Was ist ein MMM und warum ist es für Marketern wichtig?

MMM (Marketing- oder Media-Mix-Modellierung) ist eine datengesteuerte Methodik, die es Unternehmen ermöglicht, die Auswirkungen ihrer Marketingkampagnen über mehrere Channels hinweg zu identifizieren und zu messen. Der Zweck von MMM ist es, Unternehmen dabei zu helfen, fundierte Entscheidungen über ihre Werbe- und Marketingstrategien zu treffen. Durch die Analyse von Daten aus verschiedenen Kanälen wie Fernsehen, soziale Medien, E-Mail-Marketing und mehr kann MMM bestimmen, welche Kanäle am meisten zum Vertrieb und zu anderen Geschäftsergebnissen beitragen. Durch die Einbeziehung externer Ereignisse und Indikatoren können Entscheidungsträger die Auswirkungen externer Faktoren (wie Feiertage, wirtschaftliche Bedingungen oder Wetter) besser verstehen und vermeiden, die Auswirkungen der Werbeausgaben allein versehentlich zu hoch zu bewerten.

Mithilfe von MMM können Unternehmen ermitteln, welche Marketingkanäle das meiste Engagement, den meisten Vertrieb oder den größten Erlös erzielen. Diese Informationen können genutzt werden, um Marketingbudgets zu optimieren und Ressourcen den effektivsten Channels zuzuweisen. Nehmen wir zum Beispiel an, ein Unternehmen hat Marketingkampagnen auf verschiedenen Channels wie Social Media, E-Mail-Marketing, TV-Werbung usw. durchgeführt. Das Marketingteam ist sich jedoch nicht sicher, welcher Channel den höchsten ROI liefert. Hier kommt MMM ins Spiel. Durch die Analyse der aggregierten Daten aus all diesen Channels kann ein leistungsstarkes Modell dem Unternehmen helfen, die umsatzstärksten Kampagnen sowie die Channels zu identifizieren, die den effizientesten Return on Ad Spend bieten, wodurch sie ihre Werbestrategien effektiv optimieren können. Dies ermöglicht es dem Unternehmen, seine Marketingmaßnahmen zu optimieren und sein Budget in die richtige Richtung zu lenken.

Seit Jahren ist MMM ein sehr leistungsstarkes Tool und gilt als Wegbereiter, der versierten Unternehmen den Vorsprung verschafft, den sie brauchen, um der Konkurrenz einen Schritt voraus zu sein. Durch die Nutzung der datengesteuerten Entscheidungsfindung ermöglicht MMM Unternehmen, intelligente Investitionen in ihre Marketingstrategien zu tätigen und sicherzustellen, dass jeder Dollar am richtigen Ort, zur richtigen Zeit und auf die richtige Weise ausgegeben wird. Dies führt zu überzeugenden Ergebnissen, von höherem Kundenengagement und gesteigerten Vertrieben bis hin zu einem hohen Return on Investment.

Die Evolution von MMM

MMM gibt es seit Jahrzehnten und war schon immer ein leistungsstarkes Tool zur Messung der Effektivität von Marketingkampagnen. Das Modell kann verschiedene Faktoren wie Saisonalität, Wettbewerbsaktivitäten und makroökonomische Trends berücksichtigen, um eine ganzheitliche Sicht auf die Gesamtauswirkungen von Marketingaktivitäten zu ermöglichen. In den letzten Jahren wurde MMM jedoch von MTA (Multi-Touch Attribution) etwas in den Schatten gestellt, das durch das Tracking einzelner Nutzer über mehrere Touchpoints hinweg einen granulareren Ansatz für die Attribution bietet. Mit MTA können Marketer sehen, welche spezifischen Touchpoints bei einzelnen Nutzern zu Conversions führen und das Budget entsprechend zuweisen. Dieser Detaillierungsgrad hat MTA zu einer beliebten Wahl für viele Marketer gemacht, insbesondere im digitalen Marketing.

Mit den neuen Datenschutzbestimmungen wie der DSGVO (Datenschutz-Grundverordnung) und dem CCPA (California Consumer Privacy Act) wird das Cookie-basierte Tracking, auf das MTA angewiesen ist, jedoch immer schwieriger. Das bedeutet, dass MMM, das aggregierte Daten anstelle von Daten auf Nutzerebene verwendet, jetzt wieder an Bedeutung gewinnt.

Sie fragen sich also vielleicht, welches Tool Sie zur Messung der Marketingeffektivität wählen sollen. Bei der Wahl zwischen den beiden gibt es bei der Auswahl von MMM mehrere Faktoren zu berücksichtigen. Eine Möglichkeit ist, MMM zu wählen, wenn einige oder alle Ihrer Daten vorab aggregiert sind. Ein weiterer Faktor ist, ob Ihre Marketingmaßnahmen sowohl Online- als auch Offline-Channels umfassen. Dies wird im heutigen digitalen Zeitalter immer wichtiger, in dem die Grenzen zwischen Online- und Offline-Marketing oft verschwimmen. Wenn Sie schließlich über zusätzliche Informationen verfügen, die für Ihre Marketingmaßnahmen relevant sind, wie z. B. die Ergebnisse von Geo-Tests, kann MMM Ihnen helfen, diese Daten in Ihr Modell zu integrieren.

Vorteile von MMM
Erstens können MMM-basierte Analysen die Auswirkungen von Offline-Kanälen wie TV-, Print-, Radio- oder OOH-Werbung (Out-of-Home) einbeziehen, die nicht mit Cookies nachverfolgt werden können. Einige fortschrittlichere Modellierungstechniken können sogar den Funnel-Effekt, der beschreibt, wie verschiedene Channels zusammenwirken, sowie multiplikative Effekte, die die synergistische Wirkung dieser Channels berücksichtigen, einbeziehen. Darüber hinaus kann es Einblicke in die längerfristigen Auswirkungen von Marketingaktivitäten geben, die MTA möglicherweise übersieht. MMM gilt als skalierbarer und kann zur Messung der Auswirkungen von Marketingaktivitäten in großen geografischen Gebieten oder sogar ganzen Ländern verwendet werden.

Darüber hinaus kann MMM Unternehmen dabei helfen, Datenschutzbestimmungen einzuhalten, indem aggregierte Daten anstelle von individuellen Nutzerdaten verwendet werden. Das bedeutet, dass Unternehmen die Effektivität ihrer Marketingaktivitäten weiterhin messen können, ohne die Privatsphäre der Nutzer zu beeinträchtigen.

In diesem Blogpost untersuchen wir die wichtigsten Key-Features von MMM und wie die Databricks Lakehouse Platform Unternehmen dabei helfen kann, eine robuste und skalierbare moderne MMM-Lösung aufzubauen.

Bewältigung gängiger Herausforderungen

MMM wird von einer Reihe von Unternehmen entwickelt, von Beratungsunternehmen über Werbetreibende bis hin zu Softwareanbietern. Da Unternehmen weiterhin nach Möglichkeiten suchen, ihre Marketingausgaben zu optimieren, hat sich MMM zu einer immer beliebteren Methode zur Messung des ROI entwickelt. Die Entwicklung einer skalierbaren und robusten MMM-Lösung kann jedoch eine anspruchsvolle Task sein. In diesem Abschnitt besprechen wir einige der häufigsten Herausforderungen, mit denen Unternehmen bei der Entwicklung einer skalierbaren Lösung konfrontiert sind. In diesem Abschnitt besprechen wir einige der häufigsten Herausforderungen.

Eine der größten Herausforderungen bei der Entwicklung einer MMM-Lösung sind die vorgelagerten Datenquellen. Das Team für Data Science und Machine Learning muss Datenströme aus verschiedenen Quellen für MMM-Daten zusammenführen. Dazu gehören auch Daten von Drittanbietern wie ökonometrische Daten, für die es keine standardisierten Erhebungsmethoden gibt. Zudem sind die Datenquellen oft an verschiedenen Orten wie Altdatenbanken, Hive, SFTP-Flat-Files und anderen Quellen verteilt, was die Beschaffung der erforderlichen Daten erschwert. Darüber hinaus müssen die Daten jeden Monat manuell aktualisiert werden, was eine mühsame und zeitaufwändige Task sein kann.

Ein weiteres Hindernis beim Erzielen genauer MMM-Ergebnisse ist das Fehlen von Daten. So kommt es beispielsweise häufig vor, dass bei der Datenaufnahme von Wirtschaftsdaten und Daten aus traditionellen/Offline-Medien Lücken bestehen, was die Genauigkeit der Ergebnisse erheblich beeinträchtigen kann. Diese Herausforderung kann für Unternehmen mit Präsenz in mehreren Ländern besonders ausgeprägt sein, da dortige Vorschriften die Datenerfassung und -teilen einschränken können. In der modernen KI-Ära ist die MMM-Lösung als Form eines Machine-Learning-Modells nicht von den Herausforderungen und Risiken des aufstrebenden KI-Bereichs ausgenommen. Die Nachverfolgung der Herkunft von Datenquellen bis hin zu den Modellen – von der Erfassung bis zum Insight-Dashboard – kann für herkömmliche Ansätze eine erhebliche Hürde darstellen, was die Wahrung von Transparenz und Rechenschaftspflicht erschwert.

Darüber hinaus kann die Existenz von Teamsilos die Erstellung einer skalierbaren MMM-Lösung behindern. Die Modellerstellung findet oft in getrennten Umgebungen statt, was zu Barrieren zwischen den Teams führt, sowohl horizontal über technische und geschäftliche Funktionsbereiche hinweg als auch vertikal über Organisationsebenen, Marken, Kategorien und Geschäftsbereiche hinweg. Das Fehlen von Versionskontrollmethoden für Modelle, Code und Daten kann zu Inkonsistenzen und Ungenauigkeiten innerhalb der MMM-Lösung führen. Darüber hinaus kann ein unhandlicher Legacy-Code die Wartung und Aktualisierung der Lösung erschweren, was einen umfangreichen Refactoring-Aufwand erfordert. Zudem gibt es häufig manuelle Prozesse, und Analysen werden in der Regel als einmalige Aktivität alle paar Monate durchgeführt, die von Einzelpersonen oder kleinen Teams wiederholt werden muss, anstatt Teil einer stärker automatisierten, wiederholbaren und zuverlässigen DSML-Pipeline zu sein.

Schließlich sind die Veröffentlichung von Daten und das Teilen von Erkenntnissen oft verzögert und erfordern eine separate Integration. Dies kann es für Stakeholder schwierig machen, schnell fundierte Entscheidungen zu treffen. Das führt zu weiteren Verzögerungen bei der Entscheidungsfindung, verpassten Chancen und mangelnder Agilität, um in einem zunehmend schnelllebigen und dynamischen wirtschaftlichen Umfeld zu reagieren – insbesondere, wenn Wettbewerber sich mit Lichtgeschwindigkeit bewegen. Vielen bestehenden MMM-Lösungen fehlt auch die Flexibilität und der Datenschutz, die für eine effektive Zusammenarbeit mit Kunden und Partnern erforderlich sind.

Daher müssen Unternehmen bei der Implementierung von MMM im Zeitalter der KI einen umfassenden und sorgfältigen Ansatz verfolgen und dabei die einzigartigen Herausforderungen und Risiken berücksichtigen, die mit der DSML-Technologie verbunden sind.

Erstellen Sie Ihr skalierbares und flexibles MMM mit dem Databricks Lakehouse

Referenzdiagramm

Das Databricks Lakehouse bietet Unternehmen eine einheitliche Plattform für die Erstellung moderner MMM-Lösungen, die sowohl skalierbar als auch flexibel sind.

Einer der bedeutendsten Vorteile des Databricks Lakehouse ist seine Fähigkeit, verschiedene vorgelagerte Datenquellen zu vereinheitlichen. Das bedeutet, dass die Plattform verschiedene für MMM wesentliche Datenquellen, wie ökonometrische Offline-Daten, Medienkampagnendaten und CRM-Daten, zusammenführen und in einer Single Source of Truth vereinheitlichen kann. Dies ist besonders nützlich in der heutigen datengesteuerten Welt, in der Unternehmen mit großen Datenmengen aus verschiedenen Quellen umgehen müssen.

Ein weiterer wichtiger Vorteil des Databricks Lakehouse, von dem MMM stark profitieren kann, ist die Möglichkeit, die Datenpipelines zu optimieren. Nach der Datenaufnahme erfordert der MMM-Prozess die Transformation verschiedener Marketingkanäle und die Analyse ihrer Auswirkungen auf KPIs, was die Verarbeitung einer breiten Palette von Daten aus verschiedenen Quellen beinhaltet. Das Lakehouse kann die Datenaufnahme, -verarbeitung und -transformation automatisieren, wodurch der Zeit- und Arbeitsaufwand für die manuelle Verwaltung von Datenpipelines reduziert wird. Dies stellt sicher, dass die Daten inkrementell und mit einem umfassenden Monitoring der Datenqualität bereitgestellt werden.

Ein weiterer wesentlicher Vorteil des Databricks Lakehouse ist das Lineage-Tracking-System, das die Nachverfolgung der Herkunft all Ihrer Daten-Assets sicherstellt – nicht nur der Daten selbst, sondern auch des Codes, der Modellartefakte und der Job-Iterationen. Es bietet volle Transparenz und Rückverfolgbarkeit der Datennutzung und ermöglicht es Unternehmen, zuversichtlich datengesteuerte Entscheidungen zu treffen. Dies ist besonders wichtig im Kontext von MMM, wo die Genauigkeit und Zuverlässigkeit der Daten entscheidend sind, um die Auswirkungen von Marketing-Channels auf den Vertrieb zu verstehen und die Verteilung des Marketingbudgets anzupassen.

In der Modellierungsphase ist eines der Key-Unterscheidungsmerkmale des Databricks Lakehouse seine leistungsstarken DSML-Funktionen, die sich besonders in seinen erstklassigen ML Runtime- und MLOps-Tools zeigen. Ein entscheidender Task bei der MMM-Modellierung ist die umfangreiche Voreinstellung und Variablentransformation, die eine große Anzahl von Iterationen erfordert. MLflow ermöglicht es Marketern, die Ableitung und Transformation ihrer unabhängigen Variablen (Features) und deren Verwendung in Modellen zu verfolgen. Zusätzlich fördert der Databricks Feature Store Best Practices im Feature-Engineering, indem er dem DSML-Team die notwendigen Werkzeuge und die Infrastruktur zur Erstellung, Entdeckung und Wiederverwendung von Features bereitstellt. Dies optimiert den Modellierungsprozess und verbessert die Genauigkeit der Vorhersagen für Geschäftsergebnisse. Diese Funktionen ermöglichen es Marketern, das volle Potenzial ihrer Daten nahtlos zu nutzen und so fundiertere und effektivere Marketingentscheidungen zu treffen.

Inzwischen sollte offensichtlich sein, dass Databricks dem MMM-Team enorme Effizienzsteigerungen bringt! Mit Databricks können selbst Data Scientists, die auf einzelnen Knoten arbeiten, das Tuning und Training verteilen, mehrere Szenarien und Konfigurationen gleichzeitig im Cluster ausführen und parallel unabhängige Modelle für Marken, Kategorien und Regionen erstellen. Siehe die nachstehende Demonstration:

Die ML Runtime ist eine vollständig verwaltete, sichere und kollaborative ML-Umgebung, die die Produktivität des DS-Teams direkt steigert, ohne dass dieses eine eigene DS-Umgebung bootstrappen, erstellen oder warten muss. Darüber hinaus fördert sie einen kollaborativen Arbeitsablauf, indem sie das einfache Teilen von Arbeit ermöglicht, was inkonsistente Ansätze verschiedener Teams verhindert. Eine Lösung besteht darin, Mechanismen zum Auffüllen fehlender Daten zu entwickeln, z. B. die Beschaffung von einem Marktplatz oder die Speicherung von Daten aus Quellen wie Dun & Bradstreet, S&P, Edgar, Wetterdaten und Marktforschung an einem gut kuratierten Ort im Lakehouse. Dieser Ansatz kann verhindern, dass Teams das Rad neu erfinden, wenn es um Daten und Code geht, was letztendlich Zeit und Ressourcen spart. Es ist jedoch wichtig anzuerkennen, dass dieser Mangel an Wiederverwendung und das Neuerfinden des Rads auch für Code und den Rest der Pipeline gilt, was es erforderlich macht, MMM in Teamsilos zu verlagern, um die Effizienz zu steigern und Diskrepanzen zu minimieren.

Der Open-Source-Charakter von Lakehouse bietet die ideale Umgebung für die Ausführung aller gängigen Open-Source-Bibliotheken für MMM, wie z. B. PyMC in Python und Robyn in R. Dieses Feature ermöglicht es Benutzern, Lösungen zu erstellen, die auf ihre spezifischen Bedürfnisse zugeschnitten sind, und einen Vendor-Lock-in zu vermeiden.

Nicht zuletzt ermöglichen DBSQL mit BI-Integration und der Databricks Marketplace dem MMM-Team, die Modellerkenntnisse einfach zu veröffentlichen. Dies verkürzt die Zeit von der Datenerfassung bis zur Bereitstellung umsetzbarer Erkenntnisse für die MMM-Führungsebene. Durch die Konsolidierung und Standardisierung aller Daten- und KI-Aktivitäten ist das Lakehouse der beste Ort, um nicht nur eine MMM-Lösung zu entwickeln, sondern auch jede andere Daten- und KI-Lösung, an der das Team heute und in Zukunft arbeiten wird.

Erfahren Sie, wie Databricks for Lakehouse Ihnen helfen kann, Marketingkampagnen über mehrere Channels mit MMM zu optimieren. Auf den Solution Accelerator zugreifen.