Das Comeback der Modelle: Marketing-Mix-Modelling als Effizienz-Booster

Datenbasierte Modelle wie das Marketing-Mix-Modelling erleben ein Revival. In wirtschaftlich unsicheren Zeiten liefern sie nicht nur bessere Investitionsgrundlagen, sondern auch ein dringend benötigtes Korrektiv zu kurzfristigem Aktionismus und unvollständiger Attribution

Die aktuellen Krisen und Unsicherheiten führen dazu, dass Unternehmen die Verteilung ihrer Budgets immer häufiger hinterfragen. Schnell müssen sich dann insbesondere die Werbebudgets beweisen und die Wirkung einzelner Maßnahmen nachweisen. Eine Methode, die häufig zu Rate gezogen wird, wenn es um die Verteilung und Verteidigung von Geldern geht, sind Marketing-Mix-Modellings. Zugegeben, diese sind keine neue Erfindung, doch dank steigender Verfügbarkeit von Daten sowie verfeinerten Methodiken, erfreuen sich Marketing-Mix-Modellings wieder zunehmender Beliebtheit.

Doch was ist unter Marketing-Mix-Modelling zu verstehen?

Marketing-Mix-Modellings (MMMs) helfen Unternehmen, den Zusammenhang von verschiedenen Faktoren auf konkrete Unternehmenskennzahlen zu analysieren und Prognosen zu treffen.

Dabei lassen sich fast alle relevanten Einflussfaktoren untersuchen. Besonders für die Mediaplanung können Marketing-Mix-Modellings eine gute Grundlage sein, denn mit ihnen lassen sich verschiedene Szenarien untersuchen und bewerten. So können MMMs zum Beispiel analysieren, auf welchem Kanal das investierte Budget die größte Wirkung hat, um so die passenden Medienkanäle für eine Kampagne zu evaluieren.

Aber umso konkrete Aussagen zu treffen, benötigt es vor allem eins: Daten. Denn das Marketing-Mix-Modelling gibt diese Einschätzungen basierend auf Daten aus der Vergangenheit. Daher muss die Datengrundlage vernünftig und konsistent aufbereitet sein. Zudem wird eine ausreichende Menge benötigt, um aussagekräftige Prognosen geben zu können. Dabei sollte aber beachtet werden, dass die Daten unterschiedliche Einflüsse berücksichtigen. Um das mit einem Beispiel zu verdeutlichen: wurden keine Daten aus dem klassischen TV gesammelt, kann auch das Modell nicht zuverlässig prognostizieren, wie ein Mediaplan mit einem TV-Anteil wirken würde. Dies ließe sich dann nur aus anderen Modellen vergleichbarer Produktkategorien oder Branche ableiten.

Werden zudem Parabeln geändert – wie zum Beispiel der Kampagnenzeitraum – kann das Auswirkungen auf die Prognosegüte haben. Wenn sich also Variablen ändern, muss auch das Modell angepasst werden. Daher ist es elementar, dass die Modelle nach Maß auf Kunden und Kampagnen zugeschnitten werden. Nur so können die unterschiedlichen Variablen und Kaufentscheidungsprozesse berücksichtigt werden.