Marketingmix-Modellierung

Marketing-Mix-Modellierung ( MMM ) ist eine statistische Methode zur Kausalanalyse und Prognose, mit der der Einfluss verschiedener Marketingtaktiken auf den Produktabsatz abgeschätzt wird. MMMs verwenden statistische Modelle wie multivariate Regressionen und nutzen Zeitreihendaten aus Vertrieb und Marketing . ^{[ 1 ]} Sie werden häufig eingesetzt, um den Werbemix und die Verkaufsförderungsmaßnahmen hinsichtlich Umsatz, Ertrag oder Gewinn zu optimieren und so den Return on Investment zu maximieren. ^{[ 2 ] [ 3 ]}

Mithilfe dieser statistischen Verfahren können Marketingfachleute den Werbemittelverbrauch und den mit der Zeit abnehmenden Grenznutzen von Werbung berücksichtigen ^{[ 4 ]} sowie Nachwirkungen und den Einfluss vergangener Werbemaßnahmen auf die aktuelle Verkaufskampagne einbeziehen ^{[ 5 ]} . Darüber hinaus können MMMs das Ausmaß der Produktkannibalisierung und des Halo-Effekts berechnen ^{[ 6 ]} .

Die Techniken wurden von spezialisierten Beratungsunternehmen in Zusammenarbeit mit Wissenschaftlern entwickelt und zunächst auf Konsumgüter angewendet , da die Hersteller dieser Produkte Zugriff auf präzise Daten zu Vertrieb und Marketing hatten. ^{[ 7 ]} Die verbesserte Datenverfügbarkeit, die deutlich höhere Rechenleistung und der Druck, Marketingausgaben zu messen und zu optimieren, haben zu einer zunehmenden Beliebtheit dieser Marketinginstrumente geführt. ^{[ 8 ] [ 9 ]}

Den MMMs liegt das Konzept des Marketing-Mix zugrunde , der als die Gesamtheit der Variablen definiert wird, die ein Unternehmen verändern kann, um die Bedürfnisse seiner Kunden zu erfüllen. Der Begriff wurde von Neil Borden geprägt , der angibt, ihn um 1949 in seinen Lehrveranstaltungen und Publikationen verwendet zu haben. ^{[ 10 ]} Er schreibt die Idee des „Marketing-Mix“ seinem Kollegen James Culliton zu, der einen Manager folgendermaßen beschrieb:

Eine Führungskraft ist wie ein Mischer aus Zutaten, der manchmal einem vorgegebenen Rezept folgt, manchmal ein Rezept an die gerade verfügbaren Zutaten anpasst und manchmal mit Zutaten experimentiert oder diese gar erfindet, die noch niemand zuvor ausprobiert hat. ^{[ 11 ]}

Darüber hinaus muss der Marketingmanager laut Borden „die Verhaltensfaktoren abwägen und dann die Marketingelemente in seinem Mix unter Berücksichtigung der ihm zur Verfügung stehenden Ressourcen jonglieren.“ ^{[ 10 ]}

Diese „Bestandteile“ des Marketingmixes wurden weiter von E. Jerome McCarthy beschrieben , der als Erster die vier Ps des Marketings vorschlug: ^{[ 12 ]}

• Preis,
• Förderung,
• Produkt und
• Ort (Verteilung).

Laut McCarthy stehen Marketingfachleuten im Wesentlichen diese vier Variablen zur Verfügung, die sie bei der Erstellung eines Marketingplans und einer Marketingstrategie nutzen können. Langfristig lassen sich alle vier Variablen des Marketingmixes verändern, kurzfristig ist es jedoch schwierig, das Produkt oder den Vertriebskanal anzupassen. ^{[ 13 ]}

In den 1980er Jahren entwickelten Bernard Booms und Mary Bitner ein Modell, das aus sieben Ps besteht. ^{[ 14 ]} Sie ergänzten die Liste der bestehenden Variablen um „Menschen“, um die Bedeutung des menschlichen Faktors in allen Aspekten des Marketings zu berücksichtigen. Sie fügten „Prozess“ hinzu, um dem Umstand Rechnung zu tragen, dass Dienstleistungen, anders als physische Produkte, zum Zeitpunkt ihres Kaufs als Prozess erlebt werden. ^{[ 15 ]}

Die Marketingmix-Modellierung (MMM) ist ein analytischer Ansatz, der historische Daten nutzt, um den Einfluss von Marketingaktivitäten auf den Umsatz zu quantifizieren. Beispiele für nutzbare Informationen sind syndizierte Point-of-Sale-Daten (aggregierte Daten zu Einzelhandelsumsätzen anhand ausgewählter Parameter wie Produktkategorie oder geografischer Markt) und interne Unternehmensdaten. ^{[ 16 ] [ 17 ]} Mathematisch geschieht dies durch die Herstellung einer simultanen Beziehung zwischen verschiedenen Marketingaktivitäten und dem Umsatz mithilfe einer linearen oder nichtlinearen Regressionsgleichung . Die MMM definiert die Effektivität jedes Marketingelements anhand seines Beitrags zum Umsatzvolumen, der Effektivität (Umsatz pro Aufwandseinheit), der Effizienz (Umsatzvolumen geteilt durch Kosten) und des Return on Investment (ROI) . Diese Erkenntnisse helfen, Marketingtaktiken und -strategien anzupassen, das Marketingbudget zu optimieren und Umsätze durch die Simulation verschiedener Szenarien zu prognostizieren. ^{[ 18 ]}

Die Ergebnisse können genutzt werden, um die Auswirkungen der Marketingelemente auf verschiedene Dimensionen zu analysieren. Der prozentuale Beitrag jedes Elements zum Gesamtbeitrag im Jahresvergleich zeigt, wie sich die Effektivität der einzelnen Elemente im Laufe der Zeit verändert. Die jährliche Veränderung des Beitrags wird zudem durch eine Ursachenanalyse gemessen, die den prozentualen Anteil der Umsatzveränderung an jedem einzelnen Element aufzeigt. ^{[ 19 ]} Für Aktivitäten wie Fernsehwerbung und Verkaufsförderungsmaßnahmen lassen sich differenziertere Analysen, wie beispielsweise die Effektivitätsanalyse, durchführen. Diese Analyse zeigt dem Marketingmanager den zusätzlichen Umsatzzuwachs, der durch eine Erhöhung des jeweiligen Marketingelements um eine Einheit erzielt werden kann ( Inkrementalität) . ^{[ 20 ]} Sind detaillierte Ausgabeninformationen pro Aktivität verfügbar, kann der ROI der Marketingaktivität berechnet werden. Dies ist nicht nur nützlich, um die historische Effektivität der Aktivität zu dokumentieren, sondern hilft auch bei der Optimierung des Marketingbudgets, indem die effizientesten und ineffizientesten Marketingaktivitäten identifiziert werden. ^{[ 21 ]}

Sobald das endgültige Modell fertiggestellt ist, können die Ergebnisse genutzt werden, um Marketingszenarien für eine Was-wäre-wenn-Analyse zu simulieren . Die Marketingmanager können das Marketingbudget in unterschiedlichen Anteilen neu verteilen und die direkten Auswirkungen auf Umsatz und Wert beobachten. Sie können das Budget optimieren, indem sie die Ausgaben denjenigen Aktivitäten zuordnen, die den höchsten Return on Investment (ROI) erzielen. ^{[ 22 ]}

Ein MMM (Market-Money-Modell) wird mit einem statistischen Modell erstellt, bei dem das Verkaufsvolumen bzw. der Verkaufswert die abhängige Variable und die verschiedenen Marketingmaßnahmen die unabhängigen Variablen darstellen. ^{[ 23 ]} Das Modell zerlegt den Gesamtumsatz in zwei Komponenten: ^{[ 24 ]}

• Basisabsatz – die natürliche Nachfrage oder der Standardabsatz des Produkts, der durch wirtschaftliche Faktoren wie Preisgestaltung, Vertrieb, langfristige Trends und Saisonalität bedingt ist, wenn keine Werbung eingesetzt würde. Zu diesen Faktoren gehören auch qualitative Faktoren wie Markenbekanntheit und Markentreue . ^{[ 25 ]}
• Zusätzliche Umsätze – Umsätze, die durch Marketing- und Werbemaßnahmen generiert werden. Diese Komponente lässt sich weiter in zusätzliche Umsatztreiber unterteilen, die durch die einzelnen Marketingkomponenten wie Fernsehwerbung , Radiowerbung , Printwerbung (Zeitschriften, Zeitungen), Coupons, Direktmailings , Internetwerbung , Sonder- oder Displayaktionen und zeitlich begrenzte Preissenkungen erzielt werden. Einige dieser Maßnahmen erzielen kurzfristige Erträge (Coupons, Aktionen), während andere langfristige Erträge aufweisen (Fernsehen, Radio, Zeitschriften, Print). ^{[ 26 ]}

Marketingmix-Analysen werden typischerweise mithilfe linearer Regressionsmodelle durchgeführt . Nichtlineare und verzögerte Effekte werden durch Techniken wie die Transformation von Werbematerial berücksichtigt. ^{[ 27 ]} Typische Ergebnisse solcher Analysen sind die Aufschlüsselung des Gesamtjahresumsatzes in die Beiträge der einzelnen Marketingkomponenten, beispielsweise in Form eines Beitragsdiagramms. Nach der Variablenerstellung werden mehrere Iterationen durchgeführt, um ein Modell zu erstellen, das die Mengen-/Wertentwicklung gut erklärt. Weitere Validierungen erfolgen entweder anhand von Validierungsdaten oder durch die Konsistenz der Geschäftsergebnisse. ^{[ 28 ]}

Eine weitere Standardausgabe ist die Aufschlüsselung des Umsatzwachstums und -rückgangs im Vergleich zum Vorjahr („aufgrund von Diagrammen“). ^{[ 29 ]}

Die Aufteilung des Absatzvolumens in Basisvolumen (Volumen, das ohne Marketingaktivitäten generiert würde) und inkrementelles Volumen (Volumen, das durch Marketingaktivitäten kurzfristig generiert wird) im Zeitverlauf ermöglicht es, die Schwankungen des Basisvolumens als Indikator für Markenstärke und Kundenloyalität zu isolieren. ^{[ 30 ]}

Die Marketingmix-Modellierung (MMM) kann die Umsatzwirkung einzelner Medien wie Fernsehen, Zeitschriften und Online-Display-Anzeigen ermitteln. In manchen Fällen lässt sich damit auch der Einfluss einzelner Werbekampagnen oder sogar einzelner Werbespots auf den Umsatz bestimmen. So kann beispielsweise bei Fernsehwerbung untersucht werden, wie sich die Marktperformance jedes einzelnen Spots auf das Verkaufsvolumen ausgewirkt hat. Die MMM liefert zudem Informationen zu TV-Korrelationen bei unterschiedlicher Mediengewichtung , gemessen in Bruttoreichweitenpunkten (GRP), im Verhältnis zur Umsatzreaktion innerhalb eines bestimmten Zeitraums, sei es eine Woche oder ein Monat. Darüber hinaus lassen sich Informationen über die minimale GRP-Zahl (Schwellenwert) pro Woche gewinnen, die erreicht werden muss, um eine Wirkung zu erzielen, und umgekehrt über die GRP-Zahl, ab der die Wirkung auf das Verkaufsvolumen gesättigt ist, d. h. weitere Maßnahmen keinen Nutzen bringen. Obwohl nicht alle MMMs alle Fragen abschließend beantworten können, bieten sie unter anderem folgende zusätzliche Erkenntnisse: 1) die Effektivität von 15-Sekunden- gegenüber 30-Sekunden-Spots; 2) Vergleiche der Werbewirkung bei Ausstrahlung zur Hauptsendezeit im Vergleich zu Ausstrahlungen außerhalb der Hauptsendezeit; 3) Vergleiche des direkten und indirekten Effekts von TV-Werbung für verschiedene Produkte oder Submarken. Die Rolle von TV-Werbung für neue Produkte und bestehende Marken kann ebenfalls verglichen werden. Die Bruttoreichweite (GRP) wird in Reichweite umgerechnet (d. h. die Bruttoreichweite wird durch die durchschnittliche Ausstrahlungsfrequenz geteilt , um den Prozentsatz der Personen zu erhalten, die die Werbung tatsächlich gesehen haben). Dies ist ein besseres Maß für die Modellierung von TV-Werbung. ^{[ 31 ] [ 32 ]}

Verkaufsförderung ist ein zentraler Bestandteil jedes Marketingplans. Ziel ist die kurzfristige Umsatzsteigerung durch gezielte Werbemaßnahmen, die die Bekanntheit des Unternehmens und seiner Produkte erhöhen. Die Reaktion der Konsumenten auf Verkaufsförderungsmaßnahmen ist komplex und Gegenstand vieler Diskussionen. Es existieren nichtlineare Modelle zur Simulation dieser Reaktion. Mithilfe von MMM lässt sich der Einfluss von Verkaufsförderungsmaßnahmen auf die Umsatzsteigerung analysieren. So kann der pro Werbeveranstaltung generierte Umsatz in den verschiedenen Einzelhandelsgeschäften regional geschätzt werden. Dadurch lassen sich die effektivsten und ineffektivsten Vertriebskanäle identifizieren. Sind detaillierte Ausgabeninformationen verfügbar, kann der Return on Investment (ROI) verschiedener Maßnahmen wie z. B. dauerhaft niedriger Preise oder Off-Shelf-Displays verglichen werden. Diese Informationen ermöglichen die Optimierung des Vertriebsplans durch die Auswahl der effektivsten Vertriebskanäle und die gezielte Ausrichtung auf die wirksamste Werbemaßnahme. ^{[ 33 ] [ 34 ]}

Preiserhöhungen einer Marke wirken sich negativ auf den Absatz aus. Dieser Effekt lässt sich mithilfe der Preismodellierung im MMM abbilden. Das Modell liefert die Preiselastizität der Marke, die die prozentuale Absatzveränderung bei jeder prozentualen Preisänderung angibt. Mithilfe dieser Information kann der Marketingmanager die Auswirkungen einer Preisänderungsentscheidung bewerten. ^{[ 35 ]}

Im Hinblick auf den Vertriebsaspekt lässt sich ermitteln, wie sich veränderte Vertriebsmaßnahmen – also jede prozentuale Anpassung der Vertriebsbreite oder -tiefe – auf das Absatzvolumen auswirken. Dies kann für jeden Vertriebskanal und sogar für jede Art von Verkaufsstelle für den Außer-Haus-Verkauf spezifisch bestimmt werden. Auf Basis dieser Erkenntnisse können die Vertriebsmaßnahmen für jeden Kanal oder jede Ladenart priorisiert werden, um den maximalen Nutzen zu erzielen. Eine aktuelle Studie einer Waschmittelmarke zeigte, dass der zusätzliche Absatz durch eine 1 % höhere Präsenz in einem kleinen Lebensmittelladen um 180 % höher ist als durch eine 1 % höhere Präsenz in einem Supermarkt. ^{[ 36 ]} Anhand der Kosten dieser Maßnahmen konnten die Verantwortlichen den optimalen Vertriebskanal für höhere Investitionen identifizieren.

Bei der Einführung eines neuen Produkts führen die damit verbundenen Werbemaßnahmen und Promotionen typischerweise zu einem höheren Absatzvolumen als erwartet. Dieses zusätzliche Volumen lässt sich mit den vorhandenen Variablen im Modell nicht vollständig erfassen. Daher werden häufig spezielle Variablen verwendet, um diesen inkrementellen Effekt von Produkteinführungen abzubilden. Der kombinierte Beitrag dieser Variablen und des mit der Produkteinführung verbundenen Marketingaufwands ergibt den Gesamtbeitrag der Produkteinführung. Verschiedene Produkteinführungen können durch die Berechnung ihrer Effektivität und ihres ROI verglichen werden. ^{[ 37 ]}

Der Einfluss des Wettbewerbs auf den Markenumsatz wird durch die entsprechende Erstellung von Wettbewerbsvariablen erfasst. Diese Variablen werden aus den Marketingaktivitäten der Konkurrenz, wie Fernsehwerbung, Verkaufsförderungsmaßnahmen, Produkteinführungen usw., abgeleitet. Die Ergebnisse des Modells können genutzt werden, um die größte Bedrohung für den Umsatz der eigenen Marke durch den Wettbewerb zu identifizieren. Die Kreuzpreiselastizität und die Kreuzpromotionselastizität ermöglichen die Entwicklung geeigneter Reaktionen auf die Taktiken der Konkurrenz. Eine erfolgreiche Wettbewerbskampagne kann analysiert werden, um wertvolle Erkenntnisse für die eigene Marke zu gewinnen. ^{[ 38 ]}

Fernsehen & Rundfunk: Das MMM-Modell lässt sich auch auf Rundfunkmedien anwenden. Sender möchten möglicherweise wissen, welche Faktoren die Sponsorensuche für eine bestimmte Sendung beeinflussen. Dies könnte von den Eigenschaften des Moderators, dem Inhalt und dem Sendezeitpunkt abhängen. Diese Faktoren bilden somit die unabhängigen Variablen in unserem Bestreben, eine Funktion zur Bestimmung der Vermarktbarkeit von Sendungen zu entwickeln. Die Vermarktbarkeit einer Sendung ist eine Funktion der Eigenschaften des Moderators, des Sendungsinhalts und des Sendezeitpunkts. ^{[ 39 ]}

Die Begriffe „Marketingmix-Modellierung“ und „Mediamix-Modellierung“ werden oft synonym verwendet. Obwohl sie verwandt sind und ein statistisches Modell verwenden, unterscheiden sie sich in ihrem Fokus. ^{[ 40 ] [ 41 ]} Die Mediamix-Modellierung konzentriert sich auf die Auswirkungen verschiedener Medienkanäle, die Marketingteams nutzen, auf die Geschäftsergebnisse. Zu diesen Medienkanälen gehören Fernsehen, digitale Medien und Printmedien. Im Allgemeinen handelt es sich dabei um bezahlte Werbemaßnahmen. ^{[ 42 ]} Beispielsweise kann ein Mediamix-Modell helfen, die Budgetallokation für Fernsehwerbung zu verstehen und zu optimieren, um den Umsatz zu steigern. Im Gegensatz dazu ist die Marketingmix-Modellierung ein umfassenderer Ansatz, der alle Elemente des Marketingmixes einbezieht, wie z. B. Medienkanäle, Produktwerbung, Preisgestaltung, Vertrieb, Öffentlichkeitsarbeit, Sponsoring, Coupons und Veranstaltungen im Handel. ^{[ 42 ]}

MMMs sind vergleichbar mit einer anderen Methode namens Multi-Touch-Attribution (MTA) . Im Gegensatz zu MMMs zielt die Multi-Touch-Attribution darauf ab, die Wirkung von Marketingaktivitäten detailliert statt aggregiert zu messen. Die zentrale Frage der MTA lautet: „Welche Veränderung der Konversionswahrscheinlichkeit ist durch eine Impression (oder eine andere Form der Interaktion mit dem Kunden) zu erwarten?“. Die entsprechenden Fragen bei MMMs lauten hingegen: „Wie hoch war der Return on Ad Spend (ROAS) im Mobile-Bereich im letzten Jahr?“ und „Wie hoch wären die Umsätze, wenn wir 10 % des Budgets in adressierbares Fernsehen investieren würden?“ ^{[ 43 ]}

Einige Anwender von MMM und MTA geben an, dass diese Methoden für unterschiedliche Zwecke eingesetzt werden und zu widersprüchlichen Ergebnissen führen können. Darüber hinaus kann die Differenz zwischen den beiden Methoden dazu führen, dass Unternehmen separate Teams für die jeweilige Messmethode einrichten. Obwohl es Bestrebungen gibt, die beiden Methoden zu vereinheitlichen, erhöht dies die Komplexität der Planung und Umsetzung. ^{[ 43 ]}

Im Gegensatz zu MMM (das den Beitrag aus historischen Korrelationen ableitet) verwendet die Inkrementalitätsprüfung kontrollierte Experimente, um die kausalen Effekte von Marketingausgaben zu messen. Moderne Ansätze integrieren Inkrementalitätsexperimente in MMM, um die Identifizierung zu verbessern. ^{[ 44 ]}

Da MMM auf Korrelationen in beobachteten Zeitreihen basiert, reagiert es empfindlich auf Endogenität, ausgelassene Variablen und korrelierte Ausgaben. Daher integrieren viele moderne Rahmenwerke zunehmend Inkrementalitätsexperimente als Quelle für die Bestimmung des tatsächlichen kausalen Zusammenhangs.

• Prädiktive Inkrementalität durch Experimente (PIE). PIE ist ein hybrider Ansatz, bei dem randomisierte Experimente für ausgewählte Medientaktiken genutzt werden, um ein prädiktives Modell zu trainieren, das den kausalen Effekt auf nicht getestete Kampagnen generalisiert. PIE reduziert nachweislich den Fehler und verbessert die kausale Validität im Vergleich zu beobachtenden MMM-Spezifikationen. ^{[ 45 ]}

• Branchen- und Plattformleitfaden. Führende Werbeplattformen und Branchenverbände, darunter die Advertising Research Foundation (ARF), empfehlen, auf Experimenten basierende Lift-Schätzungen in MMM zu integrieren, um Verzerrungen durch korrelierte Ausgaben und nicht beobachtete Nachfragetreiber zu korrigieren. ^{[ 46 ]}

• Experimentell kalibriertes MMM. Die MMM-Parameter werden an experimentelle Daten angepasst – beispielsweise durch die Einschränkung von Kanalelastizitäten, die Definition von Priorverteilungen oder die Validierung der mit dem MMM geschätzten Grenzerträge anhand von Lift-Test-Ergebnissen. Mehrere moderne Leitfäden heben das experimentell kalibrierte MMM als Schutzmaßnahme gegen Überschätzung in Beobachtungsmodellen hervor. ^{[ 47 ]}

Die experimentelle Kalibrierung ist unter anderem durch die statistischen Herausforderungen bei der Identifizierung kleiner Werbeeffekte in verrauschten Aggregatdaten motiviert . Selbst groß angelegte randomisierte Experimente weisen möglicherweise eine geringe statistische Aussagekraft hinsichtlich der Werbewirkung auf ^{[ 48 ]} , was bedeutet, dass Beobachtungsmodelle ohne experimentelle Grundlage die Wirkung erheblich überschätzen können.

Groß angelegte Feldexperimente haben wiederholt gezeigt, dass beobachtungsbasierte Schätzer – einschließlich MMM-Varianten, Regressionsanpassungen und Matching-Schätzer – häufig nicht den tatsächlichen kausalen Effekt erfassen. Eine Reihe randomisierter Facebook- Experimente demonstrierte, dass weit verbreitete beobachtungsbasierte Methoden Schätzungen lieferten, die trotz der Berücksichtigung hunderter Kovariaten dramatisch von den experimentellen Daten abwichen. ^{[ 49 ]}

Gordon et al. (2023) zeigen darüber hinaus, dass Beobachtungsmodelle den kausalen Lift systematisch überschätzen – manchmal sogar erheblich –, wenn sie mit bekannten experimentellen Ergebnissen verglichen werden. ^{[ 45 ]}

Typische MMM-Studien liefern folgende Erkenntnisse

• Beitrag der Marketingaktivitäten
• ROI durch Marketingaktivitäten
• Effektivität der Marketingaktivitäten
• Optimale Verteilung der Ausgaben
• Erkenntnisse darüber, wie die einzelnen Aktivitäten besser durchgeführt werden können, z. B. optimale Bruttogewinnmargen pro Woche, optimale Verteilung zwischen 15- und 30-Sekunden-Aktionen, welche Werbeaktionen durchgeführt werden sollen, welche Artikel in die Werbung aufgenommen werden sollen usw. ^{[ 50 ]}

Viele Fortune-500- Unternehmen, die größtenteils Konsumgüterhersteller (CPG) sind , wie beispielsweise P&G ^{[ 51 ]} , AT&T, Kraft, Coca-Cola, Hershey und Pepsi, haben MMM zu einem integralen Bestandteil ihrer Marketingplanung gemacht. ^{[ 52 ]} Dies wurde auch durch die Verfügbarkeit spezialisierter Unternehmen ermöglicht, die mittlerweile MMM-Dienstleistungen anbieten.

Marketingmixmodelle waren zunächst in der Konsumgüterindustrie beliebt und verbreiteten sich aufgrund der Verfügbarkeit von Syndikatsdaten in den Branchen Einzelhandel und Pharma schnell. Pioniere der umfassenden kommerziellen Anwendung waren Marketing Management Analytics (MMA) im Jahr 1990 und die Hudson River Group im Jahr 1989. Später begannen die Datenunternehmen Nielsen und IRI, ein Marketingmixmodell als Bestandteil ihrer Standarddatenverträge anzubieten, was diese ersten Unternehmen dazu veranlasste, in weitere Branchen zu expandieren. ^{[ 53 ]}

Die Verfügbarkeit von Zeitreihendaten ist für eine robuste Modellierung der Effekte des Marketingmixes unerlässlich. Die systematische Verwaltung von Kundendaten durch CRM-Systeme in anderen Branchen wie Telekommunikation, Finanzdienstleistungen , Automobilindustrie und Gastgewerbe trug zur Verbreitung dieser Methode in diesen Branchen bei. Darüber hinaus verbesserte die Datenverfügbarkeit durch Drittanbieter wie das Ultimate Consumer Panel von Forrester Research (Finanzdienstleistungen), Polk Insights (Automobilindustrie) und Smith Travel Research (Gastgewerbe) die Anwendung der Marketingmix-Modellierung in diesen Branchen zusätzlich. ^{[ 54 ]}

Die Anwendung von Marketing-Mix-Modellen in diesen Branchen befindet sich noch in den Anfängen und es bedarf insbesondere in diesen Bereichen einer umfassenden Standardisierung:

• Die Interpretation von Werbemaßnahmen in verschiedenen Branchen ist unterschiedlich. Beispielsweise haben Werbeaktionen im Konsumgüterbereich (CPG) keine zeitverzögerte Wirkung, da sie im stationären Handel stattfinden. Werbeaktionen im Automobil- und Gastgewerbe hingegen werden üblicherweise über das Internet oder Händlermarketing durchgeführt und können daher erst mit längerer Verzögerung eintreten. CPG-Aktionen bestehen in der Regel aus absoluten Preisnachlässen, während Automobilaktionen Cashback-Aktionen oder Kreditanreize umfassen können und Aktionen im Finanzdienstleistungssektor üblicherweise Zinsnachlässe beinhalten.
• Das Marketing in der Hotel- und Gastronomiebranche ist stark saisonabhängig, und die meisten Marketingmix-Modelle vermischen die Marketingeffektivität mit der Saisonalität, was zu einer Über- oder Unterschätzung des Marketing-ROI führt. Daher sollten zeitreihenbasierte Querschnittsmodelle wie die „gepoolte Regression“ eingesetzt werden, da diese die Stichprobengröße und -varianz erhöhen und somit eine zuverlässige Trennung reiner Marketingeffekte von der Saisonalität ermöglichen.
• Automobilhersteller investieren einen erheblichen Teil ihres Marketingbudgets in Händlerwerbung. Deren Wirksamkeit lässt sich jedoch nur schwer präzise messen, wenn die Modellierung nicht auf der richtigen Aggregationsebene erfolgt. Eine Modellierung auf nationaler Ebene oder gar auf Markt- bzw. DMA-Ebene kann zu Verzerrungen führen. Eine Betrachtung auf Händlerebene hingegen kann die Marketingeffektivität überschätzen, da der Wechsel von Kunden zwischen Händlern im selben Gebiet unberücksichtigt bleibt. Der korrekte, wenn auch strenge Ansatz besteht darin, Händler anhand überlappender Einzugsgebiete, die auf Postleitzahlen und Kaufverhalten basieren, zu gemeinsamen Gruppen zusammenzufassen. Zumindest lassen sich „gemeinsame Händlergebiete“ definieren, indem Händler nach geografischer Entfernung und Umsatzanteil im jeweiligen Landkreis gruppiert werden. Marketing-Mix-Modelle, die auf der Zusammenfassung der monatlichen Umsätze dieser Händlergruppen beruhen, eignen sich hervorragend zur Messung der Wirkung von Händlerwerbung.

Die Verbreitung von Marketingmix-Modellen wurde auch durch den Fokus von Abschnitt 404 des Sarbanes-Oxley Act beschleunigt, der interne Kontrollen für die Finanzberichterstattung über wesentliche Ausgaben und Aufwendungen vorschrieb. Marketingausgaben für Konsumgüter können mehr als ein Zehntel des Gesamtumsatzes ausmachen, und bis zum Aufkommen von Marketingmix-Modellen stützte man sich auf qualitative oder „weiche“ Ansätze zur Bewertung dieser Ausgaben. Marketingmix-Modelle boten einen rigorosen und konsistenten Ansatz zur Bewertung von Marketinginvestitionen, wie die Konsumgüterindustrie bereits demonstriert hatte. Eine Studie der American Marketing Association zeigte, dass das Top-Management die Bedeutung der Marketingverantwortung eher betonte als das mittlere Management , was auf einen Top-Down-Ansatz hin zu mehr Verantwortlichkeit schließen lässt. ^{[ 55 ]}

Bayesianisches Marketing-Mix-Modell (MMM) ist eine spezielle Form des MMM, die einen probabilistischen Ansatz verwendet, um Unsicherheiten zu bewältigen und historische Daten in aktuelle Analysen zu integrieren. Diese Methodik steht im Gegensatz zu traditionellen frequentistischen Methoden und bietet Marketingfachleuten eine differenzierte Sicht auf das Konsumentenverhalten und die Effektivität von Marketingmaßnahmen. ^{[ 56 ] [ 57 ]}

Die breitere Anwendung Bayes'scher Ansätze im Marketing- und Marketingmanagement wurde maßgeblich durch Open-Source-Initiativen vorangetrieben. Zu den bekanntesten gehören Tools wie PyMC-Marketing und LightweightMMM . Diese Plattformen nutzen Techniken wie Adstock-Transformationen und die Modellierung von Sättigungseffekten, die zur Optimierung von Marketingbudgets und -strategien beitragen. ^{[ 58 ] [ 59 ]}

Bayesianisches MMM zeichnet sich durch mehrere wichtige Neuerungen aus:

• Adstock-Transformation – Diese Funktion erfasst die langfristige und kumulative Wirkung von Werbung und ermöglicht es Marketingfachleuten, den Zeitpunkt und die Effektivität von Kampagnen präzise abzustimmen. ^{[ 60 ]}
• Sättigungseffekte – Bayesianische MMM hilft bei der Identifizierung des Punktes abnehmender Erträge von Marketinginvestitionen , was für eine effiziente Budgetallokation von entscheidender Bedeutung ist. ^{[ 61 ]}
• Budgetallokation – Durch die Simulation verschiedener Marketingszenarien können Unternehmen Bayesian MMM nutzen, um ihre Ausgaben auf die wirkungsvollsten Kanäle zu lenken. Dabei kommt ein probabilistisches Rahmenwerk zum Einsatz, das Unsicherheiten bei der Optimierung berücksichtigt. ^{[ 62 ]}

Bayesianisches MMM erfreut sich zwar zunehmender Beliebtheit, birgt aber auch gewisse Herausforderungen, insbesondere den Bedarf an fundierten Kenntnissen der Bayes'schen Statistik und den damit verbundenen Rechenaufwand für Unternehmen. Die Open-Source-Natur von Tools wie PyMC-Marketing trägt jedoch dazu bei, diese Hürden durch eine unterstützende Community und den Austausch von Ressourcen zu überwinden.

Weitere zu berücksichtigende Herausforderungen sind Datenbeschränkungen (begrenzte Datenmengen und korrelierte Eingangsvariablen) sowie Selektionsverzerrungen (z. B. durch gezielte Werbung, Saisonalität und Trichtereffekte). ^{[ 63 ]}

Obwohl Marketingmix-Modelle viele nützliche Informationen liefern, gibt es zwei wichtige Bereiche, in denen diese Modelle Einschränkungen aufweisen, die von allen, die sie für Entscheidungszwecke nutzen, berücksichtigt werden sollten. Diese Einschränkungen werden im Folgenden ausführlicher erläutert und umfassen Folgendes:

1. Die Fokussierung auf kurzfristige Umsätze kann die Bedeutung langfristiger Eigenkapitalbildungsmaßnahmen erheblich unterschätzen; und
2. Bei der Verwendung zur Optimierung des Medienmixes weisen diese Modelle eine deutliche Tendenz zugunsten zeitspezifischer Medien (wie z. B. Fernsehwerbung) gegenüber weniger zeitspezifischen Medien (wie z. B. Anzeigen in Monatszeitschriften) auf; Verzerrungen können auch beim Vergleich breit angelegter Medien mit regional oder demografisch ausgerichteten Medien auftreten.

Im Hinblick auf die Voreingenommenheit gegenüber Maßnahmen zum Markenaufbau besteht die Gefahr, dass Marketingbudgets, die mithilfe von Marketingmix-Modellen optimiert werden, zu stark auf Effizienz ausgerichtet sind, da diese Modelle lediglich die kurzfristigen Effekte des Marketings messen. Längerfristige Marketingeffekte spiegeln sich im Markenwert wider . Der Einfluss von Marketingausgaben auf den Markenwert wird von Marketingmix-Modellen üblicherweise nicht erfasst. Ein Grund dafür ist, dass die Wirkungsdauer von Marketingmaßnahmen auf die Markenwahrnehmung länger ist als die gleichzeitige oder bestenfalls erst in einigen Wochen eintretende Wirkung auf den Umsatz, die diese Modelle messen. Ein weiterer Grund ist, dass vorübergehende Umsatzschwankungen aufgrund wirtschaftlicher und sozialer Bedingungen nicht zwangsläufig bedeuten, dass das Marketing beim Aufbau von Markenwert ineffektiv war. Im Gegenteil: Kurzfristig können Umsatz und Marktanteil sinken, der Markenwert aber sogar steigen. Dieser höhere Markenwert sollte der Marke langfristig helfen, Umsatz und Marktanteil wieder zu steigern. ^{[ 64 ]}

Dass Marketingmix-Modelle einen positiven Einfluss einer Marketingmaßnahme auf den Umsatz nahelegen, bedeutet nicht zwangsläufig, dass sie sich positiv auf den langfristigen Markenwert auswirkt. Unterschiedliche Marketingmaßnahmen beeinflussen den Markenumsatz kurz- und langfristig unterschiedlich, und eine alleinige Maximierung des kurz- oder langfristigen Erfolgs durch Anpassung des Marketingportfolios ist suboptimal. Beispielsweise führt der kurzfristige positive Effekt von Werbeaktionen auf den Nutzen für Konsumenten dazu, dass diese zur beworbenen Marke wechseln. Der negative Einfluss von Werbeaktionen auf den Markenwert wirkt sich jedoch über mehrere Perioden aus. Daher kann der Nettoeffekt von Werbeaktionen auf Marktanteil und Rentabilität einer Marke aufgrund ihrer negativen Auswirkungen auf die Marke negativ sein. Die alleinige Bestimmung des Marketing-ROI anhand von Marketingmix-Modellen kann zu irreführenden Ergebnissen führen. Denn der Marketingmix zielt darauf ab, den inkrementellen Beitrag zu steigern. Er beeinflusst aber auch den Markenwert, der nicht Teil des im Marketingmix-Modell gemessenen inkrementellen Beitrags ist – er ist Teil der Basislinie. Der wahre „ Return on Marketing Investment “ (ROI) ist die Summe aus kurz- und langfristigem ROI. Dass die meisten Unternehmen Marketing-Mix-Modelle lediglich zur Messung des kurzfristigen ROI nutzen, lässt sich aus einem Artikel von Booz Allen Hamilton ableiten . Dieser legt nahe, dass ein signifikanter Trend weg von traditionellen Medien hin zu Below-the-Line-Ausgaben stattfindet, da Werbeausgaben leichter messbar sind. Akademische Studien haben jedoch gezeigt, dass Werbemaßnahmen dem langfristigen Marketing-ROI tatsächlich schaden (Ataman et al., 2006). Kurzfristige Marketing-Mix-Modelle können mithilfe von Marken-Tracking-Daten mit Markenwertmodellen kombiniert werden, um den Marken-ROI sowohl kurz- als auch langfristig zu messen. ^{[ 65 ]} Schließlich sollte der Modellierungsprozess selbst nicht kostspieliger sein als der daraus resultierende Gewinnzuwachs; er sollte also einen positiven Return on Modeling Effort (ROME) aufweisen . ^{[ 66 ]}

Die zweite Einschränkung von Marketingmix-Modellen zeigt sich, wenn Werbetreibende versuchen, mithilfe dieser Modelle die optimale Medienallokation über verschiedene Medientypen hinweg zu bestimmen. Die traditionelle Verwendung von Marketingmix-Modellen zum Vergleich von Fernseh- und Couponausgaben war insofern relativ sinnvoll, als sowohl Fernsehwerbung als auch das Erscheinen von Coupons (z. B. in einer Anzeigenaktion in einer Zeitung) zeitlich begrenzt waren. Da die Anwendung dieser Modelle jedoch auf Vergleiche über ein breiteres Spektrum an Medientypen ausgeweitet wurde, ist äußerste Vorsicht geboten.

Selbst bei traditionellen Medien wie Zeitschriftenanzeigen kann der Vergleich von Ergebnissen verschiedener Medien mithilfe von Multi-Market-Modellen (MMM) problematisch sein. Zwar legen die Modellierer Modelle der typischen Sehgewohnheiten von Monatszeitschriften zugrunde, doch diese sind ungenau und führen somit zu zusätzlicher Variabilität. Daher wären Vergleiche der Effektivität von Fernsehwerbung mit der Effektivität von Zeitschriftenanzeigen aufgrund der höheren Messgenauigkeit zugunsten des Fernsehens verzerrt. Mit der zunehmenden Verbreitung neuer Medienformen gewinnen diese Einschränkungen noch mehr an Bedeutung, wenn MMM zur Quantifizierung ihrer Effektivität eingesetzt werden sollen. Beispielsweise unterscheiden sich Sponsoring-Marketing, Sport- Affinity-Marketing , Viral-Marketing , Blog-Marketing und Mobile-Marketing hinsichtlich der zeitlichen Spezifität der Reichweite.

Darüber hinaus versuchen die meisten Ansätze für Marketingmix-Modelle, alle Marketingaktivitäten auf nationaler oder regionaler Ebene aggregiert zu erfassen. Da jedoch verschiedene Taktiken auf unterschiedliche demografische Zielgruppen ausgerichtet sind, kann ihre Wirkung verloren gehen. Beispielsweise richtet sich das Sponsoring von NASCAR durch Mountain Dew an NASCAR-Fans verschiedener Altersgruppen, während Mountain-Dew-Werbung auf Gaming-Blogs gezielt die Generation Y anspricht. Beide Taktiken können innerhalb der jeweiligen Zielgruppen sehr effektiv sein, erscheinen aber in einem nationalen oder regionalen Marketingmix-Modell aggregiert betrachtet möglicherweise wirkungslos.

Aggregationsverzerrungen und die unterschiedlichen zeitlichen Eigenschaften verschiedener Medien stellen ernsthafte Probleme dar, wenn diese Modelle über ihren ursprünglichen Zweck hinaus eingesetzt werden. Angesichts der zunehmenden Fragmentierung der Medienlandschaft ist es unerlässlich, diese Aspekte zu berücksichtigen, wenn Marketingmix-Modelle zur Beurteilung der relativen Effektivität verschiedener Medien und Taktiken herangezogen werden.

Marketingmix-Modelle nutzen historische Leistungsdaten zur Bewertung der Marketingleistung und sind daher kein effektives Instrument zur Steuerung von Marketinginvestitionen für neue Produkte. Dies liegt daran, dass die relativ kurze Marktgeschichte neuer Produkte die Ergebnisse des Marketingmixes instabil macht. Auch das Verhältnis zwischen Marketing und Vertrieb kann sich in der Einführungs- und der stabilen Phase grundlegend unterscheiden. Beispielsweise war die anfängliche Performance von Coke Zero sehr schwach und wies eine geringe Werbeelastizität auf. Trotzdem erhöhte Coke seine Mediaausgaben, verbesserte seine Strategie und steigerte seine Performance deutlich. Die Werbeeffektivität war wahrscheinlich um ein Vielfaches höher als in der Einführungsphase. Ein typisches Marketingmix-Modell hätte empfohlen, die Mediaausgaben zu kürzen und stattdessen auf hohe Preisnachlässe zu setzen. ^{[ 67 ]}

• Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). „Der langfristige Effekt der Marketingstrategie auf die Markenperformance“. Journal of Marketing Research . 47 (5): 866–882 . ​​doi : 10.1509/jmkr.47.5.866 .
• Tellis, Gerard J. (2006). „Modellierung des Marketing-Mix“. In: Grover, Rajiv; Vriens, Marco (Hrsg.). Handbuch der Marktforschung: Nutzen, Missbrauch und zukünftige Entwicklungen . S.  506–522 . ISBN 978-1-4129-0997-6Die