Marketing Mix Modeling vs. Attribution

Worum es geht: dieselbe Frage aus zwei Richtungen

Jedes Marketing-Team steht vor derselben Grundfrage: Welcher Kanal hat wie viel zum Umsatz beigetragen, und wohin sollte das nächste Budget fließen? Es gibt zwei etablierte Methoden, diese Frage zu beantworten, und sie nähern sich ihr aus entgegengesetzten Richtungen. Attribution startet beim einzelnen Kauf und arbeitet sich rückwärts durch die Touchpoints, die ihm vorausgingen. Marketing Mix Modeling startet bei den aggregierten Summen über Wochen und Monate und schätzt daraus, welcher Kanal den Umsatz nach oben oder unten bewegt.

Diese beiden Blickwinkel führen zu unterschiedlichen Antworten, und das ist kein Widerspruch, sondern erwartbar. Wer in die einzelne Journey schaut, sieht andere Dinge als jemand, der die Vogelperspektive auf das Gesamtbudget einnimmt. Attribution sieht den konkreten Klickpfad, kennt aber nur, was sich auch erfassen lässt. MMM sieht den großen Trend, kann aber keine einzelne Bestellung erklären. Erst wenn du verstehst, was jede Methode strukturell sehen kann und was nicht, kannst du ihre Ergebnisse richtig einordnen.

Wichtig ist von Anfang an die Erkenntnis: Es geht nicht darum, die bessere Methode zu küren. Es geht darum, beide als zwei Messinstrumente mit unterschiedlichem Fokus zu verstehen. Ein Mikroskop und ein Teleskop konkurrieren auch nicht. Sie zeigen verschiedene Größenordnungen derselben Realität.

Zurück zum Überblick: Multi-Touch Attribution, der vollständige Leitfaden.

Attribution: der Bottom-up-Blick

Attribution arbeitet bottom-up. Die kleinste Einheit ist die einzelne Customer Journey, also die Folge von Touchpoints, die ein konkreter Nutzer vor seinem Kauf durchlaufen hat. Das Modell ordnet den Umsatz dieses Kaufs den beteiligten Touchpoints zu, je nach gewählter Regel oder gelerntem Gewicht. Summiert über viele Journeys ergibt sich daraus, welcher Kanal über alle erfassten Käufe wie viel Umsatz zugeschrieben bekommt.

Der große Vorteil dieses Ansatzes ist seine Granularität. Du siehst nicht nur, dass ein Kanal beigetragen hat, sondern an welcher Stelle der Journey und in welcher Rolle. Du erkennst, ob ein Kanal eher Nachfrage erzeugt oder eher erntet, ob er am Anfang oder am Ende der Journey steht. Und du bekommst diese Information schnell, oft nahezu in Echtzeit, was Attribution zum Werkzeug der Wahl für die tägliche Kampagnen-Steuerung macht.

Der Preis dieser Granularität ist die Abhängigkeit von erfassbaren Daten. Attribution kann nur Touchpoints zuordnen, die auch sauber und einwilligungskonform getrackt wurden. Fehlt ein Touchpoint, weil keine Einwilligung vorlag oder eine Browser-Restriktion ihn verschluckt hat, fehlt er im Modell. Die Journey wird lückenhaft rekonstruiert, und ausgerechnet die frühen, awareness-nahen Kontakte gehen besonders oft verloren. Attribution sieht außerdem grundsätzlich nichts, was nicht klickbar ist: Ein Plakat, eine TV-Werbung, ein Gespräch unter Bekannten erzeugt Nachfrage, taucht aber in keiner Journey auf.

Attribution ist damit präzise in dem, was sie sieht, aber blind für alles außerhalb des erfassbaren Klickpfads. Wie diese Erfassung in der Praxis sauber gelingt, vertieft der Cluster zum Customer-Journey-Tracking.

Touchpoints sauber erfassen: Customer-Journey-Tracking über Kanäle hinweg. Im Glossar: Attribution, Touchpoint.

Marketing Mix Modeling: der Top-down-Blick

Marketing Mix Modeling, kurz MMM, arbeitet top-down. Es kennt keine einzelne Journey und keine einzelne Person. Die Eingabe sind aggregierte Zeitreihen: Wie viel wurde pro Kanal und pro Zeitraum ausgegeben, und wie hoch war der Umsatz im selben Zeitraum. Aus dem Zusammenspiel dieser Reihen schätzt ein statistisches Modell, welcher Kanal den Umsatz wie stark bewegt, wenn das Budget steigt oder fällt.

Der Kern ist im Fliesstext leicht zu beschreiben: Das Modell sucht den Zusammenhang zwischen den Ausgaben der einzelnen Kanäle und dem beobachteten Umsatz über die Zeit. Es berücksichtigt dabei Effekte, die Attribution gar nicht erst sieht. Saisonalität, also dass im vierten Quartal ohnehin mehr verkauft wird, fließt als eigener Faktor ein. Externe Treiber wie Wetter, Feiertage oder Preisänderungen lassen sich ebenfalls modellieren. Und entscheidend: Auch Offline-Werbung, die in keinem Klickpfad auftaucht, wird über ihre Ausgaben als möglicher Treiber des Umsatzes mit aufgenommen.

Der vielleicht wichtigste Unterschied zur Attribution: MMM braucht keine personenbezogenen Daten. Es rechnet ausschließlich auf Summen. Es muss nicht wissen, wer geklickt hat, ob ein Cookie gesetzt wurde oder ob eine Einwilligung vorlag. Damit umgeht der Ansatz die gesamte Mechanik, die der Attribution im Cookieless-Umfeld zunehmend Datenpunkte kostet.

Die Kehrseite ist die fehlende Granularität und die Trägheit. MMM kann dir nicht sagen, welche einzelne Kampagne gestern gut lief. Es liefert eine robuste Sicht über längere Zeiträume, braucht dafür aber eine ausreichend lange und variierende Datenhistorie und reagiert nicht auf das Tagesgeschäft. MMM ist die Methode für die großen, langsamen Budget-Fragen, nicht für das schnelle Nachjustieren einer laufenden Anzeige.

Stärken und Schwächen je Methode

Stellt man beide Methoden direkt nebeneinander, wird klar, dass sich ihre Profile fast spiegelbildlich ergänzen. Wo die eine stark ist, ist die andere schwach.

Attribution

• Stark bei Granularität: Sie ordnet konkrete Conversions konkreten Touchpoints zu und zeigt die Rolle eines Kanals innerhalb der Journey.
• Stark bei Geschwindigkeit: Ergebnisse stehen nahezu in Echtzeit zur Verfügung und eignen sich für die tägliche Kampagnen-Steuerung.
• Schwach bei Datenlücken: Sie sieht nur, was einwilligungskonform erfasst wurde. Fehlende Touchpoints führen zu einer lückenhaften Journey.
• Blind für Offline und Brand: Was sich nicht klicken lässt, taucht in keiner Journey auf und bleibt unsichtbar.

Marketing Mix Modeling

• Stark bei Robustheit: Es rechnet auf Aggregaten und braucht keine personenbezogenen Daten, ist also unempfindlich gegen Cookie-Verlust und Consent-Lücken.
• Stark bei der Gesamtsicht: Es fängt auch Offline-Werbung, Saisonalität und langfristige Effekte ein, die Attribution nicht sieht.
• Schwach bei Granularität: Es kann keine einzelne Bestellung und keine einzelne Kampagne erklären, nur den Beitrag über die Zeit.
• Träge in der Reaktion: Es braucht eine lange, variierende Datenhistorie und ist zu langsam für das operative Tagesgeschäft.

Genau diese Spiegelbildlichkeit ist der Grund, warum die Diskussion um die bessere Methode in die Irre führt. Die Schwäche der einen ist die Stärke der anderen. Eine Organisation, die beide nutzt, deckt einen viel größeren Teil der Realität ab als eine, die sich auf eine Methode festlegt.

Warum MMM post-cookie im DACH-Markt zurückkommt

Marketing Mix Modeling ist keine neue Erfindung. Der Ansatz stammt aus der klassischen Markenwerbung, lange vor dem digitalen Tracking. Große Konsumgüter-Hersteller haben schon vor Jahrzehnten ihre Fernseh-, Print- und Radio-Budgets mit MMM gegen den Absatz modelliert, weil es schlicht keine klickbasierte Messung gab. Mit dem Aufstieg des digitalen Trackings geriet der Ansatz bei vielen E-Commerce-Shops in den Hintergrund. Solange jeder Klick sauber erfassbar war, schien Attribution die genauere und bequemere Methode.

Diese Grundlage bröckelt. Der Schwund deterministischer Cookie-Daten, strengere Browser-Restriktionen, iOS-Tracking-Prevention und niedrige Einwilligungs-Raten nehmen der Attribution Stück für Stück die Datenpunkte weg, auf denen sie beruht. Je größer diese Lücke wird, desto unschärfer wird der Bottom-up-Blick. Genau in dieser Lage gewinnt MMM wieder an Attraktivität, weil es von dieser Entwicklung praktisch unberührt bleibt.

Der entscheidende Punkt ist die Datenschutz-Robustheit. MMM ist von Natur aus cookieless, es rechnet auf Aggregaten und braucht keine personenbezogenen Daten. Damit ist es nicht nur technisch robust gegen den Cookie-Verlust, sondern auch datenschutzrechtlich unkompliziert: Wo keine personenbezogenen Daten verarbeitet werden, entfällt ein großer Teil der DSGVO-Komplexität, die rund um klickbasiertes Tracking entsteht.

Im DACH-Markt, wo der Datenschutz besonders ernst genommen wird und die Einwilligungs-Raten branchenübergreifend nicht hoch sind, trifft das auf besonders fruchtbaren Boden. Auch kleinere Shops, die früher rein klickbasiert gesteuert haben, schauen sich MMM inzwischen als zusätzliches Korrektiv an. Die Renaissance ist also keine Mode, sondern eine direkte Reaktion auf die schrumpfende Datenbasis der klassischen Attribution.

Warum die Datenbasis schrumpft, und was dagegen hilft: DSGVO-konformes Tracking. Im Glossar: Cookieless Tracking, Server-Side Tracking.

Wie du beide kombinierst

Die praktische Konsequenz aus all dem ist nicht, sich für eine Methode zu entscheiden, sondern beide gezielt einzusetzen. Jede übernimmt die Aufgabe, für die sie gebaut ist.

Attribution für die tägliche Steuerung

Für das operative Geschäft bleibt Attribution das schärfere Werkzeug. Welche Kampagne läuft gut, welche Anzeige solltest du pausieren, wie verschiebst du Budget innerhalb einer Woche zwischen zwei Kanälen: Das sind Fragen, die schnelle, granulare Daten brauchen. Hier liefert ein konsistent angewendetes Attributionsmodell die nötige Auflösung, um zeitnah zu reagieren.

MMM als Korrektiv für die großen Budget-Fragen

Bei den strategischen Entscheidungen wechselst du die Brille. Wie viel Budget gehört insgesamt in Awareness gegenüber Performance, lohnt sich der Offline-Kanal, was bringt die Marken-Werbung über das Jahr: Das sind langsame, große Fragen, bei denen MMM die robustere Antwort liefert, weil es auch die Effekte einfängt, die Attribution nicht sieht. MMM korrigiert dabei systematisch die blinden Flecken der Attribution.

Die Differenz als Erkenntnis nutzen

Den größten Wert ziehst du aus dem Vergleich. Wenn Attribution und MMM für einen Kanal deutlich auseinanderlaufen, ist das kein Fehler, sondern ein Signal. Nehmen wir an, MMM schreibt einem Awareness-Kanal einen klaren Beitrag zu, während die Attribution ihn fast auf null setzt: Dann liegt der Verdacht nahe, dass der Attribution dort Touchpoints fehlen, weil die frühen Kontakte ohne Einwilligung verloren gehen. Wer beide Perspektiven nebeneinander liest, erkennt solche Verzerrungen schneller als mit nur einer Methode und trifft Budget-Entscheidungen auf einer breiteren Grundlage.

In der Praxis bedeutet das: Attribution treibt das wöchentliche und tägliche Steuern, MMM gibt im Quartals- oder Jahresrhythmus den Rahmen vor und korrigiert die Drift. Die beiden Methoden kontrollieren sich gegenseitig, statt um die Deutungshoheit zu konkurrieren.

Das passende Attributionsmodell für die tägliche Steuerung finden: Attributionsmodell auswählen. Voraussetzungen und Grenzen datengetriebener Modelle: Datengetriebene Attribution.