Jahrelang stritten Data Scientists über den "besten" Weg, Marketing zu messen. Ist es Bottom-up Multi-Touch-Attribution (MTA) oder Top-down Marketing Mix Modeling (MMM)? Die Debatte war erbittert, aber die Antwort lautet vorhersehbar: beides.
Die jeweiligen Stärken
MTA ist phänomenal für taktische, kurzfristige Entscheidungen. Welches Ad-Creative liefert heute die günstigsten Klicks? Welche Suchanfrage konvertiert? Es bietet die granulare Geschwindigkeit und das Feedback, das Media Buyer brauchen, um Tagesbudgets zu verwalten.
Aber MTA ist blind für Inkrementalität. Es schreibt den gesamten Erfolg dem messbaren digitalen Klick zu und ignoriert das Plakat, die Podcast-Erwähnung oder den TV-Spot, der die Nachfrage ursprünglich generiert hat. Hier kommt das MMM-Comeback ins Spiel.
Lift-Testing als absolute Wahrheit
Wie bringt man ein Dashboard in Einklang, bei dem MTA einen ROI von 3,0 ausweist, MMM aber einen ROI von 1,2? Die Antwort sind Geo-Lift- oder Holdout-Tests. Indem man die Ausgaben in einer bestimmten Region komplett abschaltet und die Basisverkäufe beobachtet, schafft man eine absolute Wahrheitsquelle.
Diese Lift-Test-Ergebnisse nutzt man dann, um sowohl die MMM- als auch die MTA-Modelle zu kalibrieren. Wenn der Lift-Test beweist, dass Branded Search zu 80% nicht-inkrementell ist, passt man die MTA-Gewichtungen entsprechend an.
Das einheitliche Framework
Der moderne Growth-Data-Stack nutzt MMM, um die übergreifenden Budgetzuweisungen festzulegen und den wahren ROI zu berechnen. Er nutzt MTA für die tägliche taktische Umsetzung innerhalb dieser Budgets. Die Zusammenführung erfordert robuste operative KI, um die täglichen granularen Daten nahtlos mit den monatlichen ökonometrischen Modellen abzugleichen.