagsrauschen und die Verzögerung zwischen Klick und Bestellung machen es meist schlechter. Sei misstrauisch bei jedem MMM, das Koeffizienten auf drei Dezimalstellen ohne Intervall berichtet.

Saison frisst Mediawirkung, oder Media frisst die Saison. Ein zu flexibler Saisonterm saugt den Weihnachtsschub auf, den Katalog und Suche erzeugt haben. Zu wenig, und die Mediakoeffizienten erben Weihnachten. Ich schätze beides und zeige dem Kunden, wie stark sich die Antwort bewegt; bewegt sie sich stark, können die Daten die beiden nicht trennen, und das sage ich.

Der Kurve ausserhalb der Daten glauben. Die Hill Kurve ist eine glatte Vermutung über Budgetniveaus, die du nie ausprobiert hast. Sie sagt vorher, was bei null Suchbudget passiert, aber niemand ist je mit null Suchbudget gefahren, also behandle die äusseren Enden jeder Kurve als Hypothese. Darum hört die Umschichtung bei 15 Prozent auf.

Attribution und MMM widersprechen sich, und man nimmt das bequemere. Sie werden sich widersprechen, meist mit Attribution, die die Suche schmeichelt, und MMM, das schmeichelt, was Nachfrage erzeugt. Der Widerspruch ist Information, kein Fehler, und die falsche Reaktion ist, die beiden zu mitteln.

So mache ich das für Kunden

Das Ergebnis ist ein Entscheidungsmemo mit einer Zahl und einem Risiko, keine Modelldatei. Es liest sich etwa so: 15 Prozent des Wochenbudgets von Paid Search in Paid Social und Email verschieben, projizierter Zugewinn £2.400 pro Woche mit einem 80 Prozent Intervall von £900 bis £3.600, grösste Unsicherheit ist der Suchkoeffizient, empfohlener Geo Test zur Klärung, Neuschätzung in zwölf Wochen.

Es beginnt mit dem kostenlosen Workshop, in dem wir deine Kanäle auflisten, klären, ob du zwei Jahre vertrauenswürdige Wochendaten zu Ausgaben und Umsatz hast, und die eine Frage vereinbaren, die das Modell beantworten muss. Dann arbeite ich zwei Wochen auf eigenes Risiko: Ich baue die Wochentabelle aus deinen Werbekonten, deiner Email Plattform, deinem Shop oder CRM und deinen Finanzexporten, schätze das Modell mit Priors, die wir besprochen haben, fahre die Holdout Prüfungen und schreibe das Memo. Wenn du am Ende findest, dass es das nicht wert war, schuldest du mir nichts und behältst Tabelle und Code.

Machen wir weiter, bekommst du das Modell als Repository, das dir gehört, ein einseitiges Dashboard, das "wohin soll das Budget nächsten Monat" beantwortet und sonst nichts, eine vierteljährliche Neuschätzung und einen Testplan, der jedes Quartal den wackeligsten Kanal enger zieht. Weil ich auch Kampagnen fahre, kann ich nach dem Memo handeln, statt es einer Agentur zu übergeben, die einen Grund hat, es nicht zu mögen; diese Seite ist unter Performance Marketing beschrieben und kann provisionsbasiert laufen, die Modellseite sitzt unter Data Science. Die Preisseite erklärt, wie die monatliche Zusammenarbeit funktioniert, ohne Verkaufsgespräch. Was du von mir nie bekommst, ist ein Modell ohne Intervall oder eine Zugewinnzahl, die ich vor deinem Steuerberater nicht verteidigen würde.

Fragen, bevor du einem Media Mix Modell vertraust

• Wie viele Wochen Daten sind hineingegangen, und wie viele Parameter herausgekommen?
• Wie lang sind die Halbwertszeiten pro Kanal in Wochen, und würde der Kanalverantwortliche sie wiedererkennen?
• Wo sitzt jeder Kanal heute auf seiner Sättigungskurve, in Prozent seiner Maximalwirkung?
• Wie wurde damit umgegangen, dass die Markensuche Nachfrage einsammelt, die andere Kanäle erzeugt haben?
• Wie hoch ist der marginale ROI pro Kanal, und wie breit ist das Intervall um die empfohlene Umschichtung?
• Hat das Modell einen zurückgehaltenen Zeitraum vorhergesagt, und um wie viel lag es daneben?
• Welcher Kanal ist am unsichersten, und welcher Test würde das klären?
• Was wurde angenommen, bevor die Daten angeschaut wurden, und wo steht das geschrieben?

Diese Serie ist inspiriert von Mike Grigsbys Marketing Analytics (Kogan Page). Erklärungen, Beispiele und Zahlen hier sind meine eigenen.