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 noch 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 Leistungsfähigkeit der Bayesschen Statistik in die Marketing-Analytics bringt. Indem man über einfache Punktschätzungen hinausgeht, ermöglicht Bayessche Modellierung Folgendes:

1. Vorwissen einbeziehen: Nutzen Sie historische Daten oder geschäftliche Einschränkungen, um das Modell zu informieren.
2. Unsicherheit quantifizieren: Statt einer einzelnen ROI-Zahl erhalten Sie eine Bandbreite wahrscheinlicher Ergebnisse, was die Entscheidungsfindung deutlich realistischer macht.
3. Volle Transparenz gewinnen: Keine „Black Boxes“ – Sie haben die vollständige Kontrolle über die Annahmen und die 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 restliche Beitrag 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 die Bayessche MMM-Modellierung

Einrichten Ihrer Umgebung

Um mit dieser praktischen Implementierung zu starten, befolgen Sie diese Schritte, um Ihre lokale Python-Umgebung einzurichten:

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

Datenaufbereitung: Das Fundament schaffen

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

Für dieses Notebook haben wir einen synthetischen Datensatz erzeugt; Details finden Sie 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 Verkäufe im Zeitverlauf hilft dabei, Trends und wiederkehrende „Täler“ zu erkennen, wie etwa den häufigen Einbruch im Spätsommer vor der Erholung in Q4.

Um Verkaufstrends besser zu verstehen, können wir uns auch den gleitenden Durchschnitt der Verkäufe im Zeitverlauf ansehen. Der gleitende Durchschnitt (die blaue Linie im Diagramm unten) ist eine „Glättungs“-Technik, die verwendet wird, um das wöchentliche „Rauschen“ herauszufiltern und die zugrunde liegende Richtung des Geschäfts sichtbar zu machen.

Ausgaben und Korrelation analysieren

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

Das Media Mix Model erstellen

Wir berücksichtigen die zeitliche Natur des Marketings, indem wir einen Time-Series-Split verwenden und die letzten 10 % der Daten als „Testset“ 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 fortfahren und 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 funktioniert. Zum Beispiel verwenden wir eine HalfNormal distribution für den Intercept, um sicherzustellen, dass der Basisbeitrag zu den Verkäufen niemals negativ ist.

Im folgenden Code verwenden wir Spend-Anteile 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. Indem wir time_varying_intercept=False setzen und Fourier-Terme verwenden, 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.

Modellanpassung 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 Ihrem Modell zu vertrauen, müssen Sie 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 Antwort gefunden hat.
• Trace-Plots: Achten Sie auf das „fuzzy caterpillar“-Muster. Das zeigt an, dass der Sampling-Prozess stabil war und über mehrere Läufe hinweg konsistent blieb.

R-hat-Statistik

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

Idealerweise sollte R-hat unter 1,05 liegen, und wenn es über 1,1 liegt, müssen Sie das Modell erneut fitten, indem Sie ein anderes target_accept ausprobieren oder re-parametrisieren.

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

Die angezeigten R-hat-Statistiken sind alle 1.

Trace-Plots

Ein Trace-Plot ist eine visuelle Historie des Lernprozesses, den Ihr Modell während seiner Schätzphase durchlaufen hat. Während R-hat Ihnen eine einzelne Zahl liefert, um den Zustand zu prüfen, zeigt ein Trace-Plot den „Herzschlag“ Ihres 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 wahrscheinlichsten Wert verortet. Der zweite Teil ist der Pfad-Plot, ein Zeitreihendiagramm, das den Verlauf der Modellparameter während des Fitting-Prozesses nachzeichnet.

Die „fuzzy caterpillar“-Muster in den Trace-Plots auf der rechten Seite zeigen, 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 einen konsistenten Konsens erreicht hat.

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

Deep Dive: Umsetzbare Erkenntnisse gewinnen

Das „Warum“ von MMM ist, bessere Ausgabenentscheidungen zu ermöglichen. Wir können nun unseren KPI aufschlüsseln, 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. Sättigung und Reaktionskurven

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

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

3. ROI mit Glaubwürdigkeitsintervallen

Im Gegensatz zu traditionellen Tools, die dir eine einzelne „ROI-Zahl“ liefern, stellt PyMC-Marketing eine Posteriorverteilung bereit. Zum Beispiel ist Kanal 3 ein klarer Gewinner, weil selbst sein „Worst-Case-Szenario“-ROI oft besser ist als der durchschnittliche 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 uns ROAS auch mit Fehlerbalken (Credible Intervals) wie folgt ansehen.

Vorhersagen auf dem Testdatensatz

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

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

Die vertikale Linie teilt den Zeitraum in Trainings- und Testphasen. Die Anpassung des Modells sieht gut aus. Schauen wir uns den Testzeitraum genauer an.

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

Fazit

PyMC-Marketing verwandelt historische Daten in einen strategischen Fahrplan. Indem Sie über einfache Regressionen hinausgehen, können Sie:

• Adstock und Sättigung mit realistischer Komplexität modellieren.Adstock and Saturation mit realistischer Komplexität.
• Entscheidungen treffen, die Unsicherheit berücksichtigen und die reale Welt widerspiegeln.uncertainty-aware decisions die die reale Welt widerspiegeln.
• Zukunftsorientiertes Wachstum durch automatisierte Budgetoptimierung vorantreiben.forward-looking growth durch automatisierte Budgetoptimierung.

Bereit loszulegen? 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, den 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 einen datenschutzsicheren Weg bietet, eine präzise Messung der Marketingwirkung zu erreichen, ohne auf individuelles User-Tracking oder Cookies angewiesen zu sein.

2. Wie verbessert Bayes'sche Modellierung die Optimierung der Marketingausgaben?

Im Gegensatz zur traditionellen „frequentistischen“ Statistik ermöglicht Bayesian media mix modeling Unternehmen, „Priors“ bzw. vorhandenes Geschäftswissen in das Modell einzubeziehen. Das führt zu einer stabileren und realistischeren marketing spend optimization, da das Modell Datenvolatilität besser bewältigen und eine Bandbreite wahrscheinlicher Ergebnisse liefern kann, statt nur eine einzelne, potenziell irreführende Zahl.

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 und ermöglicht es Ihnen, genau zu erkennen, wann Sie aufhören sollten, in einen Kanal zu investieren, und Ressourcen in einen anderen zu verlagern, um eine bessere marketing allocation optimization zu erzielen.

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 marketing measurement, sodass Offline-Beiträge in Ihrer gesamten Wachstumsstrategie nicht übersehen werden.

5. Wie oft sollten wir eine Analyse zur marketing allocation optimization 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. Regelmäßiges marketing measurement stellt sicher, dass Ihre Strategie agil bleibt und Sie sich in Echtzeit an Marktveränderungen und Wettbewerbsaktivitäten anpassen können.

6. Warum sollte ich ELIYA für meine Lösungen zur marketing measurement 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. Mit 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-Modellierung, Sättigungsmodellierung und Budgetoptimierung mithilfe bayesscher Methoden entwickelt wurde.

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

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

PyMC-Marketing unterstützt eine Reihe von Marketingmodellen, darunter:

• Bayessche Media Mix Models
• Adstock- und Sättigungs-Response-Kurven
• Hierarchisches MMM (Multi-Market oder Multi-Brand)
• Saisonalität und Kontrollvariablen
• Budgetoptimierung basierend auf Posterior-Schätzungen

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

9. Kann ich PyMC-Marketing für die Budgetoptimierung verwenden?

Ja. PyMC-Marketing enthält Funktionen zur Durchführung einer Optimierung der Budgetallokation anhand der Posteriorverteilung der Kanaleffekte. Das hilft dabei, den Ausgabenmix zu identifizieren, der den ROI unter realistischen Einschränkungen 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): Robyn wurde von Meta entwickelt, ist primär R-basiert und nutzt maschinelles Lernen (Ridge Regression) statt eines rein bayesianischen Ansatzes. Es ist stark automatisiert und halbautonom, was es zu einer beliebten Wahl für Digital-first-Teams macht, die einen schnellen, zugänglichen Einstieg in die Messung der Marketingwirkung suchen.
• Meridian (Google): Googles neuestes bayesianisches Framework ist darauf ausgelegt, sich tief in das Google-Ökosystem zu integrieren, und berücksichtigt einzigartige Datenpunkte wie Google Search Volume sowie YouTube-Reichweite/-Frequenz. Es ist ein hervorragendes Tool für die Optimierung der Marketingausgaben, 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 Optimierung des Marketingbudgets und langfristige Optimierung der Marketingallokation , bei der geschäftsspezifische Nuancen entscheidend für den Erfolg des Modells sind.