Was Marketing-Mix-Modeling wirklich leisten kann — und wo es scheitert
Marketing-Mix-Modeling verspricht zu zeigen, welches Budget wirkt. Klassisches, lineares MMM verfehlt das oft — die Wirkung eines starken Kanals wie TV erscheint dann als „null". Warum das passiert und was kausales MMM anders macht.
Die kurze Antwort
Marketing-Mix-Modeling (MMM) soll zeigen, welche Teile des Marketingbudgets tatsächlich Absatz treiben — und so eine faktenbasierte Budgetumschichtung ermöglichen. Das kann es leisten, aber nur unter einer Bedingung: das zugrunde liegende Modell muss kausal sein. Klassisches, lineares MMM übersieht indirekte und nichtlineare Werbewirkung — und misst dadurch systematisch falsch.
Warum die TV-Wirkung im linearen Modell verschwindet
Werbung wirkt selten direkt und sofort. Sie wirkt mittelbar — über Markenwahrnehmung, verzögert, in Wechselwirkung mit anderen Kanälen, und mit Sättigung (ab einem Punkt bringt mehr Druck wenig). Ein lineares MMM kann diese Pfade nicht abbilden. Die Folge: Die Wirkung eines starken Kanals wie TV erscheint im Modell als nahezu null — und ein Team schichtet Budget auf Basis einer Scheinmessung um.
Genau dieser Moment — „das kann nicht stimmen" — ist der Kern des Problems: Das Modell ist statistisch sauber gerechnet und trotzdem falsch. Es ist dieselbe Verwechslung von Korrelation und Ursache wie bei der klassischen Treiberanalyse.
Werbewirkung eines Automobilherstellers: 20 % vs. 1 %
In einer Studie mit Daten von Thomson Media Control, YouGov BrandIndex und der Universität Münster erklärte das kausale Modell rund 20 % der Veränderung der Markenstärke aus dem Werbedruck — gegenüber etwa 1 % bei konventionellen Methoden. An den wirksamsten 50 % der Werbetage lag das Wirkungspotenzial 100–200 % höher. Der ehemalige Audi-Marketingchef Michael Trautmann kommentierte die Ergebnisse. Es ist die datenbasierte Antwort auf Henry Fords altes Diktum: „Die Hälfte meiner Werbung ist verschwendet — ich weiß nur nicht, welche Hälfte."
„Ein statistisch signifikantes Modell kann sehr signifikant — und sehr falsch sein."
Was kausales Marketing-Mix-Modeling anders macht
Kausales MMM modelliert das gesamte Wirkungsgefüge zwischen Media-Einsatz, Wahrnehmung und Markterfolg — inklusive indirekter Effekte, Verzögerungen, Sättigung und Wechselwirkungen. SUPRA nutzt dafür Universal Structure Modeling (USM), eine Causal-AI-Methode. In der Praxis liefert das:
- Den echten Wirkungsbeitrag jedes Kanals — auch der mittelbar wirkenden wie TV oder Marke.
- Sättigungskurven statt linearer Annahmen — ab wann zusätzlicher Druck wenig bringt.
- Eine Budget-Simulation, die zeigt, welche Umschichtung den Absatz tatsächlich hebt.
Dasselbe Fundament trägt unsere Preisoptimierung und die Decision Intelligence für Pricing.
Häufige Fragen
Was kann Marketing-Mix-Modeling leisten?
Es soll zeigen, welche Teile des Budgets Absatz treiben, und eine faktenbasierte Budgetumschichtung ermöglichen. Es kann Kanalbeiträge über die Zeit schätzen und Szenarien rechnen — entscheidend ist, ob das Modell kausal ist und damit echte Wirkung statt Korrelationen abbildet.
Warum scheitert klassisches Marketing-Mix-Modeling oft?
Weil es meist linear rechnet und indirekte sowie nichtlineare Werbewirkung übersieht. Die Wirkung eines starken Kanals wie TV kann dann als nahezu „null" erscheinen — man schichtet Budget auf Basis einer Scheinmessung um.
Was macht kausales Marketing-Mix-Modeling anders?
Es modelliert das Wirkungsgefüge inkl. indirekter Effekte, Verzögerungen, Sättigung und Wechselwirkungen (USM). In einer publizierten Studie erklärte das kausale Modell rund 20 % der Markenstärke-Veränderung aus Werbedruck gegenüber 1 % bei konventionellen Methoden.
Welche Daten braucht man für Marketing-Mix-Modeling?
Klassisch aggregierte Zeitreihen von Media-Spend und Absatz. Kausales MMM bezieht zusätzlich Wahrnehmungs-/Trackingdaten ein, um die indirekten Wirkpfade sichtbar zu machen. Wichtig ist, dass Zwischengrößen wie Markenwahrnehmung mitmodelliert werden — sonst bleibt die echte Werbewirkung unsichtbar.
Finden Sie heraus, was Ihr MMM übersieht
Bringen Sie Ihre Media- und Trackingdaten mit. Wir zeigen Ihnen, ob eine kausale Analyse Werbewirkung aufdeckt, die Ihr aktuelles Modell als „null" ausweist.
AI Diagnostic anfordern →