Saisonalität sauber modellieren, was Fourier-Reihen mit Marketing zu tun haben

Saisonalität ist eine der unterschätztesten Größen im Marketing. Wir wissen alle, dass unser Geschäft im November und Dezember stärker läuft, dass montags andere Klick-Muster herrschen als sonntags und dass die Sommerferien manchen B2B-Funnel komplett zum Erliegen bringen. Was wir aber selten tun, ist Saisonalität als eigenständigen mathematischen Effekt zu modellieren. Wir mischen sie unbewusst mit Trend und mit Kampagnen-Wirkung, und in Causal-Impact-Analysen ist das eine der häufigsten Fehlerquellen. Heute schauen wir uns an, wie wir Saisonalität sauber herausrechnen und welche Rolle Fourier-Reihen dabei spielen, die seltsam mathematisch klingen, aber im Kern eine erstaunlich anschauliche Idee tragen.

Wie eine Zeitreihe wirklich aufgebaut ist

Wenn wir die wöchentliche Umsatz-Reihe unseres Geschäfts anschauen, sehen wir auf den ersten Blick eine wackelige Linie mit Auf-und-Ab. Statistisch besteht diese Linie aus drei Komponenten. Erstens, einem Trend, der die langfristige Richtung beschreibt, etwa ein leichtes Wachstum über die Jahre. Zweitens, einer Saisonalität, die periodisch wiederkehrt, etwa der jährliche Holiday-Lift oder der wöchentliche Wochentag-Effekt. Drittens, einem Rest-Rauschen, das durch zufällige Schwankungen, Tagesgeschehen, einzelne Aktionen entsteht.

Die Zerlegung allein ist schon nützlich, weil sie uns sagt, wie stark welche Komponente das Bild prägt. Wenn unsere Umsatz-Reihe zu siebzig Prozent saisonale Variation ist und nur zu zwanzig Prozent Trend, dann müssen wir saisonale Effekte besonders ernst nehmen. Wenn der Trend dominiert, können wir saisonale Effekte als zweiten Schritt herausnehmen.

Was Fourier-Reihen eigentlich sind

Der Mathematiker Joseph Fourier hat im frühen 19. Jahrhundert eine bemerkenswerte Eigenschaft entdeckt. Jede beliebig komplexe, periodisch wiederkehrende Form lässt sich als Summe vieler einfacher Wellen darstellen, mit unterschiedlichen Frequenzen und Amplituden. Eine zackige Form, die wir nie als einzelne Welle hinbekämen, ist die Summe einer langen, einer mittellangen und einer kurzen Welle.

Übertragen in unsere Marketing-Welt heißt das, wir müssen nicht raten, ob die Saison einer Sinus-Kurve folgt, einer Treppen-Funktion oder einer Glockenkurve. Wir setzen aus einfachen Wellen eine flexible Form zusammen, die sich an die echte Beobachtung anpasst. Das ist der Trick, der Fourier-Reihen in der Time-Series-Modellierung so mächtig macht.

Wöchentliche und jährliche Saisonalität zugleich

Real haben wir nicht eine, sondern mehrere überlagerte saisonale Muster. Wöchentlich gibt es Wochentag-Effekte. Monatlich gibt es Zahltag-Effekte. Jährlich gibt es die großen Bewegungen. Fourier-Reihen können das alles parallel abbilden, indem wir Wellen unterschiedlicher Periodendauer mischen, eine Sieben-Tages-Welle für den Wochenrhythmus, eine Sechsunddreißig-Tages-Welle für den Monatsrhythmus, eine Dreihundertfünfundsechzig- Tages-Welle für den Jahresrhythmus. Wenn alle drei in unserem Geschäft wirken, addieren sich ihre Effekte und unsere Reihe sieht entsprechend komplex aus.

Wie Saisonalität in den Strategie-Zyklus einfließt

Drei Anwendungen sind besonders wichtig.

Erstens, saubere Causal-Impact-Auswertung. Wer den im dritten Beitrag dieser Serie vorgestellten Strategie-Zyklus dreht, will jede Kampagne korrekt bewerten. Ohne Saison- Korrektur landet jeder Black-Friday-Lift überproportional in der Kampagnen-Spalte, ohne dass die saisonale Komponente abgezogen wurde. Mit Fourier-basiertem Saisonalitäts-Modell können wir das automatisch herausrechnen und sehen, was die Kampagne wirklich gebracht hat.

Zweitens, bessere Forecasts. Wenn wir die nächsten zwölf Monate planen wollen, brauchen wir eine Prognose, die saisonale Höhepunkte und Tiefpunkte korrekt abbildet. Ein Kalman-Filter mit Fourier-basierter Saisonalitäts-Komponente liefert genau das. Die Sättigungskurve aus Beitrag zwei sagt uns die Wirkung eines Spend-Niveaus, und die Saisonalitäts-Modellierung dehnt diese Aussage in die richtige Form über die Zeit.

Drittens, bewusste Budget-Vorsteuerung. Wenn wir wissen, dass der Klick-Preis im November um vierzig Prozent steigt und der ROAS gleichzeitig um sechzig Prozent, lohnt sich die Frage, ob wir lieber im Oktober und Januar stärker schalten, um den Hype zu vermeiden, oder ob wir trotz höherer Preise mitfahren. Beide Antworten sind je nach Branche legitim, aber sie setzen voraus, dass wir das Muster überhaupt sehen.

Wo Vectalyze hilft

Vectalyze nutzt Fourier-Komponenten als Standardbaustein in der Forecast-Engine. Wenn wir genug historische Datenpunkte haben, schätzen wir wöchentliche und jährliche Saisonalität automatisch und zeigen die Decomposition transparent an. Wer in den Forecast-Ansichten den Saison-Anteil ausschaltet, sieht den korrigierten Trend und kann beurteilen, ob das Wachstum echt ist oder nur der nächste Holiday-Lift.

Im Annual-Planning-Generator, den wir im dritten Beitrag erwähnt haben, fließen die gleichen Saisonalitäts-Profile in die Jahres-Budgetierung ein. So entsteht aus Saisonalitäts-Modell, Goal-Tree und Forecast-Engine ein in sich konsistenter Strategie-Plan, der wir die Mühe abnimmt, jedes Mal manuell zu schätzen, wie viel Budget in welchem Monat sinnvoll ist.

Was als nächstes kommt

Mit diesem Beitrag schließen wir den größten Teil der mathematischen Werkzeuge ab. Wir haben Sättigungskurve, Causal Impact, Marginal Return, Adstock, Bayesianische Priors, Multi-Touch-Attribution und Saisonalität alle in eigenen Beiträgen ausführlich behandelt. Die nächsten Beiträge dieser Serie werden den Branchen-Cluster aufmachen und für konkrete Anwendungsfälle zeigen, wie wir das Werkzeug-Set einsetzen, von B2B-SaaS über D2C-Ecommerce bis Industrie-Mittelstand. Wer das Ganze als Lehrbuch liest, hat damit eine belastbare Grundlage, um Marketing nicht mehr nach Bauchgefühl, sondern nach nachvollziehbarer Logik zu steuern.