MMM-Datenqualität: blockierende Tore nutzen, keinen beruhigenden Durchschnitt.
Stand des Nachweises
Was reproduziert wurde und was es nicht belegt.
Die CSV-Datei und Python prüfen die sechs Kontrollen, die drei blockierenden Fehler, den illustrativen Mittelwert von 96,1 % und das Allokationsverbot. Sie messen keine echte Qualität, kein MMM und keine Kausalität.
- Technische Spezifikation des MMM-Datenqualitätsregisters, 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.
Quellenabstimmung
Die Ausgaben müssen mit der Finanzquelle abgeglichen werden, mit dokumentierten Regeln für Gebühren, Steuern, Rabatte, Gutschriften und Produktion. Eine unerklärte Abweichung wird zum Risiko eines künstlichen Ertrags.
Semantische Kontinuität
Ein stabiler Kanalname kann eine Änderung von Perimeter, Werkzeug oder Einkaufsart verdecken. Taxonomie- und Messbrüche sind Ereignisse des Modells, nicht bloße Bereinigungsprobleme.
Nachvollziehbare Korrektur
Jede Imputation oder Umklassifizierung bewahrt Ausgangswert, Regel, Urheber, Datum und Wirkung. Eine undurchsichtige Korrektur verhindert die Reproduktion und macht die künftige Überwachung unmöglich.
Methode
Eine Qualitätskontrolle bauen, die das Modell wirklich stoppen kann
- 01Die Kontrollen definieren
Für jede Tabelle Dimension, Formel, Schwelle, Frequenz, Verantwortlichen und Handlung aufschreiben; informative Kontrolle, Alarm und blockierendes Tor trennen.
- 02Die Historie erneut abspielen
Die Kontrollen auf alle Perioden anwenden und Brüche, Verzögerungen, Dubletten, unmögliche Werte und Abstimmungsdifferenzen lokalisieren; die Wirkung der Korrekturen messen.
- 03Nach Verwendung entscheiden
Eine Abweichung kann für einen Gesamttrend akzeptabel und für einen wöchentlichen Ertrag je Plattform blockierend sein; jeden Mangel mit der betroffenen Verwendung verbinden.
- 04Neue Ladungen überwachen
Die stabilen Kontrollen automatisieren, Ausnahmen protokollieren und bei einer Änderung von Quelle, Definition oder bei Schwellenüberschreitung eine Prüfung auslösen.
Die Kontrolltabelle mit drei blockierenden Toren
Sechs Dimensionen werden kontrolliert, doch finanzielle Abstimmung, Reihenbrüche und taxonomische Stabilität können das Modell jeweils allein blockieren.
Didaktisches Szenario: eine Durchschnittsqualität von 96,1 % bleibt ein No-Go
In diesem fiktiven Lehrregister deckt der Datensatz 104 Wochen ab. Vollständigkeit: 99,8 %. Abstimmung der Ausgaben: 98,7 %. Taxonomische Stabilität: 94 %. Aktualität: 92 %. Sieben Reihenbrüche sind nicht dokumentiert.
Der einfache Durchschnitt der vier Prozentsätze erreicht 96,1 %, doch drei Tore scheitern: Abstimmung bei 99 % gefordert, Taxonomie bei 97 % und höchstens zwei ungelöste Brüche. Die illustrative finanzielle Abweichung entspricht 52 T€.
Das explorative Modell kann der Datenaufbereitung dienen, doch die Allokation ist blockiert. Die Entscheidung wartet auf die Abstimmung der 52 T€, die Dokumentation der Brüche und eine Taxonomie über 97 %.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Jede Kontrolle besitzt eine Formel, eine Schwelle, einen Eigentümer und eine Handlung.
- 02
Blockierende Tore werden nicht durch einen Durchschnitt ausgeglichen.
- 03
Die Korrekturen bewahren den Ausgangswert und ihre Begründung.
- 04
Die zugelassenen Verwendungen sind ausdrücklich mit den verbleibenden Mängeln verbunden.
Grenzen
Was diese Analyse nicht belegt.
- Technisch saubere Daten können kausal unzureichend bleiben.
- Die Schwellen müssen mit der Exposition der Entscheidung variieren.
- Eine Automatisierung erkennt nicht deklarierte Änderungen der fachlichen Bedeutung schlecht.
Quellenangaben
Zitierte Literatur.
- Wang, R. Y. & Strong, D. M. (1996), „Beyond Accuracy: What Data Quality Means to Data Consumers“, Journal of Management Information Systems, 12(4), 5–33.
- Batini, C. & Scannapieco, M. (2016), Data and Information Quality.
- Chan, D. & Perry, M. (2017), „Challenges and Opportunities in Media Mix Modeling“, Google Research.