Kurz gesagt
- MMM nutzt Regression auf wöchentliche oder monatliche Ausgaben, Umsätze und externe Faktoren (Saisonalität, Promotions, Makro-Signale)
- Arbeitet komplett auf aggregierten Daten, keine Cookies, keine User-IDs, keine Consent-Abhängigkeiten
- Das Ergebnis ist ein Beitragsanteil pro Kanal, oft genutzt, um Multi-Touch-Attribution zu validieren oder zu korrigieren
- Geringere Granularität als MTA, aber schwerer zu täuschen. Beide laufen meist parallel
Warum MMM zählt
Attribution auf Nutzerebene wird jedes Jahr schwieriger. ITP, Ad-Blocker, DSGVO-Consent, iOS-Privacy-Änderungen, jede davon zieht Daten aus dem Touchpoint-Log, auf das Multi-Touch-Attribution angewiesen ist. MMM ist das egal: Es arbeitet mit aggregierten Ausgaben- und Umsatzzahlen, die nicht davon abhängen, einzelne Nutzer zu tracken.
Damit ist MMM die natürliche Ergänzung zur Multi-Touch-Attribution. Wenn MTA sagt „Meta hat letzten Monat 300.000 € gebracht“ und MMM sagt „Meta hat 180.000 € inkrementellen Umsatz beigetragen“, ist die Lücke meist eine Überzeichnung durch MTA bei bereits engagierten Kunden, die ohnehin konvertiert hätten.
Wie MMM funktioniert
Der Standardansatz ist die multivariate Regression. Du sammelst:
- Wöchentliche Ausgaben pro Kanal
- Wöchentlichen Umsatz (die abhängige Variable)
- Kontrollvariablen, Saisonalität, Feiertage, Promotions, Wetter, makroökonomische Indikatoren
- Carryover-Transformationen (Adstock), um den verzögerten Effekt von Brand-Kanälen abzubilden
Das Modell fittet Gewichte für jeden Input. Das Ergebnis: ein Beitrag pro Kanal zum Gesamtumsatz, plus eine Baseline, die alles erfasst, was nicht durch Media getrieben ist.
Moderne MMM-Erweiterungen:
- Bayesianisches MMM (z. B. Metas Robyn, Googles Meridian), behandelt Vorannahmen und Unsicherheit explizit
- Hierarchisches MMM, berücksichtigt Unterschiede auf Regions- oder Kategorieebene
- Kalibriertes MMM, nutzt Incrementality-Experimente, um die Regressionsgewichte zu verankern
MMM vs. MTA
Ein hilfreiches mentales Modell:
| MMM | MTA | |
|---|---|---|
| Daten | Aggregierte wöchentliche Ausgaben + Umsatz | Touchpoint-Logs pro Nutzer |
| Granularität | Kanalebene | Kampagnen- / Anzeigenebene |
| Privacy | Privacy-resistent | Privacy-fragil |
| Latenz | Monate an Daten bis zur Konvergenz | In Echtzeit, sobald das Tracking steht |
| Stärke | Schwer zu über-attribuieren | Taktische Optimierung |
Best Practice für Marketing-Teams 2026 ist es, beides zu fahren: MMM als strategische Ground Truth für die Budgetverteilung, MTA für die laufende Kampagnenoptimierung, und Incrementality-Experimente zur Kalibrierung beider.
Häufige Fehler
- MMM-Output als heilige Wahrheit behandeln. Regression auf verrauschten historischen Daten ist ein Modell, keine Messung. Prüf sie mit Experimenten gegen.
- Zu häufig neu fitten. Wöchentliche Refits erzeugen verrauschte Gewichte, die die Budgetverteilung hin und her reißen. Monatlich oder quartalsweise ist meist richtig.
- Sättigung ignorieren. Jeder Kanal hat abnehmende Erträge. Modelle ohne Sättigungskurven überschätzen den Wert zusätzlicher Ausgaben.
FAQ zu Marketing Mix Modeling (MMM)
Was ist Marketing Mix Modeling (MMM)?
MMM ist ein Top-down-Ansatz aus der Statistik, der den Beitrag jedes Marketing-Kanals zum Gesamtumsatz schätzt, per Regression auf Ausgaben, Umsatz und externe Faktoren wie Saisonalität und Promotions.
Wie unterscheidet sich MMM von Multi-Touch-Attribution?
MMM arbeitet mit aggregierten Ausgaben und Umsätzen, ohne Tracking auf Nutzerebene. MTA braucht Touchpoint-Daten pro Nutzer. MMM ist Privacy-resistent. MTA ist Privacy-fragil.
Brauche ich MMM und MTA?
Die meisten reifen Teams fahren beides. MMM steckt den strategischen Budgetrahmen pro Kanal ab. MTA optimiert innerhalb dieses Rahmens. Incrementality-Experimente kalibrieren beide.
Wie viele Daten braucht MMM?
Typischerweise 2 oder mehr Jahre wöchentliche oder monatliche Ausgaben und Umsätze pro Kanal. Bei weniger Datenpunkten kann die Regression Kanaleffekte nicht vom Rauschen trennen.