Media Mix Modeling ist ein statistisches Verfahren, das aus aggregierten Zeitreihen schätzt, wie viel jeder Kanal zum Ergebnis beigetragen hat. Die Modelle beschreiben laut Chan und Perry bei Google den Umsatz über die Zeit als Funktion von Werbeausgaben, weiteren Marketinggrößen und Einflüssen wie Wetter, Saison und Wettbewerb. IAB und MMA datieren das Verfahren auf die 1960er-Jahre und nennen es Marketing Mix Modeling.
- Media Mix Modeling (MMM)
Ein statistisches Verfahren, das aus aggregierten Zeitreihen schätzt, wie viel jeder Kanal zum Ergebnis beigetragen hat, und daraus die künftige Budgetverteilung ableitet.
Beispiel: „Das Media Mix Modeling hat gezeigt, dass das Radio mehr Anfragen bringt, als die Klickzahlen vermuten ließen.“Auch: MMM, Marketing-Mix-Modeling.
Abgrenzung zur Attribution: Sie arbeitet mit einzelnen Nutzerwegen von unten nach oben; MMM mit Summen von oben nach unten.
Was Media Mix Modeling braucht
Ein MMM braucht laut IAB und MMA rund drei Jahre historische Daten; Chan und Perry rechnen vor, dass drei Jahre nationale Wochenwerte nur 156 Datenpunkte sind. Die Ergebnisse kommen meist monatlich oder vierteljährlich. Weil das Modell mit Summen arbeitet, kommt es ohne Cookies und Nutzerdaten aus und kann auch Radio, Fernsehen und Plakat einbeziehen. Zwei Effekte muss es abbilden: die verzögerte Wirkung, bei Gabler Carryover-Effekt, und die Sättigung bei steigenden Ausgaben.
Grenzen des Media Mix Modeling
Chan und Perry schreiben, MMM seien typischerweise Regressionsmodelle auf wenigen aggregierten Beobachtungsdaten und lieferten Korrelationen, keine Ursachen; nur unter engen Bedingungen ließen sich die Schätzungen kausal deuten. Deshalb kalibriert man sie mit Experimenten: Ein Incrementality Test liefert für einen Kanal die gemessene Wirkung, das Modell übernimmt sie als Vorwissen. Die technische Grundlage ist die lineare Regression, erweitert um Verzögerung und Sättigung.
Werkzeuge für Media Mix Modeling
Zwei Werkzeuge sind frei verfügbar. Google Meridian beruht auf bayesscher Statistik, verarbeitet nationale und regionale Daten und lässt sich mit Experimenten kalibrieren; Google hat es laut Vorgängerprojekt am 29. Januar 2025 als offizielle Fassung veröffentlicht. Meta Robyn arbeitet mit Ridge-Regression und hat eine Funktion zur Budgetverteilung. Für kleine und mittlere Unternehmen ist ein MMM aus unserer Sicht meist zu groß; sinnvoll wird es, wenn mehrere bezahlte Kanäle parallel laufen und Offline-Werbung dazukommt.