Ein Blick auf Marketing Mix Modelling: Was die Optimierung von Marketingausgaben und Lego gemeinsam haben

Marketing Mix Modelling (MMM) ist eine seit Jahrzehnten bewährte Methode zur Optimierung von Marketingausgaben. Der Begriff wurde 1979 etabliert, bezieht sich aber auf eine breite Anzahl Modelle unterschiedlicher Komplexität. Joël Bühler, Head of Marketing Intelligence & Technology bei SMG Swiss Marketplace Group, gibt uns einen Einblick ins Marketing Mix Modelling, weshalb Lego dabei hilft, es zu verstehen und wie es bei SMG angewendet wird

MMM ist häufig eine Anwendung von Zeitreihen-Regressionsmodellen, üblicherweise mit zwei spezifischen Charakteristika: Zum einen versucht man, einen zeitverzögerten Effekt zu berücksichtigen. Dies deshalb, weil Marketingausgaben die Entscheidung von Konsumenten zu einem zukünftigen Zeitpunkt beeinflussen sollen. Zweitens werden auch die Marketingausgaben oder -kontakte, die einen wichtigen Input für das Modell darstellen, transformiert, um dem Effekt des abnehmenden Grenznutzens Rechnung zu tragen.

Das Lego-Prinzip

Als Basis wird bei SMG für MMM ein Structural Time Series Model verwendet. Viele dieser “Time Series” (od. Zeitreihen) weisen gemeinsame Merkmale auf wie z. B. einen allgemeinen Auf- oder Abwärtstrend, sich wiederholende Muster oder plötzliche Steigerungen oder Einbrüche. Strukturelle Ansätze für Zeitreihen berücksichtigen diese Merkmale explizit, indem sie eine beobachtete Zeitreihe als eine Kombination von Komponenten darstellen.

Bei diesen Modellen ist die Zerlegung in individuelle, interpretierbare Einzelkomponenten (wie Trend und Saisonabhängigkeit) also zentral. Die Analogie zu Bauklötzen ist deshalb recht naheliegend. Doch welche sind genau diese Komponenten?

Die 4 Bauklötze des MMM

 
  1. Trend: Diese Komponente hängt eng mit dem Markenwert zusammen, bzw. den Faktoren, die zu einer kontinuierlichen Stärkung oder Schwächung des Unternehmenserfolgs beitragen.
  2. Saisonabhängigkeiten: Diese sind Einflüsse, die sich nach dem Wochen- oder Jahreskalender richten. Beispiele dafür sind das bekannte “Sommerloch” oder das unterschiedliche Benutzer*innen-Verhalten unter der Woche vs. dem Wochenende.
  3. Externe und interne Faktoren: Im Gegensatz zur Saisonalität ist diese Komponente weniger vorhersehbar und nicht periodisch. Hierzu gehört zum Beispiel, ob das Wetter gut oder schlecht war, die Konkurrenz eine neue Kampagne gestartet hat oder signifikante Produktänderungen vorgenommen wurden. 
  4. Marketingausgaben: Die wohl interessanteste Komponente. Hier geht es genauer gesagt um den Effekt der Marketingausgaben, da dieser in der Metrik der definierten KPI quantifiziert wird. 

Welche Faktoren jedoch schlussendlich Teil des Modells sein sollten, hängt vom Ziel ab. Einzig stark verzögerte Effekte sind schwierig zu quantifizieren. Beispiel: Wenn sich heute ein*e Nutzer*In wegen einer Anzeige dazu entschließt, ein Produkt zu verwenden, generiert diese*r Nutzer*In unter Umständen über die nächsten zwei Jahre hinweg konstanten Wert. Diesen Wert in MMM abzubilden und den Marketingaktivitäten zuzuschreiben, ist extrem schwierig.

MMM bei SMG Swiss Marketplace Group 

Bei der SMG wird ein Bayesian Structural Time Series Model eingesetzt. Die Zeitreihenkomponenten sind extrem nah am Prophet-Modell von Facebook. Dazu kann im The American Statistician (72,1), Forecasting at Scale von S.J. Taylor und B. Lethman mehr gelesen werden. SMG verwendet aber das Python Package PYMC3 für die Modellierung. Die Modellierung der zeitverzögerten Marketingeffekte und die Saturierung sind darin die Geheimzutat. 

Grundsätzlich wird mit der Verwendung des Marketing Mix Modelling eine bessere Performance bei digitalen Kanälen beobachtet. In diesem Artikel konnten wir einen kleinen Einblick in das Thema geben und wie es bei SMG angewendet wird.

Herzlichen Dank an Joël Bühler für den Einblick. 

Wer sich ins Thema einlesen möchte: 

Broadbent, S. (1979). One way TV advertisements work. Journal of the Market Research Society, 21(3), 139-166.

Liu, Y., Laguna, J., Wright, M., & He, H. (2014). Media mix modeling–A Monte Carlo simulation study. Journal of Marketing Analytics, 2(3), 173-186.

Taylor, S. J., & Letham, B. (2018). Forecasting at Scale. The American Statistician, 72(1), 37-45.

Jin, Y., Wang, Y., Sun, Y., Chan, D., & Koehler, J. (2017). Bayesian methods for media mix modeling with carryover and shape effects. https://research.google/pubs/pub46001.pdf

Unser Expert

 Joël Bühler, Head of Marketing Intelligence & Technology bei SMG Swiss Marketplace Group
LinkedIn

Photos de la Direction avec et sans couleur de fond en fichier ZIP

Logo à télécharger dans toutes les versions