Aufbau Einer Einheitlichen Marketing-messkompetenz Für Ein Retail Media Network

Zusammenfassung

Dieser Artikel beschreibt eine entscheidende strategische Initiative für einen großen Einzelhändler: die Entwicklung eines einheitlichen Frameworks zur Marketingmessung (UMM). Das UMM-Framework zielt darauf ab, Inkonsistenzen zwischen den Ergebnissen von Marketing Mix Modeling (MMM) und Multi-Touch Attribution (MTA) zu beheben, indem es konsistente, kausale Messungen der Inkrementalität liefert. Daher soll dieses Projekt die Herausforderungen fragmentierter Marketingmessung durch die Integration von fortschrittlichem MMM mit den aktuellen MTA-Fähigkeiten überwinden.

Dieser synergetische Ansatz stellt eine konsistente, genaue Messung der Channel-Performance sicher, ermöglicht präzise Prognosen und optimiert die Marketingausgaben für seine Werbepartner. Durch die Bereitstellung einer einzigen, vertrauenswürdigen Sicht auf die Marketingwirksamkeit über alle Kanäle hinweg wird diese Fähigkeit die Beziehungen zu Werbetreibenden stärken, für mehr Transparenz hinsichtlich der Wirkung der Media-Ausgaben sorgen und die Möglichkeit bieten, die Budgetallokation kanalübergreifend zu optimieren.

1. Einheitliche Messung in Retail Media

Ein anspruchsvolles, einheitliches Framework zur Marketingmessung ist für das moderne Retail-Umfeld essenziell. Angesichts der Herausforderungen der aktuell fragmentierten Landschaft ist eine einheitliche Marketingmessung (UMM) entscheidend für Wachstum und ein klarer Wettbewerbsvorteil. Ein erfolgreiches UMM-Framework kann Erkenntnisse aus MTA, MMM und realen Experimenten zusammenführen und so eine harmonisierte und konsistente Messlandschaft schaffen.

1.1. Die sich wandelnde Retail-Media-Landschaft: Herausforderungen und Chancen

Der Einzelhandelssektor agiert in einem komplexen Omnichannel-Media-Umfeld, das durch vielschichtige Customer Journeys geprägt ist, die Online-, In-Store- und hybride Interaktionen umfassen. Retail-Media-Netzwerke stehen vor der Aufgabe, diese vielfältigen Touchpoints zu orchestrieren, um Werbetreibenden ein umfassendes Verständnis der Wirkung ihrer Werbung zu liefern.

Sainsbury's verfolgt über seine Nectar360 Pollen Plattform aktiv eine Strategie, um Zielgruppen-Insights, Mediaplanung, Aktivierung, Optimierung und Messung über physische Filialen, Online- und Offsite-Kanäle hinweg zu vereinheitlichen. Diese Initiative zielt darauf ab, diese unterschiedlichen Umgebungen zu einem kohärenten Omnichannel-Ansatz zu verbinden und spiegelt die breitere Erkenntnis der Branche wider, dass integrierte Messung zwingend erforderlich ist.1

Retail Media selbst erlebt derzeit eine Phase schnellen Wachstums. Laut dieser Studie berichten einige britische Einzelhändler von einem YoY-Wachstum der Werbeausgaben von über 50 %. Diese Beschleunigung bietet eine erhebliche Chance zur Umsatzgenerierung, bringt jedoch auch „Wachstumsschmerzen“ in Bezug auf Standardisierung und Transparenz der Messung mit sich (Quelle). Einzelhändler versuchen aktiv, den Erfolg globaler Vorreiter wie Walmart im Retail-Media-Bereich zu replizieren, indem sie digitale In-Store-, Online- und Daten-Assets integrieren, um für ihre Kunden inkrementelle Verkäufe zu erzielen.

Ein wesentlicher Vorteil für Supermärkte liegt in ihrem Zugang zu umfangreichen First-Party-Kundendaten, vor allem über große Loyalty-Programme wie Sainsbury's Nectar. Diese proprietären Daten sind für präzises Retail-Media-Targeting und -Measurement äußerst wertvoll, insbesondere da sich weiterentwickelnde Datenschutzvorschriften die Abhängigkeit von Third-Party-Cookies zunehmend einschränken.

Eine kritische Beobachtung in dieser sich wandelnden Landschaft ist das Vorhandensein einer "Glaubwürdigkeitslücke in der Messung." Während der Retail-Media-Sektor schnell wächst, bleibt er kompliziert und schwer zu navigieren, unter anderem aufgrund fehlender Standardisierung und Transparenz in der Messung.

Werbetreibende äußern häufig, dass es ihnen schwerfällt, die tatsächliche Wirksamkeit ihrer Kampagnen innerhalb ihrer umfassenderen Mediapläne ohne unabhängige, externe Messung zu bewerten (gefunden in dieser Nielsen-Studie). Diese Situation deutet darauf hin, dass trotz des erheblichen Umsatzpotenzials, das Retail Media Einzelhändlern bietet, ein Mangel an vertrauenswürdiger, einheitlicher Messung das Vertrauen der Werbetreibenden und langfristige Investitionen beeinträchtigen könnte.

1.2. Grenzen isolierter MMM- und MTA-Ansätze

Marketing Mix Modeling (MMM) und Multi-Touch Attribution (MTA) sind unterschiedliche Methoden, jeweils mit eigenen Stärken und Schwächen.

MMM bietet eine ganzheitliche, aggregierte Perspektive und stützt sich auf historische Daten sowie externe Faktoren wie Wetter- und Wirtschaftsdaten. Es eignet sich ideal für die langfristige strategische Planung und die umfassende Budgetallokation über alle Kanäle hinweg, einschließlich Online- und Offline-Medien (lies diesen Blogbeitrag für mehr Infos).

Im Gegensatz dazu konzentriert sich MTA auf granulare, nutzerbezogene digitale Interaktionen und liefert nahezu in Echtzeit Erkenntnisse für die taktische Optimierung innerhalb spezifischer digitaler Kanäle.

Wenn diese Methoden isoliert eingesetzt werden, führen sie häufig zu widersprüchlichen Schlussfolgerungen hinsichtlich der Channel-Performance. So kann ein MMM beispielsweise darauf hindeuten, dass ein bestimmter Kanal unterdurchschnittlich abschneidet, während MTA-Daten nahelegen, dass er ein Top-Performer ist (siehe hier weitere Beispiele). Diese inhärente Inkonsistenz sorgt für Verwirrung und behindert effektive Entscheidungsfindung (siehe dieses Google-Whitepaper).

Darüber hinaus übersehen isolierte MTA-Ansätze typischerweise die Auswirkungen von Offline-Aktivitäten und breiteren externen Faktoren wie Saisonalität, Wettermustern oder wirtschaftlichen Bedingungen, was zu einem unvollständigen Bild der gesamten Marketingwirkung führt. Während traditionelles MMM eine ganzheitliche Sicht bietet, kann es langsam, ressourcenintensiv und rückblickend sein und es fehlt oft an der Geschwindigkeit und Präzision, die für dynamische, taktische Anpassungen in Echtzeit in einem schnelllebigen Einzelhandelsumfeld erforderlich sind.

Der Nutzen von MTA wird zudem zunehmend durch sich weiterentwickelnde Datenschutzvorschriften, einschließlich DSGVO und iOS-Tracking-Beschränkungen, sowie die fortschreitende Abschaffung von Third-Party-Cookies in Frage gestellt. Dieser „Signalverlust“ verringert die Genauigkeit und den Gesamtnutzen von MTA. Im Gegensatz dazu basiert MMM auf aggregierten Daten und ist von datenschutzgetriebenen Veränderungen nicht betroffen (unser Blog post für mehr Infos).

Dies erzeugt einen „Decision Paralysis“-Effekt, wenn unterschiedliche Messmethoden in organisatorischen Silos arbeiten. Diese Fragmentierung führt zu verzerrten Empfehlungen und Budgetentscheidungen, mit wenig bis gar keiner Konsistenz. Die unvermeidlichen Widersprüche, die daraus entstehen, können dazu führen, dass Marketer erhebliche Budgets auf Kanäle verteilen, die in Wirklichkeit keine effektiven Ergebnisse liefern.

1.3. Die Lösung: Unified Marketing Measurement

Die Vision für Sainsbury’s ist es, Unified Marketing Measurement (UMM) zu etablieren – nicht als einzelnes Modell, sondern als umfassende Methodik. Dieser Ansatz kombiniert strategisch mehrere Techniken, darunter MMM, MTA und Experimente, um eine Single Source of Truth für umsetzbare strategische Leitlinien zu schaffen.

Das Kernziel besteht darin, Erkenntnisse über verschiedene Modelle hinweg zu vereinheitlichen, widersprüchliche Daten zu reduzieren und sowohl die kurzfristige Kampagnenleistung als auch das langfristige Wachstum präzise zu messen.

Die Vorteile eines solchen einheitlichen Frameworks sind umfangreich:

• Präzise Kanal-Performance: Durch die Integration der ganzheitlichen Perspektive von MMM mit der granularen Detailtiefe von MTA erhält der Supermarkt ein umfassendes Verständnis dafür, wie Online- und Offline-Kanäle zur Gesamtperformance beitragen. Dies ermöglicht eine präzise Attribution inkrementeller Verkäufe über alle Retail-Media-Kanäle hinweg.
• Zuverlässige Prognosen: Ein einheitlicher Ansatz erleichtert robuste Szenarioplanung und liefert prädiktive Erkenntnisse über die geschäftlichen Auswirkungen zukünftiger Marketinginitiativen. Dadurch verlagert sich der Fokus von der reinen rückblickenden ROI-Berichterstattung hin zu vorausschauender Planung und Forecasting.
• Optimierter Marketing-Mix: Das Framework unterstützt eine dynamische Budgetallokation auf Basis des marginalen Return on Investment (mROI) und ermöglicht die Identifikation optimaler Investitionsniveaus unter Berücksichtigung abnehmender Grenzerträge in verschiedenen Kanälen. So wird eine effiziente Ressourcenverteilung sichergestellt und eine Übersättigung in leistungsstarken Kanälen verhindert.

Für Werbepartner wird die Bereitstellung transparenter, konsistenter und umsetzbarer Performance-Insights erhebliches Vertrauen schaffen und den wahren Wert der Sainsbury’s RMN klar belegen. Dies dürfte wiederum zu höheren Investitionen führen und stärkere Partnerschaften fördern. Darüber hinaus ist ein einheitliches, datenschutzsicheres Framework essenziell, um sich in der sich wandelnden Datenlandschaft einer cookieless Zukunft zurechtzufinden.

In der „Walled-Garden“-Ära von Retail Media suchen Werbetreibende nach standardisierter Messung und Self-Service-Tools. Unabhängige Messung durch Dritte ist entscheidend für Vertrauen und kanalübergreifende Vergleiche. Der Aufbau einer einheitlichen, transparenten MMM-Fähigkeit, die mit bestehendem MTA abgestimmt ist und die Kanal-Performance präzise misst, wird die Sainsbury’s RMN als bevorzugte Plattform positionieren. Dadurch wird die „Walled-Garden“-Schwäche in eine Wettbewerbsstärke verwandelt und Werbetreibenden eine „Single Source of Truth“ für ihre kanalübergreifende Mediaplanung geboten.

2. ELIYA’s vorgeschlagenes Unified Marketing Measurement Framework

Dieser Abschnitt beschreibt den architektonischen und methodischen Ansatz zum Aufbau der einheitlichen MMM-Fähigkeit und betont, wie sie bestehende MTA-Erkenntnisse integriert und erweitert, um eine ganzheitliche und präzise Sicht auf die Marketingeffektivität zu liefern.

2.1. Grundprinzipien: Inkrementalität, Kausalität und ganzheitliche Sicht

Ein modernes Marketing-Measurement-Framework muss seinen Fokus grundlegend von bloßer Korrelation hin zu echter Kausalität verlagern. Traditionelles MMM kann zwar Trends identifizieren, hat jedoch oft Schwierigkeiten, zwischen zwei Ereignissen, die gemeinsam auftreten, und einem Ereignis, das ein anderes direkt verursacht, zu unterscheiden. Ziel ist es, über das reine Verständnis von „was passiert ist“ hinauszugehen und eindeutig zu bestimmen, „was verursacht hat, dass es passiert ist“. Die genaueste und zuverlässigste Methode zur Messung kausaler Wirkung ist incrementality testing und GeoLift-Experimente.

Darüber hinaus muss ein umfassendes Framework eine ganzheitliche Sicht einnehmen, die alle Touchpoints umfasst. Das bedeutet, sowohl digitale als auch Offline-Kanäle einzubeziehen, um ein vollständiges Bild der Marketing-Performance zu erhalten. Es ist essenziell, Offline-Touchpoints wie In-Store-Promotions, Print-Flyer und die differenzierte Wirkung von Loyalty-Programmen zu berücksichtigen, die MTA nicht erfasst.

Dieser Fokus auf Kausalität und Inkrementalität adressiert „das ‚Warum‘ hinter dem ‚Was‘“. Der Übergang vom bloßen Beobachten von Korrelation hin zur Herstellung von Kausalität ist grundlegend, um die Budgetallokation wirklich zu optimieren. Während MMM Hypothesen zur Marketingwirksamkeit generieren kann, gelten kontrollierte Experimente als essenziell, um diese Hypothesen zu validieren und die tatsächliche kausale Wirkung zu bestätigen.

2.2. Synergetische Integration von MMM und MTA

Der effektivste Ansatz zur Marketingmessung besteht darin, MMM und MTA komplementär einzusetzen, anstatt sie als konkurrierende Methoden zu behandeln. Jedes Tool erfüllt unterschiedliche, aber miteinander verknüpfte Zwecke innerhalb des Marketing-Ökosystems.

MMM eignet sich ideal für die strategische Allokation. Es liefert eine übergeordnete, umfassende Sicht, die für die langfristige strategische Planung, die Gesamtbudgetverteilung über verschiedene Kanäle hinweg und das Verständnis der Auswirkungen externer Faktoren auf Makroebene auf den Umsatz erforderlich ist.

Im Gegensatz dazu ist MTA für taktische und kurzfristige Optimierung wertvoll. Es liefert granulare Echtzeit-Insights innerhalb spezifischer digitaler Kanäle, ermöglicht die Feinabstimmung der Kampagnenleistung und ein detailliertes Verständnis von Customer Journeys. MTA kann konkrete, unmittelbare Fragen beantworten, wie etwa: „Performt Kampagne eins besser als Kampagne zwei?“.

Ein kritischer Aspekt dieser synergetischen Integration ist das Überbrücken von Abweichungen und das Sicherstellen von Konsistenz zwischen den Outputs dieser Modelle. Dies wird durch „Triangulation“ erreicht – eine Praxis, die Erkenntnisse aus mehreren Methoden (MMM, MTA und Inkrementalitätstests) kombiniert, um eine detailliertere und verlässlichere Perspektive zu bilden. Jede Methode besitzt einzigartige Stärken und inhärente Grenzen, und Triangulation nutzt die Stärken eines Ansatzes, um die Schwächen eines anderen auszugleichen, was zu einer belastbareren kombinierten Sicht führt.

„Kalibrierung“ ist eine weitere entscheidende Technik, um Abweichungen zu harmonisieren. Wenn MMM nahelegt, dass ein Kanal unterperformt, während MTA ihn als Top-Performer ausweist, signalisiert dies die Notwendigkeit von Inkrementalitätstests, um den tatsächlichen Effekt zu bestimmen. Anschließend können Kalibrierungsfaktoren (Multiplikatoren) angewendet werden, um die Daten beider Modelle anzugleichen. Kalibrierung stellt die Genauigkeit und Zuverlässigkeit der Modelle sicher, indem ihre prognostizierten Ergebnisse mit tatsächlich beobachteten Daten in Einklang gebracht werden, die häufig aus kontrollierten Experimenten stammen.

Auch die Etablierung eines einheitlichen Interpretationsrahmens ist essenziell. Dazu gehört, die passenden Use Cases für MMM (z. B. langfristige Strategie, Entscheidungen zum Channel-Mix) gegenüber MTA (z. B. kurzfristige Kampagnenoptimierungen) klar abzugrenzen. Darüber hinaus erfordert es, interne Teams darin zu schulen, wie sie Insights aus beiden Modellen effektiv interpretieren und anwenden, um so die Ausrichtung in Entscheidungsprozessen sicherzustellen.

Das Zusammenführen widersprüchlicher Modellinterpretationen ist entscheidend. „Triangulation“ und „Kalibrierung“ vereinheitlichen Erkenntnisse. Adobe's Mix Modeler vereint MMM und MTA für konsistente Messung in einer cookieless Umgebung. Sainsbury's benötigt ein anspruchsvolles Framework, um MMM- und MTA-Outputs zu validieren und Werbetreibenden eine einzige, vertrauenswürdige Sicht auf Kampagnenleistung und optimale Investitionen zu bieten.

2.3. ELIYA nutzt fortgeschrittene Bayes’sche Techniken

Bayes’sche statistische Methoden werden zunehmend verbreitet eingesetzt und stellen einen bedeutenden Fortschritt im modernen MMM dar. Diese Modelle bieten ein robustes Framework, um mit den inhärenten Unsicherheiten in Marketingdaten umzugehen, Vorwissen (z. B. aus Experimenten oder Attributionsdaten) direkt in das Modell zu integrieren und selbst bei begrenzten historischen Daten verlässlichere ROI-Schätzungen zu liefern.

Die Einführung Bayes’scher Methoden ermöglicht einen Wandel von der „Black Box“ hin zu einem transparenten und erklärbaren Modell. Historisch wurden traditionelle MMMs oft als undurchsichtige „Black Boxes“ wahrgenommen, die von Drittanbietern bereitgestellt wurden und denen Transparenz hinsichtlich ihrer zugrunde liegenden Methoden fehlte. ELIYA’s fully Bayesian approach fördert Transparenz, indem Data Scientists und Marketingteams genau nachvollziehen können, wie die Modelle funktionieren. Darüber hinaus ermöglichen sie die Einbindung von „Vorwissen“ oder Expertenannahmen, die wertvolle Erkenntnisse aus MTA oder Inkrementalitätstests umfassen können. Diese Integration macht die Modelle besser interpretierbar und an den spezifischen Geschäftskontext von Sainsbury's anpassbar.

3. Phasenweiser Implementierungsplan für MMM-Fähigkeiten

Der Aufbau einer einheitlichen MMM-Fähigkeit ist ein komplexes Vorhaben, das einen strukturierten, phasenweisen Ansatz erfordert. Dieser Plan legt den Schwerpunkt auf Datenbereitschaft, iterative Modellentwicklung und eine nahtlose operative Integration.

3.1. Phase 1: Datenfundament und Harmonisierung

Der Grundpfeiler von Unified Marketing Measurement (UMM) ist die Etablierung einer robusten, einheitlichen Datenpipeline. Dazu gehört die Erstellung eines zentralen Daten-Repositorys, das sowohl Online- als auch Offline-Daten normalisiert und eine nahtlose Integration in sowohl MMM- als auch MTA-Modelle ermöglicht. Diese Pipeline muss so konzipiert sein, dass sie Daten aus einer Vielzahl von Quellen erfasst und integriert:

• Aggregierte Verkaufsdaten: Historische Verkaufszahlen sind grundlegend für MMM, um die gesamten Geschäftsergebnisse, langfristige Trends und das Basisverkaufsvolumen zu verstehen.
• Impressions-Logs & Clickstream-Daten: Detaillierte digitale Anzeigen-Impressions, Klicks, Videoaufrufe und umfassende Daten zur Nutzerinteraktion sind für die granulare Analyse von Customer Journeys und die Attribution digitaler Touchpoints durch MTA entscheidend.
• First-Party-Kundendaten (Loyalty-Card-Daten): Daten aus Loyalty-Programmen wie Sainsbury's Nectar bieten außergewöhnlich reichhaltige Einblicke in Kundenpräferenzen, Kaufverhalten und Gesamtmuster. Dies stellt einen einzigartigen und leistungsstarken Asset für britische Supermärkte dar und liefert datenschutzkonforme Daten auf Nutzerebene, die Online- und Offline-Kundenverhalten effektiv miteinander verbinden können.
• In-Store POS-Daten: Point-of-Sale-(POS-)Daten liefern entscheidende Einblicke in die Verkäufe im Geschäft, die Wirksamkeit von Promotions und die Produktperformance. Die Integration dieser Daten mit digitalen Daten ist essenziell, um eine wirklich Omnichannel-Sicht auf die Customer Journey und die Marketingwirkung zu erreichen.
• Daten zur Printmedien-Exposition: Daten zu Print-Flyern, Zeitungsanzeigen und anderen traditionellen Medienkanälen werden von digital-first MTA-Modellen häufig übersehen. MMM kann diese effektiv einbeziehen, und spezifische Tracking-Mechanismen (z. B. QR-Codes, personalisierte URLs) können eine Verbindung zwischen Print-Exposition und digitalen Aktionen herstellen.
• Externe Faktoren: Daten zu Saisonalität, vorherrschenden wirtschaftlichen Bedingungen, Wettbewerbsaktivitäten, Feiertagen und sogar lokalen Wettermustern sind entscheidend, da sie den Absatz maßgeblich beeinflussen und für die Genauigkeit und Robustheit von MMM kritisch sind.

Datenqualitätsmanagement und Standardisierung sind in dieser Phase von höchster Bedeutung, da hochwertige Daten die Grundlage von MMM bilden. Dies erfordert die Implementierung strenger Protokolle für Datenerfassung, Bereinigung und Standardisierung. Wir gehen davon aus, dass dies vom internen Data-Engineering-Team von Sainsbury’s umgesetzt wird. Hier sind jedoch die wichtigsten Aspekte:

• Definition messbarer Kennzahlen: Klar festlegen, was Datenqualität ausmacht, und spezifische, messbare Ziele für Datenrichtigkeit und Vollständigkeit definieren.
• Standardisierung von Datenformaten: Unterschiedliche Datenformate und -quellen harmonisieren, um Konsistenz über den gesamten Datensatz hinweg sicherzustellen. Dies ist besonders wichtig, um genaue kanalübergreifende Vergleiche zu ermöglichen.
• Automatisierte Datenbereinigung & -validierung: Prozesse implementieren, um Fehler automatisch zu identifizieren und zu korrigieren, doppelte Einträge zu entfernen sowie Datenvollständigkeit und -richtigkeit sicherzustellen. KI/ML-Algorithmen können diese zeitaufwändigen Prozesse erheblich beschleunigen.
• Data-Governance-Framework: Klare Datenverantwortlichkeiten festlegen, Rollen und Zuständigkeiten über den gesamten Datenlebenszyklus definieren und sicherstellen, dass robuste Maßnahmen zur Sicherheits- und Datenschutz-Compliance vorhanden sind.

3.2. Phase 2: Modellentwicklung und Kalibrierung

Diese Phase konzentriert sich auf die technische Konstruktion und Verfeinerung der Messmodelle. Sie beginnt mit dem Aufbau robuster MMM-Modelle unter Nutzung fortgeschrittener hierarchisch-bayesischer Techniken. Bayes’sche Methoden werden insbesondere empfohlen, da sie inhärente Unsicherheiten handhaben, Vorwissen (z. B. aus Experimenten oder Attributionsdaten) in das Modell integrieren und selbst bei begrenzten Daten verlässlichere ROI-Schätzungen liefern können.

Hierarchische Modelle können dies zusätzlich verbessern, indem sie die Analyse der Performance über verschiedene Regionen oder Produktkategorien hinweg ermöglichen, gemeinsames Lernen fördern und gleichzeitig lokale Marktbesonderheiten berücksichtigen. Diese Modelle müssen zudem Nicht-Media-Treiber wie Saisonalität, wirtschaftliche Trends, Feiertage und Wettbewerberaktionen einbeziehen, um den Absatzeffekt korrekt zuzuordnen und den tatsächlichen Einfluss des Marketings zu isolieren. Darüber hinaus sind Konzepte wie adstock (die verzögerte Wirkung von Medien) sowie Sättigung bzw. abnehmende Grenzerträge entscheidend, um die Medienwirksamkeit präzise zu modellieren und optimale Investitionsniveaus zu identifizieren.

Parallel dazu werden bestehende MTA-Modelle überprüft und verbessert, um sie an die Ziele einer einheitlichen Messung anzupassen. Dies kann den Übergang von einfacheren algorithmischen Ansätzen zu anspruchsvolleren, datengetriebenen Attributionsmodellen umfassen, die Machine Learning nutzen, um reale Nutzerinteraktionen zu analysieren und die Zuordnung von Beiträgen genauer vorzunehmen.

Ein kritischer Bestandteil dieser Phase ist die Implementierung strenger Kalibrierungstechniken. Dieser Prozess ist essenziell, um die Outputs von MMM und MTA aufeinander abzustimmen und Konsistenz über verschiedene Messperspektiven hinweg sicherzustellen.

Incrementality-Tests, mittels kontrollierter Experimente wie Geo-Experimenten, werden durchgeführt, um den tatsächlichen inkrementellen Einfluss spezifischer Kampagnen zu bestimmen. Die Ergebnisse dieser Experimente dienen als ground truth zur Kalibrierung und Validierung sowohl der MMM- als auch der MTA-Modelle. Aus diesen Tests abgeleitete Calibration factors werden angewendet, um Attributionsregeln in MTA anzupassen und MMM-Outputs zu multiplizieren, wodurch die Modelle enger aufeinander abgestimmt und Abweichungen aufgelöst werden.

Von der Momentaufnahme zum dynamischen Lernen: Diese Phase transformiert traditionelles MMM. Kalibrierung – durch häufige Updates und kontinuierliches Lernen – stellt sicher, dass Modelle aktuell bleiben. Dieser iterative Ansatz, kombiniert mit KI/ML und bayes’schen Methoden, ermöglicht eine dynamische Anpassung an sich verändernde Marktdynamiken, Konsumentenverhalten und Wettbewerbsverschiebungen. Diese Agilität liefert ein zeitnahes, relevantes und präzises Verständnis im schnelllebigen Einzelhandelsumfeld.

3.3. Phase 3: Operationalisierung, Forecasting und Optimierung

Die letzte Phase konzentriert sich auf die Operationalisierung der neu entwickelten MMM-Fähigkeit, sodass ihre Erkenntnisse sowohl für interne Teams als auch für externe Werbetreibende zugänglich und umsetzbar werden. ELIYA wird mit dem Produktteam von Sainsbury’s zusammenarbeiten, um das MMM-Modell in Produktion zu bringen und in das bestehende Dashboard zu integrieren.

Ein zentrales Ergebnis dieser Phase ist die Ermöglichung robuster Szenarioplanung und dynamischer Budgetallokation. Die MMM-Fähigkeit muss WHAT-IF-Szenariotests unterstützen, damit Nutzer die Auswirkungen unterschiedlicher Budgetverteilungen und Marketingstrategien auf Geschäftsergebnisse prognostizieren können. Diese Funktionalität geht über statisches Reporting hinaus hin zu preskriptiver Analytik und ermöglicht eine dynamische Optimierung der Marketingausgaben, um den Return on Ad Spend (ROAS) zu maximieren und spezifische Geschäftsziele zu erreichen.

Der Aufbau einer kontinuierlichen Lern- und Verfeinerungsschleife ist ebenfalls von höchster Bedeutung. Dazu gehört die Implementierung eines Feedback-Mechanismus, bei dem die Modellleistung kontinuierlich überwacht, anhand realer Ergebnisse validiert und auf Basis neuer Daten sowie sich verändernder Marktdynamiken verfeinert wird. Dieser iterative Prozess stellt sicher, dass die Modelle relevant, genau und zuverlässig bleiben.

Diese Phase stellt einen entscheidenden Übergang dar: „From Insights to Actionable Intelligence“. Es reicht nicht aus, lediglich Verständnis zu erzeugen; diese Erkenntnisse müssen für Werbetreibende umsetzbar und zugänglich sein. Dies erfordert, komplexe Modellausgaben in klare, prägnante Empfehlungen für Budgetallokation und Kampagnenanpassungen zu übersetzen. Durch klare, preskriptive Empfehlungen und benutzerfreundliche Tools für die Szenarioplanung kann der Supermarkt seine Werbepartner befähigen, ihre Retail-Media-Investitionen effektiv zu optimieren, greifbare Geschäftsergebnisse zu erzielen und das Wertversprechen des Retail-Media-Netzwerks zu festigen.

4. Erwartete Geschäftsergebnisse und Wertschöpfung

Die Implementierung der einheitlichen MMM-Fähigkeit wird voraussichtlich erhebliche geschäftliche Vorteile bringen, die sich anhand einer verbesserten Kanalperformance, besserer finanzieller Ergebnisse und gestärkter Werbekundenbeziehungen quantifizieren lassen.

4.1. Verbesserte Kanalperformance und ROI-Messung

Das einheitliche Framework wird ein präzises Verständnis der inkrementellen Verkäufe liefern, die durch jeden Retail-Media-Kanal generiert werden, einschließlich Online-Plattformen, In-Store-Promotions, Printmedien und Initiativen von Loyalitätsprogrammen. Damit geht es über eine einfache Korrelation hinaus und stellt kausale Wirkung her. Diese Fähigkeit ermöglicht eine genaue ROI-Messung über den gesamten Media-Mix hinweg.

Diese Fähigkeit bedeutet Jeden Werbedollar maximieren. Mit einem klaren Verständnis der inkrementellen Verkäufe und der Punkte abnehmender Erträge können Werbetreibende unnötige Ausgaben vermeiden. Das führt direkt zu einer verbesserten Marketingeffizienz und einem höheren Return on Ad Spend (ROAS). Die Fähigkeit, „jeden Werbedollar zu maximieren“, wird zu einem greifbaren und messbaren Ergebnis. Für Werbetreibende bedeutet dies eine deutliche Verbesserung der Effizienz und Wirksamkeit ihrer Retail-Media-Ausgaben, was zu höherem Kampagnen-ROAS und insgesamt besseren Geschäftsergebnissen führt.

4.2. Präzise Prognosen und dynamische Budgetallokation

Die fortgeschrittenen MMM-Modelle, die rigoros mit Inkrementalitätstests kalibriert werden, bieten robuste Prognosefähigkeiten für die zukünftige Marketingperformance und Verkaufsergebnisse. Dadurch wechseln der Supermarkt und seine Werbekunden von einer reaktiven Haltung zu proaktiven, datengetriebenen Entscheidungen.

Das Framework wird datengetriebene Empfehlungen für die optimale Budgetallokation über alle Kanäle und Kampagnen hinweg liefern. Dadurch wird sichergestellt, dass Investitionen mit spezifischen Geschäftszielen und erwarteten Renditen in Einklang stehen. Der Fokus liegt darauf, Marketingausgaben auf Kanäle zu lenken, die die maximalen inkrementellen Verkäufe treiben. Die Möglichkeit, WHAT-IF-Szenarien durchzuspielen, wird Werbetreibende befähigen, verschiedene Budgetpläne zu erkunden und ihre potenzielle Wirkung zu vergleichen, was sicherere und strategischere Investitionsentscheidungen ermöglicht.

4.3. Stärkung von Werbekundenpartnerschaften und Wachstum von Retail Media

Durch die Bereitstellung einer einheitlichen, kalibrierten Sicht auf die Marketingwirksamkeit wird der Händler Werbetreibenden transparente und konsistente Daten anbieten. Das wird Konflikte, die aus unterschiedlichen Datenquellen entstehen, deutlich reduzieren und stärkeres Vertrauen aufbauen. Damit werden die Probleme „mangelnde Transparenz“ und „Inkonsistenz“, die in der aktuellen Retail-Media-Landschaft verbreitet sind, direkt adressiert.

Der nachweisbare, genaue ROI und die klaren Optimierungspfade, die die neue Fähigkeit bietet, werden Werbetreibende dazu anregen, ihre Ausgaben innerhalb des Retail Media Network (RMN) zu erhöhen. Das trägt direkt zum Wachstum und zur Profitabilität des RMN des Händlers bei. Darüber hinaus die datenschutzsichere Natur von MMM und die inhärente Fähigkeit des Frameworks, sich an eine cookielose Welt anzupassen, wodurch es gegenüber einem reinen MTA-Ansatz robuster ist.

Durch das Angebot fortschrittlicher, einheitlicher Messfähigkeiten kann der Händler die Rolle der Messung aufwerten und sich als strategischer Partner positionieren, der Werbetreibenden aktiv dabei hilft, ihre übergeordneten Geschäftsziele zu erreichen. Dadurch wird die Beziehung über eine reine Anzeigenplatzierung hinaus zu einer kollaborativen, datengetriebenen Partnerschaft.

Dieser strategische Wandel wird nicht nur bestehende Werbekundenbeziehungen sichern, sondern auch neue, anspruchsvolle Werbetreibende anziehen, die robuste Mess- und Optimierungsfähigkeiten suchen. Letztlich wird das RMN zu einem hochwertigen, unverzichtbaren Bestandteil der Marketing-Ökosysteme von Marken und treibt nachhaltiges Umsatzwachstum für den Händler.