{"id":109880,"date":"2023-02-27T21:39:00","date_gmt":"2023-02-28T02:39:00","guid":{"rendered":"https:\/\/www.dacgroup.com\/mediamix-modellierung-was-sie-wissen-sollten\/"},"modified":"2024-12-21T05:50:01","modified_gmt":"2024-12-21T10:50:01","slug":"mediamix-modellierung-was-sie-wissen-sollten","status":"publish","type":"post","link":"https:\/\/www.dacgroup.com\/de\/einblicke\/blog\/analytics\/mediamix-modellierung-was-sie-wissen-sollten\/","title":{"rendered":"Mediamix-Modellierung im Jahr 2023: Was Sie wissen sollten, bevor Sie tiefer in die Materie eintauchen"},"content":{"rendered":"

Gute Nachrichten: Sie haben beschlossen, die Messung der Last-Click Attribution aufzugeben und sich f\u00fcr dieses Jahr fest vorgenommen, Ihre Analyse der Mediaattribution zu verbessern. War der Verlust der Cookies von Drittanbietern und Ihrer F\u00e4higkeit, die Leistung der Kan\u00e4le zu messen, der Grund daf\u00fcr?<\/p>\n

Oder Sie sind der Meinung, dass es an der Zeit ist, die Art und Weise zu ver\u00e4ndern, wie Sie Medien am Upper-Funnel bewerten, dann kann die Modellierung des Mediamixes eine L\u00f6sung sein. Doch weshalb? Der Hauptgrund liegt darin, dass damit Berichte \u00fcber die Leistung erstellt werden k\u00f6nnen, ohne dass an das Impressions- und Klick-basierte Journey-Tracking dieselben Anforderungen gestellt werden.<\/p>\n

Mediamix-Modellierung ist nicht gerade in den besten Jahren<\/strong><\/h2>\n

Es handelt sich um eine 50 Jahre alte Praxis, die auf den beiden folgenden Grunds\u00e4tzen beruht:<\/p>\n

    \n
  1. Der Absatz eines Produkts wird von einer Reihe von Faktoren bestimmt. Dazu geh\u00f6ren Variablen wie der Preis, die Verf\u00fcgbarkeit, die Anzahl der Konkurrenten, die Gr\u00f6\u00dfe des Marktes und die Bekanntheit und das Verlangen des Marktes nach dem Produkt, das durch Werbung und Verkaufsf\u00f6rderungsma\u00dfnahmen gef\u00f6rdert wird.<\/li>\n
  2. Wenn die verschiedenen Faktoren ver\u00e4ndert werden, k\u00f6nnen die Auswirkungen auf den Umsatz gemessen werden. Die Auswirkungen der verschiedenen Faktoren in dieser Zusammensetzung k\u00f6nnen dann mit statistischen Ans\u00e4tzen berechnet werden.<\/li>\n<\/ol>\n

    Kurz gesagt, die Modellierung des Mediamixes konzentriert sich auf das Verst\u00e4ndnis der relativen Beitr\u00e4ge der verschiedenen Kan\u00e4le oder der verschiedenen Aktivit\u00e4tsstufen des Funnels zur Performance einer Medienkampagne.<\/p>\n

    Die Modellierung des Mediamixes kann Aufschluss \u00fcber Basis- und Zusatzkonversionen und -einnahmen geben. Einfach ausgedr\u00fcckt sind inkrementelle Ergebnisse der prozentuale Anteil der medienwirksamen Conversions, die ohne Marketingaktivit\u00e4ten nicht stattgefunden h\u00e4tten. Die Analyse von Basis- und inkrementellen Ergebnissen kann die zugrundeliegende Markenbekanntheit und -loyalit\u00e4t auf lange Sicht sowie die Auswirkungen kurzfristigerer Werbeaktivit\u00e4ten und Wettbewerbsniveaus aufzeigen.<\/p>\n

    Traditionell wurden f\u00fcr diese Berechnungen bew\u00e4hrte statistische Verfahren wie die lineare Regressionsanalyse verwendet, aber es werden immer ausgefeiltere Tools entwickelt, um die Modellierung des Mediamixes auf das n\u00e4chste Level zu bringen.<\/p>\n

    Wie Machine Learning die Modellierung des Mediamixes im Jahr 2023 verbessert<\/strong>\u00a0<\/strong><\/h2>\n

    Seit den 1960er Jahren haben Statistiker geduldig Analysen zur Modellierung des Mediamixes mit Hilfe traditioneller \u00f6konometrischer Instrumente wie der linearen Regression durchgef\u00fchrt, manchmal sogar von Hand. Aber die Daten aus Mediaaktivit\u00e4ten sind im Laufe der Jahre immer komplexer geworden, und die Unzul\u00e4nglichkeiten der traditionellen Methoden wurden immer deutlicher. Ebenso sind diese Daten zunehmend verf\u00fcgbar 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 f\u00fcr die Anwendung neuer Methoden des Machine Learnings im Rahmen der Analyse von Mediamixmodellen sind erf\u00fcllt.<\/p>\n

    Einige dieser Ans\u00e4tze, wie Robyn<\/a>, das Machine-Learning-gest\u00fctzte 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 erm\u00f6glichen, ihre Kosten- und Konversionsdaten in einen Data-Science-Workflow zu “gie\u00dfen” 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 f\u00fcr eine bessere Performance zu optimieren.<\/p>\n

    Muss man also jetzt nur noch die Daten einzugeben und fertig?<\/strong><\/h2>\n

    Haben Sie erwartet, dass ein einfach zu verwendendes (oder auch nicht so einfach zu verwendendes) Tool die Arbeit f\u00fcr Sie perfekt erledigen w\u00fcrde?<\/p>\n

    Auch wenn es technisch m\u00f6glich ist, die Daten einfach in die Maschine zu geben und darauf zu hoffen, dass alles gut geht, sind wir davon \u00fcberzeugt, wie wichtig der strategische Beitrag von Datenwissenschaftlern, Statistikern und Fachleuten ist, um ein wirklich relevantes und effizientes Modell zu entwickeln.<\/p>\n

    Hier sind einige Beispiele, in denen eine genauere Untersuchung mehr als willkommen w\u00e4re:<\/p>\n

      \n
    1. Unter Umst\u00e4nden eignen sich verschiedene Datens\u00e4tze besser f\u00fcr unterschiedliche Analysen mit verschiedenen Modelltypen<\/li>\n
    2. Bei verschiedenen Datens\u00e4tzen kann es von Vorteil sein, einige der vom Algorithmus ben\u00f6tigten Parameter manuell einzustellen<\/li>\n
    3. Die Ergebnisse des Modells sind m\u00f6glicherweise einfach nicht umsetzbar: Vielleicht sind die Empfehlungen des Modells nicht auf Ihre Unternehmensziele abgestimmt oder die empfohlenen Taktiken k\u00f6nnen in den verwendeten Marketingkan\u00e4len nicht effektiv eingesetzt werden<\/li>\n
    4. Eine erste explorative Analyse der Daten kann die Erstellung genauerer Modelle erm\u00f6glichen<\/li>\n<\/ol>\n

      Lassen Sie uns diesen speziellen zuletzt aufgef\u00fchrten Fall ein wenig n\u00e4her 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 f\u00fchrt, dass diese unterschiedlichen Muster die Genauigkeit des Modells einschr\u00e4nken:<\/p>\n

      \"\"<\/p>\n

      Durch die Untersuchung der Daten vor der Modellerstellung k\u00f6nnen diese Unterschiede ersichtlich gemacht werden, z. B. zwischen Kampagnen f\u00fcr Marken-Keywords und generischen Keywords oder Leistungsunterschiede zwischen den Regionen, was die Modellerstellung beeinflussen und die Modellgenauigkeit verbessern kann:<\/p>\n

      \"\"<\/p>\n

      Die Kurzsichtigkeit, die durch verborgene Muster in den verketteten Daten verursacht wird, kann zu fragw\u00fcrdigen Entscheidungen f\u00fchren, die unn\u00f6tige Risiken und potenziell katastrophale Folgen f\u00fcr die Rentabilit\u00e4t der Kampagne haben.<\/p>\n

      \n \n
      \n
      \n

      \n Bleiben Sie einen Schritt voraus <\/h2>\n

      \n Erhalten Sie exklusive Einblicke in die
      aktuellsten Themen aus dem Bereich Digital
      Media direkt in Ihren Posteingang. <\/p>\n <\/div>\n\n

      \n
      \n
      \n
      \n \n