DAC Blog Autoren Mediamix-Modellierung im Jahr 2023: Was Sie wissen sollten, bevor Sie tiefer in die Materie eintauchen
Filter By
Analytics-Center Content-Strategie Customer Relationship Management Design Digitale Medien Lokales Präsenzmanagement Nachrichten Strategische Einblicke Suchmaschinenmarketing Suchmaschinenoptimierung COVID-19 Sehen Sie alle unsere Autoren
Die Digitalisierung schreitet schnell voran. Wir sind schneller.
Abonnieren Sie unseren monatlichen Newsletter, um über neue Artikel, Videos, Whitepaper, Veranstaltungen und mehr informiert zu werden. Sie können sich jederzeit wieder abmelden. Weitere Informationen finden Sie in unserer Datenschutzrichtlinie.
Mediamix-Modellierung im Jahr 2023: Was Sie wissen sollten, bevor Sie tiefer in die Materie eintauchen

Mediamix-Modellierung im Jahr 2023: Was Sie wissen sollten, bevor Sie tiefer in die Materie eintauchen

Montag, Februar 27, 2023

Gute Nachrichten: Sie haben beschlossen, die Messung der Last-Click Attribution aufzugeben und sich für dieses Jahr fest vorgenommen, Ihre Analyse der Mediaattribution zu verbessern. War der Verlust der Cookies von Drittanbietern und Ihrer Fähigkeit, die Leistung der Kanäle zu messen, der Grund dafür?

Oder Sie sind der Meinung, dass es an der Zeit ist, die Art und Weise zu verändern, wie Sie Medien am Upper-Funnel bewerten, dann kann die Modellierung des Mediamixes eine Lösung sein. Doch weshalb? Der Hauptgrund liegt darin, dass damit Berichte über die Leistung erstellt werden können, ohne dass an das Impressions- und Klick-basierte Journey-Tracking dieselben Anforderungen gestellt werden.

Mediamix-Modellierung ist nicht gerade in den besten Jahren

Es handelt sich um eine 50 Jahre alte Praxis, die auf den beiden folgenden Grundsätzen beruht:

  1. Der Absatz eines Produkts wird von einer Reihe von Faktoren bestimmt. Dazu gehören Variablen wie der Preis, die Verfügbarkeit, die Anzahl der Konkurrenten, die Größe des Marktes und die Bekanntheit und das Verlangen des Marktes nach dem Produkt, das durch Werbung und Verkaufsförderungsmaßnahmen gefördert wird.
  2. Wenn die verschiedenen Faktoren verändert werden, können die Auswirkungen auf den Umsatz gemessen werden. Die Auswirkungen der verschiedenen Faktoren in dieser Zusammensetzung können dann mit statistischen Ansätzen berechnet werden.

Kurz gesagt, die Modellierung des Mediamixes konzentriert sich auf das Verständnis der relativen Beiträge der verschiedenen Kanäle oder der verschiedenen Aktivitätsstufen des Funnels zur Performance einer Medienkampagne.

Die Modellierung des Mediamixes kann Aufschluss über Basis- und Zusatzkonversionen und -einnahmen geben. Einfach ausgedrückt sind inkrementelle Ergebnisse der prozentuale Anteil der medienwirksamen Conversions, die ohne Marketingaktivitäten nicht stattgefunden hätten. Die Analyse von Basis- und inkrementellen Ergebnissen kann die zugrundeliegende Markenbekanntheit und -loyalität auf lange Sicht sowie die Auswirkungen kurzfristigerer Werbeaktivitäten und Wettbewerbsniveaus aufzeigen.

Traditionell wurden für diese Berechnungen bewährte statistische Verfahren wie die lineare Regressionsanalyse verwendet, aber es werden immer ausgefeiltere Tools entwickelt, um die Modellierung des Mediamixes auf das nächste Level zu bringen.

Wie Machine Learning die Modellierung des Mediamixes im Jahr 2023 verbessert 

Seit den 1960er Jahren haben Statistiker geduldig Analysen zur Modellierung des Mediamixes mit Hilfe traditioneller ökonometrischer Instrumente wie der linearen Regression durchgeführt, manchmal sogar von Hand. Aber die Daten aus Mediaaktivitäten sind im Laufe der Jahre immer komplexer geworden, und die Unzulänglichkeiten der traditionellen Methoden wurden immer deutlicher. Ebenso sind diese Daten zunehmend verfügbar und granularer geworden, wobei die Daten von Erstanbietern durch Daten von Zweit- und Drittanbietern angereichert wurden. Zu guter Letzt hat sich die Rechenleistung von Computern so stark vervielfacht, sodass alle Voraussetzungen für die Anwendung neuer Methoden des Machine Learnings im Rahmen der Analyse von Mediamixmodellen sind erfüllt.

Einige dieser Ansätze, wie Robyn, das Machine-Learning-gestützte und halbautomatische Open-Source-Paket von Meta zur Modellierung des Marketing-Mixes, welches 2021 auf den Markt kam, versuchen, die Herangehensweise zu vereinfachen, indem sie es Nutzern ermöglichen, ihre Kosten- und Konversionsdaten in einen Data-Science-Workflow zu „gießen“ und eine Auswahl von Modellen zu generieren. Kurz gesagt, das maschinelle Lernen vereinfacht den Prozess: Es ist in der Lage, das Modell iterativ und schnell für eine bessere Performance zu optimieren.

Muss man also jetzt nur noch die Daten einzugeben und fertig?

Haben Sie erwartet, dass ein einfach zu verwendendes (oder auch nicht so einfach zu verwendendes) Tool die Arbeit für Sie perfekt erledigen würde?

Auch wenn es technisch möglich ist, die Daten einfach in die Maschine zu geben und darauf zu hoffen, dass alles gut geht, sind wir davon überzeugt, wie wichtig der strategische Beitrag von Datenwissenschaftlern, Statistikern und Fachleuten ist, um ein wirklich relevantes und effizientes Modell zu entwickeln.

Hier sind einige Beispiele, in denen eine genauere Untersuchung mehr als willkommen wäre:

  1. Unter Umständen eignen sich verschiedene Datensätze besser für unterschiedliche Analysen mit verschiedenen Modelltypen
  2. Bei verschiedenen Datensätzen kann es von Vorteil sein, einige der vom Algorithmus benötigten Parameter manuell einzustellen
  3. Die Ergebnisse des Modells sind möglicherweise einfach nicht umsetzbar: Vielleicht sind die Empfehlungen des Modells nicht auf Ihre Unternehmensziele abgestimmt oder die empfohlenen Taktiken können in den verwendeten Marketingkanälen nicht effektiv eingesetzt werden
  4. Eine erste explorative Analyse der Daten kann die Erstellung genauerer Modelle ermöglichen

Lassen Sie uns diesen speziellen zuletzt aufgeführten Fall ein wenig näher betrachten. Nehmen wir an, Sie haben beschlossen, die „bezahlte Suche“ als einen einzigen Kanal in Ihre Analyse aufzunehmen. Das scheint logisch zu sein, aber innerhalb jedes Kanals kann es unterschiedliche Verhaltensweisen der Daten geben, was dazu führt, dass diese unterschiedlichen Muster die Genauigkeit des Modells einschränken:

Durch die Untersuchung der Daten vor der Modellerstellung können diese Unterschiede ersichtlich gemacht werden, z. B. zwischen Kampagnen für Marken-Keywords und generischen Keywords oder Leistungsunterschiede zwischen den Regionen, was die Modellerstellung beeinflussen und die Modellgenauigkeit verbessern kann:

Die Kurzsichtigkeit, die durch verborgene Muster in den verketteten Daten verursacht wird, kann zu fragwürdigen Entscheidungen führen, die unnötige Risiken und potenziell katastrophale Folgen für die Rentabilität der Kampagne haben.

Was passieren kann, wenn man der Maschine blind vertraut und wie man weitere Fallstricke vermeidet

Zu den potenziellen negativen Auswirkungen eines übermäßigen Vertrauens in die Modellierung des Mediamixes durch maschinelles Lernen gehört zum Beispiel, dass Sie Ihre Budgets völlig unangemessen verteilen, in irrelevante Kanäle übermäßig investieren oder andere mit zu geringen finanziellen Mitteln ausstatten. Sie könnten auch mit einer falsch interpretierten Modellausgabe enden – das wäre der Fall, wenn Ihnen ein aggregiertes Modell für das ganze Jahr zur Verfügung gestellt wird, Sie aber in Wirklichkeit ein stark saisonabhängiges Geschäft haben.

Die Lösung? In aller erster Linie der gesunde Menschenverstand. Fragen Sie sich, ob das, was das Modell ihnen präsentiert, intuitiv Sinn macht, basierend auf Ihrem Wissen über die Branche, das Unternehmen, seine Produkte und bisherigen Erfolge.

Und die zweite Option, welche die erste ergänzt: Die Umsetzung eines robusten Test- und Experimentierprozesses, um sich selbst die Möglichkeit zu geben, alle Szenarien, auch die unerwarteten, in einem kontrollierten Umfeld zu untersuchen.

Sollten Sie auf den Zug der Mediamix-Modellierung aufspringen?

Ist Media Mix Modeling Version 2023 für jedes Unternehmen und jede Branche geeignet? Es ist auf alle Fälle für Sie geeignet, wenn folgende Voraussetzungen erfüllt sind:

  • Sie haben genügend Daten und Ihre Daten sind in einer guten Verfassung, denn Machine Learning wird von großen Mengen sauberer Daten gespeist;
  • Sie verstehen, dass sich Plattformen im Laufe der Zeit weiterentwickeln und dass historische Daten nicht immer die beste Darstellung dessen sind, was eine Plattform in Zukunft leisten wird – und zwar für jedes Unternehmen, einschließlich Ihrer Konkurrenten;
  • oder Sie sind auf der Suche nach oberflächlichen, strategischen Erkenntnissen über die Wirkung und Effektivität von bestimmten Marketingkanälen. Wenn Sie nach detaillierteren, taktischen Einblicken in die Rolle verschiedener Touchpoints in verschiedenen Phasen der Customer Journey suchen, sollten Sie sich vielleicht noch nicht ganz von der Clickstream-Datenanalyse verabschieden;

Wir hoffen, dass dieser erste Exkurs in die faszinierende Welt der Datenmodellierung des Mediamixes Ihnen geholfen hat, sich selbst die richtigen Fragen zu stellen. Zögern Sie nicht, unsere Experten zu kontaktieren, um herauszufinden, ob diese Technik für Ihr Unternehmen eine gute Wahl ist.

MELDEN SIE SICH BEI UNS

Abonnieren Sie unseren monatlichen Newsletter, um immer auf dem Laufenden zu bleiben.
x
Sie erhalten exklusiven Zugang zu neuen Artikeln, Videos, Whitepapers, Veranstaltungen und mehr. Jederzeit abbestellbar. Weitere Informationen finden Sie in unserer Datenschutzrichtlinie.