Werbewirkungsforschung

Wie sich Marketing Mix Modellings anpassen müssen

   Artikel anhören
Sven Tyburcy
© facebook
Sven Tyburcy
Unser heutiges Media-Ökosystem stellt Werbetreibende, Agenturen und Werbeplattformen vor Herausforderungen bei der Werbewirkungsmessung: Die digitale und vor allem mobile Medien-Nutzung steigt, alles wird messbar, aber gleichzeitig streben Konsumentinnen und Konsumenten nach mehr Privatsphäre. Sven Tyburcy, Marketing Science Partner bei Meta, ehemals Facebook, stellt drei Methoden für ein crossmediales, globales, flexibles und gleichzeitig robustes Measurement vor und weist auf eine Open-Source-Software hin.

Die Werbewirkungsmessung spielt eine entscheidende Rolle in den Budget-Entscheidungen von Werbetreibenden. Hierbei werden von nahezu allen großen Werbetreibenden Marketing Mix Modellings (MMM) genutzt, um den Einfluss von Werbeinvestitionen auf den Abverkauf ihrer Produkte zu errechnen.

Wie funktionieren Marketing Mix Modellings?

MMMs verwenden statistische Modelle, z.B. Regression, um aus unabhängigen Variablen (z.B. den Werbeausgaben in unterschiedlichen Medien, Preis, Promotions, saisonale Faktoren oder ökonomische Kennzahlen) den Zeitreihenverlauf der abhängigen Variable (z.B. Abverkauf oder Markenmetriken) möglichst genau zu modellieren. Das Modell schätzt den Anteil jedes einzelnen Einflussfaktors auf die abhängige Variable. Dadurch lässt sich erkennen, welche Kanäle welchen Effekt in der Kommunikation aufweisen und wie Werbebudgets künftig besser verteilt werden können.

Dieses Vorgehen wird seit Jahrzehnten in der Praxis angewendet und wurde im Zeitalter der Rundfunkmedien entwickelt. Mit der Weiterentwicklung der Medien sollten auch die MMMs fortentwickelt werden. Wir sehen bei der Verbesserung der Modellings zur Werbewirkungsmessung drei Trends: 

1.

Taktische Learnings „actionable“ machen

Das traditionelle MMM liefert wichtige Informationen, ob und wie stark Werbung in einem Media-Kanal - ob TV, Out-of-Home oder Facebook - zu einer Erhöhung des Abverkaufs eines Produktes geführt hat. Es liefert Erkenntnisse darüber, wie verschiedene Kanäle im Vergleich zueinander abschneiden und welchen ROI das Investment in diesen Kanälen erzielt. Nur selten jedoch gelangen Werbetreibende zu Informationen, was nun genau innerhalb der einzelnen Kanäle gut funktioniert hat und was eben nicht. Die Frage, ob bestimmte Motive, eine bestimmte Zielgruppe oder eine Optimierung der Kanäle stärker zur Wirkung beigetragen haben, bleibt oft unbeantwortet. Hieraus könnten jedoch intramediär-taktische Erkenntnisse abgeleitet werden, die dann wiederum in die Mediaplanung einfließen sollten.

Eine entsprechende kanalspezifische Empfehlung kann aber nur funktionieren, wenn das Modell von Beginn an granulare Kampagnen-Informationen erhalten hat. Bislang beschränkten sich die Information für digitale Kanäle in der Regel auf die Höhe des Investments und die Anzahl der geliefert Impressions. Dies ist aber zu wenig. Idealerweise sollten auch Informationen über das Placement der Werbeanzeigen in das Modell eingespeist werden: Handelt es sich um Videos oder statische Werbemittel? Welches Ziel verfolgte die Kampagne? In welcher Region wurde es ausgespielt? Hier besteht der Bedarf zu detailliertem Input, um kanal-individuelle Learnings zu generieren: “Was hat im spezifischen Kanal Wirkung gezeigt, und was nicht?” Nur dann können diese Erkentnisse auch in die Media-Planung einfließen, sodass gewonnene Resultate schneller „actionable“ zu machen sind.

Spannende Ergebnisse hierzu liefert eine Analyse von GroupM und Analytic Partners, die 19 Facebook- und Instagram-Kampagnen auf Abverkaufs- und Brand-KPIs in Modellings analysiert und taktische Empfehlungen für die Mediaplanung erarbeitet hat. Des Weiteren lohnt sich ein Blick in die Ekimetrics MMM Meta Analyse, die mit Hilfe des Facebook MMM-Feeds auf Basis von 16.000 Facebook und Instagram-Kampagnen durch MMMs klare Best-Practice-Handlungsanweisungen erstellt haben. Entsprechende taktische Analysen sollten auch für andere Medien durchgeführt werden. 

2.

Always-on & mehr Automatisierung

Mobile Mediennutzung und digitale Plattformen unterliegen einem rasanten Wandel und erfinden sich regelmäßig immer wieder neu. Damit einhergehend verändert sich auch die Art und Weise, wie Menschen durch Werbung angesprochen werden, äußerst rasch. Das heißt, oben beschriebene Insights haben naturgemäß eine geringe Halbwertszeit. Sind sie deswegen aber weniger relevant? Ganz im Gegenteil: Wenn ich Kampagnen nicht nach Best-Practice-Informationen und nicht „state of the art“ plane und aufsetze, verpasse ich auch die Chance, möglichst effizient hohe Werbewirkung zu erzielen. Die Challenge: Traditionelle MMMs werden normalerweise nur alle paar Jahre durchgeführt und können oft bis zu neun Monate andauern – eine gefühlte Ewigkeit in der digitalen Welt.

Unternehmen sollten deshalb darüber nachdenken, ihre MMMs als „always-on“-Measurement-Tool zu entwickeln und einzusetzen. So haben sie permanent Zugriff auf aktuelle Erkenntnisse und Optimierungen.

Ein interessantes und innovatives Beispiel hierfür liefert das Analytics-Team des globalen Technologie-Anbieters ASUS, das zusammen mit dem Measurement-Spezialisten Analytic Edge die Implementierung des MMMs als SaaS(Software-as-a-Service)-Ansatz umgesetzt hat. Ziel: Das Modell genauer, skalierbarer und kosteneffizienter für den weltweiten Betrieb zu machen. Die Ergebnisse sind entsprechend interessant: Der Einsatz dieser Art MMM trug dazu bei, von Juli 2019 bis Juni 2020 einen 63 Prozent höheren ROI auf Facebook und Instagram zu erzielen, als im Jahr zuvor, und gleichzeitig inkrementellen Umsatz durch die beiden Plattformen nachzuweisen.

3.

Kalibrierung durch Experimente

Häufig werden MMMs auf Basis bestimmter Annahmen zur Leistung der verschiedenen Mediakanäle erstellt. Dabei ist es nicht einfach, die Genauigkeit dieser Annahmen zu validieren, wobei diese gleichzeitig aber einen gewichtigen Einfluss auf das letztendliche Ergebnis des Modells haben können. Ein möglicher Lösungsansatz: Der Einsatz von Experimenten, beispielsweise Facebook-Conversion-Lift-Studien oder andere Ansätze, die die kausale Werbewirkung in randomisierten Test- und Kontrollgruppenverfahren messen – also mit echten inkrementellen Abverkaufszugewinnen arbeiten. Die Ergebnisse der Lift-Studien können dann genutzt werden, um die Resultate des MMMs zu validieren, oder entsprechend zu kalibrieren. Dies würde sowohl die Genauigkeit des Modells – und damit das Vertrauen in MMMs – schärfen, als auch ein Modell schaffen, das dauerhaft einsetzbar wäre.

Ein solcher “Advanced MMM-Ansatz“ wurde von Deloitte Analytics zusammen mit der Alshaya-Gruppe umgesetzt: Dort verwendete man MMMs zusammen mit Conversion-Lift-Experimenten, um unter anderem  den Impact hinsichtlich des Return on Advertising Spend (ROAS), die Bedeutung der Preisgestaltung für den Abverkauf, sowie die Verbindung zwischen Online-Werbung und Offline-Verkäufen darzustellen.

MMMs müssen demokratisiert werden

Da sich die Branche in eine Zukunft bewegt, in der gutes und robustes Measurement wichtiger denn je ist, können moderne MMMs datenschutzsichere, strategische sowie taktische Leitlinien für Unternehmen bieten. Doch können MMMs nur von großen Konzernen bezahlt und entsprechend genutzt werden? Fakt ist: Ökonometrische Modellings werden mittlerweile auch von kleineren erfolgreichen Digital-Native-Unternehmen etwa im E-Commerce-, Gaming -oder Digital-Services-Segment eingesetzt.
Über den Autor:

Sven Tyburcy ist  seit sechs Jahren Marketing Science Partner bei Meta, ehemals Facebook und kümmert sich im EMEA-Marketing-Science-Team um Agenturen und Partner, wenn es um Werbewirkungs-Projekte und Measurement geht. Zuvor arbeitete der Dipl. Medienwirt bei verschiedenen Technologie- und Werbervermarktungshäusern (Smartclip AG, Bauer Media Group) im Consulting und Vertrieb, sowie bei der Mediaagentur Mediacom.

Allerdings: MMMs sind weder billig noch „mal eben schnell” erstellt. Hierzu bedarf es Expertise, reichlicher Erfahrung, sowie der Kenntnis über den jeweiligen Markt und natürlich des entsprechenden technischen Rüstzeugs. Nicht jedes Unternehmen verfügt über Ressourcen, ein externes MMM-Team einzukaufen oder sogar einzustellen. Eine Demokratisierung der Methoden ist daher dringend notwendig, auch damit die oben beschriebenen Trends eine breitere Anwendung finden und die Werbewirkungsmessung mit MMMs weiter verbessert werden kann.

Erste Entwicklungsschritte in diese Richtung sind bereits erkennbar. Ein Beispiel hierfür ist Facebooks “Project Robyn”: Robyn ist ein Open-Source-MMM-Code, der von Facebook Data-Scientists entwickelt wurde und jedem Werbetreibenden, jeder Agentur und jeder Analytics-Unit zur offenen Verwendung zur Verfügung steht. Der MMM-Code kann komplett genutzt werden, in Teilen bestehende Tools ergänzen und auch individuell modifiziert werden. Er kann Organisationen helfen, die nach einer genauen und kostengünstigen Methode suchen, um kontinuierlich und zeitgemäß über alle Kanäle hinweg Measurement zu betreiben, natürlich nur, wenn die notwendige Expertise und Ressourcen vorhanden sind.

    Ich habe die Datenschutzbestimmungen zur Kenntnis genommen und akzeptiere diese.
    stats