Marketing Mix Modelling: Was es kostet, bevor es Ihnen etwas liefert

Sie sitzen in einer Budgetrunde, und die Folie reiht die Kanäle nach ihrem Return auf. Ihrer steht unten. Er steht dort nicht, weil er am schlechtesten abgeschnitten hat. Er steht dort, weil niemand im Raum belegen kann, was er bewirkt hat, und ein Kanal, dessen Wirkung Sie nicht belegen können, verliert gegen einen, dessen Wirkung Sie belegen können. Also wandert das Budget, und das Jahr, in dem Sie diesen Kanal kennengelernt haben, wird zu Geld, das jemand anderes ausgeben darf.

Diesen Tausch haben Sie selbst abgenickt. Ich auch. Er wird unter Datenqualität abgelegt und nie behoben, weil die Behebung mehr kostet, als der Kanal gekostet hat.

Die Technik, die für dieses Problem gebaut wurde, Marketing Mix Modelling, bringt einen Preis und eine Datenanforderung mit, die selten bei der Person ankommen, die das Budget genehmigt. Beides steht meist nicht auf der Folie, wenn die Entscheidung fällt.

Was entscheidet, ob sich das lohnt? Nicht die Zahl, die der Anbieter im Gespräch nennt, und nicht die Anzahl an Jahren Historie, die ein Leitfaden Ihnen vorrechnet.

Warum Marketing Mix Modelling teuer ist, bevor es nützlich wird

Eine Klarstellung vor den Kosten. Marketing Mix Modelling ist hier die statistische Methode, die den Beitrag eines Kanals von allem anderen trennt, was sich gleichzeitig bewegt, nicht die vier Ps aus Produkt, Preis, Distribution und Kommunikation.

Der veröffentlichte Preis ist die sichtbare Hälfte der Kosten. Die andere Hälfte entsteht, bevor das Modell irgendetwas liefert, womit Sie arbeiten können, an drei Stellen.

Die Datensammlung ist die erste. Ihre Ausgaben, Ihre Umsätze und Ihre externen Variablen liegen in verschiedenen Systemen mit unterschiedlicher Körnung. Jemand muss sie in eine gemeinsame Wochentabelle überführen, entscheiden, was mit dem Quartal passiert, in dem Ihr CRM gewechselt hat, und das dokumentieren. Odins, ein Anbieterleitfaden, veranschlagt dafür zwei bis sechs Wochen für den Aufbau der Historie und danach Stunden bis Tage pro Monat, solange das Modell läuft. In den Business Cases, die ich gesehen habe, ist diese monatliche Arbeit die Zeile, die fehlt.

Das Talent ist die zweite. Open-Source-Frameworks wie Meridian, Robyn und PyMC kosten keine Lizenzgebühren. Das lässt sie kostenlos aussehen, bis Sie die Person durchrechnen, die sie bedient. Der Leitfaden von Cassandra, veröffentlicht von einem Anbieter, der betreutes MMM verkauft, beziffert das interne Äquivalent auf 100.000 bis 200.000 $ oder mehr an Data-Science-Personalkosten. Das ist der Vergleich, den ein Käufer anstellen muss, bevor der Open-Source-Weg als kostenlos gelten darf.

Dann der Auffrischungszyklus. Ein Modell ist eine Momentaufnahme davon, wie sich Ihre Kanäle verhalten haben, und es veraltet. Die IAB-Leitlinie von 2025, zusammengefasst von Genius Monkey, beschreibt schnelle wöchentliche Auffrischungen mit vollständigem Neutraining monatlich oder quartalsweise. Jedes Neutraining wiederholt die Datenarbeit von oben.

Wie die Preisliste tatsächlich aussieht

Über die 14 Seiten zu den wichtigsten Suchbegriffen, die ich für diesen Artikel gelesen habe, hat keine einen Preis genannt. Vierzehn Seiten, die eine Technik erklären, und keine Zahl daran.

Die Zahlen existieren. Sie stehen auf kostennahnen Seiten und auf den Preisseiten der Anbieter, veröffentlicht von den Unternehmen, die diese Arbeit verkaufen. Wo eine Zahl von der eigenen Seite eines Anbieters stammt, ist es dessen Listenpreis. Wo sie von einem Dritten stammt, ist sie als berichtet gekennzeichnet.

Der Abstand zwischen 490 $ im Monat und 500.000 $ im Jahr ist keine Preiskuriosität. Es ist der Unterschied zwischen einem Selbstbedienungswerkzeug, das ein Standardmodell auf Ihre Ausgabendatei anpasst, und einem Programm, in dem Menschen ein individuelles Modell für Sie bauen, verteidigen und auffrischen.

Achten Sie darauf, welche Anbieter sich für eine Veröffentlichung entschieden haben. Die Tarifleiter von Cassandra bewegt sich mit Ihren eigenen Mediaausgaben aus dem Vorjahr, was in dieser Kategorie ungewöhnlich ehrlich ist. Recast, Northbeam, Keen und Mutinex arbeiten stattdessen mit individuellen oder Enterprise-Angeboten, was die Beobachtung von ELIYA im selben Vergleich ist. Dieser Vergleich nennt den Grund deutlich und beruft sich auf Gartner: undurchsichtige Preise dominieren MMM, und die meisten Anbieter veröffentlichen keine Preise. Das ist für einen Käufer keine kleine Unannehmlichkeit. Es bedeutet, dass zwei Angebote erst vergleichbar sind, wenn Sie beide Anbieter zwingen, dasselbe Modell, dieselbe Datenarbeit und denselben Auffrischungsrhythmus zu Papier zu bringen.

Zwei weitere Dinge stehen außerhalb jeder Zahl in dieser Tabelle. ELIYA merkt an, dass die meisten MMM- und Inkrementalitätsanbieter Jahresverträge verlangen und dass der im Verkaufsgespräch genannte Preis selten Onboarding-Gebühren enthält. Derselbe Anbieterleitfaden beziffert die Kosten eines einzelnen Inkrementalitätstests über die Plattformgebühr hinaus mit 5 bis 15 Prozent der Ausgaben des getesteten Kanals an entgangenem Umsatz im Messfenster. Diese Zahl gehört zum Test und nicht zum Modell, und sie gehört in dasselbe Budgetgespräch.

Die Schwelle ist veröffentlicht. Sie ist auch irreführend.

Die Schwelle ist kein Geheimnis. Anbieter drucken sie ab, und Google druckt eine ab, mit der Rechnung daneben.

Die Meridian-Dokumentation von Google formuliert die Regel klar: zwei Jahre Wochendaten für Modelle auf Geo-Ebene, drei Jahre für Modelle auf nationaler Ebene und drei Jahre, wenn Sie nur Monatsdaten haben.

Warum scheitert ein Modell, das auf zwei Jahren sauberer Wochendaten aufbaut, trotzdem? Weil zwei Jahre eine Dauer sind, und die Dauer ist nicht die Grenze, die tatsächlich bindet.

Wie viel Historie ein Modell wirklich braucht, und warum Varianz mehr zählt als die Zahl der Beobachtungen

Die Dokumentation von Meridian beantwortet das selbst. Unter allem, was ich für diesen Artikel gelesen habe, ist sie die einzige Quelle, die die Frage von Jahren in ein Verhältnis übersetzt.

Zwölf Medienkanäle, sechs Kontrollvariablen und acht Knoten ergeben 26 Parameter im durchgerechneten Beispiel von Meridian. Zwei Jahre Wochendaten ergeben 104 Datenpunkte. Das sind vier Datenpunkte pro Parameter, und das Urteil der Dokumentation selbst lautet, dass diese Stichprobengröße zu niedrig ist, um das Modell verlässlich zu schätzen. Sie ergänzt, dass unzureichende Variation in den Mediaausgaben es verschlimmert.

Rechnen Sie im selben Dokument mit drei Jahren und einem kleineren Modell, ergeben 156 Datenpunkte über 10 Parameter grob 15 pro Parameter. Bei diesem Verhältnis bekommen Sie etwas, das die Dokumentation richtungsweisende Information nennt. Richtung, nicht Gewissheit.

Dieses Verhältnis ist der Test, den Sie vor dem Kauf rechnen. Zählen Sie Ihre Kanäle und Kontrollvariablen, zählen Sie Ihre Wochen, teilen Sie. Die beiden Beispiele von Meridian liegen bei vier und bei rund fünfzehn, und der Abstand dazwischen entscheidet, ob ein Koeffizient eine ernsthafte Nachfrage übersteht oder nicht.

Varianz zählt so viel wie die Anzahl. Recast, ein Messanbieter, hat die sauberste Demonstration davon veröffentlicht. In ihrer Simulation wurde ein Kanal, dessen Ausgaben von 200 bis 600 $ reichten, auf mindestens sechs Monaten Daten bis auf wenige Prozentpunkte genau wiedergefunden. Ein Kanal mit ähnlicher Varianz, aber unter 100 $ Ausgaben pro Tag, tauchte nie als signifikant auf. Ihre eigene Schlussfolgerung ist der Satz, den man behalten sollte: Es ist die Varianz in einem Kanal, auf die es ankommt, nicht nur die Zahl der Beobachtungen.

Ein Kanal kann die Varianz auch haben und trotzdem scheitern, wenn sein Effekt zu klein ist, um ihn zu erkennen. Dieses Gegenbeispiel gehört zum selben Befund, und genau das macht ihn glaubwürdig statt bequem.

Die veröffentlichten Mindestwerte stimmen nicht überein, und dieser Widerspruch ist die eigentliche Aussage:

Sechs Quellen, Mindestwerte von sechs Monaten bis fünf Jahren. Wer Ihnen sagt, die Antwort sei zwei Jahre, und dort aufhört, hat Ihnen eine Zahl ohne die Bedingung gegeben, die sie wahr macht.

Eine solche Uneinigkeit liest man am besten, indem man fragt, wie das eigene Produkt jedes Anbieters geformt ist. Measured verkauft ein Produkt, das bei sechs bis zwölf Monaten startet, und seine Empfehlung beschreibt klassisches MMM bei zwei bis drei Jahren, bevor sie die eigene Untergrenze beschreibt. Meridian ist Googles eigenes Open-Source-Framework, also spiegelt seine nationale Regel die Art von Modell wider, für die es gebaut wurde. Keiner lügt. Sie bepreisen unterschiedliche Formen desselben Problems. Suchen Sie die Quelle, deren Modellform zu Ihrer passt, und rechnen Sie das Verhältnis dann auf Ihren eigenen Zahlen, statt ihrer Schlagzeile zu vertrauen.

Was passiert, wenn ein Kanal 4 Prozent der Ausgaben ausmacht

Dieser Teil stammt aus der Dokumentation von Google und nicht von einem Anbieter.

Die Meridian-Leitlinie sagt, dass es für Medienkanäle mit geringen Mediaausgaben ratsam ist, sie mit anderen Kanälen zusammenzufassen, um Probleme bei der ROI-Schätzung zu vermeiden. Zu ihren Abhilfen für dünne Daten gehört, weniger Kanäle zu schätzen: entweder einen Kanal mit geringen Ausgaben wegzulassen oder Kanäle zusammenzufassen.

Die genaue Formulierung ist wichtig. Die Dokumentation sagt nicht, das Modell empfehle, Ihren kleinen Kanal zu streichen. Sie sagt, ein Kanal, der zu klein zum Schätzen ist, wird in einen anderen Kanal gepoolt oder aus dem Modell genommen, und in beiden Fällen bekommt er keinen eigenen Koeffizienten.

Das heißt, die Budgetentscheidung für diesen Kanal fällt ohne das Modell. Das Modell liegt nicht falsch in Bezug auf den Kanal. Es wurde nie gefragt.

Ein Kanal mit 4 Prozent ist genau deshalb die exponierteste Zeile in einem Mediaplan. Er ist groß genug, um für das Geschäft zu zählen, und zu klein, um eine eigene Zahl zu verdienen. Wenn er zusätzlich das schlechteste Dashboard hat, streicht ihn der nächste Budgetzyklus zuerst, und das Modell, das Sie gerade gekauft haben, wird ihn nicht verteidigen.

Der praktische Schritt ist, das Pooling vorher zu entscheiden, statt es mit sich machen zu lassen. Listen Sie jeden Kanal auf, den das Modell trennen soll, und markieren Sie die Kanäle, von denen Sie erwarten, dass sie unter die Schwelle fallen. Entscheiden Sie jetzt, wie Sie diese Budgets verteidigen, wenn sie gepoolt zurückkommen. Ein Kanal, der durch eine gemessene Budgetverschiebung verteidigt wird, steht für sich, ob das Modell ihn sehen konnte oder nicht.

Was das Modell klärt, und was nur ein Test klären kann

Ein angepasstes Marketing-Mix-Modell liefert Ihnen Elastizitäten und Beitragsanteile. Die sind für die Verteilung des Budgets zwischen Kanälen, die Sie bereits trennen können, wirklich nützlich. Es sagt Ihnen, wie sich der Umsatz mit jedem Kanal über den Zeitraum bewegt hat, den Sie hineingegeben haben, mit einer Bandbreite dazu.

IABs State of Data 2026, eine Befragung von mehr als 400 leitenden Entscheidern, ergab, dass kein Befragter alle bezahlten Kanäle in aktuellen Marketing-Mix-Modellen gut abgebildet sieht. Niemand in der Stichprobe. Das ist der Befund eines Branchenverbands und nicht der eines Anbieters, und er sollte Ihre Erwartungen setzen, bevor Sie das erste Modell bezahlen.

Was das Modell nicht kann, ist, seine eigenen Annahmen zu bestätigen. Wenn zwei Kanäle immer gemeinsam steigen und fallen, verteilt das Modell ihre Anrechnung irgendwie, und die Verteilung sieht aus wie ein Befund. Polestar Analytics, die gründlichste Seite, die ich zu diesem Thema gelesen habe, nennt dieselbe Schwäche direkt: MMM braucht Historie und tut sich mit korrelierten Kanälen schwer. Sigmoid führt den Punkt unter dem besseren Namen Multikollinearität und ergänzt die Folge, dass Modelle scheitern, die auf begrenzte historische Daten beschränkt sind.

Eine weitere Form, die Sie respektieren sollten, bevor Sie einem Koeffizienten vertrauen: die Antwortkurve, aus der er stammt. Werbewirkung baut sich auf und klingt ab, und ein Modell, das über einen Zeitraum mit einer Promotion hinweg angepasst wurde, schreibt die Promotion dem Kanal zu. Polestar führt Kurvenform und Abklingen unter seinen eigenen Einschränkungen. Wenn Ihr Koeffizient aus zwölf ungewöhnlichen Wochen stammt, beschreibt er diese zwölf Wochen.

Das Ergebnis ist also eine Reihe von Behauptungen und keine Befunde. Wählen Sie eine Zahl und halten Sie sie fest, bis etwas außerhalb des Modells sie bestätigt.

Die zwei Fragen, die ein Koeffizient nicht beantworten kann

Ein Koeffizient sagt Ihnen, wie viel ein Kanal beigetragen hat, gegeben das, was passiert ist. Das setzt bereits voraus, dass der Rest des Mixes getan hat, was er getan hat.

Die zwei Fragen, die er nicht beantworten kann, sind genau die, die eine Budgetrunde tatsächlich stellt. Was wäre passiert, wenn Sie dort nichts ausgegeben hätten, und welcher von zwei Kanälen, die immer gemeinsam laufen, hat die Anrechnung verdient. Beide brauchen eine Version Ihres Geschäfts, die nicht eingetreten ist. Attribution kann sie auch nicht beantworten, weil sie Anrechnung für das verteilt, was passiert ist. Unser Beitrag zur Umsatzattribution behandelt, was diese Methode tragen kann und was nicht.

Für diesen Artikel reduziert sich der Unterschied auf einen Satz. Das Modell beschreibt die Vergangenheit, die Sie ihm gegeben haben, und der Test erzeugt eine Zukunft, die Sie nicht hatten.

Der eine Test, der zeigt, dass das Modell falsch ist

Kalibrierung ist klein und begrenzt, und ihr Nutzen ist groß. Sie nehmen einen Kanal, halten ihn irgendwo zurück und vergleichen, was das Modell vorhergesagt hat, mit dem, was tatsächlich passiert ist. Hält die Vorhersage, haben Ihre Koeffizienten etwas Vertrauen verdient. Hält sie nicht, haben Sie es erfahren, bevor Sie ein Budget darauf verschoben haben.

Strong.io beschreibt den Kalibrierungstest so, und das ist die richtige Beschreibung. Keine der 14 Seiten, die ich gelesen habe, macht aus dem Ergebnis eine Prüfung, die Sie vor dem Kauf ansetzen. Er bleibt ein Validierungsschritt, der nach der Modellierung beschrieben wird, und das ist die falsche Reihenfolge, wenn es darum geht, Ausgaben zu vermeiden.

Diese Prüfung zählt, weil Vertrauen nicht gleichmäßig verteilt ist. Haus, ein Anbieter von Inkrementalitätstests, veröffentlicht einen Marketing Decision Confidence Index 2026, über den EMARKETER berichtet. Demnach vertrauten 60 Prozent der leitenden US-Entscheider unabhängigen Inkrementalitätstests am meisten, vor Media Mix Modeling mit 40 Prozent und In-Platform-Reporting mit 37 Prozent. Ihr Entscheider glaubt dem Test wahrscheinlicher als dem Modell. Planen Sie die Arbeit in dieser Reihenfolge.

Wenn Sie die Designs und die Rechnung wollen, trägt unser Leitfaden zum Testen von Inkrementalität die Mechanik. Der Punkt hier ist enger. Ein Modell, das Sie nicht kalibriert haben, ist eine ungeprüfte Behauptung über Ihr eigenes Geschäft, und die Prüfung ist ein Test, den Sie zuschneiden und bepreisen können, bevor Sie sich auf das Programm festlegen.

Bauen, kaufen oder sein lassen

Drei Fragen entscheiden das, und keine davon handelt davon, welcher Anbieter.

Kann Ihre Datenlage das Verhältnis tragen? Die Beispiele von Meridian reichen von vier Datenpunkten pro Parameter, was es zu niedrig nennt, bis grob fünfzehn, wo die Ausgabe richtungsweisend wird. Landen Sie nahe der Untergrenze, kaufen Sie ein Modell, das Zahlen produziert und nicht viel mehr. Reparieren Sie zuerst die Datenform, oder modellieren Sie weniger Kanäle.

Haben Sie jemanden, der die Auffrischung verantwortet? Nicht jemanden, der sie einmal fahren kann. Jemanden, für den das monatliche Neuanpassen eine feste Aufgabe ist. Odins beschreibt diesen Zyklus als andauernd, solange das Modell läuft, und ein Modell ohne Besitzer verfällt zu einer Folie, der niemand traut.

Ist die Entscheidung groß genug, um sie zu rechtfertigen? Ein Modell verdient sich seinen Platz, wenn Sie echtes Geld zwischen Kanälen bewegen, die Sie nicht trennen können. Sitzt Ihr Budget in zwei Kanälen, lehrt Sie eine gestaffelte Budgetverschiebung pro Euro mehr als ein volles Modell.

Sind alle drei Antworten ja, ist der Open-Source-Weg tatsächlich verfügbar. Meridian, Robyn und PyMC kosten keine Lizenz, und der Tausch besteht darin, dass Sie den Datenwissenschaftler stellen, den die bezahlten Anbieter gestellt hätten. Wenn Sie diese Person haben und das Verhältnis hält, bauen Sie. Fehlt eines von beidem, kaufen Sie die betreute Version und zahlen Sie für die fehlende Hälfte.

Ist eine Antwort nein, lassen Sie es dieses Jahr und stecken Sie das Geld in Belege, die Sie tatsächlich nutzen können.

Wie Sie sich auch entscheiden: Kaufen Sie die Prüfung, bevor Sie das Programm kaufen. Ein Kalibrierungslauf gegen einen Kanal, den Sie zurückhalten können, ist ein zugeschnittener Test und kein Programm, und er zeigt Ihnen, wie ein Anbieter sich verhält, wenn seine Zahl auf Ihre Realität trifft. Für die Einkaufsfragen, die vor MMM speziell kommen, sehen Sie sich unsere Übersicht zu Marketing-Attributionssoftware an. Wenn das Modell dann existiert, brauchen Sie noch einen Ort, an dem Sie es berichten, und unsere Übersicht zu Marketing-Analytics-Tools deckt diese Ebene ab.

Was Sie tun können, solange Sie sich keines leisten können

Wenn Sie das abwägen, kaufen Sie dieses Quartal wahrscheinlich kein Modell, und das ist ein vernünftiges Ergebnis. Sie können die Frage, die das Modell beantworten sollte, trotzdem beantworten, mit Belegen statt mit Schlussfolgerungen.

Staffeln Sie die Budgetverschiebung, statt sie zu modellieren. Verschieben Sie einen festgelegten Betrag für ein festes Fenster von einem Kanal in einen anderen und beobachten Sie den Umsatz. Sie schätzen keine Elastizität, Sie messen eine. Der Beleg ist schwächer als ein angepasstes Modell, und er ist echt, was besser ist als ein Modell, das Sie nicht kalibrieren können.

Nutzen Sie Geo-Splits als Beleg. Halten Sie einen Kanal in einigen Regionen zurück und fahren Sie ihn in anderen normal, und vergleichen Sie dann. Es ist dieselbe Logik wie ein Holdout ohne Plattformgebühr, und es ist der schnellste Weg herauszufinden, ob ein Kanal überhaupt etwas bewirkt. Die Designs sind in unserem Leitfaden zum Testen von Inkrementalität ausführlicher beschrieben.

Was keine der beiden Methoden Ihnen sagen wird, ist der langfristige Effekt, der Markenbeitrag, der erst zwei Quartale später auftaucht, oder was ein Kanal tun würde, den Sie nie gefahren haben. Das sind die Fragen, für die ein Modell tatsächlich da ist. Klarheit im Team darüber, welche Frage Sie beantworten, bewahrt Sie davor, ein Modell zu kaufen, um das Problem eines Tests zu lösen.

Das Geld wird bereits anderswo ausgegeben. IAB und BWG Global kommen in ihrem State of Data 2026, einer Befragung von 430 leitenden Planungs- und Analytics-Verantwortlichen in den USA, zu dem Ergebnis, dass zwischen 67 und 76 Prozent derzeit Inkrementalitätstests, Attributionsanalysen oder Marketing-Mix-Modelle nutzen. 67 Prozent nennen MMM ausdrücklich. Der Abstand zwischen dem Besitz eines Modells und dem Handeln danach ist der Teil, über den es sich nachzudenken lohnt: HBR Analytic Services fand in einer Umfrage von 2026, über die in einer Branchenstatistik-Rundschau berichtet wurde, dass 87 Prozent sagen, MMM sei für ihre Organisation wichtig, während nur 28 Prozent sehr wirksam darin sind, danach zu handeln.

Sie schließen diese Lücke nicht, indem Sie ein größeres Modell kaufen. Sie schließen sie, indem Sie eine Zahl haben, der Sie trauen, bevor Sie etwas für die nächste ausgeben, und eine Zahl muss die Prüfung überstehen, in der sie landet. Unser Leitfaden zu Marketing-KPIs ist der Ort, an dem Sie damit anfangen, dass diese Zahl hält.