Marketing-Mix-Modeling-Software für E-Commerce
Media Marketing Mix (MMM) ist ein bayesianisches Marketing-Mix-Modell, das AmICited mit Googles Open-Source-Engine Meridian für Sie berechnet. Sie wählen in der App eine Zielgröße und Ihre Kanäle; das Modell schätzt, was jeder Kanal beigetragen hat, wo die nächsten 1.000 Budget am meisten bewirken und ob bezahlte Suche Ihren organischen Traffic verändert. Kein Code und kein Data-Science-Team für die Einrichtung nötig.
Marken, die verfolgen, wie KI-Antworten sie nennen — täglich erhoben auf jeder Oberfläche, auf der ihre Käufer fragen.
Fallstudien lesen →Media-Mix-Modeling auf Ihren eigenen Daten
Das Modell arbeitet in Wochenauflösung. Sie wählen eine Zielgröße und dann die Kanäle, die sie erklären sollen: Ausgaben und Impressionen aus Ihren verbundenen Werbekonten, eigene Marketingkosten für Kanäle ohne Integration und Kampagnengruppen, die eine Plattform in mehrere Kanäle aufteilen.
- Zielgrößen — Shop-Umsatz, Shop-Bestellungen, GA4-Kaufumsatz, GA4-Käufe oder ein beliebiges GA4-Conversion-Event, als Anzahl oder mit einem Wert pro Conversion, damit das Modell den Return on Spend ausweisen kann.
- Fünf Werbe-Integrationen — Google Ads, Microsoft Advertising, Meta Ads, LinkedIn Ads und ChatGPT Ads, eingebunden über dieselben Werbeplattform-Integrationen, die auch der Rest von AmICited nutzt.
- Kampagnengruppen — teilen Sie zum Beispiel Marken- und Nicht-Marken-Kampagnen von Google Ads per ID oder Namensregel auf. Eine Gruppe braucht mindestens 8 Wochen mit Impressionen, und die App schlägt Gruppen für Kampagnen mit 5 % oder mehr der Ausgaben einer Plattform vor.
- Bis zu 256 Kanäle — weniger, größere Kanäle geben dem Modell jedoch mehr Signal pro Schätzung.
Beitrag, ROI und Reaktionskurven
Für jeden Kanal weist das Modell seinen geschätzten Beitrag zur Zielgröße mit einem 90-%-Glaubwürdigkeitsintervall aus, dazu seinen ROI als Umsatz pro Ausgabeneinheit. Reaktionskurven zeigen, wie sich die Zielgröße voraussichtlich verändert, wenn die Ausgaben von null auf das Dreifache des heutigen Niveaus steigen, sodass Sie sehen, wo die Erträge abflachen.
- Wo die nächsten 1.000 am meisten bewirken — ein Urteil pro Kanal (erhöhen, senken oder unklar), basierend auf dem Grenzertrag bei den aktuellen Ausgaben.
- Beste Aufteilung des heutigen Budgets — dieselbe Gesamtsumme, so auf die Kanäle verteilt, dass die modellierte Zielgröße am höchsten ausfällt.
- Szenarien — setzen Sie jeden Kanal auf einen beliebigen Wert zwischen 0× und 3× seiner Ausgaben und vergleichen Sie die modellierte Veränderung mit ihrem 90-%-Intervall. Ein Szenario ist keine Umsatzprognose und ändert nie Budgets in Ihren Werbeplattformen.
- Prüfbare Diagnostik — Konvergenz (R-hat, effektive Stichprobengröße, Divergenzen), Neuberechnungen zur Prior-Sensitivität, eine automatische wöchentliche Neuberechnung und gespeicherte Versionen zum Vergleichen.
Paid zu Organic: Hebt PPC die organische Suche oder kannibalisiert sie?
Das Paid-zu-Organic-Modell stellt eine Frage, die die meisten Attributionstools auslassen: Erhöhen oder senken Ihre Ausgaben für bezahlte Suche Ihren organischen Suchtraffic? Setzen Sie als Zielgröße organische GA4-Sitzungen, organische Klicks aus der Search Console oder organische Klicks aus den Bing Webmaster Tools, und das Modell schätzt den organischen Traffic im Zeitverlauf mit und ohne PPC.
- PPC-Wirkung im Zeitverlauf — eine modellierte Basislinie ohne PPC neben der beobachteten Reihe.
- Beitrag mit Vorzeichen — bezahlte Suche kann organische Klicks erhöhen, ihnen schaden oder keinen klaren Effekt zeigen.
- Kosten pro zusätzlichem organischem Klick — nur dort angezeigt, wo der Effekt positiv und identifiziert ist, nie erzwungen.
- Ergänzt Lückenberichte — Begriffe, für die Sie zahlen und die gar keine organische Seite haben, listet Paid-Proven Gaps auf.
Wie viel Historie Marketing-Mix-Modeling braucht
Ein Standardmodell braucht 164 vollständige Wochen: 156 Wochen Zielgröße plus 8 Wochen Carryover-Verzögerung. Bei weniger Daten trainiert ein Modus mit begrenzter Historie auf 24 oder mehr vollständigen Wochen, kann aber jährliche Saisonalität nicht zuverlässig lernen, stützt sich stärker auf seine Prior-Annahmen und kennzeichnet seine Empfehlungen als nur indikativ. Google Ads speichert etwa 13 Monate Historie, sodass die meisten neuen Konten im Modus mit begrenzter Historie starten, es sei denn, ältere Ausgaben werden als eigene Kosten erfasst.
- Erst die Bereitschaftsprüfung — vollständige Wochen, Währung, Quellenabdeckung, Datenaufbewahrung und Kanalvariation werden vor jedem Training geprüft; Kanäle mit Ausgaben in zu wenigen Wochen bleiben außen vor.
- Umsatz, nicht Gewinn — ROI ist Umsatz pro Ausgabeneinheit. Für margenbewusste Renditen siehe Meta Profit-true ROAS.
- Schätzungen, kein Beweis — ein Modell trennt Kanaleffekte aus Beobachtungsdaten; ein Lift-Test bleibt der stärkere Beleg für einen einzelnen Kanal.
- Tarife und Kosten — verfügbar in den Tarifen Premium und Enterprise. Eine wiederkehrende Modellpaket-Gebühr fällt an, sobald Sie den ersten Trainingslauf bestätigen; Bereitschaftsprüfungen und Training verbrauchen abgerechnete Warehouse-Credits.
vollständige Wochen für ein Standardmodell, oder 24 für den Start im Modus mit begrenzter Historie
Von Plattformen gemeldete Conversions zeigen, was jedes Werbenetzwerk für sich beansprucht. Das Modell schätzt, was jeder Kanal beigetragen hat, wenn die anderen herausgerechnet sind.
Meta Attribution Reality ansehen