MMM-Daten: die Identifizierbarkeit prüfen, bevor weitere Zeilen zusammengetragen werden.

KURZANTWORT

EntscheidungsfrageWie nutzt man „Benötigte Daten für ein MMM“, um die Machbarkeit zu bewerten?

Ein MMM wird nicht allein durch die Zahl der Wochen verlässlich. Es muss Ausgabenvariationen beobachten, die sich hinreichend von Trends, anderen Kanälen und Geschäftsentscheidungen unterscheiden. Hundertsechsundfünfzig Wochen von Kanälen, die sich gemeinsam bewegen, können weniger Information liefern als zweiundfünfzig Wochen gut differenzierter Geo-Tests. Das Datenaudit muss daher Identifizierbarkeit, Granularität, Variation, Kollinearität, Abdeckung der Nachfragefaktoren und Nachvollziehbarkeit bewerten, bevor Erträge je Kanal versprochen werden. Ein MMM auf der Aggregationsebene zulassen, die die beobachteten Variationen tatsächlich identifizieren lassen, und unzureichend unterscheidbare Kanäle gruppieren oder experimentell trennen.

UNTERSTÜTZTE ENTSCHEIDUNGEin MMM auf der Aggregationsebene zulassen, die die beobachteten Variationen tatsächlich identifizieren lassen, und unzureichend unterscheidbare Kanäle gruppieren oder experimentell trennen.

Stand des Nachweises

Was reproduziert wurde und was es nicht belegt.

Die CSV-Datei und Python prüfen die drei Triage-Indizes, ihre zulässigen Verwendungen und die illustrative Priorität von TV. Sie bestätigen weder ein MMM noch Endogenität noch Kausalität noch Marktleistung.

Technische Spezifikation der MMM-Identifizierbarkeitsmatrix, Spezifikation auf Französisch (öffnet in einem neuen Tab)
v1, 31. August 2026 · CC BY 4.0 · Spezifikation auf Französisch · Methodendokument von marketing-mix.net. Die Zahlen sind illustrativ: Es handelt sich nicht um Marktmessungen.

Was zu unterscheiden ist

Drei Bedingungen vor jeder Berechnung.

Nutzbare Variation

Nützlich ist die Variation, die nicht vollständig durch Saison, Preis, Promotionen, Distribution oder andere Medien erklärt wird. Ein hoher Variationskoeffizient kann unbrauchbar bleiben, wenn er exakt einem anderen Kanal folgt.

Kohärente Granularität

Ausgaben, Expositionen, Ergebnisse und Kontrollen müssen Geografie, Periode und eine stabile Definition teilen. Einen nationalen Kanal in jede Region zu imputieren erzeugt Zeilen, ohne unabhängige Information hinzuzufügen.

Verhältnismäßige Entscheidung

Die Machbarkeit hängt vom Verwendungszweck ab. Daten können für einen globalen Medieneffekt genügen, aber nicht, um zwei Plattformen zu trennen. Die zugelassene Entscheidungsebene muss gröber sein als das Unsicherheitsniveau.

Methode

Bewerten, was die Daten wirklich trennen können

01Das Entscheidungsmodell schreiben
Ergebnis, Kanäle, Kontrollen, Granularität, Fenster und erwartete Entscheidungen auflisten; Variablen verwerfen, die über den gesamten Zeitraum nicht stabil definierbar sind.
02Die Variation messen
Wochen ungleich null, Variationskoeffizient, Niveauänderungen, geografische Variation und den Anteil des Supports nahe der aktuellen Ausgabe berechnen.
03Die Trennung testen
Korrelationen, Varianzinflation, Konditionierung und Übereinstimmung mit Promotionen oder Saison prüfen; Variablen gruppieren, deren Trennung auf einer fragilen Annahme beruht.
04Den fehlenden Beleg verordnen
Jeder Schwäche eine Handlung zuordnen — Taxonomie, geografische Erhebung, geplante Variation, Experiment, Prior oder Gruppierung; das zugelassene Nutzungsniveau veröffentlichen.

ORIGINALINHALT

Die Matrix Variation × Trennung × Geografie

Drei Kanäle mit derselben Historie erhalten je nach Variation, Korrelation und geografischer Heterogenität unterschiedliche Machbarkeitsniveaus.

Kanal	Aktive Wochen	Variation	Max. Korrelation	Index	Entscheidung
Suche	100 %	0,28	0,82	0,030	Zusammenfassen
Social	95 %	0,32	0,77	0,049	Kalibrieren
TV	45 %	0,65	0,45	0,129	Modellieren

156 WOCHENTV identifizierbarSuche + Social bündeln oder experimentell prüfen

CSVDie MMM-Identifizierbarkeitsmatrix herunterladen↓

ILLUSTRATIVES BEISPIEL · SIMULIERTE DATEN

Didaktisches Szenario: 156 Wochen genügen nicht, um drei Kanäle zu trennen

01 · SITUATION

In dieser fiktiven Lehrmatrix hat Search 100 % aktive Wochen, einen Variationskoeffizienten von 0,28 und eine maximale Korrelation von 0,82. Social erreicht 0,32 und 0,77. TV ist nur zu 45 % der Zeit aktiv, doch seine Variation beträgt 0,65 und seine maximale Korrelation 0,45.

02 · BERECHNUNG

Triage-Index = aktiver Anteil × Variation × (1 − Korrelation) × geografischer Faktor. Search: 1 × 0,28 × 0,18 × 0,6 = 0,030. Social: 0,95 × 0,32 × 0,23 × 0,7 = 0,049. TV: 0,45 × 0,65 × 0,55 × 0,8 = 0,129.

03 · ENTSCHEIDUNG

Der Index ist kein formaler statistischer Test, zeigt aber, wo zu untersuchen ist. TV bietet die beste unabhängige Variation; Search und Social müssen gruppiert, kalibriert oder durch ein Experiment getrennt werden, bevor fein alloziert wird.

Voraussetzungen

Was erfüllt sein muss, um zu handeln.

01
Die Granularität von Ausgaben, Ergebnissen und Kontrollen ist kohärent.
02
Jeder Kanal besitzt eine von anderen Geschäftsentscheidungen unterscheidbare Variation.
03
Die verlangte Allokationsebene entspricht der tatsächlich identifizierbaren Ebene.
04
Jede schwache Variable erhält eine Gruppierung oder einen Belegplan.

Grenzen

Was diese Analyse nicht belegt.

Der vorgeschlagene Triage-Index ersetzt die Modelldiagnosen nicht.
Eine schwache Korrelation beseitigt die Endogenität der Ausgabe nicht.
Geografische Granularität hilft nicht, wenn sie auf nationalen Imputationen beruht.

Quellenangaben

Zitierte Literatur.

Chan, D. & Perry, M. (2017), „Challenges and Opportunities in Media Mix Modeling“, Google Research.
Sun, Y. et al. (2017), „Geo-Level Bayesian Hierarchical Media Mix Modeling“, Google Research.
Zhang, Y. et al. (2024), „Media Mix Model Calibration With Bayesian Priors“, Google Research.