Normalisierung
Formen zunächst auf normalisierte Ausgaben und Reaktion beziehen und Parameter erst danach in den ökonomischen Entscheidungseinheiten kalibrieren.
Reaktionskurven: eine Bibliothek testbarer und vergleichbarer Formen.
EntscheidungsfrageWelche Kurvenform ist beizubehalten, und in welchem Bereich darf sie genutzt werden?
UNTERSTÜTZTE ENTSCHEIDUNGEine Kurve nur innerhalb ihres dokumentierten Bereichs nutzen und die einfachste Form beibehalten, deren Grenzsteigung unter Validierung und Sensitivität stabil bleibt.
Reproduzierbare Berechnung
Spezifikation und Grenzen der veröffentlichten Berechnung.
Diese Datei prüft die lokale Arithmetik des didaktischen Modells. Sie macht die angegebenen Annahmen nicht zu einem Nachweis von Marktleistung oder Kausalität.
- Technische Spezifikation der Reaktionskurvenbibliothek (öffnet in einem neuen Tab)
v1, 31. August 2026 · CC BY 4.0 · Eigene Spezifikation normalisierter Reaktionsprofile ohne Marktkalibrierung oder beobachtete kommerzielle Rendite.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Beobachteter Bereich
Beobachtete, getestete und extrapolierte Bereiche trennen. Ein guter Fit im Bereich bestätigt keine Empfehlung außerhalb davon.
Steigung und Unsicherheit
Grenzsteigung beim vorgesehenen Budget und ihre Unsicherheit entscheiden, ob ein Ranking stabil genug für eine Umschichtung ist.
Methode
Eine Kurve als Entscheidungshypothese lesen
- 01Formrestriktionen wählen
Bestimmen, ob der Mechanismus Monotonie, Sättigung, eine Schwelle oder lokale Änderungen verlangt.
- 02Konsistente Einheiten anpassen
Ausgaben und Reaktion in tatsächlich verbundenen Einheiten ausdrücken und den Horizont mit Adstock abstimmen.
- 03Die Steigung validieren
Fehler außerhalb der Stichprobe, Parameterstabilität, Residuen, Ableitung und Halb-Sättigung über mehrere Fenster vergleichen.
- 04Den Bereich dokumentieren
Beobachtete Mindest- und Höchstausgaben, verwendbaren Bereich und Aktualisierungsregel veröffentlichen; darüber hinaus gilt Lernen, nicht Prognose.
ORIGINALINHALT
Vier normalisierte Profile beim selben Budget
Die Antworten sind auf 100 indexiert, damit Form, Halb-Sättigung, Grenzsteigung beim aktuellen Budget und Verhalten außerhalb des Bereichs vergleichbar werden.
050100150200300 T€
1025456585100
83862788896
42658768692
63461778691
Beobachteter Bereich: 0–200 T€300 T€ = Extrapolation
JSONProfile und Parameter herunterladen↓ILLUSTRATIVES BEISPIEL · SIMULIERTE DATEN
Gleiche Anpassung, 50,48 T€ Abweichung außerhalb des Supports.
Fünf Beobachtungen zwischen 0 T€ und 200 T€ werden mit einer exponentiellen Sättigung und einer Hill-Kurve angepasst. Ihr Validierungsfehler unterscheidet sich nur um 1,6 Punkte. Das vorgesehene Budget beträgt 300 T€, während das beobachtete Maximum bei 200 T€ liegt.
Bei 200 T€ betragen die veröffentlichten Reaktionen 108,08 und 103,22 Einheiten. Bei 300 T€ prognostiziert die Exponentialkurve 118,78 Einheiten und die Hill-Kurve 112,47. Bei 8 T€ Beitrag je Einheit beträgt die Extrapolationsdifferenz (118,78 − 112,47) × 8 = 50,48 T€. Die veröffentlichten Steigungen bei 200 T€ liegen bei 0,1692 und 0,1362 Einheit pro T€; ihre Unsicherheit ist vor jeder Rangfolge zu schätzen.
Die Bibliothek stuft 300 T€ als außerhalb des dokumentierten Bereichs ein. Ohne Test empfiehlt sie keine Ausgabe über 200 T€: Ein Schritt von 20 T€ kann dazu dienen, die Steigung zu lernen. Der geringe Unterschied in der Anpassung rechtfertigt keine ungetestete Extrapolation.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Die Form besitzt einen begründeten Mechanismus und Restriktionen.
- 02
Das empfohlene Budget bleibt im beobachteten oder getesteten Bereich.
- 03
Grenzsteigung und Intervall werden beim Entscheidungsbudget veröffentlicht.
- 04
Eine wesentliche Extrapolation wird als sequenzielles Lernen finanziert.
Grenzen
Was diese Analyse nicht belegt.
- Diese Lehrbibliothek ersetzt keine marktspezifische Kalibrierung.
- Adstock, Targeting und Creative-Qualität können eine Kurve zeitlich verschieben.
- Einkanal-Kurven beschreiben Synergien und Substitutionen nur unzureichend.
Quellenangaben
Zitierte Literatur.
- Little, J. D. C. (1979), „Aggregate Advertising Models: The State of the Art“, Operations Research, 27(4), 629–667.
- Jin, Y. et al. (2017), „Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects“, Google Research.
- Hill, A. V. (1910), „The Possible Effects of the Aggregation of the Molecules of Haemoglobin on Its Dissociation Curves“, Journal of Physiology, 40, iv–vii.