Wie Bayesian MMM hilft, die regionale Mediaplanung zu optimieren

Das klassische Marketing Mix Modeling (MMM) ist ein etabliertes Tool um Handlungsempfehlungen für die Mediaplanung abzuleiten. In unseren bisherigen Beiträgen haben wir bereits gezeigt, wie die Ergebnisse eines MMM genutzt werden können und welche Vorteile die methodische Erweiterung durch einen bayesianischen Ansatz bietet.

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.