Welche Daten ein Marketing-Mix-Modell wirklich braucht
Keine Cookies, keine Nutzerprofile, sondern wöchentliche Summen. Die vollständige Checkliste an Pflicht- und Zusatzdaten, die nötige Historie und die fünf Datenfehler, die Modelle am häufigsten kippen.
Bevor die Frage nach dem richtigen Werkzeug kommt, kommt die Frage nach den Daten. Sie ist weniger einschüchternd, als viele denken. Ein Marketing-Mix-Modell braucht keine Nutzerprofile und keine Cookies, sondern aggregierte Zeitreihen. Dieser Beitrag listet auf, was wirklich nötig ist, was hilft und was du getrost weglassen kannst.
In drei Sätzen
- 01Pflicht sind wöchentliche Ausgaben je Kanal und eine Ergebnisgröße wie Umsatz oder Leads.
- 02Hilfreich sind Impressionen, Preisaktionen, Feiertage und alles, was sonst noch auf das Ergebnis wirkt.
- 03Faustregel: mindestens ein Jahr Historie, mindestens 50 Zeitpunkte, sauber und lückenlos.
Die Pflichtdaten
Erstens die Ausgaben je Kanal und Zeitraum, üblicherweise wöchentlich. Ein Kanal ist dabei das, was du auch getrennt steuern kannst, also eher Google Search und Google Shopping getrennt als "Google" gesammelt. Zweitens die Ergebnisgröße, meist Umsatz, alternativ Leads oder Bestellungen. Drittens eine durchgehende Zeitachse ohne Lücken. Fehlende Wochen sind schlimmer als ungenaue Wochen, weil sie das Modell still verzerren.
Die Daten, die den Unterschied machen
Impressionen oder Reichweite je Kanal helfen dem Modell, Preis- und Mengeneffekte zu trennen. Preisaktionen, Rabattzeiträume und Versandkosten-Aktionen sind oft die stärksten Treiber überhaupt, und ohne sie schreibt das Modell deren Wirkung der Werbung zu. Dasselbe gilt für Ereignisse wie Messen, TV-Auftritte, Lieferengpässe, Website-Umbauten oder Systemausfälle. Feiertage und Ferien werden meist automatisch ergänzt, deine eigenen Ereignisse nicht.
Nützlich sind außerdem: Preisänderungen im Sortiment, Lagerverfügbarkeit bei Produkten mit Engpässen, Wettbewerbsdruck falls messbar, und bei stark wetterabhängigen Geschäften auch Wetterdaten. Wie stark solche Muster wirken, zeigt der Beitrag Saisonalität sauber modellieren.
Wie viel Historie du brauchst
Die gängige Faustregel lautet: mindestens 50 Zeitpunkte, also etwa ein Jahr Wochendaten, besser zwei bis drei Jahre. Zwei Jahre erlauben es, Saisonalität sauber vom Kanaleffekt zu trennen. Mit weniger geht es auch, dann aber mit Vorannahmen statt reiner Datenschätzung, und die Unsicherheit muss ehrlich ausgewiesen werden. Wie das methodisch funktioniert, steht in Sättigungskurven mit wenig Daten.
Ein Jahr saubere Wochendaten schlägt drei Jahre Daten mit unklarer Kanalzuordnung. Ordnung ist wichtiger als Menge.
Was du nicht brauchst
Keine Einzelnutzerdaten, keine Klickpfade, keine E-Mail-Adressen, keine Cookie-Historie. Das ist der stille Datenschutz-Vorteil der Methode: Sie kommt mit Zahlen aus, die keinen Personenbezug haben. Was das rechtlich bedeutet, steht in Marketing-Analytics und DSGVO.
Die häufigsten Datenfehler
Uneinheitliche Kanalbenennung über die Zeit, Umsatz brutto gegen netto gemischt, Retouren nicht abgezogen, Ausgaben in Plattform-Währung statt einheitlich, und Kampagnenumbenennungen, die eine Zeitreihe unbemerkt in zwei zerschneiden. Ein Kampagnen- und Tracking-Audit vor dem Modellstart spart hier viel Ärger, siehe GA4 gegen Server-Side-Tracking. Wenn die Datenlage steht, geht es weiter mit der Werkzeugfrage in MMM-Software im Vergleich.