Marketing Mix Modeling (MMM): der praktische Leitfaden 2026

Marketing Mix Modeling (MMM) ist eine Messmethode, die den Umsatzbeitrag jedes Marketingkanals statistisch aus wöchentlichen Werbeausgaben, Umsätzen und externen Faktoren wie Saison, Preis und Aktionen schätzt. Da keine Nutzerdaten verwendet werden, sind Cookie-Einschränkungen irrelevant, und die Methode beantwortet die Frage: 'Welcher Kanal bekommt den nächsten Euro Budget?'.

MMM ist eher ein Ansatz als ein einzelnes Tool. Am besten funktioniert es zusammen mit Plattform-Attribution und Inkrementalitätstests; dieses Trio bildet das Fundament eines modernen Mess-Stacks.

Wie funktioniert Marketing Mix Modeling?

Das Modell teilt den Umsatz in zwei Teile: Basisumsatz, der auch ohne Werbung entstünde, und inkrementellen Umsatz aus den Kanälen. Für jeden Kanal werden zwei Effekte geschätzt. Adstock (Carryover) beschreibt, wie Werbung dieser Woche in Folgewochen nachwirkt. Sättigung beschreibt abnehmende Erträge bei steigenden Ausgaben. Moderne MMM-Tools arbeiten meist bayesianisch und liefern jede Schätzung mit Unsicherheitsintervall.

• Basis: Markenbekanntheit, organischer Traffic, Stammkunden; meist der größte Anteil.
• Kanalbeitrag: inkrementeller Umsatz je Kanal und daraus abgeleitete ROI-Schätzung.
• Marginaler ROI: Ertrag der nächsten Ausgabeneinheit; für Budgetentscheidungen wichtiger als der Durchschnitts-ROI.
• Kontrollvariablen: Saisonalität, Preisänderungen, Aktionen, Warenverfügbarkeit.

Was unterscheidet MMM von Attribution?

Attribution verfolgt einzelne Customer Journeys und verteilt Conversions auf Kontaktpunkte; MMM schätzt Kanalbeiträge aus aggregierten Daten. Attribution ist schnell und granular, leidet aber unter Cookie-Verlust und daran, dass Plattformen eigene Kontaktpunkte bevorzugen. MMM ist langsamer und gröber, erfasst aber auch nicht trackbare Kanäle wie TV, Außenwerbung und Influencer. Mehr in unserem Beitrag zu Attributionsmodellen.

• Plattform-Attribution: tägliche Optimierung, Creative- und Keyword-Entscheidungen.
• Inkrementalitätstest: die echte Wirkung eines Kanals per Experiment belegen (inkrementeller ROAS und Tests).
• MMM: Quartals- oder Jahresbudget, Kanalmix und Szenarioplanung.

Wie verändert eine Sättigungskurve Budgetentscheidungen?

Die Sättigungskurve zeigt, wie der Zusatzumsatz langsamer wächst, wenn die Ausgaben für einen Kanal steigen. Im Beispiel hebt eine Erhöhung von 10K auf 20K pro Woche den Zusatzumsatz von 38 auf 66, von 80K auf 90K kommen nur noch 2 Einheiten hinzu. Dann ist es meist effizienter, dasselbe Budget in einen Kanal mit noch steiler Kurve zu verschieben.

Google Meridian oder Meta Robyn?

Zwei Open-Source-Tools sind verbreitet. Google Meridian ist bayesianisch, unterstützt Modellierung auf Geo-Ebene und kann Experimentergebnisse als Priors aufnehmen; im Februar 2026 kam ein No-Code-Szenarioplaner hinzu. Meta Robyn basiert auf R und erreicht mit automatischer Hyperparametersuche schneller ein erstes Ergebnis. Branchenvergleiche beschreiben Robyn meist als schnelleren Einstieg für die meisten Organisationen und Meridian als gründlichere Option mit höherem Bedarf an Daten und Modellierungswissen.

• Datenbedarf: für beide meist mindestens 2 Jahre Wochendaten; Meridian empfiehlt auf nationaler Ebene 3 Jahre.
• Kanalanzahl: praktisch 5-7 Hauptkanäle; zu viele kleine Kanäle destabilisieren das Modell.
• Dauer: typischerweise 8-14 Wochen vom Daten-Audit bis zum ersten validierten Modell.
• Team: ein Analyst mit Statistikkenntnissen oder externe Unterstützung.

Wie läuft ein MMM-Projekt Schritt für Schritt ab?

1. Datensammlung: wöchentliche Ausgaben und Impressionen je Kanal, wöchentliche Umsätze oder Conversions, Preis-, Aktions- und Saisondaten.
2. Daten-Audit: fehlende Wochen, Währungen, einheitliche Kanalbenennung; hier geht die meiste Zeit hin.
3. Modellaufbau: erstes Modell mit Adstock- und Sättigungsparametern; prüfen, wie gut es vergangene Umsätze erklärt.
4. Kalibrierung: Abgleich mit vorhandenen Inkrementalitätstests und Anpassung.
5. Szenarioplanung: Budgetverschiebungen durchspielen; Entscheidung nach marginalem ROI.
6. Aktualisierung: Modell quartalsweise erneuern; Koeffizienten ändern sich mit Markt und Creatives.

Wo liegen die Grenzen von MMM?

• Kollinearität: steigen und fallen alle Ausgaben gemeinsam, kann das Modell Kanäle nicht trennen; Ausgaben brauchen natürliche Variation.
• Grobe Auflösung: keine Entscheidungen auf Kampagnen- oder Creative-Ebene, nur auf Kanalebene.
• Unsicherheit: ROI-Schätzungen sind Bereiche; eine einzelne Zahl täuscht.
• Latenz: Wochendaten und Neutraining machen es ungeeignet für tägliche Optimierung.

Wo steht Ads Sensor im MMM-Prozess?

Ads Sensor ist kein MMM-Tool und baut keine Modelle. Es deckt aber die zeitaufwendigste Voraussetzung ab: konsistente, vereinte Kanaldaten. Meta, Google Ads, TikTok, Criteo und GA4 laufen in einem Panel zusammen, mit plattformübergreifendem Umsatz- und ROAS-Vergleich und automatischer Vorher-Nachher-Auswertung jeder umgesetzten Änderung. Tägliche Optimierung in Ads Sensor und Quartalsbudgets per MMM ergänzen sich. Jetzt für die Beta anmelden.