Wie Berücksichtigt Full-funnel Marketing Mix Modeling (MMM) Upper-funnel-kanäle?

Was ist Full-Funnel MMM?

Full-Funnel Marketing Mix Modeling (MMM) ist ein fortschrittliches Mess-Framework, das quantifiziert, wie Marketingaktivitäten entlang der Customer Journey – von Top-of-Funnel-Brand-Awareness bis hin zu Bottom-of-Funnel-Conversions – zusammenwirken und Umsatz treiben.

Im Gegensatz zu traditionellem MMM, das sich hauptsächlich auf direkte, kurzfristige Conversions konzentriert, erfasst Full-Funnel MMM die Funnel-übergreifenden Effekte von Markeninvestitionen. Es modelliert, wie Upper-Funnel-Taktiken wie Connected TV und PR Markenwert aufbauen und die Performance von Lower-Funnel-Kanälen verbessern.

Indem es diese indirekten Pfade und den langfristigen Carryover berücksichtigt, gibt es Marketer:innen eine einheitliche Sicht auf den gesamten ROI und hilft ihnen, Budgets strategisch über jede Phase der Buyer’s Journey hinweg zu allokieren.

Wichtigste Erkenntnisse

• Unterschätzung des Upper-Funnels: Standard-MMM behandelt alle Kanäle parallel, wodurch Lower-Funnel-Kanäle (wie Paid Search) sich den Anteil an der Nachfrage zuschreiben können, die durch Upper-Funnel-Kanäle (wie CTV oder Broadcast) aufgebaut wurde.
• Search als Mediator: Full-Funnel MMM modelliert Search-Spend und Impressions explizit als mehrstufigen Mediator, um indirekte Brand-Halo-Effekte zu erfassen.
• Erhöhte ROAS-Attribution: In unserer Analyse eines 4-Jahres-Datensatzes führte die Berücksichtigung der vermittelten Search-Nachfrage zu 21,7 % mehr Umsatz und steigerte den Upper-Funnel-ROAS von 28,0 auf 35,0.
• Datenschutzsichere Messung: Full-Funnel Bayesian MMM stützt sich ausschließlich auf aggregierte Zeitreihendaten – ohne User-Level-Tracking oder Cookies.

Upper-Funnel Marketing Mix Model

Einige Marketingkanäle lenken Menschen zu anderen Kanälen.

In diesen Demo-Marketingdaten, die wir für diesen Blogpost verwenden, sind Broadcast- und Streaming-Anzeigen die bekanntheitsaufbauenden „Upper-Funnel“-Ausgaben. Wir möchten testen, ob diese Ausgaben Menschen dazu beeinflussen, nach dem Produkt zu suchen.

Wenn wir zum Beispiel ein flaches Modell erstellen, in dem Search neben CTV steht, wird ein Teil der Geschichte verborgen: Search wird sich einen Teil des Credits aneignen, der eigentlich CTV zusteht.

Dieses Notebook erstellt zwei Modelle auf einem wöchentlichen Datensatz über vier Jahre:

• Das erste ist ein Standardmodell, in dem Search wie jeder andere Kanal behandelt wird.
• Das zweite ist ein Funnel-bewusstes Modell, in dem ein Teil von Search ein Ergebnis der Upper-Funnel-Kanäle ist.

Anschließend vergleichen wir die beiden Modelle und bewerten, wie gut jedes Modell die Daten abbildet.

Dieses Notebook setzt grundlegende Kenntnisse über das Modellieren mit pymc-marketing voraus; siehe Schritt-für-Schritt-Anleitung zum Modellieren mit pymc-marketing.

Wie wir über den Funnel denken

Beginnen wir damit, uns das folgende Diagramm anzusehen

Das Diagramm oben zeigt zwei Kanalgruppen: Upper-Funnel und Lower-Funnel. Außerdem eine Kette von Boxen unten, die erklärt, wie Search wirklich funktioniert

Die zwei Kanalgruppen. Broadcast und Streaming sind die Upper-Funnel-Kanäle: Ausgaben zum Aufbau von Bekanntheit, von denen wir glauben, dass sie auch Suchnachfrage erzeugen.

DirectMail- und Digital-Kanäle (Lower-Funnel-Kanäle) glauben nicht, dass sie Search speisen, daher hat jede Gruppe einen Pfeil mit der Beschriftung „direct“, der direkt zum Umsatz führt.

Die verborgene Nachfrage. Zusätzlich zur direkten Beeinflussung des Umsatzes erzeugen die Upper-Funnel-Kanäle eine „verborgene Suchnachfrage“. Das sind Menschen, die eher nach dem Produkt suchen. Wir können diese Nachfrage nicht direkt beobachten, daher ist sie als gestrichelter Knoten dargestellt.

Der Mediator. Diese verborgene Nachfrage verbindet sich mit Search Spend zu einem einzigen „Mediator“. Das ist der gesamte Pool an suchgetriebenem Interesse in einer bestimmten Woche – egal, ob er aus Upper-Funnel-Aktivitäten oder aus Search Spend stammt.

Der Mediator erfüllt zwei Aufgaben:

• Er wird durch Search-Impressions gemessen. Impressions sind ein verrauschtes Abbild des Mediators.
• Getrennt von den direkten Pfeilen der Upper-Funnel-Kanäle hat der Mediator seinen eigenen indirekten Pfeil zum Umsatz. Das Modell würde diesen Anteil verpassen, wenn es Search wie einen gewöhnlichen Kanal behandelt.

So kann jeder Dollar Upper-Funnel-Ausgaben den Umsatz direkt erreichen – und indirekt über die Nachfrage, die er in Search erzeugt. Das funnel-bewusste Modell schätzt beides; das Standardmodell (unten beschrieben) sieht nur den direkten Pfad.

Einrichtung

Der gesamte Python-Code, die Datensätze und die in dieser Analyse verwendeten Modelle sind verfügbar unter Explore the Full-Funnel MMM GitHub Repository.

Zunächst importieren wir die grundlegenden Bibliotheken für probabilistische Modellierung, Datenmanipulation und bayessche Diagnostik.

Daten laden

Als Nächstes laden wir den Datensatz und definieren die Schlüsselvariablen, die unser Modellierungs-Framework strukturieren. In diesem Schritt parsen wir die primären Datums- und Umsatzmetriken, legen fest, welche Medienkanäle als Top-of-Funnel-Treiber gegenüber Lower-Funnel-Mediatoren fungieren, isolieren Kontrollvariablen wie Feiertags-Flags und teilen den Datensatz in unsere Features ($X$) und die Zielvariable ($y$) auf.

Ein kurzer Blick auf die Daten

Wir beginnen damit, unsere Zielmetrik über das gesamte Beobachtungsfenster zu visualisieren – von Mitte 2020 bis Mitte 2024.

Die Grafik hebt eine starke jährliche Saisonalität hervor, gekennzeichnet durch massive Umsatzspitzen in jeder Feiertagssaison (mit Höchstwerten nahe 350–370 Mio. $ zum Jahresende) sowie einen stabilen Basisumsatz von etwa 50–100 Mio. $ in Zeiten außerhalb der Spitzen.

Lassen Sie uns die Marketingausgaben über die Kanäle hinweg aufschlüsseln, um unterschiedliche Investitionsstrategien und Flighting-Muster sichtbar zu machen.

Während DirectMail eine hochfrequente, kontinuierliche wöchentliche Ausgabenstruktur zeigt, weisen Upper-Funnel-Kanäle wie Streaming und Broadcast stärkere Pulsing-Taktiken auf, mit deutlichen Spitzen während der Q4-Feiertagsfenster, um die saisonale Nachfrage abzugreifen.

Um Search als Mediator im mittleren bis unteren Funnel zu bewerten, legen wir Search-Ausgaben und Search-Impressions in einem Dual-Axis-Liniendiagramm übereinander.

Die beiden Kennzahlen spiegeln sich nahezu perfekt wider und skalieren von einem Basisniveau von ca. 200.000 Impressions bis hin zu starken Spitzen von über 900.000 Impressions rund um November und Dezember. Das bestätigt, dass das Impressions-Volumen zuverlässig parallel zur Budgetallokation für Search skaliert.

Aufbau des Search-as-Mediator-Bausteins

Um zu erfassen, wie Awareness Interesse erzeugt, bevor es zu Verkäufen wird, definieren wir eine benutzerdefinierte PyMC-Effect-Klasse, FunnelEffect, um unsere Full-Funnel-Struktur zu modellieren.

Die Bibliothek pymc-marketing ermöglicht es, einen benutzerdefinierten Zusatzterm in den Mittelwert eines Modells einzubinden, und dieser benutzerdefinierte Term darf seine eigenen beobachteten Daten mitbringen. Genau das nutzen wir, um das Mediator-Verhalten hinzuzufügen.

Das macht unser benutzerdefinierter Baustein:

• Nimmt die Ausgaben für Broadcast und Streaming, wendet auf jede Adstock und Sättigung an (genau wie bei einem normalen Kanal) und addiert sie zu einer verborgenen Nachfragezahl
• Addiert eine skalierte Version von search_spend oben auf diese verborgene Nachfrage
• Vergleicht diese kombinierte Gesamtsumme mit den tatsächlich beobachteten search_impressions und behandelt die Differenz als Rauschen
• Leitet die kombinierte Gesamtsumme durch einen weiteren Adstock-und-Sättigungs-Schritt und addiert das Ergebnis zum Umsatz – neben den direkten Beiträgen jedes Kanals

Auf diese Weise schätzt das Modell einen Satz von Zahlen, der sowohl die Search-Daten als auch die Umsatzdaten gleichzeitig erklären muss.

Was die nächste Zelle definiert: upper_dim ist der Name ("channel_upper") einer neuen PyMC-Koordinate, die nur innerhalb dieses Effekts verwendet wird, getrennt von der regulären "channel"-Dimension des Modells. FunnelEffect ist eine Unterklasse von pymc_marketing.mmm.additive_effect.DataVarMuEffect und implementiert die vier Methoden, die dieses Interface erfordert:

• to_dict: serialisiert die Konfiguration des Effekts (wird verwendet, wenn das Modell gespeichert/geladen wird).
• incrementality_spec: teilt dem Incrementality-Modul von pymc-marketing mit, wie viel zusätzlicher Carryover (l_max_lf Lags) der eigene Adstock des Mediators hinzufügt, damit ROAS-Berechnungen später entsprechend berücksichtigt werden.
• create_data: registriert upper_dim als Modellkoordinate.
• create_effect: baut den eigentlichen PyMC-Graphen — Nachfrage, Mediator, die TruncatedNormal-Likelihood auf search_impressions sowie den zurückgegebenen funnel_effect_contribution-Term, der zum Umsatzmittelwert addiert wird.

Nichts davon wird ausgeführt, bis die Klasse später innerhalb von make_funnel_effect instanziiert wird.

Einrichtung beider Modelle

Als Nächstes richten wir unsere Hilfsfunktionen für die Modellkonfiguration ein und instanziieren unseren benutzerdefinierten Funnel-Effekt. Wir schreiben eine Funktion, um Channel-Sättigungs-Priors basierend auf relativen Spend-Anteilen automatisch zu skalieren, setzen maximale Adstock-Carryover-Fenster (l_max) und konfigurieren die Factory-Funktion make_funnel_effect, wobei wir getrennte Geometric-Adstock- und Logistic-Saturation-Transformationen sowohl für den Upper-Funnel-Upper-Channel-Pfad als auch für den Lower-Funnel-Pfad von Nachfrage zu Umsatz verdrahten.

Das Funnel-Modell benötigt seine Eingabedaten in einem leicht anderen Format, damit search_spend und search_impressions mitgeführt werden – auch dann, wenn wir es später bitten, auf neuen Daten Vorhersagen zu machen. Das lösen wir unten mit einer kleinen Subklasse.

Definieren wir die folgende Hilfsfunktion, die den Datensatz erstellt

Schließlich sind wir bereit, die beiden Modelle zu definieren

Anpassen beider Modelle

Wir passen beide Modelle an die vollständige Historie an:

• Das Standardmodell stellt search_spend neben die anderen vier Kanäle als einfach einen weiteren Kanal.
• Das Funnel-Modell behält dieselben vier direkten Kanäle bei und fügt den Mediator-Teil hinzu, sodass die beiden Upper-Funnel-Kanäle auch Anerkennung für die von ihnen erzeugte Suchnachfrage erhalten.

Beide verwenden ansonsten dieselben Einstellungen. Das Anpassen beider Modelle dauert eine Weile; senken Sie gern die Draws-/Tuning-Zahlen unten für einen schnelleren Testlauf.

Nachdem beide Modelle angepasst wurden, fahren wir nun damit fort zu prüfen, ob es irgendwelche Divergenzen gab.

Prüfen, ob die Modelle korrekt gesampelt wurden

Bevor wir uns irgendwelche Ergebnisse ansehen, lohnt es sich zu prüfen, ob das Model-Fitting für beide Modelle tatsächlich gut gelaufen ist.

Die Ergebnisse zeigten für beide Modelle null Divergenzen, mit einem maximalen r-hat von 1,004 bzw. 1,005 für das Standard- bzw. Funnel-Modell.

Reproduziert jedes Modell das, was wir tatsächlich beobachtet haben?

Das Funnel-Modell muss zwei Dinge gleichzeitig erklären: Umsatz und die search_impressions-Zahlen, die es als Stellvertreter für verborgene Nachfrage verwendet. Wir prüfen beides.

Beide Modelle bilden die großen Feiertags-Peaks und die Schwankungen außerhalb der Peak-Phasen innerhalb ihrer Unsicherheitsbänder eng nach. Das bestätigt, dass das Hinzufügen indirekter Search-Mediation und einer mehrstufigen Adstock-Struktur eine starke Vorhersagegüte bewahrt und zugleich Cross-Funnel-Dynamiken berücksichtigt.

Über den Umsatz hinaus enthält unser Full-Funnel-Modell eine sekundäre Likelihood, um die Zwischenstufe der Customer Journey zu validieren: Search Impressions. Indem wir die Posterior-Predictive-Samples für funnel_search_impressions_likelihood extrahieren, plotten wir das vorhergesagte Suchvolumen gegen die beobachteten Daten zusammen mit dem 94%-HDI.

Die Grafik bestätigt, dass das Modell die Search-Nachfrage im Lower Funnel präzise nachzeichnet, sowohl die Baseline-Impression-Levels als auch die großen Q4-Volumenanstiege erfasst und damit Search als effektiven, korrekt modellierten Mediator im Funnel validiert. Diese Prüfung hat direkten geschäftlichen Nutzen für Search-Teams: Wenn die vom Modell vorhergesagte Nachfrage den realen Search Impressions widerspräche, wäre die Funnel-Logik grundlegend fehlerhaft – auf eine Weise, die eine reine Bewertung der Sales-Fit niemals aufdecken könnte.

Aufteilung des Upper-Funnel-Credits in direkte und indirekte Anteile

Nur das Funnel-Modell kann das beantworten: Von all dem Umsatz, den wir Broadcast und Streaming zuschreiben – wie viel stammt aus ihrem direkten Effekt, und wie viel aus der zusätzlichen Search-Nachfrage, die sie erzeugen? Um den indirekten Anteil zu isolieren, vergleichen wir den Beitrag des Mediators, wie er angepasst wurde, mit dem, wie er aussähe, wenn Upper-Funnel-Spend die ganze Zeit über null gewesen wäre; die Differenz ist der Anteil, der tatsächlich durch Upper-Funnel-Spend verursacht wird, statt durch Baseline-Nachfrage oder den eigenen Spend von Search.

Das folgende Dekompositionsdiagramm veranschaulicht, wie Upper-Funnel-Investitionen im Zeitverlauf über beide Pfade in Umsatz übersetzt werden.

Indirekter Anteil des Upper-Funnel-Effekts (Posterior-Mittelwert): 10.0%

Während der direkte Upper-Funnel-Beitrag den primären Baseline-Lift liefert (mit einem Peak nahe 50 Mio. $ während Q4-Spitzen), trägt der indirekte Pfad, der über die Suchnachfrage läuft, einen verlässlichen sekundären Lift bei, der in wichtigen saisonalen Zeitfenstern etwa 3–5 Mio. $ erreicht. Die Kombination dieser Komponenten ergibt den gesamten Upper-Funnel-Effekt und ermöglicht es uns, den exakten Posterior-Anteil des Umsatzes zu berechnen, der übersehen würde, wenn man die indirekte Suchvermittlung ignoriert.

Die beiden Modelle im direkten Vergleich

Hier ist die Zahl, die für eine Budgetentscheidung tatsächlich zählt: Wie viel Gesamtumsatz erzeugen Broadcast und Streaming? Im Standardmodell ist das lediglich ihr kombinierter direkter Beitrag. Im Funnel-Modell ist es die direkte plus indirekte Gesamtsumme, die wir gerade berechnet haben.

Das Funnel-Modell schreibt dem Upper Funnel +21.7% mehr durchschnittlichen Umsatz zu als das Standardmodell.

Wir vergleichen außerdem den Return on Ad Spend (pro ausgegebenem Dollar generierter Umsatz) für dieselben zwei Upper-Channels über beide Modelle hinweg.

Das Standard-MMM, das nur direkte Conversions berücksichtigt, unterschätzt den tatsächlichen Wert von Upper-Funnel-Investitionen und liefert einen All-Time-Mean-ROAS von 28,0. Durch die Einbeziehung sowohl direkter Wirkung als auch suchvermittelter Halo-Effekte verschiebt das Full-Funnel-Modell die Posterior-Verteilung nach oben auf einen Mean-ROAS von 35,0. Dieser Vergleich zeigt, wie traditionelle Attributionsmodelle Awareness-Kanäle systematisch unterbewerten, indem sie die nachgelagerte Nachfrage, die sie erzeugen, nicht anrechnen.

Abschluss

Was wir herausgefunden haben

• search_spend einfach als einen weiteren Kanal zu behandeln, verdeckt einen Teil des tatsächlichen Werts des Upper-Funnels: Das Standardmodell schreibt Broadcast und Streaming weniger zu als das Funnel-Modell, weil es keinen Ort hat, um den indirekten Effekt zuzuordnen.
• Das Funnel-Modell trennt diese Zuschreibung in einen direkten Teil und einen indirekten (suchvermittelten) Teil, und passt beides gleichzeitig zusammen mit den Daten zu Search-Impressions an.
• Die beiden Modelle können den Umsatz ungefähr gleich gut vorhersagen, obwohl sie sich bei der Attribution widersprechen, daher reicht allein die Vorhersagegenauigkeit nicht aus um diese Art von Fehler zu erkennen.

Häufig gestellte Fragen zu Full-Funnel MMM

Worin unterscheidet sich Full-Funnel MMM von Single-Stage MMM?

Single-Stage MMM behandelt jeden Marketingkanal als einen direkten, parallelen Treiber eines einzelnen Ergebnisses (wie Umsatz). Full-Funnel MMM modelliert explizit mehrstufige Abhängigkeiten und bildet ab, wie Upper-Funnel-Investitionen (wie CTV oder PR) latente Markennachfrage erzeugen, die dann in intermediäre Mediatoren (wie Brand-Search-Impressions oder Website-Traffic) fließt, bevor sie in Verkäufe konvertiert.

Warum unterbewerten Standard-Attribution oder Single-Stage MMM Upper-Funnel-Kampagnen?

Wenn Upper-Funnel-Kanäle das Suchinteresse steigern, weist die Standard-Attribution 100 % des Conversion-Credits der Lower-Funnel-Suchanzeige zu, die den letzten Klick abgefangen hat. Single-Stage MMM steht vor einem ähnlichen Dilemma: Die Aufnahme von Lower-Funnel-Metriken als Kontrollvariablen entzieht Upper-Funnel-Kanälen den Credit dafür, diese Nachfrage überhaupt erst geschaffen zu haben. Full-Funnel MMM beseitigt diesen Bias, indem es sowohl direkte Pfade als auch indirekte Halo-Effekte berücksichtigt.

Erfordert Full-Funnel MMM individuelles User-Tracking oder Cookies?

Nein. Wie traditionelles MMM arbeiten Full-Funnel-Modelle vollständig mit aggregierten Zeitreihendaten wie wöchentlichen Ausgaben, Impressions und Umsatz. Es ist vollständig datenschutzsicher und wird nicht von der Abschaffung von Cookies beeinträchtigt.

Wie ELIYA beim Aufbau maßgeschneiderter Full-Funnel-Modelle hilft

Während Open-Source-Pakete wie pymc-marketing modulare Komponenten bereitstellen, erfordert die Implementierung robuster Produktionsmodelle eine Integration von Enterprise-Daten und validierte kausale Priors. ELIYA’s proprietäres Multi-Stage Demand-Bridge Framework verbindet Top-of-Funnel-Investitionen mit nachgelagerten Conversion-Kanälen, ohne Attribution-Credit zu verlieren

• Maßgeschneiderte bayessche Funnel-Architektur: ELIYA erstellt passgenaue mehrstufige Graphen, kalibriert auf Ihren spezifischen Kaufzyklus, Adstock-Nachlaufeffekte und Sättigungskurven.
• Nachgewiesene Wirkung: In Enterprise-B2B-SaaS-Implementierungen stellte die Full-Funnel-Attribution von ELIYA im Durchschnitt 18 % bis 25 % zusätzliche Umsatzzuordnung für Upper-Funnel-Brand-Awareness-Kampagnen wieder her, die Standardmodelle mit Single-Touch- oder Single-Stage-Ansatz ignorierten.
• Validierung durch PhD-Expert:innen: Jede Modellspezifikation wird von PhD-Datenwissenschaftler:innen geprüft, um nicht identifizierbare Parameterrücken zu vermeiden und die Konvergenz sicherzustellen.

Wird Ihr Upper-Funnel-Budget aufgrund fehlerhafter Lower-Funnel-Attribution ungerecht gekürzt?

Wenn Sie eine B2B-SaaS-Marke in der Wachstumsphase oder eine Multi-Channel-Consumer-Brand sind und über Connected TV, PR oder Digital Video investieren, ist das Full-Funnel MMM-Programm von ELIYA darauf ausgelegt, Ihren tatsächlichen kanalübergreifenden Halo-Effekt zu quantifizieren. Fordern Sie eine individuelle Measurement-Bewertung mit ELIYA an.