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 →