Bayesian Media Mix Modeling (MMM) Mit Pymc-marketing Meistern

Einleitung: Warum Media Mix Modeling (MMM) jetzt wichtig ist?

In der heutigen datengetriebenen Landschaft hält eine Frage Marketing-Teams wach: Wie hoch ist der tatsächliche Return für jeden ausgegebenen Dollar?

Da Datenschutzvorschriften strenger werden und Customer Journeys zunehmend fragmentiert sind, stößt die traditionelle „Last-Click“-Attribution an ihre Grenzen. Hier kommt Media Mix Modeling (MMM) ins Spiel. Es nutzt historische, aggregierte Daten, um den Beitrag von Marketingaktivitäten zu Ihren KPIs (wie Umsatz oder Conversions) zu schätzen.

Im Gegensatz zu vereinfachten Methoden berücksichtigt ein robustes MMM drei entscheidende Dynamiken aus der Praxis:

• Adstock (Carryover-Effekte): Die Wirkung einer Anzeige hält oft Tage oder Wochen nach dem ersten Kontakt an.
• Sättigung (abnehmende Grenzerträge): Es gibt eine „Obergrenze“ der Wirksamkeit; irgendwann führt mehr Budget zu weniger zusätzlichem Nutzen.
• Baseline-Effekte: Berücksichtigung von Nicht-Media-Treibern wie Saisonalität, Feiertagen und organischer Markenstärke.

Die Stärke des Bayes’schen Ansatzes

PyMC-Marketing ist eine führende Open-Source-Bibliothek, die die Stärke der Bayes’schen Statistik in die Marketing-Analytics bringt. Indem man über einfache Punktschätzungen hinausgeht, ermöglicht Bayes’sches Modeling Ihnen:

1. Vorwissen einzubeziehen: Nutzen Sie historische Daten oder geschäftliche Restriktionen, um das Modell zu informieren.
2. Unsicherheit zu quantifizieren: Statt einer einzelnen ROI-Zahl erhalten Sie eine Bandbreite wahrscheinlicher Ergebnisse, was Entscheidungen deutlich realistischer macht.
3. Volle Transparenz zu gewinnen: Keine „Black Boxes“—Sie haben vollständige Kontrolle über die Annahmen und Struktur des Modells.

In einem früheren Blog-post haben wir MMM mit Meridian von Google untersucht. In diesem Beitrag konzentrieren wir uns auf eine weitere Open-Source-Bibliothek, PyMC-Marketing, und heben ihre Flexibilität und Transparenz anhand eines praxisnahen Beispiels hervor. (Weitere Informationen zu Meridian finden Sie auf der official website)

Der Rest dieses Beitrags führt durch eine End-to-End-MMM-Analyse, die in einem Jupyter Notebook implementiert ist, und umfasst Datenladen, Modellspezifikation, Inferenz und Budgetoptimierung. Alle Details sind in diesem repository verfügbar.

• Besuchen Sie diese Website, für weitere Informationen über PyMC-Marketin
• Dieser Artikel erklärt Bayes’sches MMM-Modeling

Einrichten Ihrer Umgebung

Um mit dieser praxisnahen Implementierung zu starten, folgen Sie diesen Schritten, um Ihre lokale Python-Umgebung einzurichten:

Als Nächstes importieren wir die Kernbibliotheken für Datenmanipulation, Visualisierung und die spezialisierten Bayes’schen Tools aus PyMC-Marketing:

Datenaufbereitung: Das Fundament schaffen

Ein hochwertiges MMM erfordert strukturierte Zeitreihendaten, meist in wöchentlicher oder täglicher Granularität. Dein Datensatz sollte deine KPI (Umsatz), Media Spend pro Kanal und Kontrollvariablen (wie Saisonalität oder Promotions) enthalten.

Für dieses Notebook haben wir einen synthetischen Datensatz erzeugt; Details findest du im Jupyter-Notebook im GitHub-repository. Der Einfachheit halber laden wir direkt die erzeugte CSV.

Explorative Datenanalyse (EDA)

Bevor du modellierst, musst du den „Herzschlag“ deiner Daten verstehen. Die Visualisierung der Umsätze im Zeitverlauf hilft, Trends und wiederkehrende „Täler“ zu erkennen, wie etwa den typischen Rückgang im Spätsommer vor der Erholung in Q4.

Um Umsatztrends besser zu verstehen, können wir uns auch den gleitenden Durchschnitt der Umsätze im Zeitverlauf ansehen. Der gleitende Durchschnitt (die blaue Linie im Diagramm unten) ist eine „Glättungs“-Technik, die wöchentliches „Rauschen“ herausfiltert und die zugrunde liegende Entwicklung des Geschäfts sichtbar macht.

Ausgaben und Korrelation analysieren

Während die Korrelation zwischen Ausgaben und Umsatz ein guter Ausgangspunkt ist, kann sie aufgrund von Störfaktoren wie Saisonalität irreführend sein. In diesem Beispiel beobachten wir, dass Kanal 2 als „Sales Trigger“ mit schnellen Spitzen wirkt, während die Kanäle 1 und 3 als Markenaufbauer fungieren.

Das Media Mix Model aufbauen

Wir berücksichtigen die zeitliche Natur von Marketing, indem wir einen Time-Series-Split verwenden und die letzten 10 % der Daten als „Test-Set“ reservieren, um zu bewerten, wie das Modell die zukünftige Performance vorhersagt.

Das obige Diagramm zeigt die Entwicklung der Verkäufe im Zeitverlauf, wobei der DataFrame in Trainingszeitraum (blau) und Testzeitraum (orange) aufgeteilt wird. Wir können nun Trainings- und Test-Sets für die Modellierung definieren.

Priors und Modellspezifikationen definieren

Bayessche Modellierung ermöglicht es uns, „Priors“ festzulegen – anfängliche Annahmen darüber, wie unser Marketing wirkt. Zum Beispiel verwenden wir eine HalfNormal distribution für den Intercept, um sicherzustellen, dass der Basisbeitrag der Verkäufe niemals negativ ist.

Im folgenden Code verwenden wir Spend Shares pro Kanal, um bestimmte Priors zu skalieren:

Wir sind bereit, diese Priors für die Sättigungskoeffizienten in der Modellkonfiguration zu verwenden.

Das Modell verwendet Markov Chain Monte Carlo (MCMC)-Sampling, um die Werte unbekannter Parameter zu schätzen. Durch das Setzen von time_varying_intercept=False und die Verwendung von Fourier-Terms ermöglichen wir dem Modell, glatte, wiederkehrende jährliche Saisonalitätsmuster zu lernen.

Das MMM-Objekt ist mit einer Reihe von Methoden (oder Funktionen) ausgestattet, die den MCMC-Sampling-Algorithmus ermöglichen.

Modell-Fitting und Diagnostik

Sobald alles konfiguriert ist, führen wir den MCMC-Sampler aus. Hier „lernt“ das Modell aus deinen Daten.

Health Check: R-hat und Trace Plots

Um deinem Modell zu vertrauen, musst du die Konvergenz überprüfen.

• R-hat-Statistik: Idealerweise sollte sie bei 1,00 liegen. Alles über 1,1 deutet darauf hin, dass das Modell noch „umherirrt“ und noch keine stabile Lösung gefunden hat.
• Trace Plots: Achte auf das Muster der „flauschigen Raupe“. Das zeigt, dass der Sampling-Prozess stabil war und über mehrere Läufe hinweg konsistent geblieben ist.

R-hat-Statistik

R-hat ist ein mathematisches Maß dafür, wie gut MCMC-Ketten zu einer stabilen posterioren Verteilung konvergiert sind. Es vergleicht die Varianz zwischen verschiedenen Ketten mit der Varianz innerhalb jeder Kette. Einfacher gesagt: Es zeigt dir, ob der MCMC-Algorithmus tatsächlich die richtigen Antworten gefunden hat oder ob er noch immer ziellos umherirrt.

Idealerweise sollte R-hat unter 1,05 liegen, und wenn es über 1,1 liegt, musst du das Modell erneut fitten, indem du verschiedene target_accept ausprobierst oder eine Reparametrisierung vornimmst.

Außerdem können wir uns R-hat mit folgendem Code ansehen:

Die R-hat-Statistiken zeigen, dass alle 1 sind.

Trace-Plots

Ein Trace-Plot ist eine visuelle Historie des Lernprozesses, den dein Modell während der Schätzphase durchlaufen hat. Während R-hat dir eine einzelne Zahl zur Gesundheitsprüfung liefert, zeigt dir ein Trace-Plot den „Herzschlag“ deines Modells.

Ein Trace-Plot besteht typischerweise aus zwei Teilen für jeden Parameter: Der erste Teil ist die KDE (Kernel Density Estimate), eine Verteilungskurve, die zeigt, wo das Modell den Wert am wahrscheinlichsten verortet. Der zweite Teil ist der Pfad-Plot, ein Zeitreihendiagramm, das die Entwicklung der Modellparameter während des Fit-Prozesses nachzeichnet.

Die „fuzzy caterpillar“-Muster in den Trace-Plots auf der rechten Seite deuten darauf hin, dass der Sampling-Prozess stabil war, während die überlappenden Dichtekurven in den Plots auf der linken Seite zeigen, dass das Modell über mehrere unabhängige Läufe hinweg zu einem konsistenten Konsens gelangt ist.

Um Trace-Plots besser zu verstehen, sieh dir ein Beispiel an, wie ein Trace-Plot nicht aussehen sollte.

Deep Dive: Umsetzbare Erkenntnisse gewinnen

Das „Warum“ von MMM ist, bessere Ausgabenentscheidungen zu ermöglichen. Wir können unseren KPI nun zerlegen, um genau zu sehen, was die Verkäufe angetrieben hat.

1. Beitragsaufschlüsselung

In diesem Szenario macht der Baseline (Intercept) 40 % des Umsatzes aus, was auf eine starke organische Markenetablierung hindeutet. Unter den Medien ist Kanal 3 der größte Beitragsleister (30 %), gefolgt von Kanal 1 (24 %).

2. Sättigungs- und Reaktionskurven

„Hilltop“-Kurven visualisieren die Beziehung zwischen Ausgaben und Ertrag. Alle Kanäle zeigen hier eine konkave Form, was bedeutet, dass mit steigenden Ausgaben jeder zusätzliche Dollar einen geringeren inkrementellen Ertrag erzeugt.

Diese Direct-Response-Kurven (auch als Sättigungs- oder Hilltop-Kurven bekannt) visualisieren die Beziehung zwischen Marketingausgaben und dem daraus resultierenden Beitrag für drei verschiedene Kanäle. Lesen Sie mehr über den abnehmenden Grenzertrag in diesem Beitrag.

3. ROI mit Credible Intervals

Im Gegensatz zu traditionellen Tools, die Ihnen eine einzelne „ROI-Zahl“ liefern, stellt PyMC-Marketing eine Posterior-Verteilung bereit. Zum Beispiel ist Kanal 3 ein klarer Gewinner, weil selbst sein „Worst-Case-Szenario“-ROI oft besser ist als der mittlere ROI anderer Kanäle.

4. Anteil der Ausgaben vs. Anteil am Umsatz

Als Nächstes können wir Ausgaben und Umsatz für jeden Kanal zusammen mit ROAS darstellen. Das zeigt, wie stark jeder Kanal zum Umsatz (oder zu den Verkäufen) beiträgt – relativ zu seinem Anteil innerhalb des Marketing-Mix.

5. Return on Ad Spend (ROAS)

Wir können ROAS auch mit Fehlerbalken (Credible Intervals) wie folgt betrachten.

Vorhersagen auf dem Testdatensatz

Schauen wir uns nun an, wie das Modell auf den Testdaten abschneidet. PyMC-Marketing erzeugt Vorhersagen aus einem gefitteten Modell wie folgt:

Als Nächstes kann man den Fit des Trainingsdatensatzes und die Vorhersage des Testdatensatzes gemeinsam wie folgt visualisieren:

Die vertikale Linie teilt den Zeitraum in Trainings- und Testphasen. Der Fit des Modells sieht gut aus. Schauen wir uns die Testphase genauer an.

Insgesamt sieht die Performance des Modells auf dem Test-Set gut aus; es erfasst den Trend sehr gut, mit einem MAPE auf dem Test-Set von 0,12.

Fazit

PyMC-Marketing verwandelt historische Daten in einen strategischen Fahrplan. Indem du über einfache Regressionen hinausgehst, kannst du:

• Adstock und Sättigung mit realistischer Komplexität modellieren.
• Unsicherheitsbewusste Entscheidungen treffen, die die reale Welt widerspiegeln.
• Zukunftsorientiertes Wachstum durch automatisierte Budgetoptimierung vorantreiben.

Bereit zu starten? Du kannst den vollständigen Code und Beispiel-Notebooks auf GitHub erkunden.

Skaliere dein Marketing mit maßgeschneiderten MMM-Lösungen

Bereit, das wahre Potenzial deiner Marketingausgaben zu erschließen? Bei ELIYA helfen wir Marken, Komplexität zu meistern, indem wir individuelle, maßgeschneiderte MMM solutions entwickeln, die darauf ausgelegt sind, ROI zu maximieren und jeden Dollar deines Budgets zu optimieren.

Buche noch heute eine Demo mit ELIYA

FAQs

1. Was ist Media Mix Modeling (MMM) und warum ist es für moderne Marken unverzichtbar?

Media Mix Modeling (MMM) ist eine statistische Analyse auf hoher Ebene, die für eine umfassende Marketingmessung eingesetzt wird. Durch die Auswertung historischer aggregierter Daten quantifiziert MMM die Wirksamkeit verschiedener Marketingkanäle auf den Umsatz. Es ist heute unverzichtbar, weil es eine datenschutzsichere Möglichkeit bietet, eine präzise Messung der Marketingwirkung zu erreichen, ohne auf individuelles User-Tracking oder Cookies angewiesen zu sein.

2. Wie verbessert Bayes’sches Modellieren die Optimierung der Marketingausgaben?

Im Gegensatz zur traditionellen „frequentistischen“ Statistik ermöglicht Bayes’sches media mix modeling Unternehmen, „Priors“ bzw. vorhandenes Business-Wissen in das Modell einzubringen. Das führt zu einer stabileren und realistischeren Optimierung der Marketingausgaben, da das Modell Datenvolatilität besser bewältigen und eine Bandbreite wahrscheinlicher Ergebnisse statt einer einzelnen, potenziell irreführenden Zahl liefern kann.

3. Welche Rolle spielt Sättigung bei der Optimierung des Marketingbudgets?

In jeder marketing budget optimization-Strategie ist das Verständnis von Sättigung entscheidend. Jeder Kanal erreicht irgendwann einen Punkt abnehmender Erträge, an dem mehr Ausgaben nicht zu einem proportionalen Anstieg der Verkäufe führen. PyMC-Marketing modelliert diese „Hilltop“-Kurven, sodass du genau erkennen kannst, wann du aufhören solltest, in einen Kanal zu investieren, und Ressourcen in einen anderen verlagern kannst – für eine bessere Optimierung der Marketingallokation.

4. Kann Media Mix Modeling eine genaue Messung der Marketingwirkung für Offline-Kanäle liefern?

Ja. Eine der größten Stärken von media mix modeling ist die Fähigkeit, die Wirkung sowohl digitaler als auch Offline-Kanäle (wie TV, Radio oder OOH) gleichzeitig zu messen. Durch die Analyse von Ausgaben und Ergebnissen über die Zeit liefert es eine ganzheitliche Sicht auf die Marketingmessung, sodass Offline-Beiträge in deiner gesamten Wachstumsstrategie nicht übersehen werden.

5. Wie oft sollten wir eine Analyse zur Optimierung der Marketingbudget-Allokation durchführen?

Während traditionelles MMM ein jährliches Ereignis war, ermöglichen moderne Tools wie PyMC-Marketing häufigere Updates. Wir empfehlen, marketing allocation optimization quartalsweise oder sogar monatlich durchzuführen. Regelmäßige marketing measurement stellt sicher, dass Ihre Strategie agil bleibt, sodass Sie sich in Echtzeit an Marktveränderungen und Wettbewerbsaktivitäten anpassen können.

6. Warum sollte ich ELIYA für meine Lösungen zur Marketingmessung wählen?

Bei ELIYA sind wir darauf spezialisiert, über "Software von der Stange" hinauszugehen. Wir entwickeln individuelle, maßgeschneiderte media mix modeling-Lösungen, die sich an Ihre spezifischen Anforderungen und die Komplexität realer geschäftlicher Nuancen anpassen. Durch den Fokus auf präzise marketing impact measurement und datengetriebene marketing budget optimization befähigen wir Ihre Marke, intelligenter zu investieren und schneller zu wachsen.

Für weitere Informationen besuchen Sie bitte unsere Service-Seite für Marketing Analytics

7. Was ist PyMC-Marketing?

PyMC-Marketing ist eine Open-Source-Bibliothek, die auf PyMC aufbaut und speziell für Marketing-Analytics-Aufgaben wie Media Mix Modeling (MMM), adstock modeling, saturation modeling, und budget optimization mithilfe bayesscher Methoden entwickelt wurde.

PyMC-Marketing ist eine Bibliothek, die unter Verwendung der Kern-PyMC library erstellt wurde.

8. Welche Arten von Modellen kann ich mit PyMC-Marketing erstellen?

PyMC-Marketing unterstützt eine Reihe von Marketingmodellen, darunter:

• Bayessche Media Mix Models
• Adstock- und Saturation-Response-Curves
• Hierarchical MMM (Multi-Market oder Multi-Brand)
• Saisonalität und Kontrollvariablen
• Budget optimization basierend auf Posterior-Schätzungen

Für weitere Informationen verweisen wir die Leser auf PyMC-Marketing's GitHub repository

9. Kann ich PyMC-Marketing für Budgetoptimierung verwenden?

Ja. PyMC-Marketing enthält Funktionen zur Durchführung von budget allocation optimization unter Verwendung der Posterior-Verteilung der Kanaleffekte. Das hilft dabei, den Ausgabenmix zu identifizieren, der den ROI unter realistischen Restriktionen maximiert.

10. Was sind die wichtigsten Unterschiede zwischen Robyn, Meridian und PyMC-Marketing?

Obwohl alle drei führende Open-Source-Frameworks für media mix modeling sind, bedienen sie unterschiedliche technische Anforderungen und Geschäftsziele:

• Robyn (Meta): Entwickelt von Meta ist Robyn primär R-basiert und nutzt Machine Learning (Ridge Regression) statt eines rein bayesschen Ansatzes. Es ist stark automatisiert und semi-autonom, was es zu einer beliebten Wahl für Digital-first-Teams macht, die einen schnellen, zugänglichen Einstieg in marketing impact measurement suchen.
• Meridian (Google): Googles neuestes bayessches Framework ist darauf ausgelegt, sich tief in das Google-Ökosystem zu integrieren und einzigartige Datenpunkte wie Google Search Volume sowie YouTube-Reichweite/-Frequenz einzubeziehen. Es ist ein hervorragendes Tool für marketing spend optimization, insbesondere für Marken mit hohen Investitionen in Googles Werbeplattformen. Für einen Vergleich zwischen Meridian und Robyn siehe diesen Beitrag.
• PyMC-Marketing: Als Python-native Bibliothek bietet PyMC-Marketing das höchste Maß an Flexibilität und Transparenz. Es ermöglicht Data Scientists, hochgradig maßgeschneiderte Modelle mit individuellen Priors und zeitvariierenden Parametern zu erstellen. Diese granulare Kontrolle macht es zum "Goldstandard" für fortgeschrittene marketing budget optimization und langfristige marketing allocation optimization , bei der geschäftsspezifische Nuancen entscheidend für den Erfolg des Modells sind.