elanyo GmbH

𝗗𝗶𝗲 𝘄𝗶𝗰𝗵𝘁𝗶𝗴𝘀𝘁𝗲𝗻 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴𝘀 𝗮𝘂𝘀 𝘂𝗻𝘀𝗲𝗿𝗲𝗺 𝗠𝗠𝗠-𝗣𝗿𝗼𝗷𝗲𝗸𝘁 𝗺𝗶𝘁 𝗠𝗮𝘇𝗱𝗮 𝗘𝘂𝗿𝗼𝗽𝗲 Marketing Mix Modeling (MMM) kann das Marketing von Unternehmen auf ein höheres Reifestadium bringen. Mithilfe von Künstlicher Intelligenz (KI) kann es zu einer signifikanten Steigerung des Gesamt-Marketing-ROI beitragen. Bei einem MMM-Projekt können jedoch viele Fehler gemacht werden. Im Folgenden teilen wir einige wesentliche Erkenntnisse aus unserem Projekt mit Mazda Europe: 𝟭. 𝗭𝘂𝗮𝗹𝗹𝗲𝗿𝗲𝗿𝘀𝘁 𝗲𝗶𝗻 𝗕𝘂𝘀𝗶𝗻𝗲𝘀𝘀-𝗩𝗲𝗿𝘀𝘁ä𝗻𝗱𝗻𝗶𝘀 𝘀𝗰𝗵𝗮𝗳𝗳𝗲𝗻 𝗶𝘀𝘁 𝗲𝘀𝘀𝗲𝗻𝘇𝗶𝗲𝗹𝗹   Es ist verlockend, direkt in die Datenanalyse einzutauchen, aber eine klares Business-Verständnis vor Beginn ist essenziell. Klärt also ganz zu Anfang: 1️⃣Welche Märkte sind relevant? 2️⃣Welche Kanäle oder Kampagnen stehen im Fokus? 3️⃣Welche Ziel-KPI wählen wir aus? 4️⃣Wie testen wir die Empfehlungen später in der Praxis? Diese Klarheit hilft dabei, den Rahmen für die nächsten Schritte zu setzen. 𝟮. 𝗛𝘆𝗽𝗼𝘁𝗵𝗲𝘀𝗲𝗻 𝗺ü𝘀𝘀𝗲𝗻 𝗸𝗿𝗶𝘁𝗶𝘀𝗰𝗵 𝗵𝗶𝗻𝘁𝗲𝗿𝗳𝗿𝗮𝗴𝘁 𝘄𝗲𝗿𝗱𝗲𝗻 Was wir für wichtig hielten, war nicht immer entscheidend für das Modell. Solche Überraschungen offenbaren sich nur durch Experimente. In kurzen Sessions haben wir Erfolgsfaktoren und verfügbare Datenquellen analysiert. Der Schlüssel: Gezielte Tests, um Annahmen zu validieren und die wahren Einflussfaktoren zu identifizieren. 𝟯. 𝗘𝗶𝗻𝗲 𝗮𝘂𝘀𝗿𝗲𝗶𝗰𝗵𝗲𝗻𝗱𝗲 𝗗𝗮𝘁𝗲𝗻𝗵𝗶𝘀𝘁𝗼𝗿𝗶𝗲 𝘀𝗶𝗰𝗵𝗲𝗿𝘇𝘂𝘀𝘁𝗲𝗹𝗹𝗲𝗻 𝗶𝘀𝘁 𝘂𝗻𝘃𝗲𝗿𝘇𝗶𝗰𝗵𝘁𝗯𝗮𝗿 Die Datenhistorie ist der entscheidende Faktor für den Erfolg. Ein ausgewogenes Verhältnis von Spalten zu Zeilen (etwa 1:10) hat sich als sinnvoll erwiesen, um stabile und verlässliche Modelle zu entwickeln. Optimal ist eine tägliche oder wöchentliche Granularität. Wenn das nicht realisierbar ist, lässt sich auch mit monatlichen Daten ein Modell rechnen - die Aussagekraft wird dadurch aber eingeschränkt. Um fehlende Daten, Ausreißer, Muster, zeitliche Verzögerungen und Kontextveränderungen vor dem Modeling zu erkennen, solltest Du die Einflussfaktoren sowie die Erfolgs-KPI visuell gründlich validieren. 𝟰. 𝗢𝗵𝗻𝗲 𝗲𝗻𝗴𝗲 𝗞𝗼𝗺𝗺𝘂𝗻𝗶𝗸𝗮𝘁𝗶𝗼𝗻 𝗳𝘂𝗻𝗸𝘁𝗶𝗼𝗻𝗶𝗲𝗿𝘁 𝗲𝘀 𝗻𝗶𝗰𝗵𝘁 MMM ist nicht nur Modellierung. Enge Feedback-Schleifen mit den beteiligten Teams und Verantwortlichen halfen uns dabei: 1️⃣Annahmen zu verifizieren 2️⃣Die Daten zu verstehen 3️⃣Vertrauen in die Ergebnisse aufzubauen Kollaboratives Arbeiten ist dabei der Schlüssel: Erst der Austausch verschiedener Perspektiven und das gemeinsame Verständnis für die Ziele haben am Ende zu einem performanten und robusten Modell geführt, das im Marketing einen echten Mehrwert bietet. Indem wir von den Erfahrungen anderer lernen und Best Practices anwenden, können wir Fehler vermeiden und solche Projekte effizient und erfolgreich umsetzen.

🤯𝗪𝗲𝗹𝗰𝗵𝗲 𝗛𝗲𝗿𝗮𝘂𝘀𝗳𝗼𝗿𝗱𝗲𝗿𝘂𝗻𝗴𝗲𝗻 𝘀𝗶𝗻𝗱 𝘂𝗻𝘀 𝗯𝗲𝗶 𝗱𝗲𝗿 𝗜𝗺𝗽𝗹𝗲𝗺𝗲𝗻𝘁𝗶𝗲𝗿𝘂𝗻𝗴 𝘃𝗼𝗻 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 (𝗠𝗠𝗠) 𝗯𝗶𝘀𝗵𝗲𝗿 𝗯𝗲𝗴𝗲𝗴𝗻𝗲𝘁 𝘂𝗻𝗱 𝘄𝗶𝗲 𝘀𝗶𝗻𝗱 𝘄𝗶𝗿 𝗱𝗮𝗺𝗶𝘁 𝘂𝗺𝗴𝗲𝗴𝗮𝗻𝗴𝗲𝗻?🤔 Marketing-Mix-Modeling ist ein mächtiges Instrument, um die Wirkung des Marketings besser zu verstehen. Doch die Einführung von MMM bringt oft ziemliche Herausforderungen mit sich. Hier einige typische Hürden und wie man damit umgehen kann: 1️⃣𝗗𝗮𝘁𝗲𝗻𝗾𝘂𝗮𝗹𝗶𝘁ä𝘁 𝘂𝗻𝗱 -𝘃𝗲𝗿𝗳ü𝗴𝗯𝗮𝗿𝗸𝗲𝗶𝘁 - Unvollständige und inkonsistente Daten: Klingt banal, ist aber eine der größten Hürden im MMM. Gute Modelle brauchen eine umfassende, historische Datenbasis in hoher zeitlicher Auflösung. Die Lösung? Alle Power am Anfang in das Datenmanagement stecken! Das zahlt sich später aus. Skalierbarkeit und Automatisierbarkeit sollten hier gleich mitgedacht werden – denn MMM ist ein kontinuierlicher Prozess. 2️⃣𝗞𝗼𝗺𝗽𝗹𝗲𝘅𝗶𝘁ä𝘁 𝗱𝗲𝗿 𝗔𝗻𝗮𝗹𝘆𝘀𝗲 - Ohne Expertise in Datenanalyse und Statistik ist es schwer, die Ergebnisse beim MMM zu verstehen, zu interpretieren und die richtigen Schlüsse zu ziehen. Unsere Empfehlung? Data-Scientists von Beginn an einbinden oder externe Experten mit ins Boot holen. MMM verlangt das richtige Know-how – nur dann werden Daten zu Insights zu Action. 3️⃣𝗧𝗲𝗰𝗵𝗻𝗼𝗹𝗼𝗴𝗶𝘀𝗰𝗵𝗲 𝗜𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗸𝘁𝘂𝗿 – Um MMM intern aufzubauen, braucht es ein gutes Datenmanagement. Außerdem ist eine Umgebung nötig, in der die Modelle erstellt werden können. Für Unternehmen, die noch kein Data Analytics betreiben, bedeutet das oft neue Investitionen. Um die Kosten gering zu halten, können cloudbasierte Lösungen oder die Einbindung spezialisierter Dienstleister eine gute Alternative sein. 4️⃣𝗞𝘂𝗹𝘁𝘂𝗿𝗲𝗹𝗹𝗲𝗿 𝗪𝗮𝗻𝗱𝗲𝗹 Gehört eigentlich an Platz eins! Die Umstellung auf datenbasierte Entscheidungsprozesse ist nicht immer einfach. Ein Kulturwandel kostet Zeit und Überzeugungskraft. Daher: Das Management von Anfang an mit ins Boot holen und MMM mit dem Marketing-Team gemeinsam entwickeln. Die Einführung einer Data Driven Culture erfordert Geduld, aber das zahlt sich aus. 5️⃣𝗞𝗼𝘀𝘁𝗲𝗻 𝘂𝗻𝗱 𝗥𝗲𝘀𝘀𝗼𝘂𝗿𝗰𝗲𝗻 Die initialen Aufwände für MMM sind nicht zu unterschätzen. Das kann besonders kleinere Unternehmen vor Herausforderungen stellen. Hier helfen Pilotprojekte, Erfahrungen zu sammeln, bevor MMM im größeren Umfang eingeführt wird. Mit den richtigen Ansätzen lassen sich die verschiedenen Hürden überwinden. So kann MMM sein volles Potenzial entfalten und den ROI nachhaltig steigern. 💬 Auf welche Hürden seid ihr in dem Umfeld schon gestoßen und wie seid ihr damit umgegangen? Schreibt uns in den Kommentaren👉

𝗪𝗶𝗲 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 𝗠𝗮𝘇𝗱𝗮 𝗵𝗶𝗹𝗳𝘁, 𝗱𝗶𝗲 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗘𝗳𝗳𝗲𝗸𝘁𝗶𝘃𝗶𝘁ä𝘁 𝘇𝘂 𝘀𝘁𝗲𝗶𝗴𝗲𝗿𝗻✨   Mit unserem Kunden Mazda Motors Europe standen wir vor einer spannenden Herausforderung:     𝗪𝗶𝗲 𝗸𝗮𝗻𝗻 𝗲𝗶𝗻 𝗹𝗶𝗺𝗶𝘁𝗶𝗲𝗿𝘁𝗲𝘀 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴𝗯𝘂𝗱𝗴𝗲𝘁 𝘀𝗼 𝗮𝘂𝗳 𝗱𝗶𝗲 𝗲𝗶𝗻𝘇𝗲𝗹𝗻𝗲𝗻 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗖𝗵𝗮𝗻𝗻𝗲𝗹𝘀 𝘃𝗲𝗿𝘁𝗲𝗶𝗹𝘁 𝘄𝗲𝗿𝗱𝗲𝗻, 𝗱𝗮𝘀𝘀 𝗲𝗶𝗻 𝗺𝗮𝘅𝗶𝗺𝗮𝗹𝗲𝗿 𝗕𝗲𝗻𝗲𝗳𝗶𝘁 𝗲𝗿𝘇𝗶𝗲𝗹𝘁 𝘄𝗶𝗿𝗱?🤔     Zusammen mit den Experten bei Mazda Motor Europe wählten wir dazu zunächst ein europäisches Land für den Piloten aus, stellten einige Hypothesen auf und identifizierten darauf basierend relevante interne und externe Datenquellen.   Nachdem wir die nötigen Daten beschafft und miteinander integriert hatten, erstellten wir mithilfe von speziellen Machine-Learning-Verfahren unterschiedliche 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝘀 (𝗠𝗠𝗠). Bei MMM handelt es sich um eine analytische Methode, mit der die komplexen Wirkungszusammenhänge zwischen Marketingaktivitäten und dem Sales-Erfolg im Zeitverlauf entschlüsselt werden können. Zugleich liefert MMM wertvolle Einblicke in die Effektivität einzelner Marketingkanäle und zeigt Potenziale für eine bessere Budgetallokation auf.   Dabei ergaben sich einige spannende Erkenntnisse:   1️⃣Die Spendings für TV-Werbung wurden als zu hoch identifiziert und sollten zugunsten von Suchmaschinenmarketing und digitalen Audioformaten verschoben werden 2️⃣Budget aus Facebook sollte zugunsten von LinkedIn verschoben werden, da dort ein höheres Potential gesehen wird 3️⃣ Die Spendings für Radiowerbung sollten deutlich erhöht werden   Bei Umsetzung dieser Empfehlungen prognostizierte das Modell eine Erhöhung des 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗥𝗢𝗜 𝘂𝗺 𝗰𝗮. 𝟮𝟭 %🚀   Im nächsten Schritt werden die Empfehlungen nun in dem ausgewählten Land vertestet und die Ergebnisse ausgewertet. Bei Erfolg soll die Lösung dann in weiteren Ländern ausgerollt werden.   𝗠𝗠𝗠 kann Unternehmen unterschiedlichster Branchen dabei helfen, die Wirkung ihres Marketings auf den Sales-Erfolg besser zu verstehen und mit gleichem Budget mehr Erfolg zu erzielen.   Dabei kann und soll MMM Fachexpertise, Strategieentwicklung oder das Testen neuer Kanäle nicht ersetzen. Aber es bietet durch die Konzentration des Wissens aus der Vergangenheit eine solide Entscheidungsgrundlage.   Durch eine fortlaufende Auswertung der Modellperformance wird sichergestellt, dass die Vorhersagen des Modells 𝗻𝗮𝗰𝗵𝘃𝗼𝗹𝗹𝘇𝗶𝗲𝗵𝗯𝗮𝗿 𝘂𝗻𝗱 𝗴𝗲𝗻𝗮𝘂 sind - eine Grundvoraussetzung für Vertrauen in datengetriebene Empfehlungen.     Wenn dieser Ansatz für Euer Netzwerk ebenfalls interessant sein könnte, teilt den Beitrag gerne👉

𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴 𝗠𝗶𝘅 𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴: 𝗗𝗶𝗲 𝗯𝗲𝘀𝘁𝗲𝗻 𝗧𝗼𝗼𝗹𝘀 𝗳ü𝗿 𝗺𝗮𝘅𝗶𝗺𝗮𝗹𝗲 𝗪𝗶𝗿𝗸𝘂𝗻𝗴   Marketing Mix Modelling (MMM) deckt auf, welche Kanäle den größten Einfluss auf den Erfolg haben – und in welche man mehr Budget allokieren sollte, um den ROI zu steigern. Doch welche Tools unterstützen diesen Prozess am besten? 𝗠𝗶𝘁 𝘄𝗲𝗹𝗰𝗵𝗲𝗻 𝗧𝗼𝗼𝗹𝘀 𝗸𝗮𝗻𝗻 𝗺𝗮𝗻 𝗠𝗠𝗠 𝘂𝗺𝘀𝗲𝘁𝘇𝗲𝗻? Um genau das herauszufinden, haben wir 𝗚𝗼𝗼𝗴𝗹𝗲 𝗟𝗶𝗴𝗵𝘁𝘄𝗲𝗶𝗴𝗵𝘁 𝗠𝗠𝗠, 𝗢𝗿𝗯𝗶𝘁, und 𝗥𝗼𝗯𝘆𝗻 genauer untersucht. Jeder Ansatz hat seine Stärken und Schwächen – hier unser Fazit: 1.     Google Lightweight MMM: Bietet einfache Bedienung und liefert schnelle Ergebnisse – ideal für erste Analysen. Allerdings sind die Ergebnisse weniger tiefgehend in der Erklärbarkeit, und die Implementation erfordert Python-Erfahrung. 2.     Orbit: Ermöglicht die Erstellung eines detaillierten MMM mit tiefen Einblicken durch verschiedene Algorithmen. Die Umsetzung verlangt allerdings technische Expertise in R sowie fundiertes Fachwissen im Bereich Marketing und Modellierung. Daher ist Orbit besonders für größere, datenaffine Teams geeignet, für kleinere Teams kann der Einsatz oft zu aufwendig sein.   3.     Robyn: Hat uns besonders überzeugt! Robyn läuft in R und bietet durch seine klare Erklärbarkeit einen echten Mehrwert für Marketing und Management. Die verständlichen Ergebnisse schaffen Vertrauen in die Prognosen und lassen sich transparent nachvollziehen. Die Geschwindigkeit ist langsamer als bei Google Lightweight MMM, was bei großen Datensätzen zu längeren Rechenzeiten führen kann. Alle drei Tools ermöglichen präzises MMM – vorausgesetzt, die nötige Expertise ist vorhanden, sowohl fachlich als auch technisch. Die Qualität der Daten und die korrekte Konfiguration der Modelle sind entscheidend für präzise Ergebnisse. Besonders wichtig ist die Erklärbarkeit, die Vertrauen in die Modell-Empfehlungen schafft, indem sie Entscheidungen nachvollziehbar macht. Unsere Entscheidung fiel auf Robyn, da es eine ideale Kombination aus detaillierten Prognosen und guter Erklärbarkeit bietet. 𝗪𝗮𝘀 𝗵𝗮𝗯𝗲𝗻 𝘄𝗶𝗿 𝗺𝗶𝘁 𝗥𝗼𝗯𝘆𝗻 𝗴𝗲𝗺𝗮𝗰𝗵𝘁? Zunächst haben wir ein Best-Practice-Model entworfen, um eine erfolgreiche Implementierung von Robyn sicherzustellen. Außerdem haben wir ein benutzerfreundliches UI entwickelt, um die Nutzung für weniger tech-affine Nutzer zu vereinfachen. Die Datenaufbereitung erfolgte durch eine gründliche Bereinigung und Transformation der Eingabedaten, damit die Modellierung präzise Ergebnisse liefert. Auch die Modellkonfiguration wurde für die spezifischen Anforderungen optimiert, um die besten Prognosen zu erzielen. MMM-Tools sind generell technisch anspruchsvoll und erfordern eine enge Zusammenarbeit zwischen Marketing- und Data-Teams, um das Potenzial optimal auszuschöpfen. 💬 Sind Sie neugierig auf Robyn und MMM? Bei Fragen oder Interesse an einer Umsetzung stehen wir gerne bereit!

𝗟𝗼𝗵𝗻𝘁 𝘀𝗶𝗰𝗵 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 𝘄𝗶𝗿𝗸𝗹𝗶𝗰𝗵?? Die Frage, wie Marketingbudgets optimal eingesetzt werden können, beschäftigt viele Unternehmen. Marketing-Mix-Modeling (MMM) mittels Machine Learning (ML) ermöglicht es, diese Fragestellung datengetrieben zu lösen. In diesem Beitrag zeigen wir anhand eines exemplarischen Business Cases das Potential von MMM. 𝟭. 𝗔𝘂𝘀𝗴𝗮𝗻𝗴𝘀𝘀𝗶𝘁𝘂𝗮𝘁𝗶𝗼𝗻 Ein Unternehmen mit einem Marketingbudget von 10 Mio EUR möchte durch den Einsatz von MMM seinen Marketing-ROI steigern. Eine Studie von Accenture* über fortschrittliche MMM-Methoden ergab: „Best-in-Class Marketing-Mix-Modeling, unterstützt durch fortschrittliches maschinelles Lernen und die Verwendung schneller und granularer Optimierungen, verbessert den Marketing-ROI um einen Wert zwischen 14 bis 38%.“. 𝟮. 𝗭𝗶𝗲𝗹𝘀𝗲𝘁𝘇𝘂𝗻𝗴 Erhöhung des Marketing ROI um 14 bis 38% durch die Implementierung von MMM. 𝟯. 𝗗𝗶𝗲 𝗞𝗼𝘀𝘁𝗲𝗻 𝗱𝗲𝘀 𝗠𝗠𝗠 Die Kosten für MMM hängen von mehreren Faktoren ab, u.a. von der Größe der Marketingorganisation, der Anzahl und Komplexität der Kanäle und der Datenverfügbarkeit und -qualität. Der Einfachheit halber gehen wir für dieses Rechenbeispiel von Gesamtkosten in Höhe von 100.000 EUR p.a. aus. In der Realität verringern sich die Kosten nach der erstmaligen Implementierung allerdings deutlich. 𝟰. 𝗞𝗼𝘀𝘁𝗲𝗻-𝗡𝘂𝘁𝘇𝗲𝗻-𝗔𝗻𝗮𝗹𝘆𝘀𝗲 - 𝗞𝗼𝘀𝘁𝗲𝗻: Implementierungskosten für MMM mit ML: 100.000 EUR p.a. - 𝗘𝗿𝘄𝗮𝗿𝘁𝗲𝘁𝗲𝗿 𝗡𝘂𝘁𝘇𝗲𝗻: ROI-Steigerung: 14 bis 38%. - 𝗕𝗲𝗿𝗲𝗰𝗵𝗻𝘂𝗻𝗴 𝗱𝗲𝗿 𝗭𝘂𝘀𝗮𝘁𝘇-𝗥𝗲𝗻𝗱𝗶𝘁𝗲: 🅰 Minimale ROI-Steigerung (14%): Zusätzliche Rendite: 10 Mio EUR * 0,14 = 1,4 Mio EUR. 🅱 Maximale ROI-Steigerung (38%): Zusätzliche Rendite: 10 Mio EUR * 0,38 = 3,8 Mio EUR. - 𝗡𝗲𝘁𝘁𝗼𝗻𝘂𝘁𝘇𝗲𝗻: 🅰 Minimale ROI-Steigerung (14%): Nettonutzen: 1,4 Mio EUR - 100.000 EUR = 1,3 Mio EUR. 🅱 Maximale ROI-Steigerung (38%): Nettonutzen: 3,8 Mio EUR - 100.000 EUR = 3,7 Mio EUR. 𝟱. 𝗕𝗲𝗿𝗲𝗰𝗵𝗻𝘂𝗻𝗴 𝗱𝗲𝘀 𝗥𝗢𝗜 🅰 Minimale ROI-Steigerung (14%): ROI = 1,3 Mio EUR / 100.000 EUR = 1.300% 🅱 Maximale ROI-Steigerung (38%): ROI = 3,7 Mio EUR / 100.000 EUR = 3.700% 𝟲. 𝗔𝗺𝗼𝗿𝘁𝗶𝘀𝗮𝘁𝗶𝗼𝗻𝘀𝘇𝗲𝗶𝘁 🅰 Minimale ROI-Steigerung (14%): Amortisationszeit = 100.000 EUR / 1,3 Mio EUR p.a. = ca. 0,08 Jahre = ca. 1 Monat 🅱 Maximale ROI-Steigerung (38%): Amortisationszeit = 100.000 EUR / 3,7 Mio EUR p.a. = ca. 0,03 Jahre = ca. 11 Tage Auch wenn es sich hier um fiktive Zahlen handelt, zeigt das Beispiel eindrucksvoll, wie schnell sich die Investition in MMM auszahlen kann. Interessiert daran, das enorme Potenzial von MMM zur Steigerung Ihres Marketing ROI zu nutzen? Lassen Sie uns gemeinsam Ihren spezifischen Business Case analysieren und eine maßgeschneiderte Lösung entwickeln. Schreiben Sie uns gern hier über LinkedIn. *) Quelle: https://bit.ly/4eRk7eb

📊 𝗪𝗲𝗹𝗰𝗵𝗲 𝗗𝗮𝘁𝗲𝗻 𝗯𝗿𝗮𝘂𝗰𝗵𝘁 𝗲𝗶𝗻 𝗲𝗿𝗳𝗼𝗹𝗴𝗿𝗲𝗶𝗰𝗵𝗲𝘀 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 (𝗠𝗠𝗠)? In unseren letzten Beiträgen haben wir die Grundlagen von MMM und die wichtigsten Zielgrößen ausführlich beschrieben. Nun möchten wir den Fokus auf ein zentrales Element legen, das oft unterschätzt wird: Die Daten. Denn ohne die richtigen Daten wird jedes Modell ungenau und liefert keine verlässlichen Ergebnisse. 𝗗𝗶𝗲 𝗲𝗻𝘁𝘀𝗰𝗵𝗲𝗶𝗱𝗲𝗻𝗱𝗲 𝗙𝗿𝗮𝗴𝗲: Welche Daten sind wirklich relevant, um aussagekräftige Erkenntnisse zu gewinnen? (1) 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴 𝗦𝗽𝗲𝗻𝗱𝗶𝗻𝗴𝘀 – 𝗚𝗿𝘂𝗻𝗱𝗹𝗮𝗴𝗲 𝗱𝗲𝘀 𝗠𝗼𝗱𝗲𝗹𝗹𝘀 Der erste und wichtigste Datentyp sind die Werbeausgaben. Daher ist es entscheidend, die Ausgaben für 𝗮𝗹𝗹𝗲 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗖𝗵𝗮𝗻𝗻𝗲𝗹𝘀 bereitzustellen. Dazu gehören klassische Medien wie TV, Radio, Print, aber auch digitale Kanäle wie Social Media, Suchmaschinen und Display-Werbung. Für aussagekräftige Ergebnisse sollten die Daten mindestens wöchentlich erhoben werden – besser noch täglich. Nur so lassen sich die Wirkzusammenhänge, zeitliche Schwankungen und saisonale Effekte wirklich erfassen. (2) 𝗜𝗻𝘁𝗲𝗿𝗻𝗲 𝘂𝗻𝗱 𝗲𝘅𝘁𝗲𝗿𝗻𝗲 𝗘𝗶𝗻𝗳𝗹𝘂𝘀𝘀𝗳𝗮𝗸𝘁𝗼𝗿𝗲𝗻 Neben den Werbeausgaben gibt es viele weitere 𝗶𝗻𝘁𝗲𝗿𝗻𝗲 𝗙𝗮𝗸𝘁𝗼𝗿𝗲𝗻 𝗼𝗵𝗻𝗲 𝗕𝘂𝗱𝗴𝗲𝘁𝗯𝗲𝘇𝘂𝗴, die das Ergebnis beeinflussen können: Produktlaunches, Preisänderungen oder CRM-Maßnahmen sollten in das Modell integriert werden, um ein vollständiges Bild zu erhalten. Auch 𝗲𝘅𝘁𝗲𝗿𝗻𝗲 𝗙𝗮𝗸𝘁𝗼𝗿𝗲𝗻, wie Marktentwicklungen, Wettbewerbsaktivitäten oder saisonale Trends spielen eine Rolle. Nicht jede externe Variable verbessert das Modell jedoch automatisch. In einem unserer Projekte stellte sich beispielsweise heraus, dass die Einbeziehung bestimmter Marktdaten zu schlechteren Ergebnissen führte – obwohl diese auf den ersten Blick relevant schienen. Hier gilt es, sorgfältig abzuwägen. (3) 𝗭𝗶𝗲𝗹𝗺𝗲𝘁𝗿𝗶𝗸𝗲𝗻 Wie bereits in früheren Posts beschrieben, ist es wichtig, klare und messbare Zielgrößen zu definieren. 𝗖𝗼𝘀𝘁-𝗽𝗲𝗿-𝗔𝗰𝘁𝗶𝗼𝗻 (𝗖𝗣𝗔) oder 𝗥𝗲𝘁𝘂𝗿𝗻 𝗼𝗻 𝗔𝗱 𝗦𝗽𝗲𝗻𝗱 (𝗥𝗢𝗔𝗦) gehören zu den am häufigsten genutzten Kennzahlen, um die Marketing-Effektivität zu bewerten. (4) 𝗤𝘂𝗮𝗹𝗶𝘁𝘆 𝗯𝗲𝗮𝘁𝘀 𝗤𝘂𝗮𝗻𝘁𝗶𝘁𝘆 Nicht nur die Quantität der Daten ist entscheidend, sondern vor allem ihre Qualität. Es sollte auf konsistente, fehlerfreie Daten geachtet werden. Datenlücken oder unregelmäßige Zeiträume können die Modellgenauigkeit erheblich beeinträchtigen. Die Bereitstellung einer umfassenden Datenbasis in einer hohen Granularität und Datenqualität ist das Fundament für ein erfolgreiches Marketing-Mix-Modeling. Dieser Schritt sollte sorgfältig durchgeführt werden und ist in einem MMM-Projekt essenziell. Die Daten sind ready – und nun? Folgen Sie uns, um zu erfahren, wie es weitergeht!👉➕ *Bild-Quelle: A lego data story, adapted from original image by Monica Rosales Ascencio

In unserem neuesten Artikel geht es um die Metriken im Marketing Mix Modeling und die Frage, wie man die richtige Metrik für seinen Anwendungsfall auswählt. Viel Spaß beim Lesen und Kommentieren! https://lnkd.in/eyBKC5nT

𝗪𝗮𝘀 𝗶𝘀𝘁 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗹𝗶𝗻𝗴 (𝗠𝗠𝗠)?   Haben Sie sich jemals gefragt, wie es Marktführern wie Coca Cola, Procter & Gamble oder Unilever gelingt, ihre Wettbewerber durch herausragende Marketingstrategien zu übertreffen?   Sicherlich, hinter vielen Marketingentscheidungen stecken auch Erfahrung, Intuition und Best Practices - doch tiefe Einblicke in die komplexen Wechselwirkungen zwischen Marketingentscheidungen und Erfolg kann den entscheidenden Unterschied zwischen Erfolg und Misserfolg ausmachen.   Hier kommt das Marketing-Mix-Modeling (MMM) ins Spiel.   Marketing-Mix-Modeling ist eine auf Machine Learning basierende Methode, um Ihre Marketingausgaben strategisch zu steuern.   Aber was genau ist MMM und wie kann es Ihnen helfen, bessere Entscheidungen zu treffen?   Stellen Sie sich vor, Ihr Unternehmen verteilt ein umfangreiches Budget auf unterschiedliche Kanäle wie Social Media, Printanzeigen und Events, ohne wirklich zu wissen, welcher Kanal funktioniert und welcher nicht. Die Folge? Blindflug und Ausgaben, die ins Leere zu laufen scheinen.   MMM nutzt historische unternehmensinterne und externe Daten, um die Wirkung Ihrer Marketingmaßnahmen zu verstehen. So erfahren Sie, welcher Kanal den größten Einfluss und welchen Effekt jeder zusätzlich investierte Euro hat.   𝗪𝗮𝘀 𝗯𝗲𝗱𝗲𝘂𝘁𝗲𝘁 𝗱𝗮𝘀 𝗶𝗺 𝗗𝗲𝘁𝗮𝗶𝗹?   1️⃣ Umfassendes Verständnis - Gewinnen Sie Einsichten in Ihre eigenen Marketingaktivitäten und den Einfluss externer Faktoren, wie beispielsweise makroökonomische Kenngrößen, aber auch Wetter oder Ferienzeiten. 2️⃣ Datengetriebene Entscheidungen - Nutzen Sie Ihre Daten, um Zusammenhänge aufzudecken und faktenbasierte Entscheidungen zu treffen. 3️⃣ Effiziente Budgetverteilung - Finden Sie heraus, in welche Kanäle sie mehr Budget und in welche Sie weniger Budget investieren sollten.   MMM ermöglicht es Unternehmen, den Gegenwert jedes investierten Euros zu maximieren und Ihr Marketingbudget effizient einzusetzen.     ❓ 𝗪𝗶𝗲 𝘁𝗿𝗲𝗳𝗳𝗲𝗻 𝗦𝗶𝗲 𝗜𝗵𝗿𝗲 𝗘𝗻𝘁𝘀𝗰𝗵𝗲𝗶𝗱𝘂𝗻𝗴𝗲𝗻 𝘇𝘂𝗿 𝗩𝗲𝗿𝘁𝗲𝗶𝗹𝘂𝗻𝗴 𝗜𝗵𝗿𝗲𝘀 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗕𝘂𝗱𝗴𝗲𝘁𝘀? 𝗪𝗲𝗹𝗰𝗵𝗲 𝗠𝗲𝘁𝗵𝗼𝗱𝗶𝗸 𝗻𝘂𝘁𝘇𝗲𝗻 𝗦𝗶𝗲 𝗱𝗮𝗯𝗲𝗶? 𝗧𝗲𝗶𝗹𝗲𝗻 𝗦𝗶𝗲 𝗜𝗵𝗿𝗲 𝗚𝗲𝗱𝗮𝗻𝗸𝗲𝗻 𝗶𝗻 𝗱𝗲𝗻 𝗞𝗼𝗺𝗺𝗲𝗻𝘁𝗮𝗿𝗲𝗻! 👇

𝐖𝐚𝐫𝐮𝐦 𝐌𝐚𝐫𝐤𝐞𝐭𝐢𝐧𝐠 𝐄𝐟𝐟𝐞𝐜𝐭𝐢𝐯𝐞𝐧𝐞𝐬𝐬 𝐡𝐞𝐮𝐭𝐞 𝐰𝐢𝐜𝐡𝐭𝐢𝐠𝐞𝐫 𝐢𝐬𝐭 𝐚𝐥𝐬 𝐣𝐞 𝐳𝐮𝐯𝐨𝐫 🚀 In einer Zeit der wirtschaftlichen Unsicherheit mit stagnierenden oder sogar sinkenden Marketingbudgets muss jeder Euro, den Sie in Marketing investieren, einen Gegenwert erzeugen. Marketingabteilungen stehen regelmäßig unter hohem Rechtfertigungsdruck, wenn Budgetkürzungen anstehen. Haben Sie sich schon einmal gefragt, ob Ihre Marketingausgaben wirklich den gewünschten Gegenwert liefern? 🤔 Die Realität ist: Viele Marketingentscheider wissen zu wenig über die Zusammenhänge, wie genau ihr Marketing Mix den Umsatz beeinflusst und ob nicht vielleicht ein anderer Mix deutlich effizienter wäre. Sie möchten das Beste aus jedem investierten Euro herausholen. Aber wie? 😮 Die Antwort ist 𝗠𝗮𝗿𝗸𝗲𝘁𝗶𝗻𝗴-𝗠𝗶𝘅-𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 (𝗠𝗠𝗠)! 🌟 MMM ist wie ein intelligenter Co-Pilot für Ihre Marketing-Entscheidungen, der Ihnen dabei hilft, den Überblick zu behalten und gezielt die besten Maßnahmen zu ergreifen. Statt blind zu steuern, erhalten Sie datenbasierte Empfehlungen, um Ihr Budget optimal einzusetzen und Ihre Marketingstrategie effizienter zu gestalten. Stellen Sie sich vor, Sie könnten die Auswirkungen jedes Kanals und jeder Kampagne auf den Erfolg genau quantifizieren. 𝗪𝗲𝗹𝗰𝗵𝗲 𝗜𝗻𝘃𝗲𝘀𝘁𝗶𝘁𝗶𝗼𝗻𝗲𝗻 𝗯𝗿𝗶𝗻𝗴𝗲𝗻 𝗜𝗵𝗻𝗲𝗻 𝗱𝗲𝗻 𝗯𝗲𝘀𝘁𝗲𝗻 𝗥𝗢𝗜? MMM bietet Ihnen die Werkzeuge, um diese Fragen zu beantworten und die Effektivität Ihrer Marketingstrategien zu maximieren. 𝗘𝘀 𝗵𝗶𝗹𝗳𝘁 𝗜𝗵𝗻𝗲𝗻, Fachexpertise durch 𝗱𝗮𝘁𝗲𝗻𝗯𝗮𝘀𝗶𝗲𝗿𝘁𝗲 𝗘𝗻𝘁𝘀𝗰𝗵𝗲𝗶𝗱𝘂𝗻𝗴𝗲𝗻 𝘇𝘂 ergänzen 𝘂𝗻𝗱 𝗜𝗵𝗿 𝗕𝘂𝗱𝗴𝗲𝘁 𝗶𝗻𝘁𝗲𝗹𝗹𝗶𝗴𝗲𝗻𝘁 𝘇𝘂 𝘃𝗲𝗿𝘁𝗲𝗶𝗹𝗲𝗻. In den kommenden Wochen teilen wir spannende Perspektiven und erfolgreiche Strategien zur Anwendung von MMM, die Ihnen helfen, Ihre Marketingziele zu erreichen. Bleiben Sie dran und seien Sie bereit für Veränderungen, die im Wettbewerb den entscheidenden Unterschied machen können! 💡 ❓ Welche Herausforderungen erleben Sie bei der Optimierung Ihres Marketing-Mix? Teilen Sie Ihre Gedanken in den Kommentaren! 👇