Marketing Mix Modeling: Wie du Werbebudget ohne Cookies bewertest

Marketing Mix Modeling erklärt: wie das Verfahren Kanäle bewertet, was Studien von Mercedes-Benz bis Microsoft zeigen und was kleine Teams davon nutzen.

Growth Hacking · · 7 Min.

Titelbild zum Artikel „Marketing Mix Modeling: Wie du Werbebudget ohne Cookies bewertest“ von Felix Schmitz (Growth Hacking)

Kurz gesagt

  • Marketing Mix Modeling schätzt aus Zeitreihen von Werbeausgaben und Umsatz, wie viel jeder Kanal zum Ergebnis beiträgt, und kommt dabei ohne Daten über einzelne Nutzer aus.
  • Zwei Effekte machen das Verfahren wertvoll: Werbung wirkt verzögert nach, und jeder zusätzliche Euro bringt ab einem Punkt weniger als der vorige.
  • Bei Mercedes-Benz zeigte eine Analyse früherer Kampagnen geschätzte Einsparungen von 15 bis 30 % oder rund 2 Millionen Euro pro Kampagne.
  • Experimente bei Microsoft zeigen, wie viel ohnehin passiert wäre: Eine Markenanzeige erhöhte die Besuchswahrscheinlichkeit um rund 2,27 Prozentpunkte bei einer Basis von rund 78 %.
  • Kleine Teams nutzen die Logik am besten mit einer Wochentabelle, bewussten Pausen und dem Blick auf die Kosten jeder zusätzlichen Anfrage.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt7 Abschnitte

Marketing Mix Modeling ist ein statistisches Verfahren. Es nutzt wöchentliche oder monatliche Daten zu Werbeausgaben, Umsatz und äußeren Einflüssen. Daraus schätzt es, wie viel jeder Marketingkanal zum Ergebnis beiträgt. Es arbeitet mit Summen über die Zeit und braucht deshalb keine Cookies und keine Daten über einzelne Nutzer. Das Ergebnis ist eine Empfehlung, wie du dein Budget auf die Kanäle verteilst.

Ich interessiere mich für das Thema, weil es eine Frage beantwortet, die mich als Gründer immer wieder beschäftigt: Was hat mir dieser Euro eigentlich gebracht. Gleichzeitig halte ich wenig davon, jede Ausgabe sofort auf ihre Rendite zu prüfen. Marketing baut oft erst Vertrauen auf, bevor es verkauft. Marketing Mix Modeling ist für mich interessant, weil es genau diese verzögerte Wirkung ausdrücklich mitrechnet.

Für diesen Artikel habe ich 14 Fachartikel gesichtet. Viele sind Konzeptpapiere, die neue Rahmenwerke vorschlagen. Vier haben mir geholfen, das Verfahren einzuordnen. Das sind ein Praxisfall bei Mercedes-Benz und ein Vergleich zwischen automatisiertem und klassischem Modell. Dazu kommen eine Studie mit großen Experimenten bei Microsoft und ein Überblick, der ausdrücklich nach kleinen und mittleren Unternehmen fragt.

Was Marketing Mix Modeling ist und wie es rechnet

Das Verfahren ist älter, als viele denken. Gujar, Paliwal, Panyam und Kewalramani (2024) beschreiben das in ihrem Überblick. Marketing Mix Modeling existiert demnach seit den 1950er-Jahren. Anfangs beruhte es auf einfachen Regressionsmodellen, also auf Rechenverfahren, die Zusammenhänge zwischen Zahlen schätzen. Laut den Autoren erlebt es gerade ein Comeback. Der Grund: Datenschutzregeln und der Verlust von Tracking-Signalen machen es schwieriger, einzelne Nutzer zu messen.

Die Grundidee ist einfach. Du legst Woche für Woche nebeneinander, wie viel du in jeden Kanal gesteckt hast und was dabei herauskam. Das Modell sucht dann Muster. Dafür rechnet es Saison und Preise heraus. Wird in Wochen mit mehr Anzeigen danach immer noch mehr verkauft, schreibt es den Anzeigen einen Teil des Umsatzes zu. Fünf Begriffe tauchen dabei immer wieder auf:

Begriff Bedeutung Beispiel
Basis Was du ohne Werbung verkaufen würdest Empfehlungen, Stammkunden, Marke
Kanalbeitrag Zusätzlicher Umsatz durch einen Kanal Was Suchanzeigen über die Basis hinaus bringen
Adstock Werbung wirkt nach, auch wenn sie schon vorbei ist Ein Podcast-Spot bringt noch Wochen später Anfragen
Sättigung Jeder zusätzliche Euro bringt weniger als der vorige Die zehnte Anzeige pro Woche bewegt kaum noch etwas
Kontrollgrößen Einflüsse außerhalb des Marketings Feiertage, Wetter, Preisänderungen, Wettbewerb

Die Beispiele sind meine Illustration. Wer diese fünf Begriffe verstanden hat, kann die Ergebnisse eines solchen Modells lesen, auch ohne es selbst zu rechnen.

Marketing Mix Modeling oder Attribution: der Unterschied

Viele verwechseln Marketing Mix Modeling mit Attribution. Beide wollen wissen, welcher Kanal wirkt, gehen aber völlig unterschiedlich vor. Attribution verfolgt einzelne Menschen auf ihrem Weg zum Kauf. Wie das funktioniert und wo es täuscht, habe ich im Artikel zur Marketing Attribution beschrieben.

Vergleichsgrafik zu Marketing Mix Modeling und Attribution: Marketing Mix Modeling arbeitet mit Summen über Wochen ohne Nutzerdaten und erfasst auch Offline-Kanäle, Attribution verfolgt einzelne Nutzer und reagiert schneller
Attribution sieht den einzelnen Weg zum Kauf, Marketing Mix Modeling sieht das Gesamtbild über die Zeit, deshalb ergänzen sich beide.

Für kleine Unternehmen ist der wichtigste Unterschied die Datenschutzzeile. Je mehr Besucher Cookies ablehnen, desto lückenhafter wird jede Attribution. Ein Modell auf Basis von Summen hat dieses Problem nicht.

Was ein Praxisfall bei Mercedes-Benz zeigt

Die überzeugendste Anwendung, die ich gefunden habe, stammt aus Deutschland. Marc Fischer (2019) beschreibt in Marketing Science ein Werkzeug, mit dem Mercedes-Benz Werbekampagnen für neue Modelle plant. Grundlage ist eine nachträgliche Analyse früherer Kampagnen. Ein ökonometrisches Modell, also ein statistisches Modell für wirtschaftliche Daten, schätzt daraus Werbeelastizitäten. Sie zeigen, wie stark der Absatz auf zusätzliche Ausgaben in einem Medium reagiert. Diese Elastizitäten sind laut Fischer die zentrale Information, um den Medienmix zu optimieren.

Angewendet wurde der Ansatz bei vier großen Markteinführungen in Deutschland in den Jahren 2012 und 2013. Das Ergebnis laut Abstract: geschätzte Einsparungen von 15 bis 30 % oder rund 2 Millionen Euro pro Kampagne. Sie entstehen, weil die Mittel effizienter eingesetzt werden.

Kennzahlen-Grafik zum Marketing Mix Modeling: vier Markteinführungen bei Mercedes-Benz mit geschätzten Einsparungen von 15 bis 30 Prozent sowie Experimente bei Microsoft mit 2,27 Prozentpunkten zusätzlicher Besuche bei einer Basis von 78 Prozent
Ein Modell findet Einsparungen, ein Experiment zeigt, wie viel ohnehin passiert wäre.

Was ich daraus mitnehme: Selbst ein Konzern mit großem Budget hatte offenbar viel Spielraum, Geld besser zu verteilen. Die Studie zeigt aber auch die Voraussetzungen. Fischer arbeitet mit einem eigenen Datenansatz und mehreren vergleichbaren Kampagnen. Ein kleines Unternehmen hat selten vier vergleichbare Launches mit sauber dokumentierten Ausgaben. Die Zahlen lassen sich deshalb nicht übertragen. Der Gedanke dahinter schon: Wer seine Kampagnen nachträglich ehrlich auswertet, plant die nächste besser.

Automatisiertes Modell oder klassische Ökonometrie

Mit Robyn von Meta und Meridian von Google gibt es inzwischen quelloffene, also frei verfügbare Pakete, die viele Schritte automatisieren. Gujar und Kollegen sehen in solchen Werkzeugen und in KI eine Chance. Marketing Mix Modeling könnte damit auch für kleine und mittlere Unternehmen zugänglich werden. Sie benennen in ihrem Überblick aber auch Herausforderungen.

Estevez, Ballestar und Sainz (2025) haben in den IEEE Transactions on Engineering Management genau hingeschaut. Sie haben mit denselben Daten eines Telekommunikationsunternehmens zwei Modelle gebaut: ein klassisches ökonometrisches Modell und eines mit Robyn. Sie verglichen Entwicklung und Ergebnisse aus technischer, geschäftlicher und praktischer Sicht.

Ihr Fazit laut Abstract: Klassische ökonometrische Modelle sind leicht zu erklären und nachzuvollziehen. Das KI-Modell ist komplexer, weil es mehrere Methoden kombiniert, viele Einstellungen braucht und bei jedem Training zufällig startet. Dadurch lässt es sich schwerer erklären. Welches Modell genauer war, beantwortet der Abstract nicht.

Für mich ist das ein wichtiger Punkt. Ein Modell, das du nicht erklären kannst, wirst du im Zweifel nicht befolgen. Wenn es sagt, du sollst die Hälfte deines LinkedIn-Budgets streichen, brauchst du einen Grund, dem du traust. Automatisierung hilft beim Rechnen, ersetzt aber nicht das Verstehen. Das deckt sich mit einem Learning aus meinem eigenen Bauen mit KI: Sie verändert das Tempo, das Verstehen bleibt deine Aufgabe.

Warum Experimente das Modell erden

Die Studie, die mir am meisten zu denken gegeben hat, ist eher technisch. Khan, Nekipelov und Rao (2026) entwickeln in Econometrics ein Verfahren, das die Wirkung von Onlinewerbung aus Beobachtungsdaten schätzt. Das sind Daten, die ohne gezielten Versuch entstanden sind. Um es zu prüfen, vergleichen sie es mit großen zufälligen Experimenten, die Microsoft auf seiner Werbeplattform durchgeführt hat. Eine Vergleichsstudie umfasste rund 9,3 Millionen Suchsitzungen.

Das Ergebnis der Experimente: Eine Markenanzeige in den Suchergebnissen erhöhte die Wahrscheinlichkeit, die Website des Werbenden zu besuchen, um rund 2,27 Prozentpunkte. Die Basis lag bei rund 78 %. Anders gesagt: Von 100 Menschen, die nach der Marke suchen, wären etwa 78 ohnehin auf der Website gelandet. Die Anzeige brachte gut 2 dazu.

Manche Auswertungen schreiben jeden Klick auf die Anzeige dieser Anzeige zu. Sie würden ihr also ein Vielfaches ihrer echten Wirkung gutschreiben. Das beobachtende Verfahren der Autoren kam laut Abstract zu ähnlichen Mustern wie die Experimente. Das finde ich ermutigend. Trotzdem zeigt die Studie für mich vor allem, warum du ein Modell immer wieder an Experimenten prüfen solltest. Wie das mit wenig Traffic geht, beschreibe ich im Artikel A/B-Test mit wenig Traffic. Was bezahlte Suche grundsätzlich leistet, steht im Artikel über Suchmaschinenwerbung.

Marketing Mix Modeling für kleine Unternehmen

Ein vollständiges Modell lohnt sich für die meisten kleinen Unternehmen nicht. Dafür fehlen lange Datenreihen, mehrere bezahlte Kanäle und genug Schwankung im Budget. Die Logik dahinter kannst du trotzdem nutzen, und zwar mit drei Gewohnheiten.

Erstens eine Wochentabelle. Trag jede Woche ein, was du pro Kanal ausgegeben hast und wie viele Anfragen oder Verkäufe kamen. Notiere auch, was sonst los war, etwa Urlaub, ein Feiertag oder ein viraler Post. Nach einem halben Jahr siehst du Muster, die dir kein Dashboard zeigt.

Zweitens bewusste Pausen. Schalte einen Kanal für zwei bis vier Wochen ab oder halbiere das Budget und beobachte, was passiert. Das ist ein grobes Experiment, aber es beantwortet die Frage, die Microsoft mit Millionen Sitzungen beantwortet hat: Wie viel wäre ohnehin gekommen.

Drittens die Kosten jeder zusätzlichen Anfrage. Hier zeigt sich die Sättigung. Angenommen, eine Steuerberaterin bekommt ohne Anzeigen 4 Anfragen im Monat über Empfehlungen. Mit 500 € Suchanzeigen sind es 10, mit 1.000 € sind es 14 und mit 1.500 € sind es 16.

Diagramm zur Sättigung im Marketing Mix Modeling: Im Beispiel steigen die Anfragen von 4 ohne Anzeigen auf 10 bei 500 Euro, 14 bei 1.000 Euro und 16 bei 1.500 Euro Budget, jeder weitere Euro bringt weniger
Jede weitere 500 € bringen im Beispiel weniger zusätzliche Anfragen, erst 6, dann 4, dann 2.

Die ersten 500 € bringen 6 zusätzliche Anfragen, also rund 83 € pro Anfrage. Die nächsten 500 € bringen 4, also 125 € pro Anfrage. Die letzten 500 € bringen nur noch 2, also 250 € pro Anfrage. Im Durchschnitt kostet bei 1.500 € jede der 16 Anfragen knapp 94 €, und das sieht harmlos aus. Erst der Blick auf die letzte Stufe zeigt, dass sich die Erhöhung vermutlich nicht lohnt.

Der Durchschnitt beruhigt. Entscheiden solltest du nach dem, was der nächste Euro noch bringt.

Ein echtes Modell würde ich in Betracht ziehen, sobald drei Dinge zusammenkommen. Erstens laufen mehrere bezahlte Kanäle gleichzeitig. Zweitens ist das Budget so groß, dass eine falsche Verteilung spürbar Geld kostet. Drittens lassen sich manche Kanäle schlecht tracken, etwa Plakate, Radio oder Messen. Dann reicht die Wochentabelle nicht mehr, weil sich die Effekte überlagern. Vorher wäre ein Modell vor allem eine teure Art, Unsicherheit in Nachkommastellen zu verpacken.

Wie du diese Zahlen in Entscheidungen übersetzt, beschreibe ich im Artikel zu Marketing Analytics. Und wenn deine Kunden über mehrere Kanäle kommen, lohnt ein Blick auf das Zusammenspiel der Kanäle im Artikel über Omnichannel-Marketing.

Fazit

Marketing Mix Modeling bewertet Kanäle über Summen und Zeitreihen statt über einzelne Klicks. Deshalb stören es Lücken durch den Datenschutz wenig, und es kann verzögerte Wirkung und Sättigung erkennen. Die Studien zeigen den Nutzen bei großen Budgets. Sie zeigen auch, dass automatisierte Werkzeuge schwerer zu erklären sind. Und sie zeigen den Wert von Experimenten, die offenlegen, was ohnehin passiert wäre.

Mein Vorschlag für diese Woche: Leg eine Tabelle mit einer Zeile pro Woche an und trag die letzten acht Wochen nach. Plane dann für einen Kanal eine bewusste Pause oder eine Budgetänderung. Was ich bei solchen Tests über meine eigenen Kanäle lerne, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was ist Marketing Mix Modeling?

Marketing Mix Modeling ist ein statistisches Verfahren, das aus wöchentlichen oder monatlichen Daten zu Werbeausgaben, Umsatz und äußeren Einflüssen wie Saison schätzt, welchen Beitrag jeder Marketingkanal leistet. Das Ergebnis dient dazu, das Budget besser zu verteilen.

Was ist der Unterschied zwischen Marketing Mix Modeling und Attribution?

Attribution verfolgt einzelne Nutzer über ihre Kontaktpunkte und verteilt den Verdienst an einem Kauf. Marketing Mix Modeling arbeitet mit Summen über die Zeit und braucht keine Daten über einzelne Personen. Dafür sieht es auch Kanäle, die sich schlecht tracken lassen, etwa Plakate oder Podcasts.

Wie viele Daten braucht man für Marketing Mix Modeling?

Das Verfahren braucht eine lange Reihe von Wochen- oder Monatswerten, in denen die Ausgaben pro Kanal ausreichend schwanken. In der Praxis ist oft von zwei bis drei Jahren Wochendaten die Rede. Mit wenigen Monaten und konstantem Budget lässt sich kaum ein Effekt sauber trennen.

Gibt es kostenlose Tools für Marketing Mix Modeling?

Ja, Meta stellt mit Robyn und Google mit Meridian quelloffene Pakete bereit. Sie automatisieren viele Schritte, verlangen aber Kenntnisse in Statistik und Programmierung. Eine Studie von Estevez und Kollegen zeigt außerdem, dass solche automatisierten Modelle schwerer zu erklären sind als klassische.

Quellen4 Quellen
  1. Fischer (2019): Practice Prize Paper: Managing Advertising Campaigns for New Product Launches: An Application at Mercedes-Benz. Marketing Science (öffnet in neuem Tab)
  2. Estevez, Ballestar, Sainz (2025): A Primer on Out-of-the-Box AI Marketing Mix Models. IEEE Transactions on Engineering Management (öffnet in neuem Tab)
  3. Khan, Nekipelov, Rao (2026): Measuring the Return to Online Advertising: Estimation and Inference of Endogenous Treatment Effects. Econometrics (öffnet in neuem Tab)
  4. Gujar, Paliwal, Panyam et al. (2024): The Evolution of Ads Marketing Mix Modeling (MMM): From Regression Models to AI-Powered Planning for SMBs. IEEE Technology and Engineering Management Society (TEMSCON LATAM) (öffnet in neuem Tab)

Passt dazu

Alle Artikel