In jedem Marketing-Mix, in dem sowohl digitale als auch analoge Kanäle eine Rolle spielen, kippt Attribution irgendwann. Sie misst, was messbar ist, und wird damit zur Wahrheit der Performance-Kanäle. TV, Out-of-Home, Radio, Print und die Wirkung lokaler Massnahmen verschwinden unterhalb der Wahrnehmungsgrenze des digitalen Trackings. Für ein Unternehmen, das einen relevanten Teil seines Umsatzes nicht im Webshop, sondern in Filialen erzielt, wird das zum strukturellen Problem.
Der Händler, mit dem wir gearbeitet haben, führt ein dichtes Filialnetz. Kampagnen laufen national über TV, regional über Plakat und lokal über Print und Aktionen vor Ort. Digitale Kanäle liefen parallel und wurden über eine bereits bestehende Attribution sauber gemessen. Die Filialen waren dagegen eine Black Box. Jeder Marketing-Euro, der in brand-getriebene oder regional gestreute Kanäle floss, zahlte möglicherweise stark auf den Store-Umsatz ein. Möglich, wahrscheinlich, aber in der Zahl nicht greifbar. Jede Budget-Entscheidung zwischen Brand und Performance fiel damit auf einer unvollständigen Datenbasis.
Ein Marketing Mix Model, das den gesamten Mix inklusive der Wirkung auf die Filialen abbildet. Konkret hiess das: ein Modell, das sowohl Online-Umsatz als auch Store-Umsatz als Zielgrössen erklärt, und das die Mediaspend-Kanäle mit ihrer unterschiedlichen geografischen Reichweite korrekt verknüpft. TV erreicht andere Haushalte als eine lokale Zeitungsanzeige, und eine OOH-Kampagne in Stuttgart wirkt nur auf Stores in Stuttgart. Wer das nicht modelliert, bekommt am Ende Gewichte heraus, die mathematisch stimmen und operativ nicht führen.
Die zweite Dimension war das Zusammenspiel mit der bereits bestehenden Attribution. Die digitalen Kanäle wurden weiter über das Attributionsmodell detailliert gesteuert. Das MMM sollte die Lücken füllen und die Gesamtwirkung aller Kanäle auf den Gesamt-Umsatz erklären, ohne dass beide Modelle einander widersprechen. Das ist weniger ein technisches als ein Steuerungsproblem. Beide Modelle müssen nebeneinander bestehen und Entscheidungen produzieren, die sich nicht gegenseitig aushebeln.
Das Fundament ist eine konsolidierte Datenbasis über mehrere Jahre. POS-Daten aus allen Filialen auf Wochenebene, aggregiert nach Regionen. Mediaspend pro Kanal, nach Möglichkeit mit Reichweitenmetriken hinterlegt: TV-GRPs pro Sendegebiet, OOH-Impressions pro Region, Radio-Reichweite pro Sender-Cluster, lokale Print-Auflage. Online-Mediaspend getrennt ausgewiesen, damit er nicht doppelt gezählt wird. Dazu externe Variablen, die die Nachfrage beeinflussen: Saisonalität, Feiertage, Wettereffekte, Preisaktionen, Wettbewerbsdruck wo messbar.
Die Modellierung selbst ist regional aufgebaut. Statt eines einzigen nationalen MMM haben wir mit einer hierarchischen Struktur gearbeitet, die regionale Effekte sichtbar macht und gleichzeitig genügend Datenpunkte für stabile Schätzungen behält. Technisch setzt das auf etablierten Frameworks wie Meta Robyn und PyMC Marketing auf, angepasst an die Filialstruktur. Die Validierung lief über Matched-Market-Tests. Zwei vergleichbare Regionen, in einer von beiden wurde ein Media-Budget gezielt erhöht oder reduziert, die Differenz im Filial-Umsatz dieser Region diente als Prüfgrösse für die Modellaussagen.
Damit MMM und die bestehende Attribution nicht in einen Konflikt geraten, wurde das Zusammenspiel klar definiert. Die Attribution bleibt für die digitale Performance-Steuerung das detailliertere Werkzeug. Das MMM liefert die übergeordnete Antwort auf die Budget-Verteilung zwischen den Kanalblöcken, insbesondere zwischen Brand und Performance und zwischen Online und Offline. An den Stellen, an denen beide Modelle denselben Kanal betrachten, gelten festgelegte Regeln, welches Modell für welche Entscheidung führt. Das klingt bürokratisch, ist aber entscheidend, damit Teams nicht in die Sackgasse laufen, zwei Dashboards zu haben, die unterschiedliche Budget-Empfehlungen ausspielen.
Technisch liegt das Setup auf einer zentralen Datenplattform mit ETL-Strecken aus dem Warenwirtschaftssystem, dem E-Commerce-Backend, den Media-Plattformen und externen Reichweitendaten. Orchestrierung über dbt, Modelling in Python, Ausspielung in Looker und Rückfluss in die Mediaplanung der jeweiligen Kanal-Verantwortlichen.
Die erste Wirkung war, dass Kanäle, deren ROI bis dahin nur qualitativ argumentiert wurde, einen quantifizierten Beitrag bekamen. TV, OOH und regionale Aktivierung wurden aus dem Bereich des Glaubens in den Bereich des Messbaren verschoben. Das hat weder alle Diskussionen beendet noch Budget-Entscheidungen trivial gemacht, aber es hat sie auf einer anderen Grundlage geführt. Die Frage war nicht mehr, ob Brand-Kanäle wirken, sondern wie viel sie im Verhältnis zu anderen Kanälen wirken, und wo die Grenze liegt.
Die zweite Erkenntnis war regional. Die Wirkung einzelner Kanäle variierte deutlich zwischen Regionen, sowohl wegen unterschiedlicher Filialdichte als auch wegen unterschiedlicher Wettbewerbsintensität. Kampagnen, die national betrachtet durchschnittlich performten, waren in einigen Regionen stark und in anderen verhalten. Das hat zu differenzierterer Mediaplanung geführt, mit regionalen Budgets statt reiner nationaler Verteilung.
Die strukturelle Erkenntnis schliesst an das an, was wir auch bei der Attribution beobachten. Kein einzelnes Modell erzählt die ganze Wahrheit. MMM, Attribution und gezielte Experimente arbeiten zusammen, jedes davon deckt einen Teil ab, den die anderen nicht erreichen. Das Marketing Mix Model liefert die Breite über alle Kanäle inklusive der Offline-Welt, die Attribution liefert die Tiefe in den digitalen Pfaden, Experimente validieren einzelne Hypothesen punktuell. Erst in der Triangulation entsteht ein Bild, das belastbar genug ist, um Budgetentscheidungen in dieser Grössenordnung zu treffen.
