Der bekannte Modehändler Peek&Cloppenburg Hamburg arbeitet seit Anfang 2024 mit Mercury Media Technology (MMT) zusammen, um seinen Media-Mix zu optimieren und Footfall und werbeindizierten Umsatz nachhaltig zu verbessern. Dazu wird das Marketing Mix Modelling Modul von Mercury eingesetzt, das die Wirkung der einzelnen Marketingaktivitäten auf die einzelnen Vertriebsregionen präzise bestimmen und Empfehlungen für eine höhere Marketingeffizienz aufzeigen kann.

Peek&Cloppenburg Hamburg zählt seit vielen Jahrzehnten zu einem wichtigen Player im deutschen Modeeinzelhandel. Mit vielen stationären Stores vorwiegend in Nord- und Ostdeutschland und seinem Online-Shop VAN GRAAF, bietet das Unternehmen seinen Kundinnen und Kunden ein sorgfältig ausgewähltes und hochwertiges Textil-Sortiment und stationäre als auch digitale Einkaufserlebnisse. Die über 100-jährige Erfolgsgeschichte zeigt, dass P&C Hamburg immer in der Lage war, die richtigen Entscheidungen zu treffen, um dauerhaft erfolgreich am Markt zu bestehen.

Getrieben durch externe Einflussfaktoren (wie … ) steht der Textilhandel in Deutschland insgesamt als auch P&C Hamburg vor besonders großen Herausforderungen und setzt auf einen äußerst effizienten Marketing-Mix. Um das zu erreichen und sicherzustellen, suchte Peek&Cloppenburg Hamburg nach einem Marketing Measurement Partner und vertraut seit März 2024 auf die Zusammenarbeit mit MMT und will diese nach den Erfahrungen aus dem ersten halben Jahr auch über die nächsten Jahre weiterführen und ausbauen.

"Durch das Marketing Mix Modelling Modul von Mercury können wir genau identifizieren, welche Media-Aktivitäten wieviel Umsatzsteigerung insgesamt als auch in jeder einzelnen Region herbeiführen und aufzeigen, mit welcher Kombination von Media-Aktivitäten in welcher Region, der Mediainvest in Summe einen besonders hohen On-Top-Umsatz generiert."

Torben Seebrandt
Director Data & Intelligence, MMT

"Durch das Marketing Mix Modelling Modul von Mercury können wir genau identifizieren, welche Media-Aktivitäten wieviel Umsatzsteigerung insgesamt als auch in jeder einzelnen Region herbeiführen und aufzeigen, mit welcher Kombination von Media-Aktivitäten in welcher Region, der Mediainvest in Summe einen besonders hohen On-Top-Umsatz generiert."

Katja Hünnekens
Director Media/Online/PR, Peek&Cloppenburg Hamburg

Über die Peek&Cloppenburg KG Hamburg

Die Unternehmensgruppe Peek&Cloppenburg KG in Hamburg* ist eines der führenden Unternehmen im textilen Einzelhandel, das in Deutschland und Europa aktuell insgesamt 41 Stores betreibt. An den Standorten in Polen, der Schweiz, Ungarn, Lettland und der Tschechischen Republik sowie als Online-Shop tritt das Unternehmen ausschließlich unter dem international etablierten Namen VAN GRAAF auf. Auf seiner Plattform VANGRAAF.COM mit über 500 Modelabels integriert die Hamburger Peek&Cloppenburg KG eine stetig wachsende Zahl an Partnerprodukten. Der Marktplatz ist genau wie die VAN GRAAF App zentraler Baustein der Omnichannel-Strategie, die virtuelle und stationäre Einkaufserlebnisse konsequent verzahnt.

* Es gibt zwei unabhängige Unternehmen Peek&Cloppenburg mit ihren Hauptsitzen in Düsseldorf und Hamburg. Unser Kunde ist die Unternehmensgruppe Peek&Cloppenburg KG Hamburg. Mehr Informationen zur Unternehmensgruppe aus Hamburg: https://www.peek-und-cloppenburg.de/de/unternehmen/

+++++

Pressekontakt:
Peek&Cloppenburg KG
Mönckebergstraße 8
20095 Hamburg
Katja Hünnekens
Katja.Huennekens@peek-und-cloppenburg.de

Über Mercury Media Technology GmbH & Co. KG

Mercury Media Technology ist seit 2016 ein unabhängiges, wachsendes MarTech Unternehmen mit Sitz in Hamburg. Europaweit zählen Agenturen, Werbetreibende und Publisher zu ihren Kunden. Über 30 Experten aus den Bereichen Software und Data Engineering, Data Intelligence und Media entwickeln datengetriebene Lösungen mit dem Ziel, die Effizienz von Media Operations zu maximieren. Die Media Operations Plattform “Mercury”, die zum weiteren Segment Marketing-Resource-Management gezählt werden kann, ermöglicht datengetriebenes Media Management. Angefangen beim Self-Service Marketing Mix Modelling Modul, das umsetzbare Erkenntnisse für die Mediaplanung liefert, über die strategische und taktische Planung, die Buchung bis zu automatisierten Dashboards im integriertem Reporting Center unterstützt Mercury den gesamten Media Workflow. Es bestehen Data Pipelines zu relevanten technischen Systemen inkl. Auslieferungssystemen wie AdServern und DSPs, allen sozialen Plattformen, Website-Tracking-Tools und Validierungssystemen. Alle externen und internen Daten stehen außerdem sauber aufbereitet und strukturiert über den Datenkonnektor "Bridge" zur Verfügung.

Geschäftsführer des Unternehmens mit Sitz in Hamburg sind Tobias Irmer, Gunnar Neumann und Andreas Sand.

Mehr Informationen auf mercurymediatechnology.com

+++++

Pressekontakt:
Mercury Media Technology GmbH & Co. KG
Klostertor 1
20097 Hamburg
Michelle Tejada
hello@mercurymediatechnology.com

Inhalt

• Was ist Marketing Mix Modeling (MMM)?

• Warum sollten Marketer Marketing Mix Models einsetzen?

• Was sind die Grenzen des Marketing Mix Modelling?

• Wie wird ein Marketing Mix Modell aufgebaut?

Was ist Marketing Mix Modeling (MMM)?

Marketing Mix Modeling (MMM) ist ein leistungsstarkes Instrument zur Messung und Analyse der Wirksamkeit von Marketingaktivitäten. Es hilft Unternehmen zu verstehen, wie sich ihre Marketinginvestitionen auf ihre Ziel-KPIs auswirken, zu ermitteln, welche Marketingaktivitäten am effektivsten sind, und zukünftige Leistungen genau vorherzusagen. Das MMM ermöglicht es Marketingfachleuten, ihren Marketing-Mix zu optimieren, um eine maximale Rendite aus ihren Marketinginvestitionen zu erzielen.

Marketing Mix Modelle (MMM) basieren auf einer datengetriebenen, statistischen Analysetechnik. Data Scientists entwickeln fortschrittliche multivariate statistische Modelle, z. B. Bayesian Modelle, die den Beitrag zahlreicher Faktoren zu den Ziel-KPIs analysieren.

Um es einfach auszudrücken: Marketing Mix Modelling ist ein unverzichtbares Instrument für Marketingfachleute, die das Beste aus ihren Kampagnen herausholen wollen. Es hilft dabei, besser zu verstehen, wie verschiedene Elemente der Marketingstrategie wie Werbung, Social Media und Promotions mit externen Faktoren, z. B. Wetter, Saisonalität oder Aktivitäten der Konkurrenz, zusammenwirken.

Durch die Messung der Auswirkungen der einzelnen Marketingaktivitäten auf den ROI können Unternehmen intelligentere Entscheidungen darüber treffen, in welche Marketingaktivitäten sie investieren und welche sie streichen bzw. zurückfahren sollten. Ziel ist es, die Auswirkungen künftiger Kampagnen zu prognostizieren, Marketingbudgets neu zuzuweisen und den Media-Mix und die Werbetaktiken zu optimieren, um die angestrebten KPI, z. B. Umsatz oder Gewinn, zu maximieren.

Welche Verfahren werden im Rahmen des MMM eingesetzt?

Lineares Regressionsmodell

Das Lineare Regressionsmodell ist die einfachste Analyseform für das Marketing Mix Modelling. Es hilft, die Beziehung zwischen zwei Variablen zu untersuchen – zum Beispiel, wie sich der Umsatz (abhängige Variable) in Abhängigkeit von den Marketingausgaben (unabhängige Variable) verändert.

Unabhängige Variablen sind Faktoren wie die Höhe der Marketingausgaben, die als Einflussgröße betrachtet werden. Abhängige Variablen sind die Ergebnisse, die durch diese Einflussgrößen beeinflusst werden, wie z.B. der Umsatz.

Das Modell beschreibt die Beziehung zwischen den Variablen, indem eine gerade Linie durch die Datenpunkte gelegt wird. Diese Linie verdeutlicht den Zusammenhang zwischen der unabhängigen Variable und der abhängigen Variable . Eine steil ansteigende Linie deutet darauf hin, dass höhere Marketingausgaben tendenziell zu einem höheren Umsatz führen. Eine flach verlaufende Linie hingegen zeigt, dass die Marketingausgaben nur einen geringen Einfluss auf den Umsatz haben.

Das Lineare Regressionsmodell eignet sich besonders gut, um den direkten Einfluss einer einzelnen Marketingmaßnahme auf ein Geschäftsergebnis zu analysieren. Es ist besonders nützlich in Szenarien, in denen ein linearer Zusammenhang zwischen den Variablen erwartet wird.

Multiples Regressionsmodell

Das Multiple Regressionsmodell erweitert den Ansatz der linearen Regression, indem es den Einfluss mehrerer unabhängiger Variablen gleichzeitig auf eine oder mehrere abhängige Variablen analysiert. Dadurch wird es möglich, den kombinierten Effekt verschiedener Marketingaktivitäten wie TV-Werbung, digitale Kampagnen oder Promotionen auf den Umsatz oder andere KPIs zu verstehen. Dieses Modell bietet einen umfassenderen Überblick über den Marketing-Mix und eignet sich besonders für komplexere Szenarien, in denen mehrere Faktoren das Ergebnis beeinflussen.

Bayesian Modell

Das Bayesian Modell bezieht Vorwissen oder Annahmen in die Analyse ein und aktualisiert diese, sobald neue Daten verfügbar werden. Dies verleiht dem Modell besondere Stärke im Umgang mit Unsicherheit und Variabilität in den Marketingdaten. Diese Methode ermöglicht eine flexiblere und dynamischere Modellierung, insbesondere wenn die verfügbaren Daten spärlich oder unsicher sind. Das Modell eignet sich ideal, wenn bereits Vorwissen in die Modellierung einfließen kann oder wenn komplexe und unsichere Umgebungen vorliegen, in denen traditionelle Methoden möglicherweise an ihre Grenzen stoßen.

Hierarchisches Modell

Das Hierarchische Modell, auch bekannt als Mehr-Ebenen-Modell, analysiert Daten, die auf verschiedenen Ebenen strukturiert sind, wie z.B. Regionen, Filialen oder Kundensegmente. Es berücksichtigt Variationen auf jeder dieser Ebenen, wodurch detaillierte und segmentierte Einblicke möglich werden. Dieses Modell ist besonders nützlich für Unternehmen, die die Auswirkungen von Marketingmaßnahmen in unterschiedlichen Märkten oder Segmenten verstehen möchten und wie sich diese auf verschiedenen Ebenen unterscheiden und miteinander interagieren.

Welche Ziel-KPIs können mit MMM optimiert werden?

Marketing Mix Modeling ermöglicht die Optimierung einer Vielzahl von Key Performance Indicators (KPIs), die direkt mit der Effektivität von Marketingmaßnahmen in Verbindung stehen. Durch die Analyse und Anpassung dieser KPIs können Unternehmen ihre Marketingstrategien präzise ausrichten und bessere Geschäftsergebnisse erzielen.

• Umsatz
• Conversions
• Transactions
• App Installationen oder Downloads
• Registrierungen
• Leads
• Customer Lifetime Value
• Brand Awareness
• ROI (Return of Investment)
  
• Customer Acquisition Cost 

Warum sollten Marketer Marketing Mix Models einsetzen?

Marketing Mix Modelling ist ein unverzichtbares Werkzeug für Marketer, die datengestützte Entscheidungen auf der Grundlage wertvoller Erkenntnisse treffen möchten, um ihre Marketingstrategie zu optimieren und optimale Ergebnisse zu erzielen.

Mit einer MMM-Lösung können die effektivsten Kanäle identifiziert werden, die zu Umsatz, ROI oder anderen Ziel-KPIs beitragen. So können Marketingspezialisten bessere Entscheidungen über die Allokation von Mediabudgets treffen und ihren Marketing-Mix optimieren.

Mit dieser Technologie können Marketer ein klares Verständnis für die Wirksamkeit ihrer Werbemaßnahmen gewinnen. Die gelieferten Erkenntnisse können bei der Entwicklung neuer oder der Optimierung bestehender Kampagnen gewinnbringend eingesetzt werden. Darüber hinaus können Marketing Mix Modelle auch die kurz- und langfristigen Auswirkungen von Werbung messen.

Außerdem helfen MMM dabei die Auswirkungen externer Faktoren wie das makro- und mikroökonomische Umfeld, den Wettbewerb und die Saisonalität auf die Ziel-KPI zu verstehen.

Welche Vorteile bietet ein Marketing Mix Modelling

• Sie entwickeln ein Verständnis dafür, welche Einflussfaktoren ihre Ziel-KPI beeinflussen
• Sie können Marketing Budgets effizient allokieren
• Sie können aktuelle und zukünftige Marketingkampagnen optimieren

Was sind die Grenzen des Marketing Mix Modelling?

MMM ist zwar ein äußerst nützliches Instrument für Werbetreibende, hat aber auch einige Limitationen.

Erstens hängt die Genauigkeit der Ergebnisse stark von der Datenqualität und Vollständigkeit des verwendeten Datensatzes ab. Wenn die Daten ungenau oder unvollständig sind, kann das Ergebnis der Analyse verzerrt sein. Auch die Länge der Datenzeitreihe ist wichtig. Um ein hochwertiges Modell zu erhalten, reichen die Daten der letzten Monate nicht aus. Je nach Modell sollten durchschnittlich drei Jahre an Daten ausreichend sein.

Es ist auch wichtig, alle/die meisten relevanten Faktoren zu berücksichtigen. Wenn wir z. B. den Verkauf von Speiseeis modellieren und das Wetter nicht berücksichtigen, wird die Genauigkeit des Modells gering sein.

Außerdem ist die Modellierung nur so gut wie die für die Analyse verwendete Software und die Algorithmen. Wenn diese nicht regelmäßig mit neuen Techniken aktualisiert werden, können Marketer im Vergleich zu Modellen die fortschrittlichere Methoden wie maschinelles Lernen oder die Verwendung von Bayesian Modellen verwenden, eine unterdurchschnittliche Leistung feststellen.

Wie wird ein Marketing Mix Modell aufgebaut?

Schritt 1 - Ziele definieren: Der erste Schritt der Marketing Mix Modellierung besteht darin, die für Ihr Unternehmen relevanten Ziele zu definieren. Sie sollten sich überlegen, wie der Erfolg in Bezug auf Rentabilität und Umsatz aussehen soll.

Schritt 2 - Daten sammeln: Bevor Sie mit der Modellierung beginnen, müssen Sie genügend Daten sammeln, um die Ergebnisse genau messen zu können. Diese Daten sollten Verkaufszahlen, Aktivitäten der Wettbewerber, Mediavariablen (sowohl Kontakte, z. B. Reichweite, Impressionen als auch Kosten/Ausgaben), Werbeaktionen und externe Faktoren wie z. B. Wetter, Inflationsrate und Feiertage umfassen. Anhand dieser Daten können Sie Trends erkennen und Erkenntnisse über Ihre eigene Unternehmensleistung gewinnen.

Schritt 3 - Daten analysieren: Nun ist es an der Zeit, alle zuvor gesammelten Daten zu analysieren. Dieser Prozess umfasst in der Regel die Durchführung verschiedener Regressionsalgorithmen wie einfache lineare Modelle oder multiple Regressionen, um die Auswirkungen der einzelnen Komponenten des Marketing-Mix auf den Umsatz oder die Rentabilität in bestimmten Märkten oder Regionen zu isolieren.

Schritt 4 - Auswirkungen der Aktivitäten prüfen: Anhand der Analyseergebnisse können Sie nun verschiedene Hypothesen in Bezug auf Ihre Kampagnen testen, ohne tatsächliche Änderungen vornehmen zu müssen. Dieser Prozess hilft dabei festzustellen, welche Aktivitäten effektiv sind und welche nicht, so dass Sie Ihre Budgetallokation noch weiter optimieren können, um die Effektivität und den ROI über alle Kanäle hinweg zu maximieren.

Schritt 5 - Erkenntnisse generieren: Mit Marketing Mix Modeling können Marketingspezialisten Erkenntnisse darüber gewinnen, wie sie ihre Aktivitäten optimieren können, um mehr Leads zu generieren oder die Conversionsrate bei niedrigeren Kosten pro Akquisition (CPA) zu erhöhen.

Schritt 6 - Strategien überwachen und anpassen: Nach der Analyse der Auswirkungen einzelner Faktoren auf den Ziel-KPI ist es wichtig, die Leistung der Kampagnen im Vergleich zu den entsprechenden Zielen und Kennzahlen regelmäßig zu monitoren, damit Sie wissen, ob Ihre Strategien die gewünschten Ergebnisse erzielen oder aufgrund veränderter Bedingungen angepasst werden müssen.

Schritt 7 - Ziele neu bewerten: Sobald die Ergebnisse dieser Strategien über einen bestimmten Zeitraum verfolgt wurden, sollten die ursprünglichen Ziele auf der Grundlage der jüngsten Leistungskennzahlen neu bewertet werden, damit genaue Prognosen der Marketing-Rendite und der Wachstumsmöglichkeiten für die Zukunft erstellt werden können, um Führungskräfte und Stakeholder im Entscheidungsprozess zu unterstützen.

Was sind häufige Fragen zum Marketing Mix Modelling?

Historische Daten zu den Ziel-KPIs werden in Verbindung mit den relevanten Einflussfaktoren zu einem Modelling-Datensatz kombiniert. Jeder Eintrag in dem Datensatz entspricht einem Experiment mit Messwerten zu den Ziel-KPIs und den Einflussfaktoren (Je granularer die Daten vorliegen, desto mehr Experimente enthält der Datensatz, desto verlässlicher erlernt der Algorithmus die Wirkungszusammenhänge. Variablen werden analysiert.) Auf Basis des Datensatz werden mathematische Modelle trainiert, die die Wirkungszusammenhänge erlernen.

Ein Marketing-Mix-Modell (MMM) quantifiziert die Auswirkungen von Marketing-Aktivitäten auf KPIs wie Umsatz oder Marktanteil und optimiert die Budgetverteilung. Es analysiert Grenznutzenkurven, um zu zeigen, ab wann zusätzliche Ausgaben in einem Kanal weniger effektiv sind. Zudem berechnet es den ROI pro Kanal und hilft, die effizientesten ausfindig zu machen. Das MMM gibt Empfehlungen zur optimalen Budgetnutzung und simuliert verschiedene Budgetszenarien, um Umsatz und Gewinn zu maximieren. Es bietet datenbasierte Einblicke für zukünftige Kampagnen und Budgetentscheidungen.

Updates sind wertvoll, weil dadurch festgestellt werden kann, ob getroffene Maßnahmen zu einer höheren Media-Effizienz geführt haben oder nicht. Als Standard empfiehlt es sich mit quartalsweisen Updates zu starten. Je nach Marke, Geschäftsmodell und Datenlage kann es aber durchaus sinnvoll sein, die Modelle häufiger zu aktualisieren (z.B. monatlich, wöchentlich).

Es werden historische Daten für jede Woche mindestens zwei Jahre rückwirkend benötigt. Es werden dabei Daten für mindestens eine Ziel KPI benötigt und zu den relevanten Einflussfaktoren, insbesondere natürlich zu den Mediaaktivitäten, aber z.B. auch Vertriebsaktivitäten (Rabatte, Aktionen). Je nach Marke, Geschäftsmodell und auch Ziel KPI können sich die relevanten Einflussfaktoren stark voneinander entscheiden. Darüber hinaus gilt umso detaillierter Daten vorliegen, um so verlässlicher und wertvoller werden die darauf trainierten Modelle. Es ist z.B. besser, wenn die Daten je Tag vorliegen und nicht je Woche. Noch besser ist es, wenn die Daten z.B. je Tag und Bundesland vorliegen.

Die Kosten variieren je Umfang eines MMM-Projekts. Ein entscheidender Treiber ist meistens für viele verschiedene Marken und Länder modelliert werden soll. Als Faustregel kann man bei einem MMM-Projekt mit quartalsweisen Updates das für eine Marke und ein Land durchgeführt werden soll mit einem Preis von ca. 25-50T€ pro Jahr rechnen.

Letztlich können viele Branchen, die Mediaausgaben über mehrere Kanäle haben, MMMs effektiv zur Optimierung ihres Marketingansatzes nutzen. Jedoch steigt der Nutzen mit zunehmender Komplexität, also je mehr Budget, Kanäle oder Märkte involviert sind.

Hier finden Sie weitere Informationen zu: Die am häufigsten gestellten Fragen zum Marketing Mix Modelling.

Fazit

Marketing Mix Modelling ist ein leistungsfähiges Instrument zur Messung der Performance von Marketingaktivitäten. Mit der richtigen Modellen können Marketingexperten wertvolle Erkenntnisse über ihre Werbekampagnen gewinnen und auf der Grundlage der Daten fundierte Entscheidungen treffen. Die potenzielle Wirkung der Marketing Mix Modellierung ist enorm, und sie ist ein unverzichtbares Instrument für jeden Werbetreibenden, der den Wert seiner Marketingkampagnen maximieren möchte.

&Beyond mit den Mediaagenturen Infinity Media und Vertitas Media stehen für Fortschritt und Innovation in der Branche. Sie sind offen für neue Herausforderungen und haben keine Angst vor Veränderungen. Die in ihrer DNA verankerte Neugierde treibt &Beyond an, kreative und intelligente Lösungen für ihre Kunden zu finden. Sie sind proaktiv und immer auf dem Laufenden, was die neuesten Trends und Technologien angeht.

Mediaagenturen verwenden immer noch Excel, um die Kampagnen ihrer Kunden zu verwalten. Da diese fehleranfällige Methode nicht die Basis für datengetriebene Prozesse sein kann, machte sich &Beyond auf die Suche nach einer zukunftsweisenden MarTech-Lösung, die sie beim Streamlining und der Automatisierung von Media-Prozessen unterstützt - von der strategischen Planung über die taktische Feinplanung und Buchung bis hin zum Reporting. Sie stießen auf den Hamburger Technologieanbieter Mercury Media Technology und entschieden sich für die Media Operations Plattform „Mercury“. Ab Januar 2025 werden alle &Beyond-Agenturen kundenübergreifend in Mercury zusammenarbeiten, was die Kommunikation schneller und einfacher macht. Workflows werden durch Standardisierung und Automatisierung effizienter, da Content-Vorlagen genutzt werden können und Daten automatisch an das Abrechnungssystem übergeben werden. Damit erhält &Beyond volle Transparenz über seine Einkaufs- und Verkaufsprozesse.

"Mit &Beyond haben wir unseren ersten, aber sicher nicht den letzten Kunden auf dem spanischen Markt gewonnen. Gespräche mit weiteren Agenturen sind bereits im Gange. Besonders freut uns, dass &Beyond eine Agentur ist, die ständig auf der Suche nach Innovationen ist und sich weiterentwickeln will. Wir freuen uns, sie als gleichberechtigter Partner zu unterstützen."

Gunnar Neumann
Managing Director, MMT

"Wir bei &Beyond sind der Meinung, dass alle Werbetreibenden, unabhängig von ihrer Größe, personalisierte Dienstleistungen und vollen Zugang zu den besten Fachleuten und Technologien der Branche verdienen. Mit Mercury hat MMT eine innovative Software für Mediaagenturen entwickelt, die uns hilft, unseren Kunden den bestmöglichen Service zu bieten. Als eine Agentur, die immer auf der Suche nach Innovationen ist, finden wir es sehr wichtig, dass die Software ständig weiterentwickelt wird, um mit der Zeit zu gehen."

Rai Pérez
Chief Innovation Officer, &Beyond

Über &Beyond Content Media Data Group

Das Unternehmen wurde 2008 gegründet und hat im Jahr 2023 einen Umsatz von über 80 Millionen Euro erzielt. Die aus den Agenturen Veritas Media und Infinity Media hervorgegangene Agentur arbeitet derzeit für mehr als 50 Kunden und beschäftigt 70 Mitarbeiter in ihren Büros in Barcelona und Madrid.

Bei der von Scopen durchgeführten Umfrage „Leading the Agency Scope“ belegte Veritas Media den ersten und Infinity Media den zweiten Platz auf der Grundlage von Kundenbewertungen.

Grupo &Beyond ist Teil von Local Planet, dem größten globalen Netzwerk unabhängiger Medienagenturen, das 62 Agenturen in 85 Ländern mit einem Umsatz von 17,2 Mrd. und 12.000 Fachleuten vereint.

Die Grupo &Beyond wird von Albert Gost als Executive Chairman, Enrique de la Torre als CEO und Laia Regués in ihrer Position als CFO geleitet.

Pressekontakt:
Calle de El Españoleto 17 1 Planta
28010 Madrid, Spanien
+34917941270
Miguel.justribo@andbeyond.es

Über Mercury Media Technology GmbH & Co. KG

Mercury Media Technology ist seit 2016 ein unabhängiges, wachsendes MarTech-Unternehmen mit Sitz in Hamburg. Zu den Kunden zählen Agenturen, Werbetreibende und Verlage in ganz Europa. Über 30 Experten aus den Bereichen Software- und Data-Engineering, Data-Intelligence und Media entwickeln datengetriebene Lösungen mit dem Ziel, die Effizienz von Media Operations zu maximieren. Die Media Operations Platform „Mercury“, die zum Segment Marketing Resource Management gezählt werden kann, ermöglicht datengetriebenes Media Management. Angefangen beim Self-Service-Marketing-Mix-Modellierungsmodul, das verwertbare Erkenntnisse für die Mediaplanung liefert, über die strategische und taktische Planung und Buchung bis hin zu automatisierten Dashboards im integrierten Reporting Center unterstützt Mercury den gesamten Media-Workflow. Es gibt Datenpipelines zu relevanten technischen Systemen, darunter Auslieferungssysteme wie Adserver und DSPs, alle sozialen Plattformen, Website-Tracking-Tools und Validierungssysteme. Über den Datenkonnektor „Bridge“ stehen zudem alle externen und internen Daten in einem sauberen, strukturierten Format zur Verfügung.

Die Geschäftsführer des Hamburger Unternehmens sind Tobias Irmer, Gunnar Neumann und Andreas Sand.

Weitere Informationen unter mercurymediatechnology.com

Pressekontakt:
Mercury Media Technology GmbH & Co. KG
Klostertor 1
20097 Hamburg
Vivian Reifschneider
hello@mercurymediatechnology.com

```

Mit dieser Zielsetzung war Benjamin Moser und Ahmad Hoteit klar, dass sie von Anfang an eine moderne Softwarelösung benötigen, die robuste Media Prozesse ermöglicht und an sinnvoller Stelle automatisiert, sowie alle relevanten Daten zusammenführt und somit die Grundlage bietet, innovative Kampagnen zu entwickeln. Mit der Media Operations Platform “Mercury” hat pilot suisse nach einem intensiven Evaluierungsprozess eine Software gefunden, die datengesteuertes Media Management ermöglicht. Sowohl Online- als auch klassische Kampagnen können gesteuert werden. Es bestehen Data Pipelines zu relevanten technischen Systemen inkl. Auslieferungssystemen wie AdServern und DSPs, allen sozialen Plattformen, Website-Tracking-Tools und Validierungssystemen. Alle externen und internen Daten stehen außerdem sauber aufbereitet und strukturiert über den Datenkonnektor "Bridge" zur Verfügung. Die saubere Datengrundlage ist die Basis für aussagekräftige, automatisierte Dashboards im integrierten Reporting Center. 

"Wir freuen uns, mit pilot suisse einen weiteren Kunden im Schweizer Markt gewonnen zu haben. Wir sehen uns gut gewappnet und bestärkt darin, mit unserer Media Operations Platform “Mercury” den einzigartigen Herausforderungen des Schweizer Marktes begegnen zu können. Wir möchten im Schweizer Markt Fuß fassen und freuen uns auf Gespräche mit weiteren Agenturen.” "

Gunnar Neumann
Managing Director

"Mit unserer langjährigen Agenturerfahrung wissen wir, dass Data und Tech kein Selbstzweck, sondern Werkzeuge sind, die es ermöglichen, neue und innovative Lösungen zu entwickeln. Eine moderne Software, die uns zukunftsfähig macht, Automatisierung und Kollaboration mit unseren Kund*innen und dem Markt ermöglicht, ist darum ein Schlüssel. Wir haben diverse Tools evaluiert und sehen in MMT den Partner, der mit seiner Software “Mercury” dies ermöglicht.”

Benjamin Moser
Gründer und geschäftsführender Gesellschafter

Über pilot suisse AG

pilot suisse ist eine 2024 neu gegründete Media-Agentur für den Schweizer Markt für alle, die nicht stillstehen wollen. Für Menschen und Marken, die etwas bewegen möchten und sich nicht mit dem Status quo zufriedengeben. Die beiden Gründer und geschäftsführenden Gesellschafter Benjamin Moser und Ahmad Hoteit, die tief in der Schweizer Medienbranche verwurzelt sind, wollen mit pilot suisse wirkungsstärkere Kampagnen mit bester und individueller Beratungsleistung für Schweizer Werbetreibende bieten. Als langjährige Führungskräfte einer der führenden Kommunikationsagenturen der Schweiz und nun Teil der inhabergeführten pilot Agenturgruppe und des Local Planet Netzwerks verfügen beide über die Marktkenntnis und das Netzwerk, um dieses Ziel für ihre Kund*innen umzusetzen – einfach, effektiv, agil und mit kurzen Kommunikationswegen. Mit entschlossener Challenger-Mentalität sind sie für ihre Kund*innen stets auf der Suche nach Lücken und identifizieren Chancen, die nachhaltigen Erfolg ermöglichen. Im gemeinsamen Schulterschluss arbeiten sie an den relevanten Zielen und finden Wege, Marken nach vorne zu bringen. Die Agentur mit Sitz in Zürich ist mit entschlossener Challenger-Mentalität bereit, die einzigartigen Herausforderungen des Schweizer Marktes anzugehen.

+++++

Pressekontakt:

pilot suisse AG

Giesshübelstrasse 106

8045 Zürich

Benjamin Moser

info@pilot-suisse.ch

Über Mercury Media Technology GmbH & Co. KG

Mercury Media Technology ist seit 2016 ein unabhängiges, wachsendes MarTech Unternehmen mit Sitz in Hamburg. Europaweit zählen Agenturen, Werbetreibende und Publisher zu ihren Kunden. Über 30 Experten aus den Bereichen Software und Data Engineering, Data Intelligence und Media entwickeln datengetriebene Lösungen mit dem Ziel, die Effizienz von Media Operations zu maximieren. Die Media Operations Platform “Mercury”, die zum weiteren Segment Marketing-Resource-Management gezählt werden kann, ermöglicht datengetriebenes Media Management. Angefangen beim Self-Service Marketing Mix Modelling Modul, das umsetzbare Erkenntnisse für die Mediaplanung liefert, über die strategische und taktische Planung, die Buchung bis zu automatisierten Dashboards im integriertem Reporting Center unterstützt Mercury den gesamten Media Workflow. Es bestehen Data Pipelines zu relevanten technischen Systemen inkl. Auslieferungssystemen wie AdServern und DSPs, allen sozialen Plattformen, Website-Tracking-Tools und Validierungssystemen. Alle externen und internen Daten stehen außerdem sauber aufbereitet und strukturiert über den Datenkonnektor "Bridge" zur Verfügung.

Geschäftsführer des Unternehmens mit Sitz in Hamburg sind Tobias Irmer, Gunnar Neumann und Andreas Sand.

Mehr Informationen auf mercurymediatechnology.com

+++++

Pressekontakt:

Mercury Media Technology GmbH & Co. KG

Klostertor 1

20097 Hamburg

Vivian Reifschneider

hello@mercurymediatechnology.com

Composability, also der Aufbau von Software in einzeln nutzbare Komponenten, wird immer wichtiger, um individuelle Prozesse flexibel und effizient umsetzen zu können. Die so aufgebaute Software trifft auf bereits bestehende Anwendungen im Unternehmen, was zu einem erhöhten Integrationsbedarf führt.¹ 

"Unsere Media Operations Platform Mercury ist modular & API-first aufgebaut. (u.a. “Self-Service MMM”, “Strategische Planung”, “Projekte”, “Daten Konnektoren/Data Connection Service” oder unser “Buying Modul”. Unsere Kunden lizenzieren nur jeweils die Komponenten, die sie innerhalb ihres Workflows benötigen. Natürlich integrieren wir mit bestehenden Systeme des Kunden & mit relevanten Peripheriesystemen des Marktes per API."

Gunnar Neumann
Managing Director

Künstliche Intelligenz: Turbo Booster für MarTech

Das Marktpotenzial von MarTech steigt zwischen 2023 und 2027 von 7 Mrd. € auf 15,5 Mrd. € mit einer durchschnittlichen Wachstumsrate von + 18,8%. KI als “Turbo Booster” in Richtung “Realtime Automatisierung” und Analytics beschert dem Wachstum weiteren Schub.Auch in 2024 geben nur knapp 25% der Unternehmen an, ihre verfügbaren Daten bereits vollständig vereinheitlicht und aggregiert zu haben: angefangen bei der Zusammenführung der Daten über das Aufbrechen der Datensilos bis hin zur Organisation der Stammdaten.²

"Wir merken deutlich, dass der Markt viel stärker auf uns zukommt als noch vor einigen Jahren und der Need, sowie die Offenheit für externe Lösungen wie unserer groß ist. Zum einen ist der Einsatz unseres Systems eine ideale Grundlage um KI-basierte Lösungen zielführend einzusetzen, zum anderen arbeiten wir auch an Lösungen innerhalb der Plattform, in der KI unsere Kunden nachhaltig unterstützen kann. Bspw. setzen wir heute schon KI im Analytics-Bereich bei unseren MMM Modul ein und arbeiten daran, schrittweise noch mehr Intelligenz in die Mediaplanung, sowie den Planungsprozess zu integrieren. Theoretisch sind so Anwendungsfälle möglich, in denen Mediaplanungs- & Optimierungsvorschläge automatisch generiert werden können. Die praktische Anwendbarkeit & Potentiale besprechen wir fortlaufend eng mit unseren Kunden."

Gunnar Neumann
Managing Director

Unified Data Management: Daten vereinheitlichen und nutzen

Auch in 2024 geben nur knapp 25% der Unternehmen an, ihre verfügbaren Daten bereits vollständig vereinheitlicht und aggregiert zu haben: angefangen bei der Zusammenführung der Daten über das Aufbrechen der Datensilos bis hin zur Organisation der Stammdaten.

"Die Zusammenführung und Aggregierung der Daten zu einer sauberen Datengrundlage ist ein wesentlicher Pfeiler unserer Media Operations Platform. ID-basiert & ohne aufwendige Namenskonventionen führen wir so, über den nativen Marketing- & Mediaprozess Zielwerte, geplante, gebuchte, realisierte & abgerechnete Werte zusammen. Auf diese können unsere Kunden per “Bridge” mit eigenen BI-Lösungen zugreifen oder direkt innerhalb der Plattform aussagekräftigen Dashboards anschauen. Datenbasierte Entscheidungen werden durch Mercury ideal ermöglicht."

Gunnar Neumann
Managing Director

Causal AI: Ursache-Wirkungsbeziehungen verstehen

Das grundlegende Problem bei den meisten KI-Modellen liegt darin, dass das Modell aus Trainingsdaten lernt und in diesem Fall die Daten zur Beantwortung kontraintuitiver Fragen in Bezug auf Ursache-Wirkungsbeziehung kaum eingesetzt werden können. Kausale Modelle lösen dieses Problem via Causal Interference.

"Wir arbeiten kontinuierlich daran unser Marketing Mix Modell zu optimieren: Angefangen bei einer Regressionsanalyse über ein Bayesian MMM arbeiten wir nun an einem kausalen Modell, das die Auswirkungen der einzelnen Mediakanäle aufeinander besser mit einbezieht. Es ist von entscheidender Bedeutung für uns bei der Entwicklung von KI-Modellen und Anwendung, die korrekten Ursachen-Wirkungsbeziehungen mittels Causal Discovery aufzudecken und auch mittels Causal Inference zu validieren. Nur wenn wir die korrekten kausalen Wirkungsbeziehungen zwischen den verschiedenen Einflussfaktoren in z.B. unseren MMM Projekten bei der Modellentwicklung berücksichtigen, können wir unser Leistungsversprechen gegenüber unseren Kunden einhalten und die Mediaeffizienz steigern."

Torben Seebrandt
Director Data Intelligence

¹ Marketing Tech Monitor 2024, Thema 3

Jedes Unternehmen ist individuell. Trotzdem glauben wir, dass unsere gesammelten Erfahrungen hinsichtlich der Unternehmenskultur, -struktur und unserer Arbeitsweise hilfreich für andere Unternehmen sein könnten. Darum möchten wir in dieser Artikelreihe einen Einblick darüber verschaffen, wie wir es bei Mercury Media Technology (MMT) schaffen, trotz hybrider Arbeitsweise durch unsere Unternehmenskultur und Arbeitsweisen den Spagat zwischen mobilem Arbeiten und Aufrechterhaltung der MMT Identität zu managen.

Zum Auftakt möchten wir hierzu zunächst einen Überblick über die Zusammensetzung unseres internationalen Teams sowie unsere Unternehmenskultur und -werte geben. Auf dieser Grundlage werden wir in den kommenden Beiträgen schrittweise vertiefend die verschiedenen Teams und ihre jeweiligen Arbeitsbereiche genauer beleuchten.

Inhaltsverzeichnis

• Unser diverses und internationales Team

• Unsere Teamaufstellung

• Unsere Kultur und Werte

• Fazit

Unser diverses und internationales Team

MMT besteht aus einem organisch wachsenden, aktuell 30-köpfigen Team, dessen Diversität unser Unternehmen stärkt. Aktuell setzt sich unser Team aus 9 unterschiedlichen Nationalitäten und 17 verschiedenen Sprachen zusammen, weshalb wir Englisch als unsere gemeinsame Unternehmenssprache gewählt haben. Diese Vielfalt an kulturellen Backgrounds in Kombination mit unterschiedlichen, fachlichen Hintergründen ermöglicht uns, verschiedene Perspektiven einzunehmen und innovative Lösungen zu entwickeln. Jedes Teammitglied bringt eigene Erfahrungen und Ideen ein, die unsere Arbeitsweise bereichern und uns helfen, kreativ auf Herausforderungen zu reagieren.

Diese unterschiedlichen Ansätze und Denkweisen fördern nicht nur die Kreativität, sondern auch ein offenes und dynamisches Arbeitsumfeld, in dem wir ständig voneinander lernen. Dadurch sind wir besser in der Lage, uns an Veränderungen anzupassen und neue Möglichkeiten zu entdecken. Aus diesem Grund ist die Diversität unseres Teams für uns ein entscheidender Faktor für unseren Erfolg und unser kontinuierliches Wachstum.

Als Tech-Unternehmen wissen wir, dass unsere Branche eher von Männern dominiert wird und auch bei uns im Unternehmen herrscht derzeit noch eine unausgewogene Geschlechterverteilung. Daher legen wir großen Wert darauf, genau hier anzusetzen und die Arbeit bei MMT attraktiv für alle Geschlechter zu machen und auf die verschiedenen Bedürfnisse einzugehen. Bei MMT soll jeder unabhängig vom Geschlecht die gleichen Chancen haben, weil wir überzeugt sind: Vielfalt führt zu besseren Ideen, Innovationen und letztendlich zu unserem gemeinsamen Erfolg.

Unsere Teamaufstellung

Bei MMT gibt es drei Teams, die mit ihren spezialisierten Fähigkeiten und Aufgaben zum Gesamterfolg von MMT beitragen: Das Engineering Team, das Data Intelligence Team und das Business Team.

Das Business Team mit einer Gesamtgröße von derzeit sieben Mitarbeitenden steht als Schnittstelle zwischen den Kunden und den beiden technischen Teams. Neben der klassischen Zielverfolgung wie Leadgenerierung, Neukundengewinnung und Umsatzsteigerung befinden sich im Business Team die Produktspezialist*innen, die für die Implementation und das Onboarding zuständig sind. Das Team betreut unsere Kunden und ist für den Support und Kundenausbau verantwortlich.

Das Engineering Team besteht derzeit insgesamt aus 14 Mitglieder*innen und gliedert sich in das Software Engineering Team, das die Kernfunktionen unserer Software programmiert und das Cloud Infrastruktur Team, das den Betrieb unserer Server und IT-Infrastruktur sicherstellt.

Das Data Intelligence Team setzt sich aus 10 Personen zusammen und ist unterteilt in das Data Engineering und das Data Analytics Team. Das Data Engineering Team entwickelt API-Konnektoren, um Marketing- (oder Performance-) Daten zu sammeln und in unserer Software bereitzustellen, während das Data Analytics Team Dashboards und Berichte entwickelt, sich mit Marketing-Mix-Modellierung und der Integration von KI beschäftigt.

Unsere Kultur und Werte

Bei MMT nehmen Kultur und Werte eine zentrale Rolle ein. Sie sind die entscheidende Guideline dafür, wie wir arbeiten und miteinander umgehen. Uns ist es wichtig, ein Umfeld zu schaffen, in dem gemeinsame Prinzipien gelebt werden und zur täglichen Motivation beitragen. Da wir kontinuierlich wachsen, müssen wir unsere sich ggf. ändernde Arbeitsweise fortlaufend überprüfen, damit sie mit den gemeinsamen Zielen und Werten in Übereinstimmung bleibt.

Wir bei MMT definieren uns über unsere gemeinsame Neugier an Neuem und unserer Weitsichtigkeit. Dies hilft uns nicht nur, großartige Produkte anzubieten, von denen unsere Kunden profitieren können, sondern stellt auch sicher, dass sie auch in Zukunft das Beste bekommen. Wir legen großen Wert darauf, achtsam miteinander umzugehen und sowohl als Einzelpersonen als auch als Unternehmen verantwortungsbewusst zu handeln. Wir schauen neuen Challenges optimistisch entgegen und sehen uns als passionierte, kreative Innovator*innen, die gemeinsam an einem Produkt arbeiten, welches andere Menschen bei der Bewältigung ihrer Herausforderungen unterstützt.

Die physische Distanz des Remote Work erschwert es, die lebendige Unternehmenskultur zu erleben. Als Antwort darauf setzen wir auf eine Kombination aus Präsenz Events und hybriden Veranstaltungen. Damit möchten wir das Wir-Gefühl stärken und die Kultur von MMT erlebbar machen, indem remote und vor Ort arbeitenden Teammitglieder*innen gleichermaßen die Teilnahme ermöglicht wird. Unsere regelmäßigen Spieleabende finden so zum Beispiel hybrid statt und für jedes Präsenzmeeting werden Links zur Online-Teilnahme bereitgestellt. Onboarding Pakete und Goodies schicken wir unseren Teammitglieder*innen nach Hause und berücksichtigen bei Teamevents die Verfügbarkeit von Kolleg*innen, die sonst remote tätig sind.

Die unterschiedlichen kulturellen Hintergründe in unserem Team sind bereichernd, erfordern aber auch besondere Aufmerksamkeit. Um das gegenseitige Verständnis und die Wertschätzung zu fördern, organisieren wir regelmäßig kulturelle Veranstaltungen und bieten Sprachtrainings für verschiedene Sprachen an. Offenheit, Interesse und Respekt für andere Kulturen sind für uns Voraussetzung für ein gemeinsames Miteinander. Die gemeinsamen Aktivitäten tragen dazu bei, ein integratives Arbeitsumfeld zu schaffen, in dem sich alle Teammitglieder*innen verstanden und wertgeschätzt fühlen.

Flache Hierarchien & positive Diskussionskultur

Bei MMT legen wir großen Wert darauf, dass alle Teammitglieder*innen, egal ob Junior oder Teamlead, ihre Ideen einbringen können und dass diese Ideen Gehör finden. Uns ist eine flache Hierarchiestruktur und eine positive Diskussionskultur wichtig, da sie einen direkten und offenen Austausch über alle Ebenen hinweg ermöglichen.

Auf diese Weise stellen wir sicher, dass keine wertvolle Idee verloren geht. Unser Ziel ist es, ein Arbeitsumfeld zu schaffen, das es jedem ermöglicht, aktiv an unseren Produkten mitzuarbeiten und Innovationen von Anfang an mitzugestalten.

Work-Life-Balance & Flexibilität 

Ein zentraler Bestandteil unserer Unternehmenskultur bei MMT ist die Förderung einer gesunden Work-Life-Balance. Ursprünglich in einem Büroumfeld gestartet, erforderte die Corona-Pandemie 2020 eine schnelle Anpassung an Remote-Arbeit. Diese Herausforderung führte zur Entwicklung einer hybriden Arbeitsweise, die die Flexibilität des Homeoffice mit den Vorteilen der persönlichen Zusammenarbeit im Büro verbindet. Diese Anpassung unterstützt unsere Bemühungen, das Gleichgewicht zwischen Beruf und Privatleben zu wahren, was entscheidend für das Wohlbefinden und die Zufriedenheit unserer Teammitglieder*innen ist.

Aus diesem Grund haben wir flexible Arbeitszeitmodelle eingeführt, die es allen Teammitglieder*innen erlauben, ihre beruflichen Aufgaben optimal mit familiären Pflichten und persönlichen Interessen zu koordinieren. Dies ist besonders wertvoll für Kolleginnen und Kollegen mit Kindern oder umfangreichen, familiären Verpflichtungen. Zur Unterstützung dieser Flexibilität setzen wir gezielt auf unser Kommunikationstool Slack. Mithilfe der Statusfunktion und verschiedenen Channels kann jedes Teammitglied seine Verfügbarkeit transparent kommunizieren. Zudem erleichtert uns die Nutzung des Google Kalenders, unsere An- und Abwesenheiten mitzuteilen. Mit diesen Tools stellen wir eine effektive Zusammenarbeit und Kommunikation sicher – unabhängig vom Arbeitsort. Durch diese Flexibilität können wir ein unterstützendes und verständnisvolles Umfeld schaffen, sodass Privatleben und Beruf nicht im Konflikt miteinander stehen.

Teamorientierung & Zusammenarbeit

Teamarbeit ist ein wesentlicher Bestandteil unserer Unternehmenskultur. Deshalb betonen wir die Bedeutung des gemeinsamen Erfolgs und fördern eine teamübergreifende Zusammenarbeit.
Im Tech-Team wird beispielsweise intensiv mit der Arbeitsmethode des Pairings gearbeitet, wodurch Wissenstransfer und Problemlösungskompetenz gestärkt werden. Im Business-Team wiederum wird die Verantwortung für Sales kollektiv getragen, sodass nicht nur das Vertriebsteam, sondern alle Mitglieder*innen in den Verkaufsprozess einbezogen werden. Damit wir ein starkes Team bleiben, finden regelmäßig gemeinsame Teamevents innerhalb der Abteilungen oder im gesamten Unternehmen statt. Zum Beispiel haben wir gemeinsam Escape-Rooms auf der Rickmer-Rickmers in Hamburg bestritten oder uns an der Aufräumaktion der Stadt Hamburg beteiligt. Uns ist wichtig, regelmäßig im Austausch miteinander zu stehen und unseren Zusammenhalt zu stärken. Damit unsere remote Kolleg*innen nicht außen vor sind, achten wir darauf, auch digitale Lösungen wie gemeinsame Kaffeepausen, Spiele oder Calls zu finden.

Wertschätzung & Feedbackkultur

Zu guter Letzt stehen Anerkennung und Wertschätzung im Mittelpunkt unserer Unternehmenskultur bei MMT. Es ist uns ein wichtiges Anliegen, dass jedes Teammitglied Anerkennung und Wertschätzung bekommt. Deshalb setzen wir auf monatliche Feedbackgespräche, die nicht nur dazu dienen, gemeinsame Erfolge und Fortschritte festzuhalten und zu würdigen, sondern auch einen Raum bieten, um Feedback und Verbesserungsvorschläge offen zu besprechen. Diese Praxis ermöglicht es nicht nur, Engagement und Leistungen anzuerkennen, sondern fördert auch ein Umfeld, in dem sich alle wertgeschätzt und motiviert fühlen. Zusätzlich gibt es 2 mal im Jahr ein Entwicklungsgespräch, bei dem sich Mitarbeiter*innen zusammen mit ihren Teamleads Ziele setzen und die Erreichung nachverfolgen. Hier geht es nicht nur um quantitative Ziele, sondern auch um die persönliche Weiterentwicklung.

Neben regelmäßigen Feedbackgesprächen und Review-Meetings innerhalb der einzelnen Teams veranstalten wir auch ein monatliches Meeting, unser “All MMT”, an dem alle Mitarbeiter*innen in Präsenz oder remote teilnehmen. Dieses Treffen dient dazu, Updates aus allen Teams zu geben, neue Produktfeatures vorzustellen, gemeinsam Erfolge zu zelebrieren und wichtige Meilensteine zu reflektieren.

Fazit

In diesem Artikel haben wir einen grundlegenden Überblick über das Arbeiten bei MMT gegeben, von unserer Diversität und Teamstruktur bis hin zu unserer Kultur und Arbeitsweise.

Bei MMT trägt die Vielfalt unserer Mitarbeitenden nicht nur zur Bereicherung unserer Lösungen bei, sondern fördert auch ein dynamisches Arbeitsumfeld. Flache Hierarchien und eine positive Diskussionskultur fördern den offenen Austausch von Ideen. Flexible Arbeitszeiten und unser Fokus auf eine Work-Life-Balance unterstützen das Wohlbefinden unserer Teammitglieder*innen. Eine teamorientierte Zusammenarbeit und eine ausgeprägte Feedbackkultur sorgen dafür, dass sich jeder wertgeschätzt fühlt und motiviert ist, einen Beitrag zum gemeinsamen Erfolg zu leisten. Diese Faktoren sind essenziell für das kontinuierliche Wachstum und den Erfolg von MMT. Wir hoffen, hiermit den ein oder anderen wertvollen Insight für Unternehmen mit ähnlichen Herausforderungen geben zu können.

Als erfahrener Partner steht Twins Digital sowohl unabhängigen als auch namhaften Agenturnetzwerken zur Seite, wenn schnelle Unterstützung erforderlich ist. Mit wachsendem Kundenstamm im Direktkundenbereich suchte Twins Digital ein zukunftssicheres, nachhaltiges Tool, das perfekt auf die Bedürfnisse von Mediaagenturen zugeschnitten ist. Mercury bietet in dieser Hinsicht einen besonderen Mehrwert: Die Plattform deckt nicht nur gesamtheitlich alle Mediaprozesse von strategischer und taktischer Planung über Einkauf bis zum Reporting ab, sondern ermöglicht es auch, eigene Inventare Einkäufern anzubieten. Damit erweist sich Mercury als umfassende All-in-One-Lösung für Twins Digital und unterstützt aktiv dabei, herausragende Marketing Ergebnisse für ihre Partner zu erzielen.

Gunnar Neumann, CEO bei MMT: “Wir freuen uns sehr, mit Twins Digital eine innovative Mediaagentur als neuen Kunden gewonnen zu haben. Neben der Optimierung der Mediaplan-Erstellung steht für uns hierbei der Einsatz des Inventar-Moduls, über welches Twins Digital seine eigenen Media-Inventare verwalten und anbieten kann, im Fokus. Wir sind davon überzeugt, dass Mercury Twins Digital sowohl bei den gegenwärtigen als auch kommenden Herausforderungen effizient helfen wird."

Franziska Honold, Group Head Media Solutions bei Twins Digital: “Wir freuen uns, unsere Media Operations mit der Unterstützung von Mercury auf die nächste Ebene zu heben. Unser Auswahlprozess war gründlich; er umfasste sowohl umfangreiche Recherchen als auch persönliche Gespräche. MMT beeindruckte uns von Anfang an durch ihr professionelles Auftreten und ihre fachliche Kompetenz. Nach mehreren produktiven Gesprächen und einer umfangreichen Testphase waren wir uns sicher, dass MMTs Plattform perfekt zu unseren Zielen passt.” 

-----------------------------------------------------------------------------------------------------------------------------------------------------------

Über Twins Digital

Twins Digital fungiert als ein Media Service Desk, das sich auf Media- Operations und Management, Analyse, Tech-Lösungen und strategische Beratung spezialisiert hat. Sie bieten ein umfassendes Dienstleistungsangebot von Mediaplanung über -einkauf, die Umsetzung von komplexen Kampagnen bis hin zu datengesteuerten Analysen. Mit einem Fokus auf Transparenz und Effektivität unterstützt Twins Digital namhafte Unternehmen wie Siemens, Disney und GLS Bank dabei, ihre Zielgruppen sowohl lokal als auch auf internationalen Märkten zu erreichen.

Über Mercury Media Technology GmbH & Co. KG

Mercury Media Technology ist seit 2016 ein unabhängiges, wachsendes MarTech Unternehmen mit Sitz in Hamburg. Europaweit zählen Agenturen,Werbetreibende und Publisher zu ihren Kunden. Über 30 Experten aus den Bereichen Software und Data Engineering, Data Intelligence und Media entwickeln datengetriebene Lösungen mit dem Ziel, die Effizienz von Media Operations zu maximieren. Die Media Operations Platform “Mercury” ermöglicht datengetriebenes Media Management von der strategischen und taktischen Planung, über die Buchung bis zum automatisierten Reporting. Das integrierte Self-Service Marketing Mix Modeling Modul liefert umsetzbare Erkenntnisse für die Mediaplanung. Der Datenkonnektor “Bridge” ermöglicht es, alle relevanten internen und externen Daten automatisch zu integrieren, aufzubereiten und zu strukturieren, um eine saubere Dateninfrastruktur aufzubauen. Alle Daten werden in aussagekräftigen Dashboards visualisiert. Reportings sind auf Knopfdruck möglich.

Geschäftsführer des Unternehmens mit Sitz in Hamburg sind Tobias Irmer, Gunnar Neumann und Andreas Sand.

Mehr Informationen auf mercurymediatechnology.com

+++++

Pressekontakt:

Mercury Media Technology GmbH & Co. KG

Vivian Reifschneider

hello@mercurymediatechnology.com

Inhalt

• AI transformiert das Marketing

• AI revolutioniert das Marketing Mix Modelling

• AI definiert die Mediaplanung neu

• AI Optimizing Media Operation Workflows

• Fazit

Vor kurzem hatte Mercury Media Technologies (MMT) die Gelegenheit, an der Machine Learning Week 2023 in Berlin teilzunehmen. Die Konferenz bestand aus verschiedenen Sessions, die sich jeweils auf einen bestimmten Aspekt der KI und ihrer Anwendungen in der realen Welt konzentrierten.

Angeregt durch diese Konferenz und basierend auf meiner Erfahrung als Data Scientist, der industrielle Datenprodukte entwickelt, möchte ich in diesem Artikel die neuesten AI-Trends im Marketing für das Jahr 2024 beleuchten. Dabei konzentriere ich mich auf spezifische Einsatzgebiete, in denen AI nicht nur ein weiteres Werkzeug ist, sondern einen echten Wendepunkt darstellt. Die Integration von AI im Marketing führt nicht nur zur Verbesserung bestehender Ansätze, sondern läutet eine neue Ära datengetriebener und AI-unterstützter Marketingstrategien ein.

AI transformiert das Marketing

1. Predictive Analytics auf eine neue Stufe heben

Anwendungsbereich: Strategische Einsichten zur Optimierung von Werbemaßnahmen und Datenauswertung

Die Fähigkeit von AI, das Verhalten von Nutzern vorherzusagen, ist ein entscheidender Vorteil. Es geht dabei nicht nur um die Sammlung von Daten, sondern um ein tiefgreifendes, prognostisches Verständnis des Konsumentenverhaltens. Vorstellen kann man sich AI-Algorithmen, die Benutzerinteraktionen nicht nur verarbeiten, sondern auch vorhersagen und in Echtzeit Erkenntnisse für die Feinjustierung von Werbestrategien liefern, um maximales Engagement und ROI zu erreichen.

2. Optimierung von Marketing-Kampagnen

Anwendungsbereich: Vorhersage von Kanälen, Botschaften und Timing durch AI

Predictive Analytics hat sich zu einem Grundpfeiler bei der Optimierung von Marketingkampagnen entwickelt, zum Beispiel durch Marketing Mix Modeling (MMM). Mithilfe der Analyse von Daten vergangener Kampagnen kann AI vorhersagen, welche Kanäle, Botschaften und Zeitpunkte am wirkungsvollsten sind. Dieser Ansatz garantiert, dass Marketinganstrengungen nicht an unerreichbare Zielgruppen oder ineffiziente Kanäle verschwendet werden, was zu erfolgreicher und kosteneffizienter Kampagnenführung führt.

3. Personalisierung im großen Stil

Anwendungsbereich: Gezielte Ansprache und Inhalte

Im Bereich der Personalisierung wird AI im Jahr 2024 Werkzeuge bereitstellen, die die Genauigkeit der Zielgruppenansprache neu definieren. Dies geht über herkömmliches demografisches Targeting hinaus und führt zu einem differenzierteren, verhaltensbasierten Ansatz. AI ermöglicht die Erstellung von Botschaften und Inhalten, die auf individueller Ebene für jedes Segment der Zielgruppe relevant sind, und steigert so die Effektivität von Kampagnen und die Kundenbindung.

4. Zielgerichtete Werbung und Marketing-Automatisierung

Anwendungsbeispiel: Verbesserte Chatbots und automatisiertes Marketing

Die Bedeutung von AI bei der zielgerichteten Werbung und der Marketing-Automatisierung erreicht eine neue Komplexität. Fortgeschrittene Algorithmen ermöglichen ein präzises Ad Targeting und stellen sicher, dass Marketingbotschaften die passendsten Zielgruppen erreichen. Zudem vereinfachen AI-gesteuerte Automatisierungstools das Management von Kampagnen und optimieren die Arbeitsabläufe von Media Operations, indem sie manuelle Tätigkeiten reduzieren und Marketingmanagern erlauben, sich auf strategische Planungen zu konzentrieren. Fortschrittliche Chatbots bieten Kundenkontakt und -support in Echtzeit.

5. Intelligentere Content-Erstellung

Anwendungsbeispiel: AI-unterstützte Erstellung von Inhalten

Die Zeiten generischer Inhalte sind vorbei. Im Jahr 2024 unterstützt AI die Erstellung von intelligenten, personalisierten Inhalten. Diese Technologie dient nicht nur der Automatisierung der Content-Produktion, sondern auch der Steigerung deren Relevanz und Anziehungskraft für spezifische Zielgruppen. In Kombination mit konversationeller AI führt dies zu einer ansprechenderen und wirkungsvolleren Marketingkommunikation.

AI revolutioniert das Marketing Mix Modelling

Im klassischen Marketing Mix Modelling (MMM) dominieren bisher historische Daten und lineare Regressionsmodelle. AI jedoch bringt frischen Wind in diesen Bereich. Mit maschinellen Lernfähigkeiten ausgestattet, revolutioniert sie das MMM und ermöglicht ein präziseres Verständnis der Wechselwirkungen unserer Marketingaktivitäten und deren Einfluss auf Umsatz und ROI. Es ist, als würden wir die Effekte unserer Marketingbemühungen durch ein Hochleistungsmikroskop betrachten.

Das Besondere an AI ist, dass sie nicht nur Daten aus der Vergangenheit analysiert, sondern auch zukünftige Entwicklungen prognostiziert. AI-Modelle sind nun in der Lage, die Auswirkungen verschiedener Marketingmaßnahmen auf den Verkauf vorherzusagen, was eine zielgerichtete und effektive Budgetallokation ermöglicht. Zudem erleichtert AI die kurzfristige Anpassung des Marketing-Mix basierend auf aktuellen Daten und fördert das Verständnis für das Zusammenspiel verschiedener Kanäle. So können wir Marketingstrategien entwickeln, die über alle Plattformen hinweg wirksam sind.

AI definiert die Mediaplanung neu

Die traditionelle Mediaplanung, oft auf Annahmen und Intuition basierend, erfährt durch AI eine präzisere Ausrichtung. Die Auswahl der optimalen Werbeplattformen wird durch AI deutlich verbessert, indem sie tiefe Einblicke in Ihre Zielgruppe bietet, die eine exakte Segmentierung ermöglichen und sicherstellen, dass Ihre Botschaften ihre Adressaten erreichen.

Besonders beim programmatischen Mediaeinkauf zeigt sich der Vorteil von AI: Sie ermöglicht eine gezielte Steuerung von Werbeplatzierungen in Echtzeit, basierend auf dem Verhalten Ihrer Zielgruppe. AI kann zudem vorhersagen, wie Kampagnen über verschiedene Kanäle performen, was zu einem effizienteren Budgeteinsatz führt. Ein weiterer Vorteil ist, dass AI Mediapläne entwickelt, die genau auf die Ziele Ihrer Kampagne und die Vorlieben Ihrer Zielgruppe abgestimmt sind, was zu maßgeschneiderten und effektiven Kampagnen führt.

AI Optimizing Media Operation Workflows

Die Revolution der künstlichen Intelligenz (AI) verändert grundlegend die Verwaltung von Arbeitsabläufen für Werbetreibende und prägt die Zukunft der Medienbranche im Jahr 2024 entscheidend. AI dient nicht mehr nur als Analyseinstrument, sondern avanciert zum proaktiven Partner im Marketingprozess. Stellen Sie sich AI als einen versierten Mitarbeiter vor, der nicht nur auf Unregelmäßigkeiten hinweist, sondern auch Aufgaben empfiehlt und strategische Einblicke in Ihre Medienstrategien liefert. Die Eingliederung von AI in die täglichen Marketingoperationen markiert einen signifikanten Fortschritt, indem sie routinemäßige und fehleranfällige manuelle Prozesse streamlinet und Werbetreibenden ermöglicht, ihre Ressourcen auf die Ausarbeitung und Implementierung von Erfolgsstrategien zu konzentrieren.

Durch die fortgeschrittenen Kompetenzen der AI in Bereichen wie Marketing Mix Modelling (MMM) und Medienplanung sind Werbetreibende nun in der Lage, fundiertere Entscheidungen auf der Basis tiefgehender Datenanalysen zu treffen. AI-Algorithmen durchkämmen umfangreiche Datenmengen, identifizieren Muster und Insights, die menschlichen Analysten verborgen bleiben könnten. Diese Analysen verfeinern Medienpläne, optimieren Kampagnen hinsichtlich Effektivität und Kosten und minimieren repetitive Aufgaben, die zuvor viel Zeit in Anspruch genommen haben. Mit AI, die die Last der Datenaufbereitung und -analyse übernimmt, können sich Marketingfachleute nun auf strategische Planung und kreative Problemlösungen konzentrieren.

Der Übergang zu einem AI-zentrierten Marketingansatz symbolisiert nicht nur einen Gewinn an Effizienz; er ermöglicht es Werbetreibenden auch, innovativer, agiler und strategischer zu handeln. Die Zukunft des Marketings, angetrieben durch AI, zielt nicht darauf ab, härter, sondern intelligenter zu arbeiten, wobei die Technologie als verlässlicher Partner im Streben nach Marketingexzellenz fungiert.

Fazit

Abschließend zeichnet sich ab, dass die durch AI angetriebene Zukunft des Marketings weit über graduelle Verbesserungen hinausgeht und einen paradigmatischen Wandel im Marketing selbst einläutet. AI, mit ihren Fähigkeiten zur prädiktiven Analyse, personalisierten Content-Erstellung und ausgeklügelten Medienplanung, wird zum Eckpfeiler einer neuen Ära im Marketing.

Diese Ära eröffnet Werbetreibenden nicht nur spannende neue Möglichkeiten, sondern auch die Chance, die Interaktion mit Zielgruppen neu zu gestalten, um Marketingaktivitäten relevanter, persönlicher und letztendlich wirkungsvoller zu machen. Die Zukunft des Marketings ist gekommen, angeführt von AI. Es ist eine aufregende Zeit, in dieser Branche zu arbeiten, mit unbegrenzten Möglichkeiten, die durch diese fortschrittliche Technologie ermöglicht werden. Lasst uns diese AI-betriebene Zukunft willkommen heißen und Marketingstrategien entwickeln, die nicht nur effektiv, sondern wahrhaft transformativ sind.

In diesem Artikel beantworten wir die folgenden Fragen:

• Was ist der ROI (Return on Investment)?

  • Was bedeutet ROI im Kontext des Marketings?

  • Wie wird der ROMI (Return on Marketing Investment) berechnet?

  • Welche Metriken und Kennzahlen sind relevant, um den ROMI zu ermitteln?

  • Wie kann der ROMI interpretiert werden?

• Welche Rolle spielt ROMI bei der Budgetzuweisung und der Entscheidungsfindung im Marketing?

  • Warum ist es wichtig, den ROI der Kampagne im Blick zu behalten?

• Welche Herausforderungen gibt es bei der Berechnung des ROMI und was können mögliche Lösungen sein?

• Welche Technologien und Tools stehen zur Verfügung, um die ROMI-Analyse und Optimierung zu unterstützen?

Was ist der ROI (Return on Investment)?

ROI ist die Abkürzung für Return on Investment. Alternativ wird häufig auch von Kapitalrentabilität oder Kapitalrendite gesprochen. Der ROI zeigt, in welchem Verhältnis Investition und Gewinn zueinander stehen. Er gilt als Kennzahl für den wirtschaftlichen Erfolg einer Investition und ist demnach an vielen Stellen in einem Unternehmen eine interessante und wichtige Kennzahl. Auch im Marketing.

Was bedeutet ROI im Kontext des Marketings?

Wenn der ROI als KPI im Marketing genutzt wird, wird er oft ROMI genannt, was für Return on Marketing Investment steht. Der ROMI ist die Kennzahl, die die Rentabilität von Marketingaktivitäten misst. Sie zeigt, welchen Gewinn bzw. Umsatzwachstum ein Unternehmen im Verhältnis zu den investierten Marketingausgaben erzielt. ROMI wird in der Regel in Form eines Prozentsatzes ausgedrückt und zeigt, wie viel Gewinn für jeden investierten Euro etc. erzielt wird. Vom ROMI können Marketer demnach ableiten, ob die eingesetzten Kosten in einem zufriedenstellenden Verhältnis zum Nutzen stehen. 

Noch enger gefasst kann mit Hilfe des ROMIs die Auswertung und Erfolgsmessung von Marketing-Kampagnen erfolgen. Es kann ermittelt werden, wie erfolgreich Kampagnen oder auch einzelne Marketingmaßnahmenl tatsächlich sind. 

Welche Metriken und Kennzahlen sind relevant, um den Marketing ROI zu ermitteln?

Die Ermittlung des Return on Marketing Investment (ROMI) erfordert die Berücksichtigung einer Vielzahl von Metriken und Kennzahlen, um ein umfassendes Bild der Marketingeffektivität zu erhalten. Hier sind einige relevante Metriken und Kennzahlen, die für die ROMI-Berechnung von Bedeutung sind:

• Gesamtumsatz: Der Gesamtumsatz, der durch die Marketingaktivitäten generiert wird, ist eine zentrale Kennzahl für die ROMI-Berechnung.
• Marketingausgaben: Die Gesamtausgaben für Marketingaktivitäten, einschließlich Mediabudget, Content-Erstellung, Personal und Dienstleister, sowie anderer Kosten, müssen erfasst werden.
• Gewinn: Der Gewinn, der direkt auf die Marketingbemühungen zurückzuführen ist, muss ermittelt werden.
• Conversion-Rate: Die Conversion-Rate gibt an, wie viele Kunden aufgrund der Marketingaktivitäten zu zahlenden Kunden wurden. Dies kann für verschiedene Stufen des Sales-Funnels gemessen werden.
• Customer Lifetime Value (CLV): Die CLV-Metrik zeigt den geschätzten Gesamtumsatz, den ein Kunde über seine gesamte Beziehung zum Unternehmen generieren wird.
• Customer Acquisition Cost (CAC): CAC gibt an, wie viel es kostet, einen neuen Kunden zu gewinnen, indem die Marketingausgaben durch die Anzahl der gewonnenen Kunden geteilt werden.
• Customer Retention Rate: Die Rate, mit der bestehende Kunden zurückkehren und erneut kaufen, ist wichtig, um den langfristigen Erfolg zu bewerten.
• Marktanteilsgewinn: Die Steigerung des Marktanteils aufgrund von Marketingaktivitäten ist ein weiterer wichtiger Indikator.
• ROI nach Marketingkanal: Es ist entscheidend, den ROI für verschiedene Marketingkanäle getrennt zu ermitteln, um zu verstehen, welche Kanäle am rentabelsten sind.
• Click-Through-Rate (CTR): Für digitale Werbung ist die CTR relevant, da sie zeigt, wie viele Nutzer auf Anzeigen geklickt haben.
• Cost per Click (CPC): Dies ist relevant für Pay-per-Click-Werbung und gibt an, wie viel jeder Klick auf eine Anzeige kostet.
• Cost per Conversion (CPC): Die Kosten, um einen Nutzer in einen zahlenden Kunden umzuwandeln, sind entscheidend für die Rentabilität.
• Lead-Generierungsrate: Für B2B-Unternehmen ist die Anzahl der generierten Leads von Bedeutung, um die ROMI zu berechnen.
• Engagement: Für Unternehmen, die Social Media oder Contemt Marketing betreiben, sind Kennzahlen wie Likes, Kommentare und Shares relevant.

Die genauen Metriken und Kennzahlen, die in die ROMI-Berechnung einfließen, können je nach Branche, Zielsetzung und Marketingstrategie variieren. Die Wahl der relevanten Metriken ist entscheidend, um die Effektivität der Marketingbemühungen zu messen und den ROMI zu ermitteln.

Wie wird der ROMI (Return on Marketing Investment) berechnet?

Der Return on Marketing Investment (ROMI) wird berechnet, um die Effektivität von Marketingaktivitäten zu messen und zu verstehen, wie viel Gewinn im Bezug auf Marketingausgaben erzielt wurde. Die ROMI-Berechnung erfolgt in der Regel durch die vereinfachte Formel:

Nachfolgend ist die Berechnung des ROMI Schritt für Schritt erklärt

Gewinn aus Marketing berechnen Dieser Wert repräsentiert den Gesamtgewinn, der durch Marketingaktivitäten erzielt wurde. Berücksichtigt werden hierbei alle Gewinne, die unmittelbar auf Marketingbemühungen zurückzuführen sind. Um den Gewinn berechnen zu können, sollte als Tool ein Marketing Mix Modelling eingesetzt werden.

Marketingausgaben berechnen: Die Gesamtausgaben für Marketingaktivitäten, einschließlich Mediabudget, Content-Erstellung, Personal und Dienstleister, sowie anderer Kosten, müssen erfasst werden.

Subtraktion der Marketingausgaben von den Gewinnen: Die Marketingausgaben werden von den Gewinnen abgezogen, um den Nettogewinn aus den Marketingaktivitäten zu erhalten.

Teilen durch Marketingausgaben: Der Nettogewinn aus Schritt 3 wird durch die Marketingausgaben geteilt. Dies ergibt den ROMI-Wert, der oft als Prozentsatz ausgedrückt wird.

Ein positiver ROMI zeigt an, dass Marketingbemühungen rentabel sind. Ein ROMI-Wert von 100% bedeutet beispielsweise, dass für jeden ausgegebenen Euro oder Dollar ein Gewinn von einem Euro oder Dollar erzielt wurde.

Wie kann der ROMI interpretiert werden?

In der Theorie rechnet sich jede Marketinginvestition, die einen ROMI von über 100% erzielt. Bei diesem Wert sind die Gewinne ausreichend, um die Gesamtkosten zu decken, was bedeutet, dass keine Verluste entstehen. Generell gilt, je höher der ROI, desto positiver ist die Bewertung. 

Es ist wichtig zu beachten, dass die Interpretation des ROMI von verschiedenen Faktoren abhängt. Je nach Branche, Unternehmen, Zielsetzung, Zielgruppe, des genutzten Marketingkanals und der spezifischen Kampagne kann ein unterschiedlicher Wert als positiv angesehen werden. Ein ROMI von 100% kann für ein Unternehmen gut sein, während es für ein anderes nicht ausreicht. Eine positive ROMI-Bewertung ist jedoch ein Hinweis darauf, dass Marketingbemühungen dazu beigetragen haben, Gewinne zu generieren, und sollte als Anreiz dienen, die Marketingstrategie zu optimieren und auszubauen.

Warum ist der Marketing ROI (ROMI) wichtig?

Um die gesetzten Marketingziele auf effektive und effiziente Weise zu erreichen und das beschränkte Budget optimal zu nutzen, sind datenbasierte Methoden von entscheidender Bedeutung. Der Return on Marketing Investment hat sich aus diesem Grund zu einer unverzichtbaren Metrik entwickelt. Der ROMI spielt eine wesentliche Rolle bei der Messung, dem Vergleich und der Optimierung von Marketingaktivitäten. Wenn er korrekt angewendet wird, ermöglicht er eine verlässliche Bestimmung des Marketingerfolgs.

Welche Rolle spielt ROMI bei der Budgetzuweisung und der Entscheidungsfindung im Marketing?

Der Return on Marketing Investment spielt eine entscheidende Rolle bei der Budgetzuweisung und der Entscheidungsfindung im Marketing. Hier sind einige Schlüsselrollen, die der ROMI in diesem Kontext spielt:

Optimierung der Budgetallokation: ROMI hilft Marketingverantwortlichen dabei, zu bestimmen, welche Marketingaktivitäten die rentabelsten sind. Durch die Analyse des ROMI verschiedener Kanäle und Kampagnen können Ressourcen effektiver zugewiesen werden, um die besten Ergebnisse zu erzielen.

Identifikation von Kanälen mit hoher und niedriger Performance: Durch die Ermittlung des ROMI können Unternehmen feststellen, welche Marketingaktivitäten besonders effektiv sind und welche weniger rentabel sind. Dies ermöglicht es, Ressourcen von weniger erfolgreichen Bereichen auf Kanäle umzuleiten, die eine gute Performance haben.

Bessere Entscheidungsfindung: ROMI bietet harte Daten, auf deren Grundlage Marketingentscheidungen getroffen werden können. Es ermöglicht die Auswahl von Strategien und Taktiken, die die besten Ergebnisse liefern, anstatt auf Annahmen oder Intuition zu vertrauen.

Festlegung von Zielen und Leistungsindikatoren: ROMI hilft bei der Festlegung von realistischen Zielen und Leistungsindikatoren für Marketingaktivitäten. Diese Ziele können auf der Grundlage der erwarteten ROMI-Werte festgelegt werden, wodurch die Transparenz und die Ausrichtung der Bemühungen auf die Rentabilität verbessert werden.

Kostenkontrolle: ROMI unterstützt die Überwachung und Kontrolle der Marketingkosten. Unternehmen können sicherstellen, dass ihre Marketingbudgets im Einklang mit den erwarteten ROMI-Zielen stehen, was zu einer besseren finanziellen Planung führt.

Beweis für den Wert des Marketings: ROMI bietet einen quantifizierbaren Nachweis für den Wert des Marketings. Dies ist insbesondere wichtig, um das Vertrauen des Managements und der Geschäftsführung in die Marketingbemühungen zu stärken.

Insgesamt spielt ROMI eine zentrale Rolle bei der Rationalisierung und Effizienzsteigerung des Marketingbudgets. Durch die Verwendung von ROMI-Daten können Unternehmen die Rentabilität ihrer Marketingaktivitäten maximieren und sicherstellen, dass das Budget optimal genutzt wird. Dies ermöglicht eine bessere Entscheidungsfindung und langfristigen Erfolg im Marketing.

Warum ist es wichtig, den ROI der Kampagne im Blick zu behalten?

Durch den Return on Investment kann die Rentabilität verschiedener Kampagnen in konkreten Zahlen ausgedrückt werden, wodurch ein Vergleich zwischen diesen ermöglicht wird. Sogar einzelne Phasen der Kampagnen lassen sich gezielt analysieren, was es erleichtert, Optimierungen während der laufenden Werbekampagne durchzuführen.
Werden die richtigen Schlussfolgerungen aus der Datenanalyse gezogen, können unmittelbare Verbesserungen vorgenommen werden. Basierend auf den gesammelten Daten ist es möglich, Kampagnen schrittweise zu optimieren und fundierte Entscheidungen zu treffen. Auf diesem Weg können Kampagnen besser optimiert werden, ohne dass das investierte Budget darunter leidet.

Was sind Best Practices bei der Berechnung und Optimierung des ROMI?

Die Berechnung und Optimierung des ROMI kann Marketer vor Herausforderungen stellen. Um den ROMI zu steigern, kann an vielen Stellschrauben gedreht werden, die je nach Unternehmen, Marketingstrategie und Kampagne sehr unterschiedlich sein können. Damit Marketer identifizieren können, an welcher Stelle Optimierungspotenzial ist, ist die Grundlage immer ein gutes Performance-Monitoring und eine tiefgehende Analyse.

Welche Herausforderungen gibt es bei der Berechnung des ROMI und was können mögliche Lösungen sein?

Die Berechnung des Return on Marketing Investment kann mit verschiedenen Herausforderungen verbunden sein.

    1. Datenqualität und -verfügbarkeit:

• Herausforderung: Die Daten, die zur ROMI-Berechnung benötigt werden, können unvollständig oder ungenau sein.
• Lösung: Unternehmen sollten in die Verbesserung der Datenerfassung und -qualität investieren. Die Implementierung von Analytics-Tools wie z. B. einem Marketing Mix Modelling und die regelmäßige Überprüfung von Datenquellen sind entscheidend.

    2. Marketingbudgetallokation:

• Herausforderung: Die genaue Zuordnung von Marketingkosten zu bestimmten Kampagnen oder Kanälen kann schwierig sein.
• Lösung: Die Verwendung von Budgetallokationsmethoden und Tools zur Zuordnung von Ausgaben kann helfen, Marketingkosten genauer zu verfolgen.

    3. Attribution und Multichannel-Marketing:

• Herausforderung: Bei Multichannel-Marketingkampagnen ist die Zuordnung von Umsätzen zu bestimmten Marketingaktivitäten komplex.
• Lösung: Die Verwendung von Attribution-Modellen, die den Beitrag verschiedener Kanäle berücksichtigen, kann dazu beitragen, den Einfluss von Marketing auf den Gesamtumsatz genauer zu bewerten.

    4. Zeitliche Verzögerungen:

• Herausforderung: Es kann eine Zeitverzögerung zwischen Marketingaktivitäten und den daraus resultierenden Umsätzen oder Gewinnen geben.
• Lösung: Um diese Verzögerung zu berücksichtigen, können Unternehmen die ROMI-Berechnung über längere Zeiträume hinweg durchführen und den Einfluss von Marketingaktivitäten auf den gesamten Verkaufszyklus analysieren. Der Ad-Stock Effekt, also die versetzte Werbewirkung, sollte ebenfalls als Faktor in Berechnungen mit einfließen.

     5. Saisonale Schwankungen:

• Herausforderung: Einige Branchen unterliegen saisonalen Schwankungen, die die ROMI-Berechnung beeinflussen können.
• Lösung: Durch die Anpassung von ROMI an saisonale Trends und die Berücksichtigung dieser Muster in der Budgetplanung können Unternehmen die Auswirkungen saisonaler Schwankungen mildern.

Es ist wichtig zu beachten, dass die Lösungen für diese Herausforderungen je nach Unternehmen, Branche und Zielsetzungen variieren können. Eine sorgfältige Datenerfassung, Analyse und Anpassung der ROMI-Berechnung an die spezifischen Gegebenheiten eines Unternehmens können dazu beitragen, genauere und aussagekräftigere Ergebnisse zu erzielen.

Welche Technologien und Tools stehen zur Verfügung, um die ROMI-Analyse zu unterstützen?

Das Marketing Mix Modelling (MMM) ist eine fortschrittliche Methode zur Verbesserung des Return on Marketing Investment, da es detaillierte Einblicke in den Einfluss verschiedener Marketingaktivitäten auf den Gesamterfolg bietet. Ein MMM hilft bei der Attribution und Budgetoptimierung, indem es den Beitrag jedes Marketingkanals oder jeder Kampagne zur Umsatzgenerierung bewertet. Mit diesen Erkenntnissen können Unternehmen ihre Budgets besser verteilen und Ressourcen in die Kanäle investieren, die den höchsten ROMI erzielen. Darüber hinaus ist eine Cross-Channel-Optimierung möglich. Unternehmen können mithilfe des MMM verstehen, wie verschiedene Marketingkanäle miteinander interagieren. Dies ermöglicht die Feinabstimmung von Cross-Channel-Strategien, um den Gesamt-ROMI zu steigern. Das MMM kann externe Faktoren wie Wirtschaftslage, Wettbewerb und saisonale Schwankungen in die ROMI-Berechnung einbeziehen, um eine genauere Bewertung der Marketingeffektivität zu ermöglichen. Durch die kontinuierliche Marketingbudgetallokation auf der Grundlage der MMM-Ergebnisse können Unternehmen ihre ROMI steigern, indem sie sicherstellen, dass die Ausgaben den erwarteten Erträgen entsprechen.

Das Marketing Mix Modelling ist ein leistungsstarkes Werkzeug, um den ROMI zu verbessern, indem es Unternehmen dabei hilft, ihre Marketingbemühungen zu optimieren und die Rendite auf ihre Marketinginvestitionen zu steigern. Es ermöglicht eine datengetriebene Herangehensweise an die Budgetallokation und die Marketingstrategie, was letztendlich zu einer besseren finanziellen Leistung und Wettbewerbsfähigkeit führt.

Fazit: ROMI macht Kampagnen bewertbar und vergleichbar

Der Return on Marketing Investment (ROMI) ist ein entscheidendes Konzept im Marketing, das Unternehmen dabei unterstützt, die Effektivität ihrer Marketingaktivitäten zu messen und sicherzustellen, dass das Marketingbudget bestmöglich genutzt wird. Im Verlauf dieses Artikels haben wir die wichtigen Aspekte von ROMI behandelt und einige Schlüsselerkenntnisse herausgearbeitet:

• ROMI bietet eine klare finanzielle Bewertung der Rentabilität von Marketingbemühungen. Ein ROMI von über 100% zeigt an, dass die Marketinginvestitionen Gewinne generieren, während Werte unter 100% darauf hinweisen, dass die Kosten die Einnahmen übersteigen.
• Die Berechnung von ROMI erfordert genaue Daten, einschließlich der Marketingausgaben, der Nettogewinne und anderer relevanter Metriken. Diese Datenqualität und -verfügbarkeit sind entscheidend, um verlässliche ROMI-Werte zu ermitteln.
• ROMI beeinflusst die Budgetallokation und die Entscheidungsfindung im Marketing, da Unternehmen mithilfe dieser Kennzahl festlegen können, welche Marketingaktivitäten die besten Ergebnisse erzielen und wo Anpassungen erforderlich sind.
• Die Herausforderungen bei der ROMI-Berechnung, wie Datenqualität, zeitliche Verzögerungen und Multichannel-Marketing, erfordern sorgfältige Planung und Strategien, um genaue ROMI-Werte zu erhalten.

Insgesamt dient ROMI dazu, Marketingaktivitäten zu optimieren und die Rendite auf das Marketinginvestment zu maximieren. Unternehmen sollten ROMI als ein leistungsfähiges Werkzeug zur besseren Entscheidungsfindung und zur Steigerung des Marketingerfolgs betrachten. Durch die kontinuierliche Überwachung und Anpassung von ROMI können sie sicherstellen, dass ihr Marketingbudget effizient genutzt wird und die langfristige Rentabilität gewährleistet ist.

Seit einiger Zeit gibt es ein neues Interesse an MMM für die Mediaplanung, da sie sehr gut geeignet sind, um die Wirksamkeit aller relevanten Mediakanäle abzubilden und nicht auf den digitalen Bereich beschränkt sind. Allerdings werden sie meist nur auf nationaler Ebene für eine Marke eingesetzt, obwohl es für viele Marken auch von Interesse wäre, Media für verschiedene Regionen oder Produkte zu planen. Bei der Verwendung eines traditionellen Verfahrens würde es allerdings einen enormen Aufwand mit sich bringen, pro Region oder Produkt einzelne Modelings zu erstellen. Andere moderne Verfahren gehen wiederum mit einer schlechten Interpretierbarkeit einher.

Daher ist ein Bayesian Hierarchical Marketing Mix Modeling (BHMMM) der geeignete Ansatz mit einigen methodischen und praktischen Vorteilen, um die Mediaplanung für verschiedene Subgruppen einer Marke wie Regionen oder Produkte zu optimieren. 

In diesem Artikel zeigen wir:

• Was der Unterschied eines BHMMM zu traditionellen Verfahren ist

• Was für methodische und praktische Vorteile es mit sich bringt

• Wie Baysian MMM zur Optimierung der regionalen Mediaplanung genutzt werden kann

Was ist das Bayesian MMM?

Das Konzept eines Marketing Mix Modeling wird bei einem bayesianischen Ansatz weiterentwickelt, indem die Bayes’sche Statistik zugrunde gelegt wird, welche auf der Verwendung von Wahrscheinlichkeiten beruht. Diese Methodik ermöglicht es, Vorwissen einzubeziehen und im Modellierungsprozess mit den Daten zu kombinieren, was zu robusteren Ergebnissen führt und bei deren Interpretation Aussagen bezüglich ihrer Sicherheit zulässt. Eine Erweiterung ist das Bayesian Hierarchical Marketing Mix Modeling, womit in einem Modell die Daten für eine Vielzahl an Subgruppen genutzt werden können.

Zu den methodischen Vorteilen eines BHMMM gehört, dass in einem Modellierungslauf die Analyse aller Subgruppen gemeinsam geschieht. Wird das Modell zum Beispiel für die verschiedenen Regionen, in denen eine Marke auf dem Markt ist, durchgeführt, so bilden die Regionen ein größeres System, in dem sie voneinander lernen. Es wird somit von einem generellen Mediaeffekt ausgegangen und auch allgemeine Trends werden abgebildet, aber auch individuelle Besonderheiten der Regionen berücksichtigt, so dass ein Mediakanal eine unterschiedlich starke Wirkung je nach Region haben kann. Zudem wird es somit auch möglich, Regionen zu analysieren, für die Daten nur über einen kürzeren Zeitraum verfügbar sind, weil in dem Verfahren die Informationen aus anderen Regionen genutzt werden, um die Einflüsse der verschiedenen Faktoren zu validieren. Dazu kommt, dass in einem hierarchischen Ansatz automatisch ein größerer Datensatz im Vergleich zu einem nationalen Modell genutzt wird, d. h. eine größere Stichprobe zugrunde liegt, aus der gelernt wird. Das führt zu robusten Modellen und per Definition sind für alle Modellparameter, die aus dem bayesianischen Ansatz resultieren, Angaben zu ihrer Unsicherheit möglich. Ein weiterer Vorteil des BMMM ist, dass auch die Parameter, welche die zeitverzögerte Mediawirkung (Adstock-Effekt) und die Sättigung eines Mediakanals wiedergeben, direkt im Modellierungsprozess ermittelt werden. Mit der Bestimmung dieser Faktoren ist bei der Anwendung klassischer MMM-Verfahren ein aufwändiger iterativer Prozess verbunden, weshalb ein bayesianischer Ansatz in diesem Punkt zu einer deutlichen Vereinfachung beiträgt. Außerdem ist in einem BMMM eine Erweiterung möglich, so dass eine sich im Zeitverlauf verändernde Mediawirkung Berücksichtigung findet. Aus klassischen Verfahren erhält man dagegen eine fixe Punktschätzung für den Einfluss der jeweiligen Variablen. Damit ist das BHMMM ein sehr umfassender und flexibler Ansatz.

Für die Mediaplanung ergeben sich aus einem Bayesian Media Mix Modeling einige praktische Vorteile, da alle Modellergebnisse für die Subgruppen, also z. B. für die verschiedenen Regionen, verfügbar sind. Somit ist es beispielsweise ersichtlich, wenn in Region A der Einfluss von Out of Home Kampagnen vergleichsweise hoch ist und in einer anderen Region vielleicht digitale Kampagnen besonders gut funktionieren. Auf Basis der Modellergebnisse ist dann eine Mediaplanung möglich, die auf die verschiedenen Regionen angepasst ist. Es können also Implikationen für die Kampagnenplanung abgeleitet werden und die Auswirkungen mittels Prognosen für alle einbezogenen Regionen verglichen werden. Daraus wird offensichtlich, welche der Planungen den größten Effekt auf die Zielkennzahl (z. B. Absatz, Website Traffic, Werbewahrnehmung etc.) verspricht. Darüber hinaus ist eine Optimierung der Budgetallokation auf die verschiedenen Mediakanäle ebenfalls für die Regionen möglich, so dass auch die unterschiedliche Wirksamkeit je nach Region in der Verteilung des Budgets beachtet wird.

Welche Handlungsempfehlungen können aus einem Bayesian Hierarchical Media Mix Modeling abgeleitet werden?

Anhand eines Kundenbeispiels wird nun gezeigt, wie ein BHMMM konkret die regionale Mediaplanung unterstützt. Für einen unserer Kunden bei MMT haben wir ein Projekt für 50 Städte umgesetzt, in denen die Marke tätig ist. Das Ziel dabei war, der betreuenden Mediaagentur Handlungsempfehlungen für eine effizientere Planung je Region mitzugeben und basierend auf dem resultierenden Modell verschiedene Kampagnenplanungen zu vergleichen. Neben dem Mediaeinsatz wurden verschiedene Faktoren einbezogen, um den Absatz in den verschiedenen Städten zu erklären. Das waren zum einen generelle Einflüsse wie Saisonalität, Wetter, Ferien/Feiertage. Darüber hinaus wurden kundenspezifische Einflussfaktoren wie Gebühren, Neuprodukteinführungen und ein Indikator für das Markeninteresse berücksichtigt.

In der deskriptiven Voranalyse wurden bereits Unterschiede im Absatzwachstum und zum Beispiel in der Reaktion des Absatzes auf externe Faktoren wie die Einführung von Gebühren ersichtlich. Diese Erkenntnisse bieten bereits eine Grundlage für die spätere Ergebnisinterpretation des MMM. Aus methodischer Sicht wurde ein bayesianischer Ansatz für dieses Projekt als sinnvoll erachtet, weil die Vielzahl an Regionen gut abgebildet werden kann und schließlich Ergebnisse aus dem MMM resultieren, die gut interpretierbar sind. Beim Abschluss des Projektes hat sich bestätigt, dass wertvolle strategische Insights für die regionale Mediaplanung aus den Modellergebnissen abgeleitet werden konnten.

Für alle Regionen wurde aufgezeigt, wie stark die verschiedenen Einflussfaktoren im Betrachtungs-zeitraum zum Absatz beigetragen haben. Die Betrachtung des Mediabeitrags je Region gibt erste Hinweise, welcher Kanal in welcher Region wie stark zum Absatz beiträgt. Daraus kann weiterhin der Return on Invest bzw. ebenso der Cost per Order berechnet werden, welche tiefergehend vergleichen lassen, wie effizient die verschiedenen Kanäle in den jeweiligen Regionen sind. Dies ist die Basis für spätere Entscheidungen hinsichtlich der Budgetverteilung je Region und Kanal.

Detaillierte Erkenntnisse für die Kampagnenplanung geben die Grenznutzenkurven je Region wieder. Sie zeigen auf, wie stark ein Kanal bereits gesättigt ist, oder welches Potenzial besteht, das Mediabudget auf einem Kanal für eine bestimmte Region zu erhöhen. Auf dieser Basis lässt sich das Kampagnenbudget möglichst effizient im Kampagnenzeitraum einsetzen. Wird daraufhin eine Kampagnenplanung erstellt, so lässt sich der zu erwartende Effekt auf den Absatz mithilfe des MMM prognostizieren. Somit können verschiedene Kampagnenszenarien hinsichtlich ihrer Wirkung verglichen werden. Im beschriebenen Projekt konnte rein durch eine Umverteilung des wöchentlichen Mediaeinsatzes bei gleichem Budget eine prognostizierte Absatzsteigerung bis zu 3,5 % im Vergleich zum Basisszenario erzielt werden.

Fazit

Mit einem hierarchischen Bayesian Media Mix Modeling lässt sich demnach die generelle Eignung eines Mediakanals für verschiedene Regionen vergleichen. Damit sind Empfehlungen für die Budgetverteilung je Mediakanal und Region möglich, da aufgezeigt wird, in welchen Regionen der Einsatz besonders günstig oder kostspielig ist. Darüber hinaus können konkrete Implikationen für den wöchentlichen Mediaeinsatz je Kanal und Region abgeleitet und mittels Prognosen für verschiedene Kampagnenszenarien verglichen werden, um eine fundierte Entscheidung für eine optimierte Mediaplanung zu treffen.

MMT stellt mit der Media Operations Platform “Mercury” ANKOMM eine umfassende SaaS-Lösung zur Steigerung der Media Effizienz zur Verfügung. Die Media Management Plattform automatisiert – an sinnvoller Stelle – den gesamten Workflow über die Planung, Exekution, Einkauf, Optimierung bis zum Reporting von Mediakampagnen. Dadurch werden Fehler reduziert und die Qualität gesteigert. Mercury bildet den Mediaprozess transparent ab und vereinfacht durch effizientere Abläufe die Zusammenarbeit zwischen Mediaagenturen und ihren werbetreibenden Kunden.

Gunnar Neumann, CEO bei MMT: ”Wir freuen uns sehr, mit ANKOMM einen agilen, spannenden Kunden gewonnen zu haben, der mit einem tollen Team seine internen Media Prozesse und auch seine Kunden mit Hilfe unserer Media Operation Platform auf die nächste Ebene heben will.”

Andreas Hoffmann, CEO bei ANKOMM: “ANKOMM macht aus, dass wir schnell, flexibel und smart für unsere Agenturen agieren. Dafür müssen Prozesse stimmen. MMT hilft uns mit ihrer Media Operations Platform unseren Media Prozess sauber aufzusetzen und effizient zu gestalten. Das hilft uns auch in der Zusammenarbeit mit unseren Kunden, die Transparenz schätzen.”


-----------------------------------------------------------------------------------------------------------------------------------------------------------

Über ANKOMM

ANKOMM ist eine Full-Service Agentur mit Sitz in Hamburg, die seit 10 Jahren für namhafte Kunden wie BMW, Metro und Sixt durch Wissen, Einsatzbereitschaft und Kreativität überzeugen konnte. Besonders spezialisiert sind wir dabei auf diese drei Bereiche: Kampagne, Produktion und Media.

Über Mercury Media Technology GmbH & Co. KG

Mercury Media Technology ist seit 2016 als unabhängiges, wachsendes Unternehmen mit Sitz in Hamburg europaweit für Agenturen und Werbetreibende tätig. Über 30 Experten aus den Bereichen Software und Data Engineering, Data Intelligence und Media entwickeln datengetriebene Lösungen mit dem Ziel, die Effizienz von Media Operations zu maximieren. Die Media Operations Platform “Mercury” ermöglicht datengetriebenes Media Management von der strategischen Planung, über die Buchung bis zum automatisierten Reporting. Das integrierte Self-Service Marketing Mix Modeling Modul liefert umsetzbare Erkenntnisse für die Mediaplanung. Der Datenkonnektor ermöglicht es, alle relevanten internen und externen Daten automatisch zu integrieren, aufzubereiten und zu strukturieren, um eine saubere Dateninfrastruktur aufzubauen. Alle Daten werden in aussagekräftigen Dashboards visualisiert. Reportings sind auf Knopfdruck möglich.

Geschäftsführer des Unternehmens mit Sitz in Hamburg sind Tobias Irmer, Gunnar Neumann und Andreas Sand.

Mehr Informationen auf mercurymediatechnology.com

+++++

Pressekontakt:

Mercury Media Technology GmbH & Co. KG

Vivian Reifschneider

hallo@mercurymediatechnology.com

In diesem Artikel sprechen wir über:

• Was sind hierarchische Daten?

• Wie modellieren traditionelle MMMs hierarchische Daten?

• Hierarchische Modellierung unter Verwendung des Bayes'schen Ansatzes

Zunächst einmal: Was sind hierarchische Daten?

Bevor wir die magische Wirkung des Bayes'schen MMM auf hierarchische Daten entschlüsseln, sollten wir kurz verstehen, was hierarchische Daten sind und warum sie eine Fundgrube für Werbetreibende sind. Stellen Sie sich ein multinationales Unternehmen vor, das mehrere Produkte in verschiedenen Regionen verkauft. Die Verkaufsdaten können auf verschiedenen Ebenen strukturiert sein - Land, Bundesland, Stadt und Produktkategorien. Bei dieser mehrstufigen Struktur handelt es sich um hierarchische Daten.

Für Werbetreibende und Werbeagenturen sind diese Daten Gold wert. Die Fähigkeit, das Zusammenspiel zwischen verschiedenen Hierarchieebenen zu analysieren und zu verstehen, kann Aufschluss über Kundenpräferenzen, regionale Trends und Produktleistungen geben. Der Haken an der Sache ist jedoch, dass das herkömmliche MMM die Beziehungen in solchen Daten nur schwer erfassen kann.

Wie modellieren die herkömmlichen MMMs hierarchische Daten?

Im Bereich der traditionellen, auf maschinellem Lernen basierenden Marketing-Mix-Modelling gibt es zwei primäre Ansätze: das gepoolte und das ungepoolte Modell.

Gepooltes Modell (vollständiges Pooling):

In einem gepoolten Modell wird nicht zwischen den verschiedenen hierarchischen Gruppen unterschieden. Wir behandeln alle Daten so, als ob sie von einer einzigen Gruppe stammen. Dies ist vergleichbar mit der Aggregation aller Daten und der Durchführung eines einzigen Regressionsmodells auf diesen Daten.

Ein einziges umfassendes Modell zu erstellen, ist oft der einfachste Ansatz: Alle Stichproben werden zusammengefasst, und die Unterschiede zwischen den verschiedenen Gruppen werden außer Acht gelassen.

Bei diesem Ansatz, insbesondere bei der Verwendung einfacher Modelle wie der linearen Regression, können jedoch Nuancen in den Daten übersehen werden, ein Phänomen, das als "Underfitting" bekannt ist. Komplexere "Black-Box"-Methoden, wie z. B. Gradient Boosting, können die verschiedenen Teildatensätze selbständig erkennen und daraus lernen, was eine potenziell höhere Genauigkeit ermöglicht. Dies geht jedoch auf Kosten der Interpretierbarkeit und macht es schwierig, die zugrunde liegenden Mechanismen und Entscheidungen des Modells zu verstehen.

Hier ist die Visualisierung des gepoolten Modells:

• Die Punkte stellen die Verkaufsdaten für drei Regionen (A, B und C) im Verhältnis zu verschiedenen Werbeausgaben dar.

• Man erkennt, dass die schwarze Linie zwar einen allgemeinen Trend erkennen lässt, aber die individuellen Trends für die einzelnen Regionen nicht perfekt wiederzugeben scheint.

Die schwarze Linie entspricht der Regressionslinie für das gepoolte Modell, das an alle Daten über die Regionen hinweg angepasst wird.

Ungepooltes Modell:

Im Gegensatz dazu erstellen wir für jede Gruppe ein eigenes Modell. Wenn wir also Daten für 3 Regionen haben, führen wir 3 separate Regressionsmodelle durch, eines für jede Region. Diese Modelle werden als ungepoolte Modelle bezeichnet.

Während jedes Modell auf eine bestimmte Teilmenge der Daten spezialisiert ist, zielen sie gemeinsam darauf ab, ein umfassendes Verständnis des gesamten Datensatzes zu vermitteln. Der Hauptvorteil besteht darin, dass diese Modelle spezifische Trends und Nuancen innerhalb jeder Teilmenge erfassen können.

Hier die Darstellung für die ungepoolten Modelle:

• Die Punkte stellen die Verkaufsdaten für die drei Regionen (A, B und C) im Verhältnis zu den verschiedenen Werbeausgaben dar.
• Die farbigen Linien stellen die Regressionslinien für jede der Regionen dar:
• Die rote Linie stellt die Regression für die Region A dar.
• Die grüne Linie stellt die Regression für die Region B dar
• Die blaue Linie stellt die Regression für die Region C dar.

Sie können feststellen, dass die einzelnen Regressionslinien besser zu den jeweiligen regionalen Daten passen als das gepoolte Modell. Dies ist der Vorteil des ungepoolten Ansatzes: Er kann die Nuancen und Unterschiede der einzelnen Gruppen erfassen.

Allerdings gibt es auch Herausforderungen:

• Die Notwendigkeit, mehrere Modelle anzupassen, was rechenintensiv sein kann.
• Das Potenzial für eine Überanpassung, insbesondere wenn die Datensätze für einzelne Gruppen klein sind.
  

Zusammengefasst:

• Gepooltes Modell: Liefert einen allgemeinen Trend für alle Daten, lässt aber möglicherweise Nuancen in einzelnen Gruppen außer Acht.
  
• Ungepooltes Modell: Erfasst die Trends innerhalb der einzelnen Gruppen genauer, aber Sie erhalten mehrere Modelle.
  

Hier kommt bayesian MMM als magische Lösung ins Spiel. 

Hierarchische Modellierung mit Hilfe des bayesian Ansatzes

Lassen Sie uns nun den hierarchischen Ansatz des bayesian MMM diskutieren.

Sowohl die gepoolte als auch die ungepoolte Methode haben ihre Vorteile, als auch ihre Nachteile:

• Der gepoolte Ansatz könnte zu verallgemeinert sein und Nuancen in den Daten übersehen.
• Der ungepoolte Ansatz kann Nuancen erfassen, könnte aber zu sehr auf einzelne Gruppen zugeschnitten sein, insbesondere wenn einige Gruppen nur über begrenzte Daten verfügen. Zudem müssten zu viele Modelle erstellt und analysiert werden, was sich als unrealistisch erweist.

Hierarchisches bayesian Modelling bietet einen Mittelweg. Hierarchische Modelle, die häufig unter Verwendung von Bayes'schen Techniken implementiert werden, stellen einen Mittelweg zwischen gepoolten und ungepoolten Modellen dar. Dazu gibt es eine einfache Erklärung:

Partielles Pooling: Hierarchische Modelle ermöglichen ein "partielles Pooling", d. h. sie teilen Informationen über Gruppen hinweg (wie das gepoolte Modell), lassen aber auch gruppenspezifische Effekte zu (wie die ungepoolten Modelle).

Und so geht's:

Im Wesentlichen vereint hierarchisches bayesian Modelling die Stärken von gepoolten und ungepoolten Ansätzen. Sie lässt individuelle Gruppenunterschiede zu und profitiert gleichzeitig von den gemeinsamen Informationen der Gruppen. Im Zusammenhang mit Marketing-Mix-Modelling kann dies zu solideren Erkenntnissen über die Auswirkungen verschiedener Marketing-Hebel in verschiedenen Segmenten oder Regionen führen.

Anschauliches Beispiel: Die Coffeeshop-Kette

Stellen Sie sich vor, Sie sind der Marketingmanager von "BeanStreet", einer florierenden Coffeeshop-Kette mit Standorten in verschiedenen Stadtvierteln, Städten und Staaten.

Sie planen eine neue Werbekampagne und möchten wissen, welche Arten von Werbung (TV, soziale Medien, Radio) in den verschiedenen Gebieten am besten funktionieren und wie sich externe Faktoren wie Wetterbedingungen und lokale Veranstaltungen auf den Umsatz auswirken.

Die Herausforderung

Ihre Daten sind hierarchisch aufgebaut; Sie haben Cafés (Ebene 1), die in Nachbarschaften (Ebene 2) eingebettet sind, die wiederum Teil von Städten (Ebene 3) sind, die zu verschiedenen Staaten gehören (Ebene 4). Die Herausforderung besteht darin, das Zusammenspiel zwischen Werbemitteln und externen Faktoren auf diesen Ebenen zu verstehen, um Ihre Marketingstrategie zu optimieren.

Hier tritt bayesian MMM in Aktion

Sie beschließen, Bayesian Marketing Mix Modeling einzusetzen, um diese Herausforderung zu bewältigen.

Fundierte Entscheidungen treffen

Mit diesen Erkenntnissen aus dem bayesian MMM können Sie eine Reihe von datengestützten Entscheidungen treffen:

• Stellen Sie mehr Mittel für Werbung in sozialen Medien in Staat A und für Fernsehwerbung in Staat B zur Verfügung.
• Starten Sie in der Stadt X im Winter spezielle Aktionen für heißen Kaffee und in der Stadt Y im Sommer Kampagnen für kalten Kaffee.
• Arbeiten Sie mit den Veranstaltern in der Nachbarschaft Z zusammen, um während des Kunstfestivals spezielle Rabatte oder limitierte Menüs anzubieten.

-

Der Ausblick in die Zukunft

Für Werbetreibende und Werbeagenturen sind hierarchische Daten wie ein Brunnen von Erkenntnissen, die darauf warten, angezapft zu werden. Bayesian hierarchical Marketing-Mix-Modelling (BHMMM) mit seiner Fähigkeit, elegant durch die Komplexität hierarchischer Daten zu navigieren, ist das Seil, das Ihnen helfen wird, Wasser aus diesem Brunnen zu schöpfen.

Ganz gleich, ob Sie versuchen, Werbekampagnen zu optimieren oder regionale Trends besser zu verstehen, Bayesian Hierarchical Marketing Mix Modelling (BHMMM) bietet ein leistungsstarkes und anpassungsfähiges Werkzeug, um Daten in Insights und Insights in Maßnahmen zu verwandeln.

Setzen Sie also Ihre magische Brille auf und tauchen Sie ein in die Welt der hierarchischen Daten mit Bayesian Hierarchical Marketing Mix Modelling (BHMMM) - wo Daten Geschichten erzählen und Insights zum Erfolg führen.

In diesem Artikel werden wir die folgenden Fragen beantworten:

• Was ist Bayesian Marketing Mix Modeling?

• Was sind die Vorteile von Bayesian MMM gegenüber traditionellen Ansätzen?

• Was sind die zusätzlichen Funktionen, die Bayesian MMM besitzt und wie nützlich sind sie für Marketer?

Lassen Sie uns zunächst einmal verstehen, was Bayesian MMM ist! Aber vorher sollten wir uns daran erinnern, was Marketing Mix Modeling ist!

Marketing Mix Modelling: Eine Einführung

Marketing Mix Modelling ist wie ein Vergrößerungsglas für Marketingfachleute. Es hilft ihnen, die Wirksamkeit der verschiedenen Marketingkanäle in ihrem "Marketing-Mix" zu untersuchen - von Printanzeigen, Fernsehwerbung und Online-Marketing bis hin zu Preisvariationen und anderen geschäftlichen Faktoren. Durch die Quantifizierung der Auswirkungen der einzelnen Marketingkanäle auf den Umsatz können Marketingexperten ihre Ressourcen strategisch zuweisen, um den Return on Investment (ROI) zu maximieren.

Bayes'sches Marketing Mix Modelling (MMM) verbessert das traditionelle MMM. Stellen Sie sich vor, Sie tauschen Ihr Vergrößerungsglas gegen ein Mikroskop aus und erhalten so tiefere Einblicke in Ihre Marketingaktivitäten.

Was ist Bayes'sches Marketing Mix Modelling?

Das Bayes'sche MMM ist ein überaus nützliches Instrument für Marketingfachleute. Es erfüllt im Wesentlichen zwei Aufgaben. Erstens misst es, wie effektiv die verschiedenen Marketingkanäle sind, indem es uns einen Durchschnittswert für ihre Wirkung liefert. Wir erfahren also, wie sehr jede Marketingmethode im Durchschnitt zur Umsatzsteigerung beiträgt.

Aber das ist noch nicht alles. Die zweite Aufgabe ist die Vorhersage einer Reihe von möglichen Auswirkungen dieser Kanäle. Das heißt, sie hilft uns zu verstehen, welche kleinsten und größten Auswirkungen die einzelnen Marketingmethoden haben könnten, so dass wir ein umfassenderes Bild davon erhalten, was mit unseren Marketingmaßnahmen geschehen könnte.

Jetzt fragen Sie sich vielleicht, was dahinter steckt. Nun, es handelt sich um eine mathematische Methode namens Bayes'sche Statistik. Bei dieser Methode werden Wahrscheinlichkeiten verwendet, um statistische Probleme zu lösen. Sie unterscheidet sich von anderen statistischen Methoden, weil sie es uns ermöglicht, das, was wir bereits wissen oder glauben, in die Analyse einzubeziehen. Das ist sehr wichtig, denn im wirklichen Leben haben wir oft ein gewisses Wissen, das wir mit neuen Daten kombinieren wollen, um die besten Entscheidungen zu treffen.

Das Bayes'sche MMM löst die Herausforderung, dass stures Vorwissen mit neuen Daten in Konflikt gerät, indem es einen Rahmen bietet, der beide Informationsquellen auf kohärente Weise kombiniert. Anstatt Vorwissen zu verwerfen oder zu ignorieren, ermöglicht das Bayes'sche MMM dessen Integration mit neuen Daten und aktualisiert und verfeinert unser Verständnis auf der Grundlage der vorliegenden Erkenntnisse. Das Bayes'sche MMM gewährleistet, dass Entscheidungen und Strategien auf einer ausgewogenen Kombination aus historischem Wissen und aktuellen Daten beruhen, was zu fundierteren und effektiveren Marketingergebnissen führt.

Dieser Prozess spiegelt wider, wie Menschen lernen und ihr Wissen weiterentwickeln. Wenn wir auf neue Informationen stoßen, verwerfen wir unser vorhandenes Wissen nicht vollständig. Stattdessen integrieren wir die neuen Erkenntnisse mit dem, was wir bereits wissen und aktualisieren und verfeinern unser Verständnis. Es ist ein ständiger Kreislauf, in dem wir Wissen ansammeln und unsere Perspektiven auf der Grundlage der neuesten Erkenntnisse anpassen. Das Bayes'sche MMM folgt einem ähnlichen Muster, indem es Vorwissen in die Analyse einbezieht und es ermöglicht, dieses mit neuen Daten zu verfeinern und zu aktualisieren.

Nachfolgend finden Sie Fragen zum Marketing Mix Modeling, die wir häufig von unseren Kunden und Interessenten gestellt bekommen, sowie unsere Antworten darauf. Wir hoffen, Sie finden sie hilfreich!

Die am häufigsten gestellten Fragen zum Marketing Mix Modelling

Ich bewerte die Leistung meiner aktuellen Kampagne und möchte wissen, wie viel jeder Kanal zu den Einnahmen beigetragen hat. Ist das mit MMM machbar?

Natürlich - dies ist einer der wesentlichen Ziele des Marketing Mix Modellings. Die Ergebnisse der Modellierung enthalten Gewichtungen, die jedem relevanten Kanal oder Publisher zugewiesen werden. Außerdem ist es möglich zu sehen, wie sich dieser Beitrag im Laufe der Zeit verändert, insbesondere wenn bestimmte Kanäle oder Publisher inaktiv sind. Der Umsatz ist nicht der einzige Ziel-KPI, der in der Modellierung verwendet werden kann - es ist möglich, den Beitrag zu jeder Ziel-KPI zu bewerten, der von Ihren Werbeaktivitäten betroffen und für Ihr Unternehmen wichtig ist. Durch die Verknüpfung von Beitrag und Höhe der Werbeausgaben hilft MMM auch bei der Bewertung der Auswirkungen der einzelnen Kanäle auf den ROI.

Ist es möglich, sowohl digitale als auch klassische Marketingkanäle in ein Marketing Mix Modell einzubeziehen?

Die Antwort ist ja - aber es gibt bestimmte Voraussetzungen. Um aussagekräftige Ergebnisse zu erhalten, benötigen Sie die Ausgaben und Reichweiten (oder Kontakte/Impressionen - je nach Kanal) sowie Ihre Ziel-KPI-Daten über den gleichen Zeitraum und mit der gleichen Granularität. Wenn Sie z. B. tägliche Umsätze haben, sollte Ihr Werbebudget auch täglich verfügbar sein - und dasselbe gilt für die Kontakte. Bei digitalen Kanälen sollte dies recht einfach sein; bei klassischen Medien gibt es jedoch einige Herausforderungen zu bewältigen: Wenn Sie beispielsweise Ihre Anzeigen in einer Zeitschrift schalten und auf Tagesbasis modellieren, wissen Sie nicht genau, wie viele Menschen Ihre Anzeige jeden Tag sehen, so dass Sie eine Lösung finden müssen, wie Sie die Zahlen auf der Grundlage der Gesamtauflage über die Zeit verteilen.

Ich betreue einen Online-Shop. Unser Ziel-KPI ist der Umsatz und wir werben nur in digitalen Kanälen. Reicht es für MMM aus, wenn ich die Einnahmen, das Werbebudget und die Impressionen angebe?

Sie müssen auch externe Faktoren einbeziehen. Es ist schwer vorstellbar, dass ein Unternehmen völlig frei von externen Einflüssen ist, z. B. von den Aktivitäten der Konkurrenz oder dem Wetter.

Die Einbeziehung solcher Faktoren in das Modell und damit die Erfassung zusätzlicher Einflussquellen auf Ihren Ziel-KPI trägt dazu bei, die Genauigkeit des MMM zu verbessern und ein tieferes Verständnis dafür zu gewinnen, wie diese externen Faktoren mit den Werbemaßnahmen interagieren, um Ergebnisse zu erzielen.

Aufgrund Ihrer Erfahrung sollten Sie in der Lage sein, zu erkennen, welche externen Faktoren sich auf Ihre Verkäufe, Einnahmen oder andere Ziel-KPIs auswirken. Erstellen Sie eine Liste dieser Faktoren und erfassen Sie die Daten über denselben Zeitraum wie die Ziel-KPI und die Werbedaten. Dies verbessert die Fähigkeit des Modells, die Beiträge der verschiedenen Kanäle genau zuzuordnen, und trägt dazu bei, einen ganzheitlicheren Blick auf die Marketinglandschaft zu werfen, was zu einer fundierteren Entscheidungsfindung und optimierten Marketingstrategien führt.

Ich bewerte die Wirksamkeit meiner digitalen Kampagnen bereits auf der Grundlage der Attribution des letzten Klicks. Macht es Sinn, MMM auszuprobieren - ich werde sowieso die gleichen Ergebnisse erzielen?

Die Last-Click-Attribution ist ein weit verbreitetes Modell, aber es berücksichtigt nur den letzten Schritt des Trichters, der zur Konversion führt - und auch nur, wenn dieser Schritt zu einem digitalen Kanal gehört. Wissen Sie noch, wie oft Sie online konvertiert haben, nachdem Sie zum ersten Mal eine Anzeige gesehen haben? Wahrscheinlich nicht sehr oft, wenn überhaupt. Die Entscheidungsfindung ist ein komplizierter Prozess, der normalerweise mehrere Berührungspunkte und einige Zeit dazwischen umfasst. Oft können wir uns nicht einmal daran erinnern, wie oft wir die entsprechenden Anzeigen gesehen haben, bevor wir die Entscheidung getroffen haben, oder wo und wann wir diese Anzeigen gesehen haben. Infolgedessen wird die Wirkung des letzten Schritts im Trichter tendenziell überschätzt, während die Wirkung der unterstützenden Kanäle unterschätzt oder völlig vernachlässigt wird. Außerdem ist es mit der Last-Click-Attribution unmöglich, die Wirkung von Offline-Medien zu bewerten.

Das Kernstück von MMM ist, dass es die Dynamik des Ziel-KPIs - das können Verkäufe oder App-Installationen oder Registrierungen oder andere Konversionen sein - mit der Dynamik der Werbeaktivitäten und des Budgets vergleicht und die Korrelationen ableitet, wobei alle beteiligten Kanäle sowie externe Faktoren, die den Ziel-KPI beeinflussen könnten, berücksichtigt werden. MMM-Ergebnisse zeigen das gesamte Bild und bewerten die indirekten Effekte und Zusammenhänge, was bei Last-Click-Modellen nicht möglich ist.

Und was passiert, wenn Cookies von Drittanbietern deaktiviert werden? Ist die Modellierung des Marketing-Mix dann immer noch möglich?

Ja! Und Marketing-Mix-Modellierung ist tatsächlich eine der ersten Alternativen zu Leistungsbewertungsmethoden, die auf Cookies von Drittanbietern basieren. Das bevorstehende Ende der Cookies von Drittanbietern ist einer der Gründe, warum MMM so populär geworden ist. Wenn Sie noch keine Erfahrung mit MMM haben und nicht auf der Strecke bleiben wollen, ist es höchste Zeit, auf den Zug aufzuspringen!

Unsere Führungskräfte wollen die TV-Werbung einschränken, weil sie sich auf Last-Click-Daten konzentrieren und glauben, dass nur digitale Kanäle funktionieren, aber ich habe das starke Gefühl, dass TV-Werbung auch zum Umsatz beiträgt. Gibt es eine Möglichkeit herauszufinden, wer Recht hat?

Marketing Mix Modelling sollte der Schlüssel zur Lösung Ihres Dilemmas sein. Mit Hilfe der Modellierung lässt sich herausfinden, wie viel jeder Kanal zum gesetzten KPI beiträgt. Um genauere Ergebnisse zu erhalten, ist es wichtig, dass Ihre Daten Zeiträume abdecken, in denen nur digitale Werbung und keine TV-Werbung geschaltet wurde, sowie Zeiträume mit TV-Werbung und keiner oder nur geringer digitaler Aktivität. Optimalerweise sollten Sie auch Zeiträume ohne jegliche Werbung einbeziehen, um eine Basis für das Modell zu haben.

Durch die Analyse der relativen Leistung von TV-Werbung im Vergleich zu anderen Kanälen und die Berücksichtigung verschiedener kontextbezogener Faktoren ermöglicht das MMM eine solide Schätzung ihres tatsächlichen Beitrags zu Ihrem Ziel-KPI. So können Sie fundierte Entscheidungen über die Zuweisung Ihres Werbebudgets treffen und Ihre Marketingstrategie auf der Grundlage datengestützter Erkenntnisse optimieren.

Ich möchte einen neuen Flight meiner Kampagne durchführen, der der vorherigen Kampagne ähnlich ist, aber ich möchte mit demselben Werbebudget mehr Wirkung erzielen. Kann MMM mir dabei helfen?

Auf jeden Fall, das ist ein perfekter Anwendungsfall für Marketing Mix Modeling. Auf der Grundlage der Ergebnisse des vorherigen Flights können Sie Ihr Budget effektiver umverteilen. Ein weiterer Anwendungsfall ist, wenn Sie einen optimalen Allokationsplan mit einem höheren oder niedrigeren Budget erstellen müssen - und auch das ist mit MMM möglich. Letztendlich kann die Modellierung dabei helfen, den optimalen Anteil jedes Kanals an der Budgetzuweisung zu bestimmen. Auf diese Weise können Sie datengestützte Entscheidungen treffen, die sicherstellen, dass Ihr Budget auf die effizienteste und effektivste Art und Weise zugewiesen wird, was zu einer höheren Investitionsrendite und besseren Ergebnissen für Ihre Marketingkampagnen führt.

Wir planen, nächsten Monat eine Out-of-Home-Kampagne zu starten. Wir haben noch keine Erfahrung mit OOH-Werbung. Können wir MMM nutzen, um das optimale Budget und die erwartete Reichweite abzuschätzen?

Nein, Marketing Mix Modeling wurde entwickelt, um die Wirkung von Werbemitteln zu bewerten, die bereits Teil der Kampagnen des Unternehmens waren. Wenn es keine Daten aus der Vergangenheit gibt, kann der Kanal nicht in die Modellierung einbezogen werden.

Unsere Kampagne begann vor einem Monat. Können wir MMM bereits nutzen, um die Ergebnisse zu bewerten, wenn wir das Budget umverteilen wollen, bevor es zu spät ist?

Selbst wenn Sie eine tägliche Aufschlüsselung vornehmen, reichen 30 Tage nicht aus, um MMM anzuwenden und aussagekräftige Ergebnisse zu erhalten. Entweder muss man sich auf die Ergebnisse früherer Kampagnen stützen oder warten, bis eine ausreichende Menge an Daten zusammengekommen ist. Bei einer wöchentlichen Aufschlüsselung wird beispielsweise empfohlen, mindestens 2 Jahre an Daten zu verwenden - was bedeutet, dass Sie aus Ihren bisherigen Erfahrungen lernen müssen.

Besteht die Möglichkeit, dass die MMM-Ergebnisse zeigen, dass alle Kanäle ineffizient sind und die Werbung keine zusätzlichen Einnahmen bringt?

Es ist nicht sehr wahrscheinlich, dass eine Werbekampagne völlig ineffizient ist, aber dieses Szenario kann nicht völlig ausgeschlossen werden - also ja, es ist möglich. Aber wenn das passiert, muss es einige wirklich offensichtliche Anzeichen und Gründe geben: Sie werden zum Beispiel sehen, dass Ihre Umsätze nicht oder zu langsam wachsen. Es ist auch möglich, dass einige externe Faktoren die Wirkung der Werbung aufheben. Denken Sie zum Beispiel an die armen Fluggesellschaften, die bei Ausbruch der COVID-Pandemie kräftig geworben haben.

Wir sind neu auf dem Markt und wollen unser Werbebudget planen, aber wir haben keine Ideen, welche Kanäle wir nutzen und wie viel Geld wir ausgeben sollen. Kann uns das MMM helfen?

Zu diesem Zeitpunkt nicht. Marketing Mix Modeling stützt sich auf frühere Daten und Ergebnisse und funktioniert nicht von Grund auf. Sie müssen mit einigen Versuchen und Fehlern beginnen. Eine Möglichkeit wäre, von den Erfahrungen der Wettbewerber zu lernen - wenn Sie Zugang zu deren Daten über Ausgaben und Umsätze haben, vielleicht in anonymisierter Form. Je nachdem, welcher Branche Ihr Unternehmen angehört, können Sie vielleicht einen Partner finden, der bereits MMM in dieser Branche betreibt und weiß, welche Kanäle besser oder gar nicht funktionieren.

Wir sind uns nicht sicher, welche Ziel-KPI wir wählen sollen, um unsere Werbemaßnahmen zu optimieren. Kann MMM uns entsprechende Empfehlungen geben?

Nein, der Zweck von Marketing Mix Modeling ist es, eine optimierte Budgetzuweisung zu erstellen, je nachdem, welcher KPI als Ziel ausgewählt wurde. Die Allokation kann drastisch variieren, wenn Sie für verschiedene KPIs modellieren - selbst wenn die Budget- und Reichweitendaten gleich bleiben. Die Wahl des geeigneten Ziel-KPIs sollte auf Ihren Prioritäten, Ihrer Geschäftserfahrung und Ihrem Verständnis des Marktes basieren.

Marketing Mix Modelling ist ein wertvolles Instrument, aber um wirklich davon zu profitieren, ist es wichtig, seine Möglichkeiten und Grenzen zu kennen. Schließlich ist jedes Tool nur für seinen Zweck gut und nur, wenn es richtig angewendet wird.

Der MMM-Prozess basiert auf komplexen Algorithmen des maschinellen Lernens, und daher kann es für Geschäftsleute ohne fundierte mathematische Kenntnisse entmutigend sein, sich allein auf diese Reise zu begeben - und noch entmutigender ist es, tatsächliche Entscheidungen auf der Grundlage der Ergebnisse des MMM zu treffen. Deshalb ist es wichtig, einen erfahrenen Navigator zu haben, der Sie auf diesem Weg begleitet und Ihnen hilft, Ihr eigenes Fachwissen in diesem Bereich aufzubauen.

Wenn Sie in unserem Artikel keine Antwort auf Ihre Frage gefunden haben oder wenn Sie sich immer noch nicht sicher sind, ob Marketing Mix Modeling Ihnen bei der Bewältigung Ihrer Herausforderungen helfen kann, können Sie uns gerne direkt kontaktieren!

Marketing Mix Modelling ist eine statistische Analysemethode, die die Effektivität von Marketingaktivitäten bestimmt und hilft, die Zuweisung von Marketingressourcen über Kanäle, Taktiken und/oder Kampagnen zu optimieren. Sie quantifiziert den Return on Investment (ROI) für jede Marketingaktivität und gibt Empfehlungen, wie dieser gesteigert werden kann.

Self-Service Marketing Mix Modelling geht noch einen Schritt weiter, indem es Marketingfachleuten die Möglichkeit gibt, mit Hilfe intuitiver und benutzerfreundlicher Software-as-a-Service (SaaS)-Lösungen selbst Analysen durchzuführen. So können sie die Effektivität der einzelnen Marketingaktivitäten bewerten und vergleichen.

In diesem Artikel beantworten wir die folgenden Fragen:

• Warum ist Self-Service MMM ein wichtiger Trend in Marketingabteilungen?

• Welche Schritte sind typischerweise in einem Self-Service MMM-Projekt enthalten?

• Was sind die wesentlichen Vorteile von Self-Service MMM?

Warum ist Self-Service Marketing Mix Modelling ein wichtiger Trend in Marketingabteilungen?

Die Marketinglandschaft wird immer komplexer: Mit dem Aufschwung des digitalen Marketings haben Werbetreibende Zugriff auf Unmengen von Daten und eine ganze Reihe von Analysetools, die ihnen helfen können, ihre Kunden besser zu verstehen und ihre Marketingleistung zu verbessern. Allerdings kann diese überwältigende Verfügbarkeit von Daten und Tools für Werbetreibende schwierig zu beherrschen und effektiv zu nutzen sein. Hier kommt Self-Service Marketing Mix Modelling ins Spiel - es ermöglicht Werbetreibenden, sich auf die relevanten Daten zu konzentrieren, hochpräzise statistische Modelle zu trainieren, die wichtigsten Muster herauszufinden und Ergebnisse wie Beitrag, Return on Investment, Ad Stock Effekte und Sättigungskurven abzuleiten. 

Forderung nach mehr Verantwortlichkeit und Transparenz: In der heutigen datengesteuerten Welt erwarten die Stakeholder, dass die Werbetreibenden in der Lage sind, die Auswirkungen ihrer Marketingmaßnahmen mit einem hohen Maß an Genauigkeit und Transparenz zu messen und zu reporten. Self-Service Marketing Mix Modelling ermöglicht es Werbetreibenden, ihre eigenen Daten zu validieren und die Wirkung ihrer Marketingaktivitäten effektiver zu messen, was dazu beiträgt, Vertrauen und Glaubwürdigkeit innerhalb eines Unternehmens und gegenüber externen Stakeholdern aufzubauen.

Bedarf an schnellen Erkenntnissen und Flexibilität: Traditionelles Full-Service Marketing Mix Modelling kann zeitaufwändig und teuer sein und bietet möglicherweise nicht die Flexibilität und Agilität, die Werbetreibende benötigen, um in einem sich schnell verändernden Umfeld zu agieren. Self-Service Marketing Mix Modelling versetzt Werbetreibende in die Lage, MMM bei Bedarf mit hoher Effizienz durchzuführen, da alles, was benötigt wird, in der Marketingabteilung ohne externe Abhängigkeiten gebündelt werden kann.

Was sind die Hauptvorteile von Self-Service Marketing Mix Modelling?

Self-Service-MMM-Plattformen sind so konzipiert, dass sie auch für technisch nicht versierte Nutzer benutzerfreundlich und intuitiv sind, mit Drag-and-Drop-Schnittstellen, leicht verständlicher Datenvisualisierung sowie eingebauter Anleitung und Unterstützung.

Sie ermöglichen es Werbetreibenden, datengesteuerter und agil zu werden, indem sie ihre eigenen Marketing-Mix-Modellierungen durchführen können, ohne sich auf Externe verlassen zu müssen, und selbst ein tiefes Verständnis für die Ursachen ihrer Marketing-Performance aufbauen können. Dies hilft Werbetreibenden, schnellere und fundiertere Entscheidungen über ihre Marketingaktivitäten zu treffen und ihre Marketingleistung effektiver zu optimieren.

Welche Schritte sind typischerweise an einem Self-Service Marketing Mix Modelling Projekt beteiligt?

Einrichtung und Konfiguration der Plattform: Obwohl die Anbieter ihre Lösungen heutzutage als Software-as-Service anbieten, um die Prozesse zu beschleunigen, müssen einige Arbeiten im Vorfeld erledigt werden, wie z. B. die Einrichtung einer kundenspezifischen Umgebung mit zugehörigen Ressourcen, die Definition von Rollen und Berechtigungen sowie die Bereitstellung des ersten Zugangs für jeden Benutzer.

Onboarding & Unterstützung: Wenn Benutzer zum ersten Mal mit der Anwendung arbeiten, bieten gute Anbieter ein Onboarding-Verfahren und fortlaufenden Support an, um die Benutzer auf den neuesten Stand zu bringen. Je nach Anbieter können die Onboarding-Verfahren ganz unterschiedliche Formate haben, die von klassischen Onboarding-Sitzungen mit einem Ausbilder bis hin zum vollständigen Selbststudium auf der Grundlage von Onboarding-Leitfäden und/oder Videos reichen.

Erstellung und Bereitstellung des Modellierungsdatensatzes: Entweder die Anbieter oder die Werbetreibenden selbst erstellen einen Modellierungsdatensatz, der die relevanten Daten für den Ziel-KPI und die erklärenden Faktoren kombiniert. Der Modellierungsdatensatz wird innerhalb der Self-Service Marketing Mix Modelling Software zur Verfügung gestellt, so dass alles für das Modelltraining bereit ist.

Funktionstests und Feature Engineering: Nachdem ein Modellierungsdatensatz in der Software zur Verfügung gestellt wurde, werden einige Testläufe durchgeführt, um sicherzustellen, dass das Modelltraining funktioniert und dass alle Faktoren sowie die Ziel-KPIs für das Modelltraining verwendet werden können. Darüber hinaus können die Faktoren transformiert werden (z. B. normalisiert, invertiert, indiziert), so dass sie für MMM-Algorithmen besser lesbar sind.

Modelltraining & Ergebnisinterpretation: Mit Hilfe der Software können Werbetreibende selbst verschiedene Modelle trainieren, indem sie z.B. die Menge der erklärenden Faktoren ändern, die für das Modelltraining verwendet werden, oder sogar die Ziel-KPIs ändern. Durch diese Iterationen des Modelltrainings und die Interpretation der Ergebnisse entwickeln die Werbetreibenden ein gutes Verständnis für die Bedeutung der einzelnen Faktoren und auch für die Medienvariablen selbst.

Modellauswahl, Insights-Erstellung und Optimierung: Mit einem guten Verständnis der einzelnen Faktoren und der Medienvariablen können Werbetreibende ihr bevorzugtes Modell auswählen und es für eine optimierte Budgetzuweisung verwenden, um die Effizienz künftiger Marketinginvestitionen zu steigern (z. B. für die nächste Kampagne oder die Zuweisung im nächsten Jahr).

Prozessmanagement: Das Self-Service-MMM-Projekt muss wie jedes andere Projekt gemanagt werden, um sicherzustellen, dass die Erwartungen erfüllt, die Leistungen rechtzeitig erbracht und die Projektziele gesetzt und am Ende erreicht werden.

Entscheidungsfindung & Operationalisierung: Gute Lösungen bieten auch die Möglichkeit, die gewonnenen Erkenntnisse für Briefings und/oder die Festlegung taktischer und strategischer Ziele zu nutzen.

Wie weit kann man mit Self-Service kommen? Welche Schritte können intern durchgeführt werden?

Werbetreibende, die alle entscheidenden Fähigkeiten z.B. für die Datensatzerstellung haben oder diese in-house zur Verfügung haben, können fast alle Schritte selbst durchführen. Nur die ersten beiden Schritte "Platform Setup & Configuration" sowie "Onboarding & Support" werden immer von den Anbietern übernommen. Hier ein Überblick, welche Arbeitsweisen je nach Fähigkeiten und Ressourcen im Haus sinnvoll sind.

Marken erkennen den Bedarf an neuen Werkzeugen und Fachwissen, um die Effektivität ihres Marketings genau zu bewerten. Dies stellt sie vor eine häufige Herausforderung: Soll eine maßgeschneiderte Marketing Mix Modelling (MMM) Lösung intern entwickelt oder die Unterstützung von Drittanbietern in Anspruch genommen werden? Um Ihnen bei dieser Entscheidung zu helfen, haben wir einen Leitfaden zusammengestellt, der die Vor- und Nachteile beider Ansätze beschreibt, einschließlich der Zusammenarbeit mit spezialisierten Unternehmen oder der Verwendung von ready-to-use Softwarelösungen.

In diesem Artikel beantworten wir folgende Fragen:

• Welche Ressourcen sind erforderlich, um ein Marketing Mix Model intern zu entwickeln?

• Wie lange dauert es, ein MMM intern zu entwickeln?

• Was sind die Kosten für die interne Entwicklung von Marketing Mix Modelling?

• Wie viel kostet die Anschaffung von Marketing Mix Modelling-Software?

• Worauf sollte man beim Kauf von Marketing Mix Modelling-Software achten?

Welche Ressourcen sind erforderlich, um ein Marketing Mix Model inhouse zu entwickeln?

Faustregel: Ohne ein Team aus guten Datenwissenschaftlern, Datenanalysten und Dateningenieuren können Sie kein Marketing Mix Modelling intern entwickeln. Diese sollten folgende Fähigkeiten mitbringen:

• Gutes Marktverständnis (oder zumindest Erfahrung in der Analyse verschiedener Märkte oder Branchen), um mögliche Einflussfaktoren zu identifizieren
• Grundkenntnisse über die Funktionsweise von Medienkanälen
• Guter Überblick über mögliche statistische Methoden sowie deren Vor- und Nachteile und Erfahrung in deren Anwendung
• Fähigkeit, Analyse-Software oder Skriptsprachen zu verwenden
• Fähigkeit, verfügbare externe Datenquellen anzubinden und die Daten mit den internen Mediendaten zu verknüpfen
• Erfahrung in der Datenaufbereitung (Zusammenführen, Transformieren und Beurteilen der Datenqualität) und Fähigkeit, Zusammenhänge zu erkennen

Der Aufbau eines internen Data-Intelligence-Teams ist oft nicht einfach, da Fachleute in diesem Bereich sehr gefragt und gut bezahlt sind, wie weiter unten im Artikel aufgeführt. Dies sollte berücksichtigt werden.

Der Aufbau Ihrer eigenen Marketing Mix Modelling-Lösung kann aufgrund der Komplexität der Marketingaktivitäten Ihres Unternehmens eine anspruchsvolle Aufgabe sein. Wir möchten einige spezifische Herausforderungen hervorheben:

• Die erste Herausforderung besteht darin, das Modell korrekt zu spezifizieren. Das bedeutet, dass alle relevanten Einflussfaktoren berücksichtigt werden müssen, ohne eine Überanpassung zu verursachen. Darüber hinaus müssen ausreichend Datenpunkte für einzelne Einflussfaktoren vorhanden sein.
• Die Multikollinearität oder Korrelation zwischen Marketingkanälen kann es schwierig machen, genaue Modelle zu erstellen und muss berücksichtigt werden. Dies geschieht, wenn Werbetreibende gleichzeitig verschiedene Medienkanäle buchen (was natürlich oft vorkommt) oder wenn mehrere externe Ereignisse (z. B. Feiertage, Black Friday usw.) gleichzeitig auftreten.
• Nichtlineare Zusammenhänge, insbesondere zeitlich verzögerte Medieneffekte wie der Adstock-Effekt und Sättigung, müssen abgebildet werden, ebenso wie Interaktionseffekte.
• Es ist wichtig, die langfristige Markenentwicklung sowie das Verhältnis zwischen Mediabudget und Medienleistung zu berücksichtigen, was insbesondere die Budgetallokation komplexer macht.
• Die Budgetallokation ist keine einfache Aufgabe, da sie Kenntnisse über Optimierungsalgorithmen erfordert und die Definition von Allokationsverfahren beinhaltet.
• Marketing Mix Modelling wird komplexer, wenn es mehrere Regionen und/oder mehrere Marken abdeckt, was einen hierarchischen Ansatz erfordert.
• Da die Datenqualität und Verfügbarkeit aller relevanten Daten im Allgemeinen der Schlüssel zum erfolgreichen Marketing Mix Modelling ist, ist es entscheidend, dass Datenpipelines automatisiert sind.

Darüber hinaus muss das Modell eine lange Checkliste mit notwendigen Merkmalen, Diagrammen, Tabellen und Empfehlungen für die Entscheidungsfindung erfüllen. Wir bei MMT sind der Meinung, dass ein erfolgreiches Marketing-Mix-Modell die folgenden Merkmale aufweisen sollte, um einen umfassenden Einblick in Ihre Marketingbemühungen zu geben:

• Attribution Modelling: Quantifizierung des Beitrags von Medienkanälen zur Zielmetrik und ihrer Effizienz (ROI-Analyse).
• Empfehlung: Optimierung des Medienmix
• Predictive Analytics: Erstellung von Prognosen für Kampagnenszenarien
• Hierarchischer Ansatz: Erstellung individueller Modelle für verschiedene Regionen oder Marken, falls erforderlich.

Die Modellierung des Marketing-Mix ist ein komplexer Prozess, der Zeit und Ressourcen erfordert. Nach Angaben von Facebook (Meta) dauert die manuelle Erstellung des ersten Modells 12-22 Wochen, wobei die für die Automatisierung erforderliche kontinuierliche Entwicklungs- und Wartungsarbeit nicht berücksichtigt ist. Kleinere Unternehmen können ein "gutes" Modell in nur wenigen Wochen erstellen, aber für größere Organisationen reicht der typische Zeitrahmen von mehreren Monaten bis zu mehr als einem halben Jahr.

Geht man davon aus, dass ein Team von zwei Datenwissenschaftlern in Vollzeit arbeitet, könnte es etwa sechs Monate dauern, ein erstes Modell zu erstellen und zu automatisieren. Das Durchschnittsgehalt eines Datenwissenschaftlers in Deutschland liegt 2023 laut Jobbörsen bei etwa 65.000 Euro, wobei die Gehälter in Großstädten wie Berlin, Hamburg oder München möglicherweise höher sind. Nach Fertigstellung des ersten Modells wird die laufende Wartung mindestens einen Tag alle zwei Wochen sowie einen vierwöchigen Aktualisierungszyklus pro Jahr erfordern.

Die Kosten für die Datenbeschaffung, -anbindung und -automatisierung müssen ebenfalls berücksichtigt werden, und möglicherweise müssen Sie sogar einen speziellen Datenintegrationsingenieur für diesen Zweck einstellen.

Was muss beim Kauf von Marketing Mix Modelling Software berücksichtigt werden?

Marketing Mix Modelling (MMM) ist in der Marketingbranche zu einem beliebten Instrument geworden, wobei verschiedene Anbieter ihre eigenen Ansätze anbieten. Es ist wichtig, die wissenschaftliche Grundlage hinter den einzelnen Ansätzen zu verstehen, um diejenige auszuwählen, die am besten zu Ihren Bedürfnissen passt. Eine wichtige Unterscheidung innerhalb des MMM ist die zwischen frequentistischen und Bayes'schen Methoden. Das traditionelle MMM stützt sich auf die gewöhnliche Kleinstquadrat-Regression (OLS), während der Robyn-Algorithmus von Facebook einen moderneren Ridge-Regressionsansatz verwendet. Alternativ dazu hat Google Bayes'sche Methoden für seine Modellierungstechniken übernommen, die eine größere Flexibilität bei der Einbeziehung von Vorwissen in das Modell und realistischere Ergebnisse ermöglichen.

Der größte Unterschied bei den Kosten und der Wartung hängt von Ihrer Entscheidung ab, ob Sie die automatisierte Standardsoftware verwenden oder Ihre MMM-Lösung individuell anpassen. Die meisten Unternehmen, die Marketing-Mix-Modellierung anbieten, können bei Bedarf ein individuelles Modell für Ihr Unternehmen erstellen. Ein Modell, das auf die Bedürfnisse des Unternehmens zugeschnitten ist, kann genau die richtigen Fragen beantworten, anstatt allgemeine Richtlinien zu liefern. Darüber hinaus können Sie sich bei der Durchführung des gesamten Analysezyklus und der Interpretation der Ergebnisse beraten lassen. Der manuelle Ansatz erfordert jedoch viel Vertrauen, da MMM anfällig für menschliche Verzerrungen ist. Automatisierte Tools können moderne Datenpipelines nutzen, um das Modell regelmäßig zu aktualisieren, so dass Entscheidungen häufiger getroffen werden können, ohne die Analyse wiederholen zu müssen. Automatisierte Modelle sind auch in der Lage, automatisch Empfehlungen für die Budgetzuteilung zu generieren, was sie weitaus praktikabler macht.

Für uns bei MMT ist es entscheidend, dass Werbetreibende ihre MMM-Erkenntnisse in die Tat umsetzen können. Daher bietet unsere Marketing Mix Modelling-Plattform verschiedene Media-Mix-Szenarien, die innerhalb derselben Plattform direkt an Media-Pläne angepasst werden können. Unsere Lösung ist ein Self-Service-Tool, das Werbetreibenden die Möglichkeit gibt, selbst zu modellieren, um wirklich zu verstehen, wie der MMM funktioniert, und sich nicht auf Vertrauen zu verlassen. Auf diese Weise haben Sie die volle Kontrolle über den Modellierungsprozess und bauen das Fachwissen in Ihrem eigenen Unternehmen auf.

Wenn es um die Auswahl eines Anbieters geht, können Ihnen die folgenden Fragen helfen, den richtigen Ansatz für Ihr Unternehmen zu finden:

• Bieten sie eine Standardlösung an oder erstellen sie ein individuelles MMM-Tool?
• Haben sie bereits mit ähnlichen Unternehmen gearbeitet und somit Branchenkenntnisse erworben?
• Wie viel Medienkompetenz haben sie?
• Welche Methoden verwenden sie? Lineare Regression, Ridge Regression oder Bayes'sche Methoden?
• Was sind die Kosten für das Erstellen des anfänglichen Modells?
• Welche laufenden Kosten fallen für die Wartung / regelmäßige Nutzung des Modells an?
• Bieten sie Kundendienstleistungen an?
• Verfügen sie über die oben genannten Schlüsselfunktionen?
  
• Erlauben sie unterschiedliche Automatisierungsgrade?
• Stimmt der Grad des Engagements, der von Ihrem Unternehmen gefordert wird, mit Ihren eigenen Fähigkeiten/verfügbaren Ressourcen überein?
• Können sie die angewandten Methoden und möglichen Ergebnisse auf verständliche Weise erklären?
• Geben sie nützliche, kompetente und transparente Ratschläge zur Implementierung eines Analyseprojekts im Hinblick auf die eigenen Fragen und die verfügbaren Daten?
  
  

Sobald Sie die Entscheidung getroffen haben, ob Sie eine skalierbare Software verwenden oder sich vom Anbieter etwas Individuelles erstellen lassen wollen, müssen Sie sich genau überlegen, was das Modell leisten soll. Dies kann eine Herausforderung sein, da es in diesem aufstrebenden Bereich keine Einheitslösung gibt, die allen Anforderungen gerecht wird. Zu bedenken sind u. a. das Gesetz des abnehmenden Ertrags (das besagt, dass Kanäle bei höheren Ausgaben gesättigt sein können) und der Adstock-Effekt (die verzögerte Auswirkung von Werbung auf die Leistung). Schließlich ist es wichtig, alle relevanten Schlüsselmerkmale in Ihr Modell einzubeziehen, um verschiedene Einflussfaktoren widerzuspiegeln und Trends und Saisonalität zu berücksichtigen. Die Wahl fortschrittlicherer Ansätze, die Veränderungen in der Kanalleistung im Laufe der Zeit oder die Varianz der Korrelationen für verschiedene Produkte oder Regionen berücksichtigen, kann die Genauigkeit der Ergebnisse Ihres Modells erheblich steigern.

Fazit

Häufig lautet die Antwort auf die Frage, ob ein Unternehmen ein Marketing Mix Modelling selbst einrichten oder eine bereits vorhandene Software kaufen sollte, "es kommt darauf an". Der entscheidende Faktor sind die verfügbaren Ressourcen. Die Erstellung eines Modells erfordert Fachwissen und braucht Zeit. Bei den Berechnungen gibt es viel Spielraum für Fehler, was zu hohen Verlusten führen kann, wenn das Marketingbudget nicht optimal eingesetzt wird. Und damit Vermarkter die wertvollen Erkenntnisse wirklich nutzen können, benötigen sie intelligente Funktionen sowie Fach- und Medienkenntnisse. Wenn Sie zum ersten Mal mit MMM arbeiten oder Zweifel an bestimmten Aspekten haben, kann es sich lohnen, einen Berater/MMM-Spezialisten hinzuzuziehen, der Sie auf Ihrem Weg begleitet und Ihnen hilft, unnötige Anstrengungen und falsche Marketingentscheidungen zu vermeiden.

Quellen

• https://www.stepstone.de/gehalt/Data-Scientist.html
• https://en.wikipedia.org/wiki/Marketing_mix_modeling
• https://www.glassdoor.de/Geh%C3%A4lter/data-scientist-gehalt-SRCH_KO0,14.htm

In diesem Artikel zeigen wir die Unterschiede dieser beiden Konzepte auf, betrachten ihre Gemeinsamkeiten und helfen Ihnen zu entscheiden, welcher der beiden Ansätze - oder vielleicht beide - der richtige für Sie sein könnte.

In diesem Artikel beantworten wir folgende Fragen:

• Was sind die Gemeinsamkeiten und Unterschiede zwischen Marketing Mix Modeling und Media Mix Modeling?

• Wie wird ein Modell aufgebaut?

• Was sind die Anwendungsfälle für Media Mix Modeling und Marketing Mix Modeling?

• Welche Fragen können mit den Modellen beantwortet werden?

• Können Media- und Marketing Mix Modeling kombiniert werden?

Gemeinsamkeiten und Unterschiede zwischen Marketing Mix Modelling und Media Mix Modelling

Marketing und Media Mix Modelle sind Arten von statistischen Analysen, die von Data Scientist entwickelt wurden, um den Einfluss zahlreicher Treiber auf die Ziel-KPI aufzuzeigen. Beide Modelle sind wichtige Instrumente für Werbetreibende, die helfen, die Wirkung ihrer Aktivitäten zu messen, Budgets zu allokieren und zukünftige Leistungen vorherzusagen.

Die beiden Ansätze unterscheiden sich hauptsächlich hinsichtlich des Umfangs der berücksichtigten Einflussfaktoren und der Ziel-KPIs, d.h. des Ziels der Modellierung. Der Zeithorizont und das Detailgrad variieren ebenfalls.

Media Mix Modelle nutzen Mediadaten aus vergangenen Kampagnen, um den Einfluss einzelner Mediakanäle wie Display, TV, Radio, Social Media, OoH usw. zu messen. Das Modell zeigt die Beziehung zwischen der Medialeistung, wie der Anzahl der Kontakte, den GRP, den Impressionen oder dem Budget und der Markenentwicklung, z.B. der Werbe- oder Markenbekanntheit, um gebündelte Erkenntnisse darüber zu generieren, was in einer Mediakampagne funktioniert und was nicht. Media Mix Modelle analysieren historische Kampagnendaten, um zukünftige Ergebnisse vorherzusagen. Dies ermöglicht es Werbetreibenden, insbesondere Mediaplanern, besser zu verstehen, wie ihr Media Mix ihre Marketing-KPIs beeinflusst. Dieser Ansatz hilft, den Media Mix zu optimieren, Budgets zwischen den verschiedenen Mediakanälen umzuverteilen und den Erfolg von Werbekampagnen vorherzusagen.

Fragen, die mit einem Media Mix Model beantwortet werden können:

• Wie kann ich mit einer Werbekampagne die größtmögliche Wirkung erzielen?
• Was ist der effektivste Media Mix?
• Wie sollte mein Marketingbudget über einen geplanten Zeitraum auf verschiedene Kanäle verteilt werden?
  
  

Andererseits besteht der Zweck des Marketing Mix Modeling darin, die Effektivität jedes Elements einer Marketingstrategie herauszufinden. Es bewertet die Leistung aller verfügbaren Marketinghebel, nicht nur von Media - wie beim Media Mix Modeling - sondern auch aller Arten von Promotionen, Produkteinführungen, Preisänderungen und anderen Treibern. Es handelt sich um einen holistischen Ansatz, der verschiedene externe Faktoren wie Wetter, Saisonalität oder Aktivitäten der Wettbewerber berücksichtigt. Mit dem Insight, wie verschiedene Elemente einer Marketingstrategie miteinander interagieren, können Werbetreibende Ressourcen so einsetzen, dass sie den größtmöglichen Einfluss erzielen. Oft ist das Hauptziel im Marketing Mix Modeling der Umsatz oder ROI. Hier können Sie mehr über Marketing Mix Modeling erfahren.

Fragen, die mit Marketing Mix Modeling beantwortet werden können:

• Welche Marketingaktivitäten treiben meine Ziel-KPI, z.B. Umsatz oder Gewinn?
• Welche externen Faktoren haben den größten Einfluss auf meinen Ziel-KPI?
• Wie sollte ich die Marketingressourcen am besten einsetzen?
• In welche Marketingaktivitäten sollte ich investieren und in welche nicht?
• Was ist das optimale Niveau meiner Marketingausgaben?

Wenn die Ansätze verglichen werden, wird deutlich, dass Media Mix Modeling einen spezifischeren Anwendungsbereich hat - nämlich die Optimierung des gesamten Media Mix und insbesondere der Werbekampagnen. Marketing Mix Modeling hingegen berücksichtigt eine größere Bandbreite von Einflussfaktoren. Media Mix Modelle könnten Empfehlungen für sofortige Anpassungen in laufenden Werbekampagnen liefern, während Marketing Mix Modelle bei der Optimierung der gesamten Marketingstrategie helfen können. Da Marketing Mix Modelle jedoch Mediakanäle als Einflussfaktoren enthalten, könnte argumentiert werden, dass Marketing Mix Modeling eine erweiterte Version von Media Mix Modeling ist. Am Ende hängt es von der Ziel-KPI ab, den die Werbetreibenden maximieren möchten.

Ein Modell entwickeln

Um entweder ein Media- oder Marketing-Mix-Modell aufzusetzen, werden historische Daten benötigt. Die Genauigkeit der Ergebnisse hängt stark von der Datenqualität und Vollständigkeit des Datensatzes ab. Wenn die Daten ungenau oder unvollständig sind, kann das Ergebnis der Analyse verzerrt sein. Die Länge der Datenreihen ist ebenfalls wichtig für die Genauigkeit des Modells. Je nach Granularität des Modells und ob die Daten täglich, wöchentlich oder monatlich vorliegen, kann eine durchschnittliche Datengrundlage von ein bis drei Jahren ausreichend sein.

Um Budgets effizient zu verteilen und den Einfluss von Werbekampagnen zu maximieren, werden für das Media Mix Modeling folgende Daten benötigt:

• Leistungsdaten (z. B. Impressionen, Reichweite, Klicks, Leads, GRP)
• Ausgaben pro Kanal oder Verlag

Um Trends zu erkennen und Einblicke in die Geschäftsleistung zu gewinnen, werden für das Marketing Mix Modeling folgende Daten benötigt:

• Verkaufszahlen (verkaufte Mengen, Umsätze)
• Daten zur Aktivität der Wettbewerber
• Mediavariablen (sowohl Leistung, z. B. Reichweite oder Impressionen, als auch Ausgaben) pro Kanal
• Promotionen
• externe Faktoren wie Wetter, Inflationsrate oder Feiertage

Da im Marketing Mix Modeling mehr Faktoren berücksichtigt werden, müssen mehr Datenquellen verarbeitet und analysiert werden, was die Modellierung komplexer und die Entwicklung zeitintensiver macht. Auf lange Sicht kann das Marketing Mix Modeling jedoch zur Prognose der Auswirkungen auf verschiedene KPIs verwendet werden.

Wenn Sie mehr darüber erfahren möchtest, wie Sie Media Mix Modeling im Detail einrichten, können Sie unseren Artikel dazu hier lesen.

Anwendungsfälle für Media Mix Modeling und Marketing Mix Modeling

Ein typischer Anwendungsfall für das Media Mix Modeling ist eine Mediaagentur, die wissen möchte, wie sie ihre Mediapläne in Bezug auf einen bestimmten KPI optimieren kann. Nehmen wir an, wir sind ein Unternehmen, das Eiscreme verkauft. Wir haben ein brandneues Produkt "veganes Eis" und beauftragen unsere Mediaagentur, eine Kampagne zur Steigerung der Markenbekanntheit für dieses neue Produkt zu planen. Da wir bereits Erfahrungen mit Mediakampagnen für andere Eiscremeprodukte in den letzten 4 Jahren gesammelt haben, kann die Mediaagentur diese Daten verwenden, um den Einfluss der neuen Kampagne vorherzusagen. Es muss erwähnt werden, dass genaue Ergebnisse nur für die Kanäle bereitgestellt werden können, die in der Vergangenheit bereits von der Marke verwendet wurden. Wenn wir zum Beispiel Social Media, Display, TV und Out of Home-Kampagnen durchgeführt haben, aber kein Radio, können wir den Anstieg der Markenbekanntheit, der mit Radiospots erzielt werden könnte, nicht vorhersagen. Nachdem wir die Daten verarbeitet und sie mit Informationen aus einigen externen Quellen wie Wetterdaten und Wettbewerberverkäufen von veganem Eis kombiniert haben, können wir mit dem Media Mix Modeling fortfahren, um den optimalen Media Mix und die Budgetaufteilung zwischen Social Media, Display, TV und Out of Home vorherzusagen. Während der Kampagne sammelt die Mediaagentur Zwischenergebnisse und kann das Modell verwenden, um den Media Mix zu optimieren und das zugewiesene Budget am effektivsten einzusetzen. In unserem Beispiel sehen wir, dass wir hauptsächlich in den Sommermonaten investieren und das Budget auf Social Media verlagern sollten. Die Erkenntnisse des Media Mix Modeling können Mediaplanern helfen, verschiedene Szenarien unter Berücksichtigung des Ad-Stock Effekts, der Werbeaktivitäten der Wettbewerber oder externer Faktoren wie des Wetters zu entwickeln.

Marketing Mix Models werden häufig von Marketingabteilungen innerhalb von Unternehmen verwendet, um ihre gesamte Marketingstrategie und den Marketing Mix zu optimieren. Wenn wir ein Unternehmen wären, das Elektrofahrräder verkauft, könnte das Marketing Mix Modeling uns dabei helfen herauszufinden, welche Marketingkanäle den größten Einfluss auf unseren Umsatz haben, unter Berücksichtigung der Tatsache, dass zum Beispiel im Sommer und zu Weihnachten mehr Fahrräder gekauft werden als in anderen Jahreszeiten, oder wenn wir eine neue Aktion mit Sonderpreisen oder die aktuelle Inflationsrate berücksichtigen. Ähnlich wie beim Media Mix Modeling müssen wir Media- und Kampagnendaten aus mindestens den letzten 3 Jahren sowie Verkaufsdaten, Informationen zu Promotionen usw. sammeln. Wenn wir hier gute Arbeit leisten, können wir die Daten verarbeiten und mit externen Informationen anreichern. Wie bereits in diesem Beispiel erwähnt, können Saisonalität, Inflation und die Aktivitäten der Wettbewerber einen erheblichen Einfluss auf den Umsatz haben. Wir können nun das Marketing Mix Model verwenden, um unser Marketingbudget auf die vielversprechendsten Marketingkanäle zu verteilen. Auf lange Sicht ist es möglich zu analysieren, welche Einflussfaktoren einen hohen Einfluss auf den Umsatz haben. In unserem Beispiel erhalten wir höhere Verkaufszahlen, wenn wir eine Promotion in Kombination mit einer TV-Kampagne kurz vor Weihnachten durchführen.

Kombination von Media und Marketing Mix Modeling

Da Werbung in der Regel einen greifbaren Anteil an den Marketingaktivitäten ausmacht, könnte das Media Mix Modeling ein wichtiger Bestandteil eines ganzheitlichen Marketing Mix Modeling Prozesses sein, der auf eine optimierte Budgetallokation und einen optimierten Media Mix abzielt. Da das Media Mix Modeling weniger komplex ist, können Unternehmen damit als ersten Schritt beginnen und auf lange Sicht weitere Treiber in das Modell für eine umfassendere Sicht auf die Marketingaktivitäten einbeziehen.

Fazit

Sowohl das Media als auch das Marketing Mix Modeling sind leistungsstarke Instrumente zur Messung und Optimierung der Leistung von Marketingaktivitäten. Mit einem effizienten Media Mix Modeling können Werbetreibende wertvolle Erkenntnisse über ihre Werbekampagnen gewinnen und fundierte Entscheidungen auf der Grundlage der verfügbaren Daten treffen. Mit dem Marketing Mix Modeling gehen Werbetreibende noch einen Schritt weiter und berücksichtigen mehrere Marketing- und Verkaufsaktivitäten sowie externe Faktoren. Das Potenzial beider Modellierungsansätze ist enorm, und sie sind unverzichtbare Werkzeuge für alle Marketer, die den Wert ihrer Marketingaktivitäten maximieren möchten. Die Entscheidung, welcher Ansatz ausgewählt wird, hängt von vielen Faktoren ab, einschließlich der Unternehmensziele, der verfügbaren Daten, des aktuellen Fachwissens sowie der vorhandenen Ressourcen. Letztendlich wird durch die Anwendung von Media Mix Modeling und Marketing Mix Modeling das Verständnis für die Auswirkungen der Marketing- und Werbemaßnahmen verbessert, und die Unternehmen können ihre Budgets effizienter verteilen und die bestmöglichen Ergebnisse erzielen.

Inhalt

• Wie können Media Mix Modellings bei der Kampagnenplanung helfen?

• Wie kann ein Media Mix Modelling aufgesetzt werden?

Wie können Media Mix Modellings bei der Kampagnenplanung helfen?

Dem Zugrunde liegt die Frage: Wie kann der Effekt von Marketing abgeschätzt und direkt in die Kampagnenplanung integriert werden? Einen Lösungsansatz bietet Media Mix Modelling (MMM).

Genutzt werden für ein solches Modelling Vergangenheitsdaten zu der gewünschten Zielkennzahl und den möglichen Einflussfaktoren, wobei die Daten für die interessierende Marke, eine vergleichbare Marke oder verschiedene Wettbewerbsmarken in das Modell einfließen können. Zunächst wird der Zeitverlauf der verfügbaren Daten deskriptiv mit dem Ziel betrachtet, den Zusammenhang zwischen Media und der Zielkennzahl aufzuzeigen. Zu unterscheiden ist dabei beispielsweise, ob es sich um eine Traditionsmarke oder eine neue im Aufbau befindliche Marke handelt. Auf dieser Basis werden die relevanten Einflussfaktoren definiert. Wichtig ist, dass langfristige Trends oder saisonale Einflüsse Berücksichtigung finden. Während Media Mix Modellings den Zusammenhang zwischen Medialeistung wie Kontaktanzahl, Gross Rating Point, Impressions, Budget und Markenentwicklung zum Beispiel Werbe- oder Markenbekanntheit darstellen, beschreiben Sales Modellings den Einfluss von Faktoren wie Preis, Promotion, Distribution und Medialeistung auf den Absatz.

Abbildung 1 Media Mix Modelling im Zeitverlauf

Mittels eines statistischen Schätzverfahrens wird der Einfluss der verschiedenen Faktoren auf die Zielkennzahl quantifiziert. Durch die beschreibenden Faktoren lässt sich deren Verlauf im betrachteten Zeitraum erklären (Abbildung 1). Somit lässt sich bewerten, wie sich eine gewisse Medialeistung beispielsweise auf die Werbewahrnehmung einer Marke oder auf den Absatz auswirkt. Es lässt sich abschätzen, wie stark der Anstieg für eine gegebene Medialeistung ist. Diese Einschätzung der Effektstärke von Media stellt die Basis dar, um eine Budgetverteilung über verschiedene Mediakanäle mit möglichst hoher Werbewirkung oder eine Werbedruckableitung, das heißt die Verteilung der Medialeistung über die Kampagnenwochen, vorzunehmen. Somit stellen Modellings Analyseverfahren dar, die nicht nur Insights zur Wirksamkeit von Media generieren, sondern im Planungsprozess einer Kampagne wertvolle Unterstützung liefern.

Abbildung 2 Media Mix Modelling Media Share

Wie kann ein Media Mix Modeling aufgesetzt werden?

Um Modellings als Ausgangspunkt für die Mediaplanung aufzusetzen muss als erstes basierend auf der Effektstärke der einbezogenen Kanäle werden zunächst verschiedene Szenarien für die Budgetverteilung entwickelt. Die Kanäle werden dabei derart kombiniert, dass die resultierende Verteilung bei einem gegebenen Budget die Wirksamkeit der Kampagne maximiert (Abbildung 2). 

Abbildung 3 Media Mix Modelling Kampagnenplanung 1

Anschließend erfolgt die Planung des Werbedrucks im Kampagnenzeitraum. Das bestehende Modelling wird genutzt, um den Effekt der eingesetzten Medialeistung pro Woche auf die Zielvariable zu prognostizieren. Somit kann die Verteilung über die Kampagnenwochen gefunden werden, welche den gewünschten Werbedruck erzielt (Abbildungen 3 & 4).

Abbildung 4 Media Mix Modelling Kampagnenplanung 2

Summary

Ein gegebenes Marketing Budget so effektiv und effizient wie möglich zu nutzen, war schon immer das Ziel. Jetzt ist es an der Zeit, ein Media Mix Modell zu erstellen, um mit Werbekampagnen die größtmögliche Wirkung zu erzielen.

Mit einem holistischen Attributionsmodell profitieren Verantwortliche im Marketing gleichzeitig von der wertvollen, im Unternehmen vorhandenen Expertise und den stetig wachsenden Möglichkeiten des maschinellen Lernens.

Was ist ein holistisches Attributionsmodell?

Ein Attributionsmodell ist ein Verfahren, das die Wirkung von Einflussfaktoren auf eine Zielkennzahl quantifiziert. Holistische Attribution hilft die Wirkung von Media im Zusammenspiel mit anderen Einflussfaktoren zu verstehen und darauf basierend den Einsatz des Werbebudgets zu optimieren.  Holistisch ist hier im Sinne von ganzheitlich gemeint. Es werden also möglichst alle relevanten Einflussfaktoren in die Modellerstellung einbezogen. Das daraus resultierende Modell kann aussagekräftige Prognosen für verschiedenste Szenarien erstellen und bietet somit die Möglichkeit, das jeweils beste Szenario für die Umsetzung auszuwählen.

Etwas abstrakter formuliert: Ein holistisches Attributionsmodell quantifiziert Wirkungszusammenhänge ganzheitlich und ermöglicht wertvolle Aussagen über die zukünftige Entwicklung der Zielkennzahl. Diese Erkenntnisse helfen dabei, Werbebudgets besonders sinnvoll und effizient einzusetzen.

Warum holistische Attribution?

Während bekannte Attributionsmodelle wie zum Beispiel Last Click oder First Click den Wert oder einen Teilwert einer Conversion einem bestimmten Touchpoint zuschreiben, quantifiziert ein holistisches Attributionsmodell die Wirkung aller relevanten Einflussfaktoren. Dadurch wird vermieden, dass die Wirkung der medialen Unterstützung eines bestimmten Touchpoints überinterpretiert wird.

Mithilfe aussagekräftiger Wirkungsprognosen für unterschiedliche Szenarien lassen sich fundierte Entscheidungen für das wirkungsvollste Szenario treffen. Zusätzlich wird ein kontinuierliches Monitoring von Prognose und tatsächlicher Entwicklung ermöglicht. Marketer können also schnell auf unvorhergesehene Ereignisse reagieren und so mehr aus ihrem Werbebudget herausholen.

Es ergeben sich auch weitere Optimierungsmöglichkeiten über Media hinaus, da jeder im Modell berücksichtigte Einflussfaktor, der vom Unternehmen selbst beeinflusst werden kann, zugunsten der Unternehmensziele optimiert werden kann.

Wie wird ein holistisches Attributionsmodell aufgesetzt?

Um ein holistisches Attributionsmodell zu entwickeln, sollten sich Marketer zunächst ein wertvolles, aber schwer zu erreichendes Ziel setzen, zum Beispiel die maximale Werbewirkung aus einem festgelegten Budget herauszuholen. Aus diesem übergeordneten Ziel wird dann ein einfacher zu erreichendes Etappenziel abgeleitet, beispielsweise die Werbewirkung mit einem festgelegten Budget um 15 Prozent zu erhöhen. Dieses erste Etappenziel kann dann mit dem Durchlaufen der folgenden sieben Schritte erreicht werden:

1. Zielkennzahl zur Messung der Werbewirkung festlegen

Zu Beginn bietet es sich an, eine einfache KPI zu wählen, die bereits über mehrere Jahre hinweg erfasst wird und wichtig für den Unternehmenserfolg ist.

Beispiel: 

Ein Multi-Channel-Händler betreibt einen Webshop, eine App und mehrere stationäre Geschäfte in ganz Deutschland. Mögliche Ziel-KPIs für den Anfang könnten hier sein

• Anzahl der Webshop-Aufrufe
• Anzahl der App-Öffnungen
• Anzahl der Besucher der stationären Geschäfte
• oder auch: Die Summe aus den drei Kennzahlen

2. Erfassung von Faktoren, die Einfluss auf die Entwicklung der Zielkennzahl haben

Wurde im ersten Schritt eine einfache Ziel-KPI gewählt, sollte es nicht schwer sein, die Faktoren zu ermitteln, die diese KPIs maßgeblich beeinflussen. Diese lassen sich meist durch die eigene oder in Verbindung mit der vorhandenen Expertise der Mitarbeiter ermitteln. Wichtig dabei: Es reicht aus, wenn hier erst mal nur ein paar Einflussfaktoren definiert werden. Es ist auch okay, wenn sich später herausstellt, dass ein Einflussfaktor doch keine Wirkung auf die Zielkennzahl hat. Es soll hier lediglich eine erste Basis an Faktoren generiert werden, um den Prozess der Datenbeschaffung zu strukturieren.

Beispiel: 

Der oben genannte Multi-Channel-Händler nutzt als Zielkennzahl die Anzahl der Besucher der stationären Geschäfte in Hamburg. Mögliche Einflussfaktoren dieser Zielkennzahl können sein:

• Kalenderinformationen (Datum, Wochentag, Monat, Jahr)
• Besondere Tage (Feiertage, Schulferien oder Quarantänetage etc.)
• Soziodemographie der Region (Einwohner, Alter, Einkommen, Kaufkraft etc.)
• Wetter (Sonnenstunden, Regenstunden, Temperatur etc.)
• Werbe- und Marketingmaßnahmen (Marken- oder Performance-Kampagnen)
• Vertriebsmaßnahmen (Rabatte, Aktionen)
• Sortiment (Preis, Sortimentsmix, Sortimentsbreite etc.)

3. Beschaffung historischer Daten für die Zielkennzahl und deren Treiber

Die Beschaffung der Daten sollte sich an der Struktur der Daten für die Zielkennzahl orientieren. Wenn die Daten für die Zielkennzahl wöchentlich vorliegen, werden die Einflussfaktoren auch nur wöchentlich benötigt. Dabei gilt grundsätzlich: Je mehr Messungen der Zielkennzahl vorliegen, desto besser können aussagekräftige Modelle trainiert werden. Es ist also deutlich besser, wenn die Zielkennzahl in Form von täglichen Werten vorliegt statt in wöchentlichen, weil allein dadurch die Anzahl der Messungen um den Faktor sieben höher ist.

Beispiel: 

Dem Multi-Channel-Händler liegen die Daten der täglichen Besucher der letzten drei Jahre vor. Kalenderinformationen wie Wochen-, Feier- und Ferientage und Wetterdaten sind frei verfügbar im Netz vorhanden. Daten zu den Werbe- und Marketingmaßnahmen können durch die jeweilige Abteilung im Unternehmen bereitgestellt werden. Damit stehen zum Trainieren 3 Jahre * 365 Tage also 1095 Messungen/Experimente pro stationärem Geschäft zur Verfügung.

4. Kombination der Daten zu einem einheitlichen Datensatz

Da die verschiedenen Daten in unterschiedlichster Form vorliegen, müssen diese vor der Modellentwicklung zunächst zu einem einheitlichen Datensatz transformiert werden. Hierbei sollte der pragmatischste Weg zum Ergebnis bevorzugt werden. Wichtig ist, dass am Ende alle Daten konsolidiert in einem Datensatz vorliegen. Dabei wird die Struktur durch die Zielkennzahl definiert. Wenn die Zielkennzahl wöchentlich vorliegt, wird eine Tabelle mit den Spalten Kalenderwoche, Zielkennzahl, Treiber 1, Treiber 2 etc. benötigt.

Beispiel: 

Dem Multi-Channel-Händler liegen die täglichen Besucherzahlen je Geschäft als Zielkennzahl vor. Dementsprechend erweitert er den Datensatz je vorliegendem Treiber um eine weitere Spalte. Da die Out-of-Home-Platzierungen immer mindestens für zehn Tage gebucht werden müssen, werden die Kosten für die zehn Tage auf die einzelnen Tage gleich verteilt (hier 1000 € pro Tag).

5. Entwicklung eines Modells zur Bestimmung des Einflusses der Treiber auf die Zielkennzahl

Sobald der konsolidierte Datensatz für die erste Iteration vorliegt, werden die Daten genutzt, um mit Machine-Learning-Verfahren erste Modelle zu trainieren. Als Ergebnis erhält man

• die Modellgüte, also wie gut das Modell den tatsächlichen Verlauf der Zielkennzahl abbildet
• die Wirkbeiträge der einzelnen Treiber auf die Zielkennzahl
• Grenznutzenkurven und Ad-Stock-Effekte je Mediavariable
• ein Modell, das sich zum Prognostizieren der Entwicklung der Zielkennzahl eignet

Je besser das Modell in der Lage ist, den tatsächlichen Verlauf der Zielkennzahl abzubilden, desto sicherer können wir sein, dass alle relevanten Einflussfaktoren berücksichtigt sind und umso aussagekräftiger sind die vorliegenden Ergebnisse. Das heißt: Umso besser eignet sich auch das vorliegende Modell, um die Entwicklung zu prognostizieren und verschiedene Szenarien zu berechnen. Es empfiehlt sich, Modellgüten von über 75 Prozent anzustreben, damit die tatsächliche Entwicklung durch das Modell ausreichend gut erklärt wird und es guten Gewissens für operative Zwecke eingesetzt werden kann. Dabei muss Folgendes berücksichtigt werden: Jeo höher die Modellgüte bereits ist, desto schwieriger wird es, die Modellgüte weiter zu steigern. Der Sprung von 75 auf 80 Prozent Genauigkeit ist deutlich leichter zu erreichen als der Sprung von 90 auf 95 Prozent. Insbesondere bei den ersten Iterationen sollte auch die vorhandene Expertise im Unternehmen genutzt werden, um die Modellergebnisse kritisch zu hinterfragen. Dadurch wird die Datenqualität hinterfragt und es entstehen wertvolle Ideen für die nächsten Iterationen. Für ein brauchbares Modell sind in den meisten Fällen mehrere Iterationen notwendig.

Beispiel: 

Durch das Modell aus der ersten Iteration kommt heraus, dass der Faktor Wetter einen ganz entscheidenden Einfluss auf die Anzahl der Besucher in den stationären Geschäften hat. Insbesondere an nasskalten Regentagen und sehr heißen sonnigen Tagen sinkt die Anzahl der Besucher, während sie an trockenen Tagen mit moderaten Temperaturen stark steigt. Da es noch einige Ausreißer in der Entwicklung der Zielkennzahl gibt, die durch das Modell nicht abgebildet werden, wird entschieden, in der nächsten Iteration die Vertriebsinformationen (Rabatte, Aktionen) zu berücksichtigen.

6. Prognose der Entwicklung der Ziel-KPI unter Berücksichtigung der aktuell favorisierten Planung

Sobald ein brauchbares Modell vorliegt, können Aussagen darüber getroffen werden, wie sich die Ziel-KPI entwickeln wird, wenn zum Beispiel die aktuelle Media-Planung in die Umsetzung geht. Dafür müssen Informationen darüber vorliegen oder Annahmen getroffen werden, wie sich die Treiber im Planungszeitraum entwickeln. Die Feiertage- und Ferientage-Konstellation ist bekannt. Für das Wetter kann zum Beispiel die Annahme getroffen werden, dass es wie im Vorjahr sein wird. Die geplanten Marketing- und Vertriebsmaßnahmen sollten den entsprechenden Abteilungen vorliegen.

Beispiel: 

Der Multi-Channel-Händler stellt fest, dass er mit der aktuellen Mediaplanung die Vorgaben aus der Unternehmensplanung nicht erreichen wird. Es wird entschieden, zwei weitere Mediaplan-Szenarien zu erstellen.

7. Berechnung unterschiedlicher Szenarien unter Veränderung der Einflussfaktoren

So ein holistisches Attributionsmodell kann nun vielfältig und wertschöpfend eingesetzt werden. Es kann zum Beispiel genutzt werden, um die Medienplanung zu optimieren. Es kann aber auch gleichzeitig dazu genutzt werden, um aus den Rabattaktionen mehr Wirkung herauszuholen.

Beispiel: 

Der Multi-Channel-Händler berechnet die Entwicklung der Besucher für die zwei weiteren Szenarien. Am Ende findet er heraus, dass die Kombination aus gleichzeitiger Werbung und Rabattaktionen an Tagen mit moderater Temperatur zu einer besonders hohen Anzahl an Besuchern pro Tag führt. In Zeiträumen ohne attraktive Rabattaktionen wird die Werbung heruntergefahren. Besonders stark wird im Frühling geworben, da im Frühling viele trockene Tage mit moderaten Temperaturen zu erwarten sind.

Wie MMT Ihnen helfen kann

Wenn Sie Interesse haben ein holistisches Attributionsmodell für Ihr Unternehmen aufzusetzen und von den skizzierten Vorteilen profitieren möchten, unterstützen wir Sie gerne dabei, je nach Bedarf und vorhandener Expertise sowohl in beratender Funktion als auch als Full Service Dienstleister mit unserem Self-Service Marketing Mix Modelling Tool.

Fazit

Das holistische Attributionsmodell ist ein starkes Werkzeug, um die Werbewirkung zu steigern und Werbebudget effizienter einzusetzen. Es sollte also als Standardwerkzeug in jedem Unternehmen mit nennenswerten Werbebudgets eingesetzt werden. Es ist dabei nicht wichtig, in kurzer Zeit ein perfekt funktionierendes Modell vorliegen zu haben. Viel wichtiger ist es, dieses Werkzeug step by step im Unternehmen zu etablieren.

Inhalt

• Problem 1: Keine „Single Source of Truth

• Problem 2: Zu viel manuelle Arbeit

• Problem 3: Unklare Workflows

• Problem 4: Mangelnde Nachvollziehbarkeit

• Problem 5: Arbeiten in Silos

• 3 Tipps: von der Auswahl bis zur Implementation

• Fazit

Problem 1: Keine „Single Source of Truth“

Für die Abwicklung der Kampagne kommen verschiedene Systeme zum Einsatz (e.g. Adserver, 3rd Party verification tools, DSPs). Daten, die für die Erfolgsmessung und Optimierung einer Kampagne notwendig sind, stammen somit aus unterschiedlichen Quellen und liegen schlimmstenfalls in verschiedenen Formaten vor. Alle diese Quellen, die oft sogar manuell gepflegt werden, im Auge zu behalten und auszuwerten, sind ein großer Zeitfresser. Marketingverantwortlichen fehlt ein konsolidierter Blick auf die Kampagnen.

Eine effektive Media Operations Platform muss einen Gesamtüberblick über alle Kampagnen und Gattungen hinweg ermöglichen. Alle Daten aus allen Quellen müssen übersichtlich konsolidiert und per Drill-Down vom Gesamtbild bis zum kleinsten Einzelschritt einsehbar sein. Dadurch werden Marketingverantwortliche befähigt, datenbasierte Entscheidungen zu treffen.

Problem 2: Zu viel manuelle Arbeit

Trotz Digitalisierung und zunehmender Automatisierung findet in vielen Prozessen nach wie vor manuelle Arbeit in großem Stil statt: von der Briefing-Erstellung bis zur abschließenden Auswertung. Derartige Abläufe sind äußerst fehleranfällig. Skaliert auf den kompletten Prozess kann dies zu einer Kettenreaktion führen. Diese Fehlerkette wieder aufzulösen, ist ein sehr mühsames und zeitaufwendiges Unterfangen.

Durch die Automatisierung von Prozessen erleichtert eine Media Operations Platform auch das Onboarding neuer Mitarbeiter, da mit eindeutigen Standards und genauen Dokumentationen gearbeitet wird.

Für die Auswahl der passenden Lösungen sollten Unternehmen untersuchen, welche manuellen Prozesse die größten Zeitfresser sind und nach Möglichkeit automatisiert werden sollten. Dazu gehört nicht nur der zeitliche Aufwand des eigentlichen Arbeitsprozesses, sondern auch die Überlegung: Wie hoch ist der Aufwand in der gesamten Prozesskette, wenn an einer Stelle ein Fehler passiert?

Problem 3: Unklare Workflows

Wenn mehrere Personen an unterschiedlichen Prozessen der Kampagne arbeiten, fehlen ihnen oft Einblicke in die Arbeitsweise der anderen Teams. Das führt nicht selten zu unnötig langen Abstimmungsschleifen und Mehrarbeit. Durch eine einfache Visualisierung der Workflows in allen beteiligten Teams lassen sich diese Schwachstellen offenlegen.

Auch hier benötigt es eine Bestandsaufnahme und Bedarfsanalyse: Welche Prozesse werden mit welchen Tools abgebildet und welche Aspekte können vielleicht in einem Tool zusammengefasst werden.

Problem 4: Mangelnde Nachvollziehbarkeit

Marketingkampagnen sind oft ein kleinteiliger Prozess mit unterschiedlichen Workflows und Zuständigkeiten. Das führt häufig dazu, dass nicht immer alle Schritte genau nachvollziehbar sind: Welche Freigaben wurden erteilt? Wer hat wann welche Optimierung vorgenommen? Wer hat eine bestimmte Buchung rausgeschickt? Diese Schritte passieren anonym in Excel-Listen, per E-Mail, Messenger oder auf Zuruf und sind nicht nachvollziehbar.

Eine Media Operations Platform muss Funktionen bereitstellen, um alle Schritte einer Kampagne zentral über ein Tool abzuwickeln und zu dokumentieren.

Problem 5: Arbeiten in Silos

Das Arbeiten in separaten Teams führt nicht nur, wie oben beschrieben, zu unklaren Workflows. Es hat auch zur Folge, dass sich Kompetenz-Silos bilden und Potenziale nicht voll ausgeschöpft werden. In Agenturen ist beispielsweise das Operations-Team, das die Kampagnen ausführt, nicht das Team, das die Kunden berät. Wenn die Berater aber lediglich „Durchlauferhitzer“ für die Wünsche der Kunden sind, werden Optimierungen gehemmt.

Das Arbeiten in einem Tool löst diese Silos auf, sodass etwa das Operations-Team mit seiner Expertise dabei helfen kann, eine genaue Bedarfsanalyse des Kunden aufzustellen, um eine optimale Beratung zu ermöglichen.

3 Tipps von der Auswahl bis zur Implementation einer Media Operations Platform

1. Ressourcen evaluieren

Ist der eigene Bedarf ermittelt, müssen Unternehmen schauen, welche Expertisen und Ressourcen bereits inhouse vorhanden sind, welche in Zukunft aufgebaut werden sollen und wofür wirklich ein externer Partner benötigt wird.

2. In den Auswahlprozess investieren

Damit Technologie wirklich helfen kann, müssen sich Unternehmen im Klaren darüber sein, wofür genau die Unterstützung durch Tools benötigt wird. Es lohnt sich daher, nicht nur in das Tool an sich, sondern auch in den Auswahlprozess zu investieren, indem Unternehmen eine konkrete Bedarfsanalyse aufstellen oder mit Hilfe externer Berater aufstellen lassen.

3. Das ganze Team mitnehmen

Damit sich die Investition in eine Technologie wirklich lohnt, müssen Unternehmen sicherstellen, dass ihr Potenzial komplett ausgeschöpft wird. Jedes beteiligte Team muss daher den Mehrwert erkennen können, der den Aufwand rechtfertigt, von bestehenden Prozessen auf ein neues Tool umzusteigen. Und jeder, der mit dem Tool arbeitet, muss in der Lage sein, alle Funktionen zu verstehen und zu nutzen. Eine Investition in eine MarTech-Lösung ist also immer auch eine Investition in das Onboarding.

Fazit

Damit Media Operation Plattformen zum gewünschten Erfolg führen können, müssen Unternehmen nicht nur ihren eigenen Bedarf kennen. Sie müssen auch ihre eigenen Prozesse evaluieren, hinterfragen und aufräumen wollen. Alte Prozesse einfach in ein Tool zu übertragen, wird nicht funktionieren, denn es verlagert Zeitfresser und Effizienzhemmer lediglich an einen anderen Ort. Die Überlegung des Einsatzes einer Media Operations Platform ist immer ein guter Anlass, bestehende Prozesse kritisch zu hinterfragen und ggf. mit Hilfe des Tools zu optimieren und zu automatisieren.

Mercury Media Technology hat die Lösung

MMT bietet eine Media Operations Platform für Agenturen, Werbetreibende und Publisher an, die es möglich macht alleine oder auch in Kollaboration an Kampagnen zu arbeiten. Auch lässt sich der gesamte Media Prozess, vom Briefing über die Planung, die Buchung und das Monitoring, bis hin zum Reporting abzubilden. Neben der Reduktion manueller Arbeitsschritte kann die Fehlerquote erheblich gesenkt werden. Die Tools von MMT machen es möglich, Datenquellen miteinander zu verbinden und Soll und Ist Daten von Omni-Channel Kampagnen gegenüberzustellen. Ein umfangreiches Rollen- und Rechtemanagement für Nutzer sorgt dafür, dass alle Aktivitäten und Interaktionen transparent nachvollzogen werden können. Integrierte Kommunikationstools bieten Nutzern die Möglichkeit über die Media Operations Platform zu kommunizieren. 

Inhalt

• Build vs. Buy: Die wichtigsten Faktoren

• Checkliste: Diese Fragen sollten sich Entscheider stellen

Build vs. Buy: Die wichtigsten Faktoren

Um die Frage zu klären, ob ein MarTech-Tool selbst entwickelt oder in Form einer SaaS-Lösung eingekauft werden soll, sollten Entscheider sich nicht nur auf ein Argument stützen. Es gilt, eine Vielzahl von Kriterien zu beachten. Diese sind:

Funktionsumfang

Eine selbst entwickelte MarTech-Lösung lässt sich genau an die Bedürfnisse des Unternehmens anpassen. Statt von der Vielzahl der Features, von denen die Hälfte vielleicht gar nicht benutzt wird, erschlagen zu sein – wie es bei SaaS-Lösungen der Fall sein kann –, lässt sich der Funktionsumfang auf den tatsächlichen Bedarf begrenzen. Problematisch wird es , wenn später neue Funktionen benötigt werden. Diese müssen zusätzlich entwickelt werden. 

Eine Buy-Lösung bietet hier den Vorteil, bereits von vornherein über einen Funktionsumfang zu verfügen, der auf den Bedürfnissen und Erwartungen des Marktes beruht. Sinnvoll kann es sein, eine modular aufgebaute SaaS-Lösung zu erwerben, bei der die Funktionen in dem Umfang bereitgestellt werden, wie sie vom jeweiligen Unternehmen gebraucht werden.

Anpassbarkeit

In diesem Zusammenhang kann es sinnvoll sein, sich bei der Frage „Build oder Buy?“ im Vorfeld folgende Fragen zu stellen:

• Sind die auf dem Markt vorhandenen MarTech-Lösungen an meine Bedürfnisse anpassbar? Und ergibt es gegebenenfalls Sinn, unsere Prozesse an die Funktionen des Tools anzupassen?
• Gibt es bereits Software, die „out of the box“ läuft, die also direkt nach der Implementation genutzt werden kann?
• Ist das, was unser Unternehmen benötigt, etwas, das bereits mit einem bestehenden Tool gut funktionieren kann? Gibt es bereits ein bestehendes Tool, das unseren Bedarf abdecken kann?

Lässt sich eine auf dem Markt verfügbare Software an die eigenen Bedarfe anpassen, ist es hinsichtlich der Komplexität und der Kosten sinnvoller, die Buy-Lösung vorzuziehen – wobei Unternehmen bedenken sollten, dass für Anpassungen in der Regel die Dienste des Anbieters benötigt werden. Dies sollten sie bei der Kostenplanung berücksichtigen. 

Im Umkehrschluss kann die Selbstentwicklung sinnvoll sein, wenn sich bestehende Lösungen nicht ausreichend anpassen lassen. Zu beachten ist aber: Auch wenn eine SaaS-Lösung nicht exakt den Workflow abbildet, den das Unternehmen benötigt, lohnt sich oft der Erwerb. In der Regel reichen die Funktionen der Software aus, um 80 Prozent der Bedarfe abzudecken, was bereits einem erheblichen Effizienzgewinn entspricht.

Unabhängigkeit

Build-Lösungen zeichnen sich in erster Linie dadurch aus, dass Unternehmen unabhängig von der Preispolitik, den Entwicklungszyklen oder dem Support des Anbieters sind.

Das bedeutet aber auch, dass Firmen mit jedem möglicherweise auftretenden Problem allein dastehen und nicht auf den Support eines erfahrenen Software-Anbieters zurückgreifen können. Außerdem begeben sie sich in eine andere Abhängigkeit: die vom/von der eingestellten EntwicklerIn. Verlässt der Kopf hinter dem MarTech-Tool das Unternehmen, sind sein Nachfolger und das verbliebene Team auf eine saubere Dokumentation angewiesen.

Kosten und Ressourcen

Bei der Build-Lösung müssen Unternehmen mit mehreren Unbekannten kalkulieren: Für die Entwicklung des Tools gilt es, Arbeitsstunden und später noch Kosten für die Wartung und die Weiterentwicklung einzuplanen. Der erste Schritt wäre der Aufbau eines Entwickler-Teams. 

Doch EntwicklerInnen sind aktuell kaum verfügbar und müssten zudem attraktiv entlohnt werden. Stehen genügend finanzielle Ressourcen zur Verfügung und gilt das Unternehmen in der Branche als attraktiv, kann es Sinn ergeben, Software selbst zu schreiben. Ist das Budget aber begrenzt, spricht mehr für den Erwerb der SaaS-Lösung.

Verfügbarkeit

Der Frage, ab welchem Zeitpunkt sich ein Tool nutzen lässt, kommt eine hohe Bedeutung zu. Besteht kein Zeitdruck, kann es sinnvoll sein, die Lösung inhouse zu entwickeln. Die Entwicklung kann sich aber über einen langen Zeitraum hinziehen; am Ende steht aber ein durchdachtes Produkt, das im Idealfall einer umfassenden Qualitätsanalyse unterzogen wurde. 

Geht es um eine kurz- bis mittelfristige Lösung, ist die Buy-Variante im Vorteil. Viele MarTech-Lösungen sind sofort nutzbar. Qualitätsanalyse und Upgrades werden vom jeweiligen Anbieter vorgenommen.

Wettbewerbsvorteil

Unternehmen sollten sich die Frage stellen, inwieweit das Tool als Wettbewerbsvorteil genutzt werden kann. Ein Beispiel: Für ein Unternehmen, das darauf angewiesen ist, dass es frühzeitig via Chatbots mit Kunden Kontakt aufnimmt, ist ein entsprechendes Chatbot-Tool von entscheidender Bedeutung. Hier kann es sinnvoll sein, eine Software selbst zu bauen und auf das Unternehmen zuzuschneiden – auch vor dem Hintergrund, dass sich das Tool gegebenenfalls weiterveräußern lässt. Es bleibt aber zu bedenken, dass die Entwicklung der Software Jahre dauern kann.

Spielt die Software hinsichtlich des Wettbewerbs lediglich einen untergeordneten Wert, empfiehlt sich meistens der Erwerb einer Lösung.

Checkliste: Diese Fragen sollten sich Entscheider stellen

• Kann keine MarTech-Lösung auf dem Markt die individuellen Anforderungen erfüllen?
• Habe ich genügend Ressourcen, um die Erstellung und Pflege der Software selbst zu übernehmen – nicht nur personell, sondern auch in finanzieller Hinsicht?
• Habe ich Zeit die Lösung erst zu einem späteren Zeitpunkt einzusetzen?

Wenn Sie diese Fragen mit „ja“ beantworten, kann es für Sie sinnvoll sein, die Software-Lösung selbst zu erstellen

• Gibt es bereits Lösungen auf dem Markt, die Sie und Ihr Unternehmen weiterbringen, auch in Teilbereichen?
• Müssten Sie erst Ressourcen aufbauen?
• Benötigen Sie eine Lösung, die schnell eingesetzt werden kann?

Lautet bei diesen Fragen ihre Antwort „ja“, ist die Kauf-Variante die bessere Lösung.

Fazit

Eine allgemeingültige Antwort auf die Frage „Build or Buy?“ kann es nicht geben, da die Bedarfe und Voraussetzungen der einzelnen Unternehmen unterschiedlich ausfallen. Für die meisten wird die Kaufvariante die geeignetere sein, da in der Regel die Ressourcen begrenzt sind. Unternehmen, die es sich in zeitlicher und finanzieller Hinsicht leisten können, die Software langfristig für eigene Bedarfe zu entwickeln, dürften eher zur Build-Variante tendieren.

Quellen

• https://martech.zone/build-vs-buy-decision/
• https://www.merkle.com/blog/when-should-you-build-vs-buy-martech
• https://chiefmartec.com/2021/07/build-buy-martech/
• https://martech.org/great-martech-debate-build-vs-buy/
• https://www.forbes.com/sites/forbestechcouncil/2020/06/15/should-you-buy-or-build-software-the-answer-is-both/?sh=373adf1138d6

In diesem Artikel erklären wir, was unter agilem Marketing verstanden wird, welche Ziele verfolgt werden, wie der Prozess aussieht und wie agiles Marketing gelingen kann. Dabei haben wir unseren Fokus auf praktische Tipps gelegt und zeigen neben Vorteilen auch Herausforderungen auf.

Inhalt

• Was ist agiles Marketing?

• Was sind die Werte des agilen Marketings?

• Was ist das Ziel von agilem Marketing?

• Wie sieht der Prozess im agilen Marketing aus?

• Wie kann agiles Marketing gelingen? Vier Hands-on-Tipps.

• Was sind Herausforderungen bei der Einführung von agilem Marketing?

Was ist agiles Marketing?

Agile Arbeitsmethoden wurden zuerst in der Softwareentwicklung genutzt. Durch eine transparentere, schlankere und flexiblere Entwicklung sollen kleine Teile funktionsfähiger Software schnell bereitgestellt und die Software im Laufe des Prozesses kontinuierlich verbessert werden. Dadurch kann auf die Bedürfnisse der Kunden flexibel eingegangen werden – mit dem Ziel, die Kundenzufriedenheit zu verbessern. Agile Softwareentwicklung zeichnet sich durch selbstorganisierende Teams sowie eine iterative und inkrementelle Vorgehensweise aus. Dieses Grundprinzip hat sich bewährt. Andere Disziplinen haben ebenfalls die Vorteile erkannt.

Aufgrund des wachsenden Umfangs von Marketingaktivitäten, die parallel durchgeführt werden, und einer damit einhergehenden Komplexität hat sich das Marketing diese ebenfalls angeeignet. Im Marketing bedeutet Agilität, sich schnell und flexibel auf neue Rahmenbedingungen wie z. B. verändertes Zielgruppenverhalten, aktuelle Markttrends oder globale/lokale Ereignisse einstellen zu können.

Um dies zu gewährleisten, führen selbstorganisierende und funktionsübergreifende Teams in sogenannten Sprints schnelle Experimente durch und nutzen Daten, um kontinuierlich vielversprechende Möglichkeiten oder Problemlösungen in Echtzeit zu finden, indem sie die Ergebnisse analysieren, bewerten und schnell iterieren. Eine gut funktionierende agile Marketingorganisation kann hunderte von Kampagnen gleichzeitig durchführen und jede Woche mehrere neue Ideen entwickeln.

Schnell und flexibel zu agieren, ist dabei jedoch kein Selbstzweck. Ziel ist, immer den größtmöglichen Mehrwert für den Kunden zur richtigen Zeit am richtigen Ort – und damit auch für das Unternehmen – zu schaffen. Dies ist nicht mit einer starren Planung, Hierarchien und Arbeit in Silos möglich. Voraussetzung sind flexible interne Prozesse und Arbeitsmethoden sowie Kundennähe.

Laut dem 5th Annual State of Agile Marketing Report von AgileSherpas haben 2022 43 % der Marketing-Teams zumindest einige agile Arbeitsmethoden wie Daily Stand-ups, Backlogs oder Sprints genutzt.

Was sind die Werte des agilen Marketings?

Das Agile Marketing Manifesto bietet Werte, an denen sich Marketer orientieren können:

Kundennutzen und Geschäftsergebnisse vs. Aktivitäten und Outputs

Im agilen Marketing stehen die Bedürfnisse des Kunden und des Unternehmens an erster Stelle, was zu gezielten und relevanten Marketing-Kampagnen führen soll. Konzepte werden nicht mehr aus theoretischer Sicht entwickelt, sondern aus Usersicht (Design Thinking). Ziel ist die Durchführung der „richtigen” anstelle von „mehr” Maßnahmen”.

Denn es ist leicht, Marketingaktivitäten nur um ihrer selbst willen durchzuführen. Die Fokussierung auf Aktivitäten mit dem größten Kundennutzen und wie sich diese auf das Geschäft auswirken, sorgt dafür, dass das Marketing einen messbaren Mehrwert zum Unternehmenserfolg beiträgt.

Frühzeitige Wertschöpfung vs. Streben nach Perfektion

Im agilen Marketing wird in Zyklen gedacht. Jede Marketingmaßnahme, unabhängig vom Erfolg, bietet wertvollen Input zur Optimierung des nächsten Zyklus. Anstatt zu warten. bis Maßnahmen „perfekt" sind, wird schon früh im Prozess darauf geachtet, Kunden einen ersten Mehrwert zu bieten.

Streben nach Perfektion führt zu langen Produktionszyklen und einem Big-Bang-Ansatz. Damit nehmen Marketer sich die Chance, von Kunden zu lernen.

Erkenntnisse aus Daten vs. Meinungen und Konventionen

Ein wichtiger Kern des agilen Marketings ist das Durchführen von Experimenten. Diese liefern wertvolle Daten, von denen Marketing-Teams lernen können. Die aus Daten gewonnenen Erkenntnisse ermöglichen es, bessere und effektivere Marketingentscheidungen zu treffen. Es handelt sich um einen Prozess der Validierung der Erkenntnisse: umsetzen, messen, lernen.

Wenn Daten ignoriert werden und sich auf das bewährte Bauchgefühl, die Meinung anderer oder auf überholte Konvention verlassen wird, kann es passieren, dass kein Nutzen für den Kunden erzielt wird und wertvolle Zeit für die Produktion der falschen Maßnahmen vergeudet wird.

Funktionsübergreifende Zusammenarbeit vs. Silos und Hierarchien

Zusammenarbeit unterschiedlicher Teams, die sich auf die Bedürfnisse des Kunden konzentriert, führt zu besserem Marketing als Silos, Revierkämpfe zwischen Abteilungen und die strikte Befolgung hierarchischer Entscheidungsprozesse.

Reagieren auf Veränderungen vs. Befolgen eines festen Plans

Wenn Marketer nicht in der Lage sind, von einem starren Plan abzuweichen, wenn sich Rahmenbedingungen ändern, dann riskieren sie, nicht adäquat auf Kundenbedürfnisse einzugehen und schlechte Ergebnisse zu erzielen.

Was ist das Ziel von agilem Marketing?

Steigerung der Produktivität und Effizienz

Ein wesentliches Ziel von agilem Marketing ist es, eine höhere Geschwindigkeit bei der Wertschöpfung zu erzielen. Dies ist durch die Änderung der Organisationsstruktur möglich. Silos werden aufgelöst und kleine, funktionsübergreifende Teams gebildet. Diese können Projekte autonom und ohne Hierarchien in kurzen Sprints umsetzen, ohne aufgrund von Abhängigkeiten ins Stocken zu geraten. Statt einen starren Marketingplan zu befolgen, werden schnelle Experimente durchgeführt, deren fortlaufende Iteration in kürzeren Produktionszyklen schneller zu guten Ergebnissen führt.

Tatsächlich stellten 87 % der CMOs, die zu einem agilen Ansatz übergingen, fest, dass ihre Teams dadurch produktiver waren.

Umsatzsteigerung

Die Rendite von Marketinginvestitionen kann kontinuierlich verbessert werden, da die aus den Daten gewonnenen Erkenntnisse auf das nächste Experiment übertragen werden. Das kontinuierliche Feedback, das flexible Anpassung und die starke Ausrichtung an den Bedürfnissen des Kunden führen dazu, dass mit agilem Marketing Umsatzsteigerungen zwischen 20 und 40 % möglich sind.

Höhere Motivation

Agile Methoden und Prinzipien steigern die Motivation. Die Teams sind selbstwirksam, da sie sich selbst organisieren und die Freiheit haben, kreative Lösungen zu finden und Neues ausprobieren zu dürfen. Mitarbeiter übernehmen mehr Verantwortung, wobei Scheitern durchaus willkommen geheißen wird, denn aus den Fehlern kann für das nächste Mal gelernt werden. Auch ein offener Dialog und das Sehen schneller Ergebnisse steigern die Motivation.

Wie sieht der Prozess im agilen Marketing aus?

Im agilen Marketing arbeiten Teams in Zyklen, die Sprints genannt werden. Der Prozess ist auf häufiges Feedback und ständige Verbesserungen ausgelegt – im Gegensatz zum kaskadierenden Wasserfallprozess, der sonst häufig im Marketing zum Tragen kommt.

Schritt 1: Abstimmung mit der Führungskraft und Stellen von Erwartungen ans Team

Das „War Room”-Team trifft sich zu einem Kickoff-Meeting, um klar festzulegen, dass nun die agilen Werte und nicht mehr die früheren Regeln gelten. Das Team formuliert die Erwartungen: intensive und kontinuierliche Zusammenarbeit, Schnelligkeit, positive Fehlerkultur, Meinungen auf Grundlage von Daten und vor allem, den Kunden in den Mittelpunkt aller Entscheidungen zu stellen.

Schritt 2: Analyse der Daten

Die bisher vorliegenden Daten aus z. B. umgesetzten Kampagnen werden analysiert. Hierfür eignen sich Media Mix Modellings, um den bespielten Kanälen einen Wert zum Kampagnenziel beizumessen.

Schritt 3: Definieren und Priorisieren von Tests

Aus den Insights der Analyse entwickelt das Team Hypothesen zur Verbesserung, die in einem sogenannten Backlog festgehalten werden. Die Idee, bei der das Team den größen Impact auf den Geschäftserfolg vermutet und die zeitgleich am einfachsten umzusetzen ist, wird zuerst getestet.

Schritt 4: Testdesign entwickeln

Für jede Hypothese entwirft das Team eine Testmethode und definiert wichtige KPIs, an denen sie den Erfolg ihrer Idee messen können.

Schritt 4: Testdurchführung

Der Test wird durchgeführt und sammelt wiederum wertvolle Daten, aus denen Erkenntnisse für die Optimierung im nächsten Zyklus gewonnen werden können. Das Team muss über wirksame und einwandfreie Tracking-Mechanismen verfügen, um schnell über die Leistung der einzelnen Tests reporten zu können.

Schritt 5: Scale

Ist ein Test erfolgreich gewesen bzw. ist so lange Zyklen durchlaufen, bis eine Kampagne erfolgreich war, kann das Budget erhöht werden. Dieses Vorgehen wird auch im Growth Marketing angewendet. Ohne agile Methoden ist Growth Marketing nicht möglich.

Wie kann agiles Marketing gelingen? Vier Hands-on-Tipps.

Tipp 1: Daten sind (wie immer) der Schlüssel!

Agile Marketing-Teams müssen über ausreichende und richtige Daten verfügen, um Analysen ihrer ständig neuen Experimente durchführen zu können und so die Leistung zu steigern. Um aus den Daten auch Erkenntnisse gewinnen zu können, bedarf es Fachwissen. Nur dann können neben Anomalien, Pain Points und Problemen auch Chancen erkannt werden.

Tipp 2: Tools

Ohne die richtige Technologie-Infrastruktur kann agiles Marketing in großem Umfang nicht gelingen. Die Technologie-Komponenten unterstützen Marketingspezialisten bei der Erfassung, Zusammenführung und Verwaltung von Daten aus unterschiedlichen Systemen, was für die Analyse maßgeblich ist. Außerdem unterstützen Tools bei der Automatisierung der Planung und Buchung kanalübergreifender Kampagnen sowie bei der Rückführung der Performance-Daten in das System, um Auswertungen durchführen zu können.

Tipp 3: Team

Daten und die technologische Infrastruktur sind zwar für den Erfolg entscheidend, aber das Wichtigste sind die Menschen – die Zusammenstellung eines kleinen Teams aus talentierten Mitarbeitern, die schnell und gut zusammenarbeiten können. Jedes Teammitglied bringt sein Fachwissen in den Prozess ein und ist aktiv für den Erfolg des Projektes verantwortlich. Optimalerweise können sie Vollzeit von einem „War Room” aus zusammenarbeiten, damit sie ihre schnell umsetzbaren Experimente durchführen können. Dafür benötigen sie auch den erforderlichen Handlungsspielraum, was eine klare vorherige Abstimmung mit der Führung und Festlegung der Erwartungen an das Team bedarf. Arbeitssilos und Hierarchien sollten durch freie Zusammenarbeit innerhalb eines Team ersetzt werden. Kanban Boards und häufige Abstimmunsmeetings wie Daily Stand-ups fördern Prozesstransparenz und optimieren die Zusammenarbeit. Das Team ist effektiver und agiert als Einheit.

Tipp 4: Reporting

Das Team muss über wirksame und einwandfreie Tracking-Mechanismen verfügen, um schnell über die Leistung der einzelnen Tests reporten zu können. Hier helfen aussagekräftige Dashboards für einen schnellen Überblick über laufende Test und deren Ergebnisse.

Was sind Herausforderungen bei der Einführung von agilem Marketing?

Viele Marketingabteilungen denken, dass sie agil arbeiten, weil sie einige Prinzipien und Prozesse übernommen haben, z. B. funktionsübergreifende Teams einsetzen, Kanban Boards und Daily Stand-ups nutzen und eine Test-and-Learn-Mentalität eingeführt haben. Wenn Teams aber nur teilweise agil sind, profitieren sie auch nicht von allen Vorteilen. Beispielsweise hat das Marketing oft nicht die notwendige Daten- und Technologie- nfrastruktur oder die Unterstützung der Finanzabteilung, so dass Genehmigungen nur langsam erfolgen. Oder ihre Agentur- und Technologiepartner können nicht schnell genug handeln.

Wie kann MMT bei der Umstellung auf agiles Marketing helfen?

Unsere MMT Suite hilft agilen Teams, Marketingkampagnen schnell zu planen sowie auf- und umzusetzen. Die Ergebnisse werden in Echtzeit in Kampagnen-Dashboards visualisiert. Reportings sind auf Knopfdruck verfügbar, sodass wertvolle Insights für den nächsten Zyklus gewonnen werden können. Das alles passiert in einem Tool mit integriertem Kommunikationsmodul, was die Zusammenarbeit zwischen agilem Team und externen Partnern wie Agenturen oder Publishern sehr einfach, schnell und transparent macht.

Fazit

Zumindest die Annäherung an agiles Marketing ist ein Muss. Zu Beginn müssen jedoch erst einmal die technischen Grundlagen geschaffen werden. Denn ohne eine saubere Datenlage und die Möglichkeit, Kampagnen in Echtzeit zu tracken, können keine Analysen erfolgen, die zwingend notwendig sind, um Ideen für Verbesserungen zu generieren und auf Erfolg zu überprüfen.

Quellen

• https://agilemarketingmanifesto.org/
• https://blog.hubspot.de/marketing/was-ist-agile-marketing-hype-oder-entwicklung
• https://www.atlassian.com/de/agile/agile-marketing/what-is-agile-marketing
• https://www.mckinsey.com/business-functions/growth-marketing-and-sales/our-insights/agile-marketing-a-step-by-step-guide
• https://www.marketinginstitut.biz/agiles-marketing/
• https://www.forbes.com/sites/jenniferrooney/2014/04/15/applying-agile-methodology-to-marketing-can-pay-dividends-survey/#3efe48a37ee1
• https://b2bmarketeer.de/agile-marketing/
• https://de.wikipedia.org/wiki/Agile_Softwareentwicklung 

Inhalt

• CO²-Fußabdruck von Audiowerbung

• CO²-Fußabdruck von Out Of Home (OOH)

CO²-Fußabdruck von Audiowerbung

Wie im letzten Artikel erläutert, hat das Gerät, über das wir Audio konsumieren (Streaming oder Radio), einen großen Einfluss auf die Kohlenstoffemissionen des Senders.

Radio

Die BBC-Radiodienste gaben beispielsweise im Jahr 2020 eine Studie in Auftrag, um den Energieverbrauch der einzelnen Audiogeräte zu ermitteln, die von den Hörern der BBC-Radioprogramme verwendet werden. Dabei wurde festgestellt, dass die Nutzung von Digitalfernsehern (80,6 Wh/Gerätestunde) zum Radiohören neunmal mehr Energie verbraucht als die Nutzung von Digitalradios oder DAB (9,3 Wh/Gerätestunde).

Das analoge Radio ist bei weitem das energiehungrigste System, im Wesentlichen AM, da die Sender viel Energie benötigen, die Hörerschaft aber begrenzt ist. Da es flächendeckend zugänglich gemacht wird, benötigt es für eine Person, die es einschaltet, im Grunde die gleiche Energiemenge wie für die gesamte Bevölkerung.

Bei der Abschätzung der Auswirkungen dieses Senders auf den CO2-Ausstoß muss auch die Zeit berücksichtigt werden, die die entsprechenden Geräte im Standby-Modus verbringen: Wenn ein Gerät 24 Stunden am Tag für 2 Stunden an das Stromnetz angeschlossen bleibt, bedeutet dies 22 Stunden (reduzierten, aber spürbaren) Energieverbrauch. Durch das Ausschalten der Geräte könnten bis zu 38,3 % der Energie eingespart werden, so die Forscher.

Music Streaming

Nach Angaben von MQA.co.uk sind die Umweltkosten des heutigen, auf Streaming ausgerichteten Musikgeschäfts doppelt so hoch wie zu Zeiten der CD. Das derzeitige Modell für digitale Musik ist ziemlich verschwenderisch.

Diese Aussage veranschaulicht ein allgemeines Problem der sozialen Medien: Der Zugang zu Inhalten und ihr Konsum haben sehr große Auswirkungen, da sie von der digitalen Infrastruktur abhängen, die sehr energiehungrig ist und in Ländern mit einem hohen Kohlenstoffanteil im Energiemix betrieben wird.

Im Vergleich zu anderen Möglichkeiten, Musik zu hören, wie z. B. mit herkömmlichen CD-/Vinyl-Playern: Compact Discs und Vinyl-Schallplatten werden nur einmal hergestellt und wiederholt abgespielt, bis das Medium abgenutzt ist. Die Abspielgeräte selbst verbrauchen beim Abspielen Energie, und es gibt keine Infrastruktur, die auf die nächste Anfrage wartet.

In verschiedenen Artikeln, die im Internet zu finden sind, wird die Schätzung von 55 g CO2eq pro Stunde aus dem Carbon Trust Paper über Videostreaming erwähnt, wobei die Berechnung auf dem Datenverbrauch von Netflix basiert. Es scheint allgemein anerkannt zu sein, dass der Fußabdruck für Video und Audio gleich sein sollte, aber in dem Papier heißt es, dass beim Streaming über ein Mobilfunknetz auch das Datenvolumen den Fußabdruck beeinflusst. Dieser Vergleich des News Statesman veranschaulicht das obige Problem sehr gut.

Wenn wir uns auf den Artikel von Kommandotech beziehen, ist das erforderliche Datenvolumen sehr unterschiedlich, je nach Größe der als Quelle verwendeten Datei, von Video- bis zu Audiodateien:

Wenn wir davon ausgehen, dass der Fußabdruck von Audio und Video nicht als gleichwertig angesehen werden sollte, nehmen wir eine Schätzung auf der Grundlage der online verfügbaren öffentlichen Informationen vor. Laut dem Spotify 2021 Equity & Impact Report beliefen sich die gesamten Treibhausgasemissionen von Spotify im Jahr 2021 auf 353.054 t CO2eq. Eine schnelle Berechnung der gesamten CO2-Emissionen von Spotify im Zusammenhang mit der Endnutzung und der Cloud-Speicherung im Jahr 2021 (36 % des gesamten CO2-Fußabdrucks des Unternehmens), geteilt durch das Volumen der verbrauchten Minuten (ebenfalls laut Spotify-Website), ergibt ein Ergebnis, das dem durchschnittlichen CO2-Fußabdruck des Streamings nahekommt.

Der Unterschied ist wichtig und sollte nicht als gegeben hingenommen werden: Diese Schätzung beinhaltet NICHT die verwendeten Geräte (Produktion und Energieverbrauch/Energiemix des Landes), die einen wichtigen Teil der Treibhausgasemissionen darstellen können.

Podcasts

Der Podcast-Konsum unterscheidet sich vom Streaming, da er traditionell heruntergeladen wird, bevor er angehört wird. Laut der Arbeit von Catherine Ho (siehe den Download-Link in der Liste der Quellen) werden Podcasts in der Regel nur einmal angehört, was letztendlich dem Streaming der Datei entspricht.

CO²-Fußabdruck von Out Of Home (OOH)

Definition von Out-Of-Home:

Im Marketing umfasst der Begriff OOH in der Regel alle Aktivitäten im Außenbereich: Straßenwerbung, Stadtmöblierung, Verteilung von Flyern oder Mustern, Veranstaltungen und mobile Werbung.

Die Berechnung des CO2-Fußabdrucks ist so individuell wie die Formate, die den Werbetreibenden zur Verfügung gestellt werden. Daher ist es wichtig, die Auswirkungen für jede einzelne Kampagne in Abhängigkeit von den verschiedenen verwendeten Formaten und der Länge der Kampagne (sowie der Länge der Videowerbung bei Digitalwerbung) zu schätzen.

Da die OOH-Werbung äußerst vielfältig ist, sprechen wir über folgende Arten von Auswirkungen:

• Ressourcenverbrauch: für den Bau und die Instandhaltung von Websites.
• Kunststoffverbrauch: Die meisten großen Außenplakate bestehen aus Vinyl und können auch an Objekten wie Bussen, Flugzeugen, Gebäuden usw. angebracht werden.
• Stromverbrauch: Einige Großflächenplakate sind in der Regel nachts und manchmal auch tagsüber beleuchtet, digitale Bildschirme und drehbare Plakatwände sind rund um die Uhr aktiv.
• Papier-, Druck- und Lösungsmittelverbrauch: Wenn es sich um traditionelle Standorte handelt (analoge Stadtplakate), werden viele immer noch manuell mit Klebstoff befestigt oder auf einer rotierenden (elektrischen, beleuchteten) Stadttafel angebracht.
• Transportaufwand: Die Anlieferung von Papier- oder Vinylplakaten zu den Aushangstellen erfordert einen Straßentransport.

JcDecaux, eines der führenden Unternehmen der Branche, hat 2008 eine ehrgeizige Nachhaltigkeitsstrategie eingeführt, die vorsieht, bis 2030 kohlenstoffneutral zu sein (sowohl im Geschäft als auch im Betrieb). Zusammen mit vier anderen großen Unternehmen der Branche hat das Unternehmen mit Unterstützung der französischen Gewerkschaft der Außenwerbung einen CO2-Fußabdruck-Rechner für den französischen Markt entwickelt. Wie wir im letzten Artikel gesehen haben, spiegelt dies nur den Energiemix wider (sehr kohlenstoffarme Energie, da die Kernenergie dekarbonisiert wird), aber es gibt einen Eindruck von den Proportionen.

Wie man sieht, haben digitale Bildschirme eine größere Auswirkung aufgrund der Energie, die für die Versorgung des Bildschirms erforderlich ist. Die Einzelheiten der Methodik werden auf der UPE-Website erläutert.

Wie können Unternehmen ihren Fußabdruck verbessern?

OOH - Tipps zur Verbesserung des CO2-Fußabdrucks Ihrer OOH-Kampagnen:

Laut Adquick haben die Werbetreibenden einen großen Einfluss auf die Entwicklung des Marktes, da sie in der Lage sind, Veränderungen zu fordern:

• Verwendung von recyceltem und wiederverwertbarem Material und grüner Energie.
• Kampagnen können über einen längeren Zeitraum aufrechterhalten und nach Ablauf der Nutzungsdauer wiederverwendet werden.
• Einige Formate gelten als umweltfreundlicher als andere, z. B. analoge oder digitale Außenwerbung oder Verkehrsmittel (Busse, Taxis) im Vergleich zu mobilen Werbeträgern (Autos, die für Werbung genutzt werden).
• Priorisierung der tugendhaften Betreiber.

Im April dieses Jahres wurde das erste Plakat, das Kohlenstoff aus der Atmosphäre saugt, in London aufgestellt. Diese neue Technologie kann dem Sektor einen Vorteil verschaffen, da sie die Möglichkeit bietet, Werbung mit dem Ausgleich negativer Umweltauswirkungen zu kombinieren.

Andere OOH-Unternehmen wie JcDecaux, Jolt, Lamar advertising, Outfront, Ströer und Volta haben die Auswirkungen ihrer Tätigkeit erkannt und bieten nachhaltige Angebote an. Es ist möglich, den Fußabdruck von Kampagnen zu minimieren, indem man von den Agenturen verlangt, mit nachhaltigen Partnern zusammenzuarbeiten.

Audio - Tipps zur Verbesserung des CO2-Fußabdrucks Ihrer Audionutzung:

• Wechseln Sie von einem digitalen Fernsehgerät zu einem Computer oder einem digitalen Radiogerät, um Radio zu hören.
• Laden Sie die Alben/Songs herunter, die Sie regelmäßig und oft hören, oder kaufen Sie eine CD, wenn Sie sie mehr als 27 Mal anhören.
• Streamen Sie Inhalte, die Sie nur einmal anhören, und speichern Sie keine Inhalte, die Sie nicht noch einmal konsumieren möchten.
• Schalten Sie Ihre Geräte aus, anstatt sie im Standby-Modus zu lassen.

Fazit

Es gibt Möglichkeiten für Werbetreibende, nachhaltigere Angebote für beide Medienarten zu nutzen. Es ist bereits möglich, die Werbeaktivitäten zu minimieren und die Auswirkungen des Kohlenstoffausstoßes zu kompensieren, indem Sie von Ihrer Agentur eine klare Schätzung der Auswirkungen der Kampagne verlangen und die Kosten für die Kompensation in das Budget aufnehmen. Auf der Ebene des einzelnen Verbrauchers ist die geräteabhängige Endnutzung die Hauptursache für die erhöhten Auswirkungen: Die kluge Wahl des Geräts und des Netzes, über das die Medien konsumiert werden, und die Erinnerung daran, das System auszuschalten, wenn es nicht benutzt wird, könnten einen großen Nutzen bringen, ohne dass dies Auswirkungen auf das tägliche Leben hat. Nur eine Gewohnheit, die man sich angewöhnen sollte.

Quellen

• Technology to reduce HQ audio to minimum digital weight - www.MQA.co.uk
• Study of BBC radio Service energy consumption - https://www.bbc.co.uk/rd/publications/research-393-energy-footprint-bbc-radio-environment-impact-sustainability
• Spotify report 2021- https://www.lifeatspotify.com/reports/Spotify-Equity-Impact-Report-2021.pdf
• Data volume of audio and video - https://kommandotech.com/guides/how-much-data-does-streaming-use/
• Streaming music around the world GWI 2021 - https://cdn2.hubspot.net/hubfs/304927/Downloads/Music-Streaming-Around-the-World-Infographic.pdf
• Carbon trust report - https://prod-drupal-files.storage.googleapis.com/documents/resource/public/Carbon-impact-of-video-streaming.pdf
• KommandoTech Data volume - https://kommandotech.com/guides/how-much-data-does-streaming-use/
• About production footprint - https://expressiveaudio.com/blogs/audio-advent/audio-advent-day-1-the-environmental-impact-of-listening-to-music
• Business of apps - Spotify stats
• https://www.businessofapps.com/data/spotify-statistics/
• The carbon footprint of podcasts - The iJournalhttps://theijournal.ca › ijournal › article › download
• UPE - OOH Carbon Footprint calculator - http://carbone-calculateur-adoohcc.upe.fr
• First net negative OOH campaign - https://www.brightvibes.com/2665/en/this-billboard-sucks-co2-out-of-the-air-using-natural-sunlight-to-break-down-harmful-emissions
• Sustainable DOOH solutions - https://info.vistarmedia.com/blog/sustainable-ways-to-dooh-it 
• First article about carbon footrping of Audio which takes the Carbon Trust Video value - https://www.newstatesman.com/environment/2021/11/how-environmentally-damaging-is-music-streaming 

In diesem Artikel bieten wir eine Perspektive zur Beantwortung dieser Fragen und gehen auf eine mögliche Unterscheidung verschiedener Abstufungs-Formen des Inhouse Media Buying ein.

Inhalt

• Technical Inhousing

• Hybrid Inhousing

• Full Inhousing

• Full Inhousing: Eine Utopie?

Auf den ersten Blick ist das Inhouse Media Buying ein verlockendes Konzept für werbetreibende Unternehmen. Schließlich verspricht es volle Kontrolle über die eigenen Daten und Budgets sowie Unabhängigkeit von Agenturen und anderen Vermittlern. Immerhin haben bereits 73 Prozent der Marken zumindest einige Teile ihres digitalen Marketings unter Eigenregie gestellt. Doch Inhousing ist nicht gleich Inhousing: Es gibt verschiedene Modelle, die je nach Größe und Ausrichtung des werbetreibenden Unternehmens unterschiedlich geeignet sind. Wie Marken ihr Media Buying organisieren und welche Rolle dabei eine Agentur als Partner spielt, hängt maßgeblich vom internen Know-How, den finanziellen und zeitlichen Ressourcen sowie dem AdTech-Setup ab. Dabei muss zunächst in die verschiedenen Formen des Inhouse Media Buying unterschieden werden: Technical Inhousing, Hybrid Inhousing und Full Inhousing.

Technical Inhousing

Unter Technical Inhousing versteht man es, wenn Unternehmen die technischen Infrastrukturen bspw. für den Mediaeinkauf und/oder das gesamte Kampagnenmanagement selbst lizenzieren. Dazu können sie beispielsweise Adserver, DSP oder Verification-Services selbst lizenzieren oder auch eigenständig ein Facebook-Werbekonto aufsetzen. Die Unternehmen arbeiten sich in die technischen Systeme ein und schließen direkte Verträge mit entsprechenden Dienstleistern ab, ohne eine Agentur als Mittler einzusetzen. Jedoch arbeitet die Agentur dann operativ im lizensierten System und erhält entsprechende Zugänge.

Ein großer Vorteil des technischen Inhousing liegt darin, dass Werbetreibende potentiell Geld sparen können, da sie für die aufwendige technische Abwicklung keinen Partner benötigen und in die direkte Verhandlung mit dem Anbieter gehen können. Zudem lässt sich die die eigene Dateninfrastruktur direkt und mit eigenen Ressourcen anschließen. Das bricht Datensilos auf, verringert Abhängigkeiten sowie Komplexität und verschafft Unternehmen einen direkten Zugriff auf sämtliche Kampagneninformationen. So können Werbetreibende auch steuern, welche Dienstleister, welche Rechte auf den Plattformen erhalten. Entsprechend gewinnen sie ein deutliches Plus an Kontrolle und können später, bspw. beim Wechsel der Agentur, ohne großen Datenverlust weiterarbeiten.

Jedoch müssen Werbetreibende für diesen Schritt das entsprechende Fachwissen mitbringen oder erst einmal aufbauen, bzw. externe Beratung hinzuziehen. Auch muss Kapazität im Einkauf, sowie in der IT vorhanden sein. Das ist erstmal ein initialer Aufwand, jedoch vergleichsweise überschaubar. Auch die fortlaufende Steuerung ist insgesamt mit geringem personellen Aufwand möglich.

Jedes Unternehmen, dass diese Ressourcen aufbringen kann, kann technisches Inhousing umsetzen. Daher ist es für viele Werbetreibende ein guter erster Schritt, den Mediaeinkauf in die eigene Hand zu nehmen.

Hybrid Inhousing

Auch beim Hybrid Inhousing arbeiten Werbetreibende mit Agenturen zusammen. Dabei übernehmen sie bspw. einzelne Prozessschritte oder Medien-Gattungen inhouse und geben alles Weitere an eine Agentur ab. Die Unternehmen verhandeln dabei beispielsweise selbst mit Publishern und nehmen so die Einkaufskomponente aus den Agenturaufgaben heraus. Oder sie kümmern sich selbst um die digitale Werbung und beauftragen einen Dienstleister mit den analogen Kanälen. Selbst die Übernahme von einzelner Teilschritten ist denkbar, wie etwa die Budgetallokation auf die verschiedenen Kanäle mit späterer Übergabe an die operative Umsetzung in der Agentur. Insgesamt lassen sich viele Formen der hybriden Zusammenarbeit am Markt finden

Dafür spricht, dass Werbetreibende dabei flexibel und je nach vorhandenen, eigenen Ressourcen einzelne Aspekte des gesamten Mediaprozess übernehmen und so mehr Unabhängigkeit und eigenes Wissen erlangen können. Sie können ihre eigenen Stärken und Kompetenzen nutzen, eng mit internen Abteilungen zusammenarbeiten, schützen internes Wissen und können trotzdem eine reduzierte, jedoch nachhaltigere Partnerschaft zu Agenturen pflegen.

Dazu benötigt es jedoch Agenturen, die bereit sind, sich auf dieses Modell einzulassen und von denen es bislang noch zu wenige gibt.

Unternehmen, die sich für ein hybrides Inhousing entscheiden, sollten im Vorfeld genau abwägen, welche Komponenten des Media Buying sie auch langfristig selbst übernehmen können - auch bei Personalfluktuationen.

Full Inhousing

Die aufwändigste Form des selbstgesteuerten Mediaeinkaufs ist das Full Inhousing. Dabei arbeiten Unternehmen autark und ohne Hilfe einer Agentur. Vom Aufsetzen der technischen Infrastruktur über die strategische Planung bis hin zur Umsetzung und Auswertungen übernehmen Unternehmen alle Aspekte des Media Buying selbst.

Die Vorteile liegen dabei klar auf der Hand: Werbetreibende haben die volle Kontrolle über die Budgets, Daten und Inhalte. Die Markenhoheit bleibt zu 100 Prozent beim Unternehmen selbst und es besteht keinerlei Abhängigkeit zu anderen Dienstleistern, mit Ausnahme der Walled Gardens.

Das bringt jedoch einen hohen zeitlichen und finanziellen Aufwand zum Aufbau von Personal, Knowhow und Infrastruktur mit sich. Inhouse aufgebaute Experten sind zudem auf dem Arbeitsmarkt äußerst gefragt und so nur schwer dauerhaft zu halten.

Full Inhousing eignet sich daher zunächst vor allem für kleinere Unternehmen, die nur wenige Werbekanäle bespielen. Große Advertiser stehen vor einer fast unlösbaren Mammutaufgabe, wenn ein Full Inhousing angestrebt wird. Hier empfehlen wir eine schrittweise Annäherung über oben beschriebene Zwischenlösungen. Auch sollte immer Offenheit für einen leichten Kurswechsel bestehen und je nach Fortschritt der Prozess beschleunigt, bzw. entschleunigt werden. Zudem sollte über den gesamten Prozess ein Rückgriff auf eine praxisnahe und erfahrene Beratung genommen werden.

Full Inhousing: Eine Utopie?

These: Große Unternehmen, die in allen Gattungen präsent sein wollen – und auch müssen – können ein vollständiges Inhouse Media Buying nicht nachhaltig leisten. Sie müssen nicht nur die nötigen Talente ausbilden und halten, sondern auch stetig auf die Veränderungen des Marktes reagieren. Exzellent ausgebildete und aufgestellte Teams benötigen zusätzlich jemanden, der Innovationen vorantreibt. Es ist also weniger eine Frage der initial vorhandenen Ressourcen als eine der langfristigen Kosteneffizienz. Kleine Unternehmen hingegen, für die Media Buying einen überschaubaren Aufwand bedeutet, stoßen irgendwann durch ihr eigenes Wachstum – schließlich will sich jedes Unternehmen entwickeln – an die Grenzen des Full Inhousing. Für viele Werbetreibende ist Hybrid Inhousing also das Modell der Zukunft.

Und trotzdem sehen wir noch zu selten, dass Agenturen dafür passend aufgestellt sind und diese Option offen in Richtung der Kunden nach vorne stellen und auch als Chance begreifen. 

In den letzten Jahren ist in der Mediaberatung bzw. -planung die Anforderung gestiegen, dass der Erfolg von Mediakampagnen nicht nur messbar sein soll, sondern diese bereits möglichst effizient und datengetrieben geplant werden. Zu Beginn stehen demnach die Fragen, wie verschiedene Mediakanäle bei einem gegebenen Budget möglichst sinnvoll kombiniert werden und welches Ziel in Bezug auf Markenkennzahlen oder Verkäufe mit der Kampagne erreicht werden kann bzw. welches Budget zur Zielerreichung notwendig ist. Folglich werden Attributionsverfahren benötigt welche den Ergebnisbeitrag der Mediakanäle aufzeigen.

Inhalt

• Media Mix Modellings

• Lineare Modelle

• Modelle des maschinellen Lernens

Media Mix Modellings

Antworten auf diese Fragen kann ein Media Mix Modelling geben (MMM). Hierbei wird mittels statistischer Verfahren:

1. Der Beitrag jedes Mediakanals zu einer definierten Zielvariable ermittelt
2. auf dieser Basis lassen sich anschließend Prognosen für zukünftige Kampagnen anhand der Mediaplanung ableiten und die relevanten Mediakanäle ermitteln und
3. Empfehlungen treffen wie das Budget zu verteilen ist.

Bei einem MMM wird also eine übergeordnete Perspektive eingenommen und mit aggregierten Daten gearbeitet. Die verschiedenen Mediakanäle werden gemeinsam betrachtet und auch externe Faktoren berücksichtigt (wie z.B. Preis- und Promotionaktionen, Wettbewerbsverhalten oder die gesamtwirtschaftliche Situation). Das bringt den Vorteil mit sich, dass nicht ein Mediakanal für sich allein optimiert wird und z. B. keine nutzerbezogenen Daten benötigt werden, sondern lediglich Daten zur Medialeistung je Kanal und der jeweiligen Zielvariable im Zeitverlauf. Die Optimierung des Mediabudgets, so dass das Kampagnenergebnis durch das Zusammenspiel aller Kanäle maximiert wird, ist allerdings ein komplexes multidimensionales Problem, bei dem Aspekte wie nicht-Linearität und Sättigungseffekte, zeitversetzte Mediaeffekte sowie Interaktionseffekte zu beachten sind.

Lineare Modelle

Ein in der Praxis bewährtes Vorgehen ist seit Langem der Einsatz von linearen Modellen bei der Umsetzung von MMM. Damit werden gute Erfolge erzielt und sie sind weit verbreitet, da sie einfach erklärbar und transparent sind und sehr präzise sein können. Allerdings sind auch die Grenzen weithin bekannt. Konzeptionell bedingt lassen sich die nicht-linearen und zeitversetzten Zusammenhänge zwischen Media und der Zielvariable und Interaktionen zwischen den Mediakanälen mit linearen Modellen oft nur schlecht abbilden, was zudem einen sehr großen Zeitaufwand bedeutet, wenn viele Iterationen durchlaufen werden müssen, um das Modell richtig zu kalibrieren. Darüber hinaus bedeuten lineare Modelle eine Reduktion der Komplexität, wodurch Information verloren geht, wenn z.B. digitale Kanäle zusammengefasst werden müssen, weil ihr Effekt einzeln nicht abbildbar ist, obwohl gerade der digitale Bereich immer wichtiger im Media-Mix wird.

Grenznutzenkurven zeigen den nicht-linearen Zusammenhang zwischen Medialeistung und Zielvariable sowie Sättigungsniveau und Optimum als Punkt des effizientesten Mediaeinsatzes.

Nicht-Linearität

Zentrales Ergebnis aus einem MMM sind die Grenznutzenkurven je Kanal. Diese folgen typischerweise einem logarithmischen Zusammenhang. Das heißt, zu wenig Mediabudget bedeutet, dass Potenziale nicht ausgenutzt und zu wenig Wirkung erzielt wird. Dagegen führt ein zu hohes Mediabudget dazu, dass die Kampagne nicht mehr profitabel ist (Sättigungseffekt). In der Mitte befindet sich das Optimum, wo der Anstieg am höchsten ist und somit die Medialeistung effizient eingesetzt wird. Diese Grenznutzenkurven sind die Grundlage für die Entscheidung, wie das Budget auf die verschiedenen Kanälen möglichst effizient verteilt werden sollte, um damit das Budget zu optimieren.

Zeitversetzte Mediawirkung (Adstock-Effekt)

Media wirkt nicht zwingend direkt in der jeweiligen Kampagnenwoche, sondern verteilt sich ggf. über Wochen nach der Kampagne. Eine Markenbekanntheit muss sich bei den Endkunden durch Wiederholungskontakte zunächst aufbauen, oder sie sehen die Kampagne und entscheiden sich erst später zum Kauf. Dies muss in dem Modell berücksichtigung finden, d.h. für die Mediakanäle muss der Adstock-Effekt ermittelt werden, damit dieser Effekt auch in der Mediaplanung und den auf dem Modell basierenden Prognosen einbezogen werden kann.

Interaktion

In einem MMM soll die gemeinsame Wirkung aller genutzten Mediakanäle betrachtet werden. In einer Kampagne werden die verschiedenen Kanäle meist gemeinsam geplant und oft auch zum gleichen Zeitpunkt eingesetzt. Die Endkunden haben somit über verschiedene Berührungspunkte Kontakt zu der betrachteten Marke. Es wird dabei von einer gegenseitigen Verstärkung der Kanäle ausgegangen, so dass zum Beispiel die Ergänzung einer digitalen Kampagne den Effekt der TV-Kampagne verstärkt. Diese Interaktionseffekte zwischen mehreren Variablen korrekt abzubilden, kann in linearen Modellen problematisch werden, wenn die Mediakanäle gleichzeitig eingesetzt wurden. Gerade den Effekt von unterrepräsentierten Kanälen mit geringem Budget korrekt zu identifizieren ist oftmals schwierig.

Modelle des maschinellen Lernens

Diese komplexen Zusammenhänge zwischen den Variablen können gegebenenfalls mit neueren Verfahren des Maschinellen Lernens (ML) besser abgebildet werden. Als solche werden künstliche Systeme bzw. Algorithmen bezeichnet, welche anhand von Beispieldaten komplexe Modelle entwickeln, sozusagen Wissen generieren, indem sie Muster / Gesetzmäßigkeiten erkennen, die anschließend verallgemeinert und auf neue unbekannte Daten angewendet werden können.¹ Bei ML handelt es sich um einen Teilbereich der künstlichen Intelligenz (KI). Unter KI wird das Idealbild eines künstlichen intelligenten Systems verstanden, wobei eher von einem rational denkenden und handelnden System gesprochen werden sollte, was von den bewussten intelligenten (aber nicht immer rationalen) Entscheidungen eines Menschen abgegrenzt werden muss. Aktuell sind aus dem Bereich KI vorwiegend sehr spezialisierte Anwendungen wie Bilderkennung oder Sprachausgabe tatsächlich in der Praxis etabliert.²

Der Vorteil von komplexeren ML-Algorithmen ist, dass Interaktionseffekte, nicht-lineare Zusammenhänge und auch die zeitverzögerte Wirkung von Media automatisch Berücksichtigung finden. In der Arbeit mit linearen Modellen kann es sehr aufwendig sein, Annahmen zur nicht-linearen Funktion der Variablen zu treffen, den Adstock-Effekt bzw. Variablen für die zeitverzögerte Wirkung zu definieren und diverse Modelle mit unterschiedlichen Variablenkombinationen zu prüfen. Dabei müssen die relevanten Variablen erkannt und redundante Variablen ausgeschlossen werden, um einerseits eine Überspezifikation zu vermeiden, aber die bestmögliche Anpassungsgüte zu erzielen. Werden zu viele Merkmale in ein lineares Modell aufgenommen, kann der Beitrag einzelner Merkmale eventuell nicht mehr zuverlässig geschätzt werden, es müssen aber alle wichtigen Merkmale enthalten sein, um die Zielvariable ausreichend zu erklären.

Das Modell ist nicht ausreichend an die Daten angepasst / Das Modell ist zu genau an die Daten angepasst.

Das Modell weist eine hohe Anpassungsgüte auf.

Dagegen können beispielsweise Algorithmen die auf Entscheidungsbäumen basieren sehr hilfreich in der Erstellung eines MMM sein, da der Einbezug von Variablen durch den Algorithmus geprüft wird und die Wahrscheinlichkeit einer Überspezifikation gesenkt wird. Diese Verfahren können sowohl den individuellen als auch gemeinsamen Effekt der einbezogenen Merkmale aufzeigen. Somit kann der nicht-lineare Zusammenhang der Mediakanäle mit der Zielvariable realistisch dargestellt werden und auch Interaktionseffekte zwischen den einbezogenen Merkmalen, zum Beispiel auch die Mediawirkung in Kombination mit einer gleichzeitigen Preiskampagne oder die im Zeitverlauf unterschiedliche Wirkung von Media bei saisonal getriebenen Produkten.

Definition Entscheidungsbäume

Unter Entscheidungsbäumen werden Verfahren verstanden welche baumähnliche Modelle erstellen, die mehrstufige Entscheidungsregeln abbilden. Grafisch können sie als Baumdiagramm dargestellt werden, welches die hierarchisch aufeinander folgenden Entscheidungen wiedergibt. Auf jeder Ebene wird dabei angegeben, wie das jeweilige Merkmal zur Erklärung der Zielvariable beiträgt. Die Kombination der verschiedenen Merkmale eines Astes ergibt die Vorhersage für die Zielvariable

Darüber hinaus haben sich baumbasierte Verfahren wegen ihrer guten Modellgüte bewährt. Im Modellingprozess werden die Daten in Trainings- und Testdatensatz unterteilt. Anhand der Trainingsdaten wird das Modell erstellt. Die Testdaten dienen zur Überprüfung der Prognose und zeigen wie robust das Modell ist, d.h. wie genau die Prognose auf unbekannten Daten funktioniert. Insbesondere solche Algorithmen welche viele voneinander unabhängige Entscheidungsbäume erstellen, zeichnen sich durch ihre hohe Genauigkeit aus (z. B. Random Forest, Gradient Boosted Trees). Vor allem Boosting-Verfahren führen im Allgemeinen zu sehr guten Ergebnissen. Hierbei wird bei der Modellerstellung aus den Bäumen mit schlechterer Prognose gelernt, so dass mit jedem Durchlauf die zuvor falsch prognostizierten Werte zu einer Verbesserung des Modells führen.

Das Baumdiagramm zeigt ein vereinfachtes Beispiel des Aufbaus eines Entscheidungsbaums mit Absatz als Zielvariable.

Während ML-Algorithmen in der Vergangenheit aufgrund ihrer Komplexität als Black Box angesehen wurden, ist inzwischen ihre Erklärbarkeit auch gegeben. Ein Kritikpunkt war bisher, dass die Modelle zwar präzise sind, aber nicht ersichtlich, wie genau die einbezogenen Merkmale zur Prognose beitragen. Durch Ansätze wie Shapley Values oder LIME (Local Interpretable Model-agnostic Explanations) können die Modelle inzwischen gut interpretiert werden und aufgezeigt werden, welcher Input maßgeblich für das Prognoseergebnis ist. Mit ihrer Hilfe kann der Beitrag der einbezogenen Merkmale, bzw. der verschiedenen Mediakanäle ermittelt und visualisiert werden und zum Beispiel auch die Grenznutzenkurven der Mediakanäle abgeleitet werden. Weiterhin können andere Algorithmen genutzt werden um auf Basis eines fertigen Modells das Optimierungsproblem der Budgetverteilung zu lösen (wie. z. B. Autograd). Damit können nicht nur Szenarien für die Mediaplanung erstellt werden, sondern automatisiert die optimale bzw. effizienteste Budgetverteilung auf die Mediakanäle gefunden werden.

Wie kann MMT helfen?

Die Tools von MMT ermöglichen einfachere, präzisere und schnellere Entscheidungen in der Mediaplanung. Komplexere ML-Algorithmen bieten die Grundlage für eine Automatisierung des Modellingprozesses und damit eine Skalierbarkeit für viele Marken, Produkte oder auch Regionen, da statistisch robuste Modelle zeiteffizient erstellt werden können.

Welches Verfahren schlussendlich verwendet wird, hängt immer vom jeweiligen Anwendungsfall und der Qualität der vorhandenen Daten ab. In der Modellerstellung gilt der Grundsatz “so einfach wie möglich, so kompliziert wie nötig”. Daher haben lineare Modelle ihre Berechtigung in der Praxis. Sie können gegebenenfalls erste Erkenntnisse generieren und in weiteren Ausbaustufen komplexe Algorithmen eingesetzt werden. Für den Erstellungsprozess ist es wichtig, die Leistungsfähigkeit der verschiedenen Verfahren zu verstehen. Um die Auswahl des geeigneten Algorithmus zu treffen muss immer beurteilt werden, wie gut das Verfahren für den Anwendungsfall funktioniert.

Weitere Beispiele für den Einsatz von Machine Learning bei MMT Scope abseits von MMM finden sich bei Test&Scale, MTA und TV Performance. 

Quellen

¹ Fraunhofer -Gesellschaft (2018): Maschinelles Lernen - Kompetenzen, Anwendungen und Forschungsbedarf, S. 9.

² https://divis.io/2019/03/ki-fuer-laien-teil-1-was-ist-ki/

³ https://wirtschaftslexikon.gabler.de/definition/maschinelles-lernen-38193/version-261619 und https://www.sap.com/germany/insights/what-is-machine-learning.html