Autoren

Stephania Vellinho

Data , Artefact

Manuela Mesa

Leiter, Artefact

Strategische Entscheidungen im Marketing: Bayes'sche MMM oder traditionelle Modelle?

Bayesianische MMM: Voraussetzungen und Alternativen

Die Auswirkungen von Medieninvestitionen auf die Unternehmensleistung – wie Umsatz, Kundengewinnung und Markenwert – zu verstehen, stellt für Marketingleiter seit langem eine Herausforderung dar. Media-Mix-Modellierung (MMM) hat sich zu einer beliebten Methode für die Zuweisung von Marketingressourcen entwickelt, und das Bayes’sche MMM, ein fortgeschrittenerer Ansatz, zeichnet sich durch seine Präzision und seine Fähigkeit aus, mit Unsicherheiten umzugehen. Die Umsetzung des Bayes’schen MMM erfordert jedoch sowohl technische als auch betriebswirtschaftliche Kompetenzen.

Was ist Media-Mix-Modellierung?

MMM ist eine Analysemethode, die auf Regressionsmodellen basiert und dazu dient, den Einfluss verschiedener Marketingmaßnahmen auf die Geschäftsergebnisse zu bewerten. Durch die Isolierung der Auswirkungen einzelner Marketingfaktoren (z. B. TV, digitale Medien, soziale Medien, Werbeaktionen) unterstützt MMM Unternehmen dabei, data Entscheidungen zu treffen. Das bayessche MMM erweitert diesen Ansatz noch weiter, indem es Vorwissen einbezieht und Vorhersagen aktualisiert, sobald neue data .

Warum sollte man sich für die bayessche Medienmix-Modellierung entscheiden?

Durch die Anwendung eines bayesschen Ansatzes lassen sich die Erkenntnisse, die herkömmliche MMM-Methoden liefern, weiter vertiefen. Hier sind einige wesentliche Vorteile:

  • Die Rolle von Prior-Werte: Bayes'sche Modelle ermöglichen es Marketingfachleuten, Vorwissen einzubringen (z. B. Erkenntnisse aus früheren Kampagnen oder Branchen-Benchmarks). Diese Funktion ist besonders vorteilhaft, wenn nur wenige data , aber ein solider Ausgangspunkt benötigt wird.
  • Dynamische Aktualisierungen: Bayes'sche Modelle können kontinuierlich neue data einbeziehen, wodurch sichergestellt wird, dass das Modell relevant bleibt und seine Vorhersagen im Laufe der Zeit verbessert.
  • Umgang mit Unsicherheit: Die Bayes’sche Statistik quantifiziert naturgemäß die Unsicherheit in den Modellausgaben. Dies hilft Unternehmen, Entscheidungen mit größerer Sicherheit zu treffen, da sie die Fehlermarge oder Variabilität kennen.
  • Umgang mit Komplexität: Bayes’sche Verfahren können komplexe nichtlineare Zusammenhänge effektiver abbilden als herkömmliche Regressionsmodelle. Diese Ausgereiftheit ist äußerst nützlich, um die Feinheiten moderner, kanalübergreifender Medienkampagnen zu erfassen.

Diese erweiterten Funktionen setzen jedoch die Erfüllung einer Reihe von technischen und geschäftlichen Anforderungen voraus. Nachstehend finden Sie die Liste:

Technische Anforderungen:

  1. Robuste Data : Eine skalierbare Infrastruktur ist für die Verwaltung großer Datensätze wie Medienausgaben, Leistungskennzahlen und externe Faktoren unerlässlich. Eine Customer Data (CDP) kann data zentralisieren und so die Integration und Skalierbarkeit für MMM verbessern.
  2. Historische Data: Data mindestens zwei Jahre lang wöchentlich oder fünf Jahre lang monatlich erhoben werden, um Trends und saisonale Schwankungen zu erfassen. Der Datensatz sollte mindestens dreimal so viele data wie Parameter enthalten, um eine Überanpassung zu vermeiden. Zudem sollte der Budgetanteil jedes Kanals zwischen 2 und 3 % liegen, um eine signifikante Wirkung und Variabilität für eine genaue Analyse zu gewährleisten.
  3. Integration aus verschiedenen Quellen: Integrieren Sie data Vertrieb und Marketing sowie von externen Anbietern und externen Faktoren (z. B. Wirtschaftsindikatoren), um einen einheitlichen Datensatz zu erstellen. Dies verbessert die Genauigkeit des MMM, indem die Zusammenhänge zwischen internen Maßnahmen und externen Rahmenbedingungen erfasst werden.
  4. ToolsData und -kommunikation: Um die Ergebnisse der Bayes'schen MMM auch für nicht-technische Entscheidungsträger zugänglich zu machen, sollten Visualisierungstools wie Tableau oder Power BI eingesetzt werden. Diese Tools helfen dabei, komplexe data umsetzbare Erkenntnisse zu übersetzen und so eine bessere Entscheidungsfindung zu ermöglichen.

Geschäftsanforderungen

  1. Unterstützung durch die Unternehmensleitung: Die Geschäftsleitung muss die Ziele und Auswirkungen des MMM-Modells verstehen, unterstützen und sich darauf ausrichten. Die aktive Einbindung des CMO stellt sicher, dass die Marketingstrategien mit den Erkenntnissen des Modells im Einklang stehen und die Ressourcen entsprechend zugewiesen werden.
  2. Ein engagiertes, kompetentes Team: Ein funktionsübergreifendes Team ist von entscheidender Bedeutung:
    • Data : Fachkenntnisse in bayesscher Modellierung und maschinellem Lernen.
    • Marketing-Spezialist: Fundierte Kenntnisse in den Bereichen Marketingkanäle, Kundenverhalten und Kampagnenkennzahlen.
    • Data : Erfahren in der Erstellung data und der Gewährleistung data .
  3. Finanzielle Investition: MMM erfordert Mittel für data und qualifiziertes Personal.
  4. Verpflichtung zum Handeln: Erkenntnisse müssen zu strategischen Änderungen führen. Das Team sollte zudem Tests (z. B. A/B-Tests) durchführen, um die Modellvorhersagen zu validieren und die Auswirkungen zu bewerten.
  5. Modellpflege und -überprüfung: Regelmäßige Aktualisierungen und vierteljährliche Überprüfungen stellen sicher, dass das Modell aktuell bleibt und Marktveränderungen widerspiegelt, wodurch eine effektive Entscheidungsfindung unterstützt wird.

Da MMMs ein erheblicher Aufwand sein können und nicht jede Organisation über die Kapazitäten verfügt, alle Anforderungen zu erfüllen, haben wir alternative Ansätze zusammengestellt, die in Betracht gezogen werden können:

  1. Traditionelle Regressionsmodelle: Einfachere Modelle konzentrieren sich auf den Zusammenhang zwischen Marketingausgaben und Ergebnissen und liefern nützliche Erkenntnisse, ohne komplexe Medienwechselwirkungen zu erfassen.
  2. Zeitreihenanalyse: Eignet sich gut zur Erkennung saisonaler Trends, ist jedoch nur begrenzt in der Lage, kanalübergreifende Wechselwirkungen zu erfassen, was ihre Fähigkeit beeinträchtigt, ein umfassendes Bild der Marketingwirkung zu vermitteln.
  3. Attributionsmodellierung: Misst den Beitrag jedes einzelnen Kanals, konzentriert sich jedoch auf kurzfristige Effekte und lässt dabei die langfristigen Auswirkungen auf den Markenaufbau außer Acht.
  4. Inkrementalitätstests und A/B-Tests: Inkrementalitätstests messen die zusätzlichen Auswirkungen von Marketingmaßnahmen. Methoden wie A/B-Tests und Geo-Experimente helfen dabei, den tatsächlichen Wert von Kampagnen zu ermitteln, erfordern jedoch kontrollierte Umgebungen und eine klare Trennung der Gruppen. Aufgrund praktischer Einschränkungen ist eine Skalierung über verschiedene Medienmixe hinweg erforderlich.
  5. Vereinfachte ROI-Analyse: Hier werden die Kosten direkt mit den darauf zurückzuführenden Umsätzen oder Leads verglichen, wobei jedoch die Wechselwirkungen zwischen den Kanälen zu stark vereinfacht und abnehmende Erträge oder Synergieeffekte außer Acht gelassen werden.

Zusammenfassend lässt sich sagen, dass das Bayes'sche MMM die Entscheidungsfindung im Marketing erheblich verbessern kann, und zwar durch (i) eine höhere Genauigkeit bei der Bewertung der Kanalwirksamkeit und der Ressourcenzuweisung, (ii) dynamische Erkenntnisse, die sich mit neuen data weiterentwickeln data (iii) umsetzbare Empfehlungen, die auf robusten statistischen Modellen basieren. Angesichts der Komplexität des Modells erfordert die Umsetzung technische Investitionen und organisatorisches Engagement. Für diejenigen, die diese Anforderungen nicht erfüllen können, bieten einfachere Ansätze wie traditionelle Regressionsmodelle oder Attributionsmodelle dennoch wertvolle Erkenntnisse. Letztendlich liegt der Schlüssel darin, sich von der Intuition zu lösen und zu einer data Entscheidungsfindung überzugehen, sei es durch Bayesian MMM oder durch leichter zugängliche Methoden.