Wie das Bayesian Marketing Mix Modeling die Effizienz von Marketingstrategien erhöhen kann

Das traditionelle Marketing Mix Modeling (MMM) ist ein Instrument, mit dem Marketingfachleute die Wirksamkeit der verschiedenen Marketingkanäle in ihrem Marketing-Mix untersuchen können. Es quantifiziert die Auswirkungen der einzelnen Kanäle auf eine Zielkennzahl wie Umsatz, Absatz oder Website Traffic. Der Vorteil: Marketingexperten können ihre Ressourcen strategisch zuweisen, um den Return on Investment (ROI) zu maximieren.

Das Bayesian Marketing Mix Modeling ermöglicht noch tiefere Einblicke in die Marketingaktivitäten. Es misst nicht nur, wie effizient die verschiedenen Marketingkanäle sind, sondern liefert auch eine Vorhersage über mögliche Auswirkungen. Werbetreibende erhalten somit ein umfassenderes Bild davon, was mit ihren Marketingmaßnahmen geschehen könnte. Anders als in einem klassischen MMM werden in einem bayesianischen Ansatz für alle Parameter des Modells Verteilungsfunktionen berücksichtigt, was es ermöglicht, eine bessere Aussage über die Sicherheit, mit der ein Einfluss der Mediakanäle angenommen wird, zu treffen.

Wie funktioniert das Bayesian MMM?

Die Bayes'sche Statistik   ist eine mathematische Methode, die Wahrscheinlichkeiten verwendet, um statistische Probleme zu lösen. Sie unterscheidet sich von anderen statistischen Methoden, weil sie es ihren Anwendern ermöglicht, das, was sie bereits wissen oder glauben, in die Analyse einzubeziehen. Für Werbetreibende ist dies hilfreich, da sie oft Vorwissen besitzen, das sie mit neuen Daten kombinieren möchten, um die besten Entscheidungen zu treffen.

Das Problem: Nicht immer lässt sich das Vorwissen mit den ermittelten Daten in Einklang bringen. Das Bayesian MMM löst dieses Problem, indem es einen Rahmen bietet, der beide Informationsquellen auf kohärente Weise kombiniert. Das Vorwissen wird in jedem Fall miteinbezogen und durch die neuen Daten aktualisiert beziehungsweise verfeinert. Es gewährleistet so, dass Entscheidungen und Strategien auf einer ausgewogenen Kombination aus historischem Wissen und aktuellen Daten beruhen. Auf diese Weise lassen sich fundiertere und effizientere Marketingergebnisse erzielen.

Was sind die Vorteile des Bayesian MMM?

Akzeptanz der Ungewissheit: Das Bayesian MMM nutzt in gewisser Weise die Unsicherheit, die im Marketing gang und gäbe ist. Es bietet ein Spektrum möglicher Auswirkungen und damit eine umfassendere Perspektive. Unternehmen können somit robustere Marketingstrategien entwickeln, die eine Reihe von Möglichkeiten berücksichtigen.

Wertschätzung früherer Erfahrungen: Das Bayesian MMM integriert 'Vorwissen' oder historische Erkenntnisse in das Modell und optimiert somit die Vorhersagegenauigkeit. Dadurch, dass die historischen Daten einbezogen werden, 'lernt' das Bayesian MMM gewissermaßen aus der Vergangenheit. Es verfeinert seine Vorhersagen und berücksichtigt Trends und Muster, die sich im Lauf der Zeit herausgebildet haben.

Klarere Interpretation: Das Bayesian MMM bietet einen rationalen Rahmen für die Entscheidungsfindung unter Ungewissheit, was zu hoch interpretierbaren Modellen führt. Es liefert nicht nur das Ergebnis, sondern auch die Gründe dafür und erleichtert somit eine fundierte Entscheidungsfindung.

Hohe Leistung auch bei begrenzten Daten: Das Bayesian MMM kann auch mit kleineren Datensätzen solide Ergebnisse liefern. Es ist somit ein leistungsstarkes Tool auch für jene Werbetreibende, die mit begrenzten Datensätzen arbeiten.

Belastbarkeit: Selbst wenn die Datensätze nicht vollständig sind, liefert das Bayesian MMM verlässliche Ergebnisse. Es kann auch dann angewendet werden, wenn die Daten begrenzt sind oder fehlen, indem historische Informationen und Vorwissen integriert werden.

Ein Praxisbeispiel
Ein Getränkehersteller hat einen neuen Energydrink entwickelt und möchte dafür werben. Das Marketingteam des Unternehmens hat eine Multikanal-Werbekampagne entwickelt, die TV-Spots, soziale Medien, Plakatwände und die Zusammenarbeit mit Fitness-Influencern umfasst. Nach drei Monaten möchte das Marketingteam des Unternehmens wissen, wie die einzelnen Kanäle zum Umsatz im ersten Quartal nach der Markteinführung beigetragen haben. Auf Basis der Daten möchte es das Budget für das nächste Quartal verteilen.

Mit dem traditionellen Marketing Mix Modeling würde das Team zu dem Schluss kommen, dass TV-Werbung zu 40 Prozent des Umsatzes beigetragen hat und Werbung in sozialen Medien zu 30 Prozent. Plakatwerbung und die Zusammenarbeit mit Fitness-Influencern kämen auf jeweils 15 Prozent. Das Bayesian MMM hingegen berücksichtigt die Ungewissheit und den vorübergehenden Effekt einer Fitnessmesse, die die Wirkung von Kooperationen mit Fitness-Influencern vorübergehend verstärkt haben könnte. Es schätzt die Beiträge mit deutlich größeren Spannen wie folgt:

• TV-Werbung: 40 Prozent, aber mit einer Spanne von 35 bis 45 Prozent.
  
• Werbung in sozialen Medien: 30 Prozent, aber mit einer Spanne von 25 bis 35 Prozent.
  
• Plakate: 15 Prozent, aber mit einer Spanne von 10 bis 20 Prozent.
  
• Kooperationen mit Fitness-Influencern: 15 Prozent, aber mit einer Spanne von 5 bis 25 Prozent.

Mit diesen Informationen kann das Marketingteam eine fundiertere Entscheidung treffen. Es kann zum Beispiel das Budget für die Zusammenarbeit mit Influencern moderat erhöhen. Alternativ kann es auch den Schwerpunkt auf soziale Medien und TV-Spots legen, da diese Kanäle eine konstantere Werbewirkung haben.

Wie können Werbetreibende das Bayesian Hierarchical Marketing Mix Modeling nutzen?

Wenn Marketingexperten auf regionaler Ebene oder für verschiedene Produkte ihres Portfolios ihre Strategien optimieren möchten, bietet sich für sie das Bayesian Hierarchical Marketing Mix Modeling (BHMMM) an. Es nutzt eine spezielle Art von Daten, die als 'hierarchische Daten' bezeichnet werden. Diese Daten sind wie eine Pyramide oder ein Baum organisiert, mit verschiedenen Ebenen von Kategorien und Unterkategorien. Das Modell eignet sich ideal für eine globale Marke, die ihre Werbeausgaben auf verschiedenen Ebenen verfolgen möchte, die also zum Beispiel Regionen oder einzelne Städte genauer betrachten möchte.

Traditionelle Marketingmodelle stoßen an ihre Grenzen, wenn es darum geht, die Beziehungen in solchen hierarchischen Daten genau zu erfassen. Das BHMMM hingegen ermöglicht eine "teilweise Bündelung". Genauer gesagt: Es teilt Informationen über Gruppen, berücksichtigt aber auch gruppenspezifische Effekte. Dies bedeutet, dass es Informationen aus gut repräsentierten Regionen nutzt, um Vorhersagen in datenarmen Gebieten zu verbessern. Es kann komplexe hierarchische Daten handhaben und integriert frühere Daten und Expertenwissen. Zudem wäre es mit einem hohen Aufwand verbunden, ein traditionelles MMM für jede Ebene zu erstellen. In einem BHMMM werden dagegen die Informationen aller Ebenen gemeinsam in einer Analyse berücksichtigt.

Ein Praxisbeispiel
Eine Kaffeekette stellt mithilfe des Bayesian Hierarchical MMM fest, dass Social-Media-Anzeigen in Stadt A effektiver sind als in Stadt B, wo Out of Home einen vergleichsweise großen Einfluss hat. Ein weiteres Ergebnis der Methode: Bei niedrigen Temperaturen wird mehr heißer Kaffee verkauft. Dies gilt insbesondere für Stadt C, die lange, kalte Winter hat. Außerdem zeigt das Modell, dass lokale Ereignisse wie zum Beispiel ein Kunstfestival in bestimmten Stadtteilen den Umsatz erheblich steigern können.

Was folgt daraus? Die Kaffeekette kann auf Basis dieser Erkenntnisse eine Reihe von datengesteuerten Entscheidungen treffen. Sie kann zum Beispiel mehr Budget für Social-Media-Werbung in Stadt A und für Out of Home in Stadt B bereitstellen. Sie kann spezielle Kaffee-Aktionen in Stadt C während des Winters starten. Und sie kann mit Veranstaltern in Stadtteil Z zusammenarbeiten, um während des Kunstfestivals spezielle Rabatte anzubieten.

Fazit

Wenn es auf die Optimierung des eingesetzten Marketingbudgets ankommt, ist es in jedem Fall sinnvoll, die Vorteile des Bayesian MMM zu nutzen. Es geht nicht nur darum, das ?Was? zu verstehen, sondern eben auch das Warum. Mithilfe des Bayesian Marketing Mix Modeling können Marketingexperten datengestützte Entscheidungen treffen, die eine gute Grundlage für effiziente Kampagnen darstellen.

Das Bayesian Hierarchical Marketing Mix Modeling ist darüber hinaus ein leistungsstarkes Werkzeug, mit dem sich Daten in Erkenntnisse und Erkenntnisse in Aktionen umwandeln lassen. Mit ihm lässt sich die Komplexität hierarchischer Daten bewältigen, sodass Werbetreibende wertvolle Erkenntnisse gewinnen. Es eignet sich insbesondere für Unternehmen, die ihre Marketingstrategien auf regionaler Ebene optimieren möchten.

---

ONEtoONE-Autor Torben Seebrandt ist Director Data & Intelligence bei Mercury Media Technology   . Er entwickelt seit mehr als zehn Jahren Datenprodukte in verschiedenen Unternehmen aus den Branchen Retail, FMCG, E-Commerce und Media. Bei Mercury Media Technology ist er mit seinem Team für die Entwicklung und Weiterentwicklung von datengetriebenen SaaS-Marketinglösungen wie zum Beispiel dem Self-Service Marketing Mix Modelling verantwortlich.