Open-Source-Pakete und KI-Agenten haben die Erstellung eines Marketing-Mix-Modells (MMM) vereinfacht, aber sie haben es nicht einfacher gemacht, festzustellen, ob das Modell richtig ist. Die Hürde verlagerte sich von der Erstellung des Modells zur Überwachung: es anhand von Experimenten zu kalibrieren, Modelle zu vergleichen und zu benennen, wer die Zahl abzeichnet. Südostasien ist mit seinen kurzen Datenhistorien und vielen Kanälen pro Marketing-Dollar am stärksten in Erscheinung getreten.
Wichtigste Erkenntnisse
- Ein KI-Agent kann jetzt ein Open-Source-Paket abrufen, Ausgaben- und Umsatzdaten laden und fast ohne statistischen Hintergrund ein funktionierendes Marketing-Mix-Modell erstellen.
- Robyn (Meta) stellt die geringsten Anforderungen an den Benutzer, Meridian (Google) benötigt datenwissenschaftliche Codierung und PyMC Marketing benötigt Bayes'sches Fachwissen; Agenten löschen die Setup-Lücke, aber nicht die Interpretationslücke.
- In fünfzehn großen Werbeexperimenten, die von Gordon, Zettelmeyer, Bhargava und Chapsky untersucht wurden, lagen die Beobachtungsmethoden in etwa der Hälfte der Studien um den Faktor drei oder mehr daneben.
- Modelle scheitern oft an Daten, bevor die Modellierung beginnt: Empfehlungen von KI-Assistenten ohne Empfehlungsgeber, unbezahlter Markenaufbau und veraltete Eingaben von Konkurrenten und Zielgruppen.
- Überwachung bedeutet, sich anhand von Experimenten zu kalibrieren, Meinungsverschiedenheiten zwischen Modellen als Feststellung zu behandeln und die Person zu benennen, die die Zahl abzeichnet.
Was hat sich bei der Marketing-Mix-Modellierung geändert?
Der Aufbau eines Marketing-Mix-Modells ist mittlerweile etwas, das fast jeder tun kann. Es bleibt selten zu wissen, ob dieses Modell die Wahrheit sagt. AdExchanger berichtete kürzlich über den Aufstieg der Open-Source-Marketing-Mix-Modellierung und prägte dabei die Bezeichnung OS MMM, und die Aufregung hinter dem Stück war echt. Es wurde einfach nicht auf die richtige Leistung hingewiesen.
Julian Runge von der Medill School im Nordwesten hat eine Version dieses Arguments vorgebracht, die mehr Aufmerksamkeit verdient, als sie bekommt. Ein KI-Agent kann jetzt aufgefordert werden, ein Open-Source-Modellierungspaket abzurufen, die Ausgaben- und Umsatzdaten eines Kunden zu laden und ein funktionierendes Marketing-Mix-Modell zu erstellen, ohne dass dafür statistische Vorkenntnisse erforderlich sind. Jeder, der einer Beratungsfirma einen sechsstelligen Betrag gezahlt und ein Vierteljahr auf eine Antwort auf eine so einfache Frage gewartet hat, wie welcher Kanal tatsächlich funktioniert, sollte einen Moment darüber nachdenken.
Dann kommt der Teil des Arguments, der auf einer zusammenfassenden Folie nicht gut ankommt. Was billig geworden ist, ist die Herstellung eines Modells. Was immer noch genau das kostet, was es immer gekostet hat, ist, mit einem Recht zu haben.
Welcher Teil der Marketing-Mix-Modellierung ist tatsächlich günstiger geworden?
Runge und Koen Pauwels haben dieses Jahr einen praktischen Vergleich der wichtigsten Open-Source-Pakete veröffentlicht, und sie sind ungewöhnlich klar im Hinblick darauf, was jedes einzelne verlangt. Robyn, entwickelt von Meta, kombiniert Ridge-Regression mit einem evolutionären Suchprozess. Es stellt die geringsten Anforderungen an den Benutzer und kann in weniger als einem Tag ein funktionsfähiges Modell zurückgeben. Googles Meridian erwartet echte Data-Science-Codierungsfähigkeiten. PyMC Marketing setzt echtes Bayes'sches Fachwissen voraus und es dauert oft ein paar Wochen, bis es richtig funktioniert.
| Paket | Was es vom Benutzer verlangt | Wie es sich anhand von Experimenten kalibriert |
|---|---|---|
| Robyn (Meta) | Das Geringste; Ridge-Regression mit evolutionärer Suche, ein funktionierendes Modell in weniger als einem Tag | Durch die Optimierung mit mehreren Zielen, die Runge und Pauwels als weniger verstanden und weniger getestet bezeichnen |
| Meridian (Google) | Echte datenwissenschaftliche Codierungsfähigkeiten | Experimentergebnisse als Bayes'sche Prioren; Mit Meridian GeoX können Geoexperimente das Modell verankern |
| PyMC-Marketing | Echtes bayesianisches Fachwissen; oft ein paar Wochen, bis es richtig läuft | Experimentergebnisse als Bayes'sche Prioritäten |
Ein KI-Agent schließt die Setup-Lücke zwischen diesen drei Tools. Es trägt nicht dazu bei, die Interpretationslücke zu schließen. Wenn überhaupt, erweitert es das Ganze, denn jetzt können alle drei Ansätze bis zum Ende der Woche ein zuversichtlich aussehendes Diagramm erzeugen, und jedes dieser Diagramme sieht auf einer Folie gleichermaßen vertrauenswürdig aus.
Warum kann man der Ausgabe eines Modells allein nicht vertrauen?
Stellen Sie sich das Szenario vor. Ein Agent war über Nacht im Einsatz und am nächsten Morgen liegt ein sauberer Stapel im Posteingang. Ein Kanal meldet einen Return on Advertising Spend von 4.1. Die Markensuche kommt auf 0.9. Jemand im Raum möchte, dass das Budget bis zum Ende der Woche neu zugewiesen wird, und stellt die eine Frage, die wirklich zählt. Stimmt diese Zahl?
Niemand im Saal kann das anhand der Ausgabe allein beantworten, da die Ausgabe keinen Hinweis auf ihre eigene Zuverlässigkeit gibt.
Das Ausmaß dessen, was hier schief gehen kann, ist nicht neu. Die Forscher Gordon, Zettelmeyer, Bhargava und Chapsky führten fünfzehn groß angelegte Werbeexperimente durch, die etwa eine halbe Milliarde Benutzerexperimentbeobachtungen und über eineinhalb Milliarden Impressionen umfassten, und verglichen die Ergebnisse dann mit den Beobachtungsmethoden, auf die sich die Branche normalerweise verlässt. In etwa der Hälfte der Studien lag die geschätzte Steigerung um den Faktor drei oder mehr daneben. Eine Kampagne mit einem tatsächlichen Anstieg von etwa zwei Prozent wurde durch Beobachtungsmethoden auf über dreitausend Prozent geschätzt. Eine weitere Kampagne mit einer tatsächlichen Steigerung von fast siebzig Prozent erzielte schätzungsweise mehr als das Vierfache dieser Zahl.
Diese Forschung ist mittlerweile mehrere Jahre alt. Nichts an der Agenten-KI ändert das zugrunde liegende Problem, das sie aufgedeckt hat. Eine schnellere Pipeline, die auf denselben Beobachtungsdaten läuft, wird die gleiche Verzerrung reproduzieren. Dies geschieht einfach früher und mit besserer Formatierung.
Wo brechen Marketing-Mix-Modelle, bevor die Modellierung beginnt?
Die meisten schlechten Marketing-Mix-Modellierungsergebnisse sind nicht wirklich ein Modellierungsfehler. Es handelt sich um einen Datenfehler, den das Modell dann mit unverdienter Sicherheit darstellt.
Beginnen Sie mit Kanälen, die das Modell überhaupt nicht sehen kann. Wenn Kunden einen KI-Assistenten wie ChatGPT oder Perplexity fragen, welches Produkt sie kaufen möchten, und auf eine Website gelangen, an die kein Referrer angehängt ist, gibt es für diesen Datenverkehr einfach keine Spalte im Datensatz. Das Modell rechnet es entweder mit der Grundnachfrage zusammen oder rechnet es stillschweigend einer Kampagne zu, die gerade in der Nähe läuft. Dies zeigt sich bereits in den Daten. Touchigh, das an der generativen Engine-Optimierung für grenzüberschreitende Verkäufer arbeitet, die in den US-Markt eintreten, hat berichtet, dass der KI-Empfehlungsverkehr in der letzten Weihnachtszeit um fast siebenhundert Prozent gestiegen ist, wobei die Konversionsraten von KI-Assistenten-Empfehlungen dreißig bis vierzig Prozent über dem Website-Durchschnitt lagen. Die genauen Zahlen stammen aus dieser einen Studie. Der strukturelle Punkt nicht. Wenn ein Kanal auch nur annähernd so schnell wächst und im Datensatz überhaupt nicht vorhanden ist, handelt es sich eher um einen Spezifikationsfehler als um einen Rundungsfehler.
Dann gibt es noch die Ausgabelinie, die überhaupt nicht erscheint. Gründerveröffentlichungen, im Laufe der Zeit langsam aufgebaute Kategorieautorität, die lange unbezahlte Angewohnheit, einfach immer wieder in der Konversation einer Kategorie aufzutauchen. Nichts davon ist mit Medienkosten verbunden, nichts davon erzeugt einen sichtbaren Ausbruch und seine Wirkung zeigt sich oft erst ein oder zwei Viertel später, und genau das ist die Form, mit der ein Marketing-Mix-Modell am schlechtesten zurechtkommt. Es wird vom Trend verschluckt und verschwindet vollständig aus der Analyse.
Und dann gibt es noch den am wenigsten glamourösen Misserfolg von allen. Eingabequalität. Ein Modell, das mit einem dürftigen, veralteten Bild der Wettbewerber und des Publikumsverhaltens gefüttert wird, wird getrost Budget für einen Markt verwenden, der nicht mehr existiert. Es gibt einen dokumentierten Fall im Zusammenhang mit Mothercare Singapore, der den Zeitaufwand für die Zielgruppenrecherche um achtzig Prozent reduzierte, mehr als 25 Stunden pro Woche einsparte und gleichzeitig über viertausend digitale Anzeigen pro Jahr in seiner Kategorie verfolgte. Die wirklich interessante Zahl ist nicht die Zeitersparnis. Es liegt daran, dass das Marktbild, das jedes nachgelagerte Modell speist, um ein Viertel aktuell statt veraltet ist.
Wohin geht nun die Modellierungskompetenz?
Es verschwindet nicht. Es geht vom Aufbau des Modells bis zur Überwachung über. Drei Dinge sollten vor dem nächsten Modelllauf behoben werden.
Kalibrieren Sie sich anhand eines Experiments und nicht anhand Ihres Instinkts. Sowohl Meridian als auch PyMC Marketing ermöglichen die Einspeisung von Experimentergebnissen als Bayes'sche Prioritäten. Robyn kalibriert durch seinen Multi-Ziel-Optimierungsprozess, den Runge und Pauwels ausdrücklich als weitaus weniger verstanden und weitaus weniger streng getestet bezeichnen. Google hat Meridian GeoX im Mai 2026 speziell eingeführt, damit Geoexperimente ein Modell direkt verankern können, anstatt als separate Übung daneben zu stehen.
Behandeln Sie Meinungsverschiedenheiten zwischen Modellen als eigenständige Feststellung. Das Ausführen zweier unterschiedlicher Pakete auf demselben Datensatz und das Beobachten, wie sie auf einem einzelnen Kanal um eine Größenordnung voneinander abweichen, verrät etwas über die schwache Identifizierung dieses Kanals in den Daten. Die meisten Teams betreiben genau ein Modell und entdecken dieses nie.
Nennen Sie die Person, die die Nummer unterschreibt. Bevor eine Zahl zu einer tatsächlichen Budgetentscheidung führt, muss jemand das Risiko in Kauf nehmen, dass er sich damit irrt. Dies ist die einzige Kontrolle, die die meisten Teams stillschweigend überspringen.
Diese Aufsichtsebene muss irgendwo angesiedelt sein, und bei einer kleineren oder unabhängigen Agentur ist sie oft nirgendwo angesiedelt, einfach weil es keinen speziellen Analysebereich gibt, der die Arbeit aufnimmt. Diese Lücke ist Teil dessen, was Tools, die kleineren Geschäften die Intelligenz- und Automatisierungsebene eines größeren Netzwerks bieten sollen, derzeit so relevant macht. Die bei der Berichterstattung eingesparte Zeit schafft nur dann einen Wert, wenn sie in die Beurteilung reinvestiert wird und nicht in weitere Berichterstattung fließt.
Warum trifft dies in Südostasien am härtesten zu?
Südostasien profitiert am meisten von kostenlosen Modellierungstools und ist am stärksten gefährdet, wenn diese Tools ohne angemessene Aufsicht verwendet werden. Datenverläufe sind tendenziell kürzer. Die Anzahl der Kanäle pro Marketing-Dollar ist tendenziell höher und umfasst TikTok Shop, Shopee, Lazada, Meta, eine Grab-Platzierung und eine WhatsApp-Community, oft alles innerhalb einer einzigen Kampagne. Weniger Märkte sind groß genug, um einen wirklich sauberen Holdout-Test zu unterstützen. Eine regionale Marke kann am Ende leicht mehr Kanalspalten in ihrem Datensatz haben, als sie saubere Wochen an Geschichte hinter sich hat. Dies ist genau die Bedingung, unter der ein Marketing-Mix-Modell gerne eine präzise, stabile und falsche Antwort zurückgibt.
Der kostenlose Zugang zu diesen Tools ist eindeutig eine gute Nachricht. Was mit diesem Zugang einhergeht, ist ein viel kürzerer Abstand zwischen einer schlechten Annahme und einem Budget, das aufgrund dieser Annahme bereits umverteilt wurde.
Bevor das nächste Modell in Betrieb genommen wird, ist die Frage, die man sich in jeder Organisation stellen sollte, einfach. Wer haftet, wenn sich herausstellt, dass die Antwort falsch ist?
Wie passt SOMIN da hinein?
Bei der in diesem Artikel beschriebenen Lücke handelt es sich nicht wirklich um eine Modellierungslücke. Es handelt sich um eine Informationslücke, den Raum zwischen einem Diagramm, das zuversichtlich aussieht, und einem Diagramm, das tatsächlich anhand des Verhaltens der Menschen auf einem Markt verglichen wurde. SOMIN wurde entwickelt, um genau diesen Raum zu schließen. Der Brand Tracker und die Perspective Studies von SoMonitor sorgen dafür, dass das Publikumsbild unter jedem Modell auf dem neuesten Stand bleibt und nicht vierteljährlich veraltet ist, während SODA und die GWI-Partnerschaft Teams die Möglichkeit geben, die Behauptungen eines Modells anhand echter Verbrauchersignale zu testen, bevor diese Zahl jemals eine Budgetentscheidung beeinflusst. Die Tools zum Aufbau eines Marketing-Mix-Modells sind viel zugänglicher geworden. Das nötige Urteilsvermögen, um zu vertrauen, ist nicht vorhanden, und das ist der Teil, den SOMIN unterstützen soll.
FAQ
Kann ein KI-Agent ein Marketing-Mix-Modell erstellen?
Ja. Ein Agent kann ein Open-Source-Paket abrufen, die Ausgaben- und Umsatzdaten eines Kunden laden und ein funktionierendes Modell erstellen, ohne dass dafür statistische Vorkenntnisse erforderlich sind. Es kann jedoch nicht sagen, ob das Modell richtig ist, da die Ausgabe keinen Hinweis auf seine eigene Zuverlässigkeit gibt.
Was ist der Unterschied zwischen Robyn, Meridian und PyMC Marketing?
Robyn, entwickelt von Meta, kombiniert Ridge-Regression mit evolutionärer Suche und fragt den Benutzer am wenigsten. Meridian von Google erwartet echte datenwissenschaftliche Programmierfähigkeiten, und PyMC Marketing erwartet bayesianisches Fachwissen und es dauert oft ein paar Wochen, bis es ordnungsgemäß funktioniert. Meridian und PyMC Marketing akzeptieren Experimentergebnisse als bayesianische Prioritäten; Robyn kalibriert durch Multi-Ziel-Optimierung.
Wie falsch kann die beobachtende Werbemessung sein?
In fünfzehn großen Werbeexperimenten, die von Gordon, Zettelmeyer, Bhargava und Chapsky analysiert wurden, lagen die Beobachtungsschätzungen der Werbewirkung in etwa der Hälfte der Studien um den Faktor drei oder mehr daneben. Eine Kampagne mit einer tatsächlichen Steigerung von etwa zwei Prozent wurde auf über dreitausend Prozent geschätzt.
Wie prüft man, ob ein Marketing-Mix-Modell stimmt?
Kalibrieren Sie es anhand von Experimenten, zum Beispiel Geoexperimenten mit Meridian GeoX, und nicht anhand Ihres Instinkts. Führen Sie zwei verschiedene Pakete mit denselben Daten aus und betrachten Sie große Meinungsverschiedenheiten als Zeichen dafür, dass der Kanal nur schwach identifiziert ist, und benennen Sie die Person, die sich abmeldet, bevor irgendjemand eine Budgetentscheidung trifft.
Warum ist die Modellierung des Marketing-Mix in Südostasien riskanter?
Die Datenverläufe sind kürzer, Kampagnen verteilen sich auf viele Kanäle wie TikTok Shop, Shopee, Lazada, Meta, Grab und WhatsApp und weniger Märkte sind groß genug für saubere Holdout-Tests. Eine Marke kann über mehr Kanalspalten als reine Datenwochen verfügen, was dann der Fall ist, wenn ein Modell eine präzise, stabile und falsche Antwort zurückgibt.
