Marketing Mix Modeling (MMM)

Marketing Mix Modeling (MMM) ist eine statistische Methode, mit der Unternehmen messen, welchen Beitrag einzelne Marketingkanäle zu einem messbaren Geschäftsergebnis leisten. Das Verfahren analysiert aggregierte historische Zeitreihen und kommt ohne Nutzer-Tracking aus.

Methodisch basiert MMM auf Regressionsanalysen. Das Modell trennt den Einfluss jedes Kanals von externen Faktoren wie Saisonalität, Preisaktionen oder Wettbewerberverhalten. Dabei unterscheidet das Modell die Baseline, also den Umsatz, der auch ohne jede Kampagne entstanden wäre, vom inkrementellen Umsatz, den eine Maßnahme tatsächlich ausgelöst hat. Zwei methodische Konzepte sind dabei zentral: Der Adstock-Effekt modelliert, dass eine Kampagne auch nach ihrer Schaltung noch nachwirkt. Die Sättigungskurve zeigt, ab wann zusätzliche Budgeteinheiten kaum noch inkrementellen Umsatz erzeugen. Den statistisch nachweisbaren Return on Investment je Kanal, im Kontext von MMM häufig als ROMI (Return on Marketing Investment) bezeichnet, zu bestimmen ist das zentrale Ziel des Verfahrens.

Abgrenzung: MMM versus Attributionsmodelle

MMM und Attribution beantworten unterschiedliche Fragen.

Ein Attributionsmodell, ob First Click, Last Click oder Data-Driven, bewertet individuelle Touchpoints auf dem Weg einer Person zur Conversion. Es benötigt dafür Tracking auf Nutzerebene: Session-Daten, Cookies oder Tags je Kanal. Das macht Attribution präzise für operative Kampagnensteuerung und gleichzeitig anfällig: Fehlen die Cookie-Einwilligungen, fehlen die Datenpunkte.

MMM fragt auf einer anderen Ebene: Welche Ausgaben in welchem Kanal haben statistisch mit dem Umsatz korreliert? Es wertet keine einzelnen Sessions aus, sondern Zeitreihen auf Kanalebene. Dadurch arbeitet MMM strukturell datenschutzfreundlich und liefert Ergebnisse auch dann, wenn Consent-Raten niedrig sind oder Offline-Kanäle wie TV oder Print im Mix sind.

Kurz gefasst: Attribution beantwortet "Welcher Klick hat konvertiert?", MMM beantwortet "Welcher Kanal hat Umsatz gebracht?"

Ein weiterer Vergleich betrifft einfaches Channel-Reporting. Channel-Dashboards zeigen Ausgaben und Plattform-KPIs, berücksichtigen aber keine Wechselwirkungen zwischen Kanälen, keine Baseline und keine externen Einflüsse. MMM zieht genau diese Faktoren hinzu und unterscheidet deshalb belastbar zwischen dem Umsatz, der ohnehin entstanden wäre, und dem, den eine Kampagne tatsächlich ausgelöst hat.

Beispielszenario, keine echte Kundenzahl:

Ein Unternehmen schaltet gleichzeitig TV-Spots, Search-Anzeigen und Social-Media-Kampagnen — Budgetanteile, Umsatzverlauf und Baseline-Anteil sind im Folgenden Beispielwerte zur Illustration, keine echten Messungen. Im Sommer steigen die Umsätze, aber auch die allgemeine Nachfrage ist saisonal höher. Das Attributionsmodell zeigt, welcher Touchpoint zuletzt vor dem Kauf lag, kann aber nicht trennen, wie viel des Umsatzes durch Saisonalität entstanden ist. Das MMM rechnet die Saisonalität heraus, bildet den Adstock-Effekt der TV-Kampagne ab und weist aus, welcher Umsatzanteil (die Baseline) auch ohne Kampagne entstanden wäre. Für belastbare Schätzungen sind regelmäßige Zeitreihendaten — idealerweise wöchentlich und über mehrere Saisons — je Kanal hilfreich. Die Entscheidung stützt sich auf geschätzte Wirkbeiträge, deren Güte von Datenlage und Modell abhängt.

Wann ist Marketing Mix Modeling relevant?

Für Marketing-Verantwortliche mit mehreren Kanälen ist MMM besonders dann relevant, wenn Attributionsmodelle lückenhaft werden: bei sinkenden Consent-Raten, bei Offline-Kanälen im Mix oder bei einer strategischen Online-Marketing-Strategie, die über das nächste Quartal hinausgeht. Das Verfahren eignet sich nicht für tägliche Kampagnenoptimierung, liefert aber fundierte Grundlagen für Jahresbudgetentscheidungen.

Ein MMM-Modell entfaltet seinen Wert dort, wo mehrere Kanäle parallel laufen, Budgets über mehrere Saisons variiert haben und die Datenhistorie Muster erkennbar macht. Wer erst wenige Monate Kampagnendaten hat oder ausschließlich einen Kanal bespielt, wird wenig Erkenntnisgewinn erzielen. Im B2B Online Marketing mit langen Sales-Zyklen, gemischten Touchpoints und eingeschränktem Consent ist der trackingfreie Ansatz von MMM besonders praxisrelevant.