Wie beweisen Sie einem Kunden, dass sein Mediabudget wirkt? Hören Sie auf, mit ROAS-Screenshots zu eröffnen. Die Belege, denen Kunden heute vertrauen, haben drei Teile: ein Modell, das zeigt, was jeder Kanal über die Baseline hinaus beigetragen hat, ein Experiment, das es bestätigt, und Belege, die erklären, warum sich die Zahlen bewegt haben. Marketing-Mix-Modellierung ist zurück, weil sie den ersten Teil gut liefert.
Der jüngste Beleg kommt aus der Golfregion. Campaign Middle East berichtete, dass die Performance-Agentur TRKKN Googles Open-Source-Marketing-Mix-Modell Meridian nutzte, um drei Jahre Daten des Beauty-Händlers Faces auszuwerten. Über 11 Kanäle hinweg prognostizierte das Modell ein inkrementelles Umsatzplus von 8,5 % und eine ROI-Verbesserung um 10,8 Prozentpunkte – allein durch die Umschichtung des bestehenden Budgets.
Warum ist Marketing-Mix-Modellierung zurück?
Weil die Alternativen niemanden mehr überzeugen. Plattform-Dashboards melden die Conversions, die sie selbst verursacht zu haben glauben – die Plattform, die die Media verkauft, misst sie also auch. Last-Click-Attribution schreibt den Erfolg dem Touchpoint zu, der zuletzt kam. Das schmeichelt Suche und Retargeting und lässt die Aktivitäten verhungern, die die Nachfrage überhaupt erst aufgebaut haben.
MMM geht einen anderen Weg. Es betrachtet Ausgaben und Verkäufe über die Zeit, über alle Kanäle einschließlich Offline, und schätzt, was jeder einzelne über die Baseline hinaus beigetragen hat. Einzelne Nutzer muss es dafür nicht tracken. Und mit Open-Source-Optionen wie Meridian liegt die Hürde heute bei Data Engineering und Expertise statt bei einer saftigen Lizenzgebühr.
Harry Lonergan, Digital Marketing Director bei Faces, sagte gegenüber Campaign Middle East: „Meridian hat uns geholfen, über das hinauszukommen, was wir in der Last-Click-Performance sehen.“ Diesen Satz würden die meisten Kunden gern selbst sagen können.
Was hat der Fall Faces und TRKKN tatsächlich gezeigt?
Die Details lohnen sich, denn sie taugen zugleich als Vorlage. TRKKN verantwortete Data Engineering, Modellbau und Deployment innerhalb der bestehenden Google-Cloud-Umgebung von Faces. Das Modell umfasste Online- und Offline-Marketing- sowie Umsatzdaten in Saudi-Arabien von 2023 bis 2025.
Drei Ergebnisse waren entscheidend. Erstens zeigte es, welche Kanäle inkrementellen Umsatz brachten, und identifizierte 19 % des Umsatzes als kampagnengetrieben. Zweitens schätzte es für jeden Kanal die Reaktions- und Sättigungskurve und zeigte, wo zusätzliche Ausgaben abnehmende Erträge bringen würden. Drittens modellierte es Budgetszenarien – daher stammt die Zahl von 8,5 %. Performance Max erwies sich in der Analyse als stärkster Kanal.
Beachten Sie, worum die Agentur nicht gebeten hat: mehr Geld. Die Empfehlung lautete, das vorhandene Geld umzuschichten. Und das Framework ist kein einmaliger Bericht, sondern läuft fortlaufend weiter und bewertet den ROI neu, sobald neue Daten vorliegen. Vimal Badiani, Managing Director von TRKKN, formulierte es so: „Es geht darum, Marketern die Belege und die Sicherheit zu geben, bessere Entscheidungen zu treffen.“
Welche Belege brauchen Kunden, um an Media-ROI zu glauben?
Keine einzelne Methode reicht aus. Jede Ebene beantwortet eine andere Frage und hat eine andere Schwäche.
| Evidenzebene | Frage, die sie beantwortet | Typische Methode | Schwäche |
|---|---|---|---|
| Von der Plattform gemeldeter ROAS | Wie effizient war dieser Kanal – nach eigenem Maßstab? | Reporting im Ads Manager | Benotet die eigenen Hausaufgaben; ignoriert Inkrementalität |
| Marketing-Mix-Modellierung | Was hat jeder Kanal über die Baseline hinaus beigetragen? | Statistisches Modell von Ausgaben und Verkäufen über mehrere Jahre | Erklärt das Was, nicht das Warum; braucht konsistente Daten |
| Inkrementalitätstests | Hat dieser Kanal den Zuwachs verursacht? | Geo-Holdouts, Conversion-Lift-Studien | Langsam; meist nur ein Kanal auf einmal |
| Sättigungskurven | Ab wann lohnen sich zusätzliche Ausgaben nicht mehr? | Ergebnis des MMM | Nur so gut wie das Modell dahinter |
| Belege zu Zielgruppe und Wettbewerb | Warum haben sich die Ergebnisse verändert? | Social Listening, Analyse von Wettbewerbsanzeigen | Anekdotisch, solange nicht auf echte Daten zurückgeführt |
Die meisten Agenturen präsentieren die erste Zeile und hoffen. Die Agenturen, die ihre Budgets behalten, präsentieren alle fünf.
Warum landen Mediabudgets an den falschen Stellen?
Ökonomen haben dafür einen Namen: Marktversagen. Märkte verteilen Ressourcen gut, wenn Käufer und Verkäufer gut informiert sind. Fehlen Informationen oder liegen sie nur auf einer Seite, fließt Geld an die falschen Stellen – und bleibt dort.
Mediaeinkauf ist ein Lehrbuchbeispiel. Der Kunde sieht nicht, was die Plattformen sehen. Die Agentur sieht mehr als der Kunde, wird aber oft zumindest teilweise in Abhängigkeit davon bezahlt, was sie ausgibt. Plattformen berichten über ihre eigene Performance. Alle handeln rational auf Basis unvollständiger Informationen, und das Ergebnis ist Budget, das sich in Kanälen stapelt, die im Last Click gut aussehen, während die Kanäle, die Nachfrage aufbauen, leer ausgehen. Ein prognostiziertes Plus von 8,5 %, allein durch das Umschichten von Budget, das Faces ohnehin schon ausgab, ist im Grunde ein Maß für diese Fehlallokation.
Die Lösung sind nicht mehr Daten, sondern gemeinsame Klarheit. Im Geschäftsleben schafft Klarheit Verbindung: Wenn Kunde und Agentur dieselben Belege betrachten und gleich lesen, verschiebt sich das Gespräch von der Rechtfertigung der Ausgaben hin zur Entscheidung, wohin sie als Nächstes fließen.
Wie bauen Sie eine Media-ROI-Story, der Kunden vertrauen?
- Geschäftsergebnis und Baseline vereinbaren. Umsatz, Neukunden oder Marge – und eine ehrliche Einschätzung, was ohne Marketing passiert wäre.
- Eine konsistente Datenhistorie zusammenstellen. Ausgaben und Ergebnisse pro Kanal, online und offline, dazu Preise, Promotions und Saisonalität. Faces nutzte drei Jahre über 11 Kanäle.
- Das Modell rechnen. Nutzen Sie ein Open-Source-MMM wie Meridian oder einen spezialisierten Partner. Fragen Sie nach dem Beitrag pro Kanal und nach Sättigungskurven, nicht nach einer einzigen ROI-Zahl.
- Eine Erkenntnis mit einem Experiment validieren. Ein Geo-Holdout in dem Kanal, den das Modell für überfinanziert hält, ist der überzeugendste Test, den Sie durchführen können.
- Das Warum erklären. Stellen Sie jeder Kanalerkenntnis gegenüber, was tatsächlich gesagt und gesehen wurde: die Kreation, die lief, was Wettbewerber gelauncht haben und wie sich die Gespräche der Zielgruppe verschoben haben.
- Eine Umschichtung präsentieren, keine Forderung. Zeigen Sie das Szenario, das bestehendes Budget verschiebt, und das Ergebnis, das es prognostiziert.
- Das Modell am Leben halten. Rechnen Sie es neu, sobald neue Daten vorliegen – so wird ROI zu einem laufenden Gespräch statt zu einem jährlichen Streit.
Welche Rolle spielen Kreation und lokaler Kontext beim Media-ROI?
MMM zeigt Ihnen, welcher Kanal funktioniert hat. Über die Wirkung der Botschaft sagt es wenig – und diese Lücke ist wichtig. Campaign berichtete über neue Forschung von Publicis London, System1 und Effie, die globale Kampagnen mit Arbeiten für lokale Märkte verglich und feststellte, dass globale Kampagnen weniger kommerzielle Ergebnisse liefern. Wenn die Passung zwischen Botschaft und Markt die Ergebnisse so stark beeinflusst, ist eine reine Kanalerklärung nur die halbe Antwort.
Das ist die fehlende Hälfte der meisten ROI-Präsentationen. Wenn ein Modell sagt, dass Paid Social im dritten Quartal über Plan lag, fragt der Kunde als Nächstes: Warum? Lag es an der Kreation? Daran, dass ein Wettbewerber still wurde? An einer Verschiebung dessen, worüber die Zielgruppe sprach? Defy Monitor beantwortet das, indem es jede KI-Schlussfolgerung auf die echten veröffentlichten Posts dahinter zurückführt – mit einer Strategie, die aus dem abgeleitet wird, was Zielgruppen und Wettbewerber tatsächlich veröffentlichen, statt aus Umfragen. Es ergänzt Ihre Messung, statt sie zu ersetzen, und ist Teil der Defy-Plattform.
