Marketing mix modeling (MMM) is een statistische methode die schat hoeveel elk marketingkanaal heeft bijgedragen aan de verkoop, op basis van wekelijkse totalen van uitgaven en resultaten in plaats van het volgen van individuele gebruikers. Het beantwoordt de budgetvraag die dashboards van platforms niet kunnen beantwoorden: als je geld van het ene kanaal naar het andere verschuift, wat gebeurt er dan waarschijnlijk met de totale verkoop?
Het addertje is data. De documentatie van Google Meridian vraagt minstens twee jaar aan wekelijkse data voor een model op geoniveau en drie jaar voor een nationaal model. De Robyn-gids van Meta vraagt minimaal twee jaar aan wekelijkse data. Veel e-commercemerken hebben niet zoveel schone historie, dus deze gids behandelt ook wat je met minder doet.
Hieronder: hoe MMM werkt, hoe het zich verhoudt tot multi-touch attributie en incrementaliteitstesten en hoe je de resultaten leest, plus een vraag die weinig MMM-gidsen stellen: verhoogt of verlaagt betaald zoeken je organische verkeer?
Belangrijkste punten
- Marketing mix modeling schat de bijdrage van elk kanaal uit wekelijkse totalen van uitgaven en uitkomsten. Het heeft geen cookies of tracking op gebruikersniveau nodig, dus privacywijzigingen breken het niet.
- Google Meridian vraagt volgens de datagids minstens 2 jaar wekelijkse data op geoniveau en 3 jaar op nationaal niveau. Meta Robyn vraagt 2 jaar wekelijkse data en ongeveer 10 waarnemingen per variabele.
- Drie jaar wekelijkse data is slechts 156 datapunten. In het eigen voorbeeld van Meridian is dat ongeveer 15 per parameter voor een model met 10 parameters, genoeg voor “richtinggevende informatie”.
- Multi-touch attributie verdeelt de eer over getrackte klikken; incrementaliteitstesten vergelijken een groep die advertenties zag met een groep die ze niet zag. MMM is de methode die alle kanalen tegelijk dekt.
- Meridian, Robyn en PyMC-Marketing accepteren allemaal lifttestresultaten om het model te kalibreren, de standaardmanier om MMM met experimenten te combineren.
- Budgetbeslissingen horen de marginale ROI te volgen, het rendement op de volgende eenheid uitgaven, niet de gemiddelde ROI. Volgens de documentatie van Meridian wijst een veel lagere mROI dan ROI op verzadiging.
Wat marketing mix modeling is
Marketing mix modeling is een regressieachtig model dat een bedrijfsuitkomst, zoals de wekelijkse omzet, verklaart als de som van een basislijn plus het effect van elk marketingkanaal. Omdat het op geaggregeerde wekelijkse totalen werkt, kan het kanalen meenemen die geen pixel ziet, zoals tv, podcasts of print, en wordt het niet geraakt door cookieverlies of toestemmingsbanners.
De uitkomst is een schatting van hoeveel elk kanaal heeft toegevoegd, hoe efficiënt het was en hoe de uitkomst zou veranderen bij andere uitgavenniveaus. Dat maakt MMM een planningstool voor de verdeling van het marketingbudget, geen rapportagetool voor de campagnes van gisteren.
Media mix modeling is dezelfde methode, maar alleen toegepast op betaalde media. Marketing mix modeling kan in strikte zin ook prijs, acties en distributie omvatten. De meeste mensen gebruiken beide namen door elkaar, en beide worden afgekort tot MMM.
Hoe MMM werkt
Een MMM past één vergelijking toe op je wekelijkse historie: uitkomst is gelijk aan basislijn, plus seizoenspatronen en andere controles, plus een getransformeerd effect voor elk kanaal. De transformaties maken het meer dan een gewone regressie: ze modelleren dat advertenties blijven werken na de week waarin ze liepen en dat elke extra eenheid uitgaven minder oplevert dan de vorige.
De bouwstenen:
| Onderdeel | Wat het vastlegt | Voorbeeld |
|---|---|---|
| Basislijn | Verkoop die je zonder marketing zou halen: merk, mond-tot-mondreclame, terugkerende kopers | Een winkel die 300 orders per week verkoopt, ook als alle advertenties pauzeren |
| Seizoenspatronen en controles | Jaarlijkse cycli, feestdagen, acties, prijswijzigingen | Black Friday, een zomerdip, een korting van 20% op de hele winkel |
| Adstock (carryover) | Advertenties blijven de verkoop weken na hun looptijd beïnvloeden | Een videocampagne waarvan het effect de komende 3–4 weken uitdooft |
| Verzadiging (afnemende meeropbrengsten) | Elke extra eenheid uitgaven voegt minder toe dan de vorige | Meta-uitgaven verdubbelen levert 40% meer verkoop op, niet 100% |
| Priors en geloofwaardigheidsintervallen | Wat het model aanneemt vóór het de data ziet, en hoe zeker het erna is | “De ROI van search ligt tussen 1,8 en 3,1, met 90% waarschijnlijkheid” |
De voorbeelden in de tabel zijn illustratief, geen data van een echte winkel.
Google Meridian modelleert bijvoorbeeld carryover met een adstockfunctie en verzadiging met een Hill-curve, waarvan de vorm bepaalt of het rendement geleidelijk afvalt of een S-curve volgt.
Bayesiaanse MMM in gewone taal
Een Bayesiaanse MMM begint met een prior, een vastgelegd bereik van plausibele waarden voor het effect van elk kanaal, en werkt die bij met jouw data. Het resultaat is een verdeling, samengevat als geloofwaardigheidsinterval: “met 90% waarschijnlijkheid ligt de ROI van dit kanaal tussen X en Y.” De documentatie van Meridian beschrijft priors als startpunten: als de data een prior sterk tegenspreekt, past het model zich aan.
De praktische waarde is eerlijkheid over onzekerheid. Een breed interval zegt dat de data het effect van dat kanaal niet van al het andere kan scheiden. Dat is nuttiger dan één zelfverzekerd getal dat ruis blijkt te zijn.
Hoeveel data je nodig hebt
Reken op twee tot drie jaar aan wekelijkse data. Meridian vraagt minstens twee jaar op geoniveau en drie jaar op nationaal niveau, of drie jaar als je alleen maanddata hebt. Robyn vraagt minstens twee jaar wekelijkse data en ongeveer één variabele per tien waarnemingen. Minder data betekent bredere intervallen en meer gewicht voor de aannames van het model.
Waarom zoveel? Twee redenen:
- Seizoenspatronen herhalen zich eens per jaar. Met 52 weken ziet het model elke feestdag één keer en kan het niet zien of de verkoop steeg door Black Friday of doordat je die week de uitgaven verhoogde. Twee of drie cycli laten het beide scheiden.
- Elk kanaal voegt parameters toe. Elk kanaal heeft minstens een effectgrootte, een carryover-snelheid en een verzadigingsvorm nodig. De documentatie van Meridian werkt een nationaal model met 10 parameters en 156 wekelijkse datapunten uit, ongeveer 15 datapunten per parameter, en noemt dat genoeg om “wat richtinggevende informatie te halen.”
Dezelfde pagina zegt dat de richtlijn “grof en richtinggevend” is, en dat de nauwkeurigste controle is om het model te fitten en naar de breedte van de geloofwaardigheidsintervallen te kijken.
Variatie in uitgaven telt even zwaar als de lengte van de historie. Als een kanaal twee jaar lang elke week hetzelfde uitgaf, valt er voor het model niets te leren. De documentatie van Meridian merkt op dat onvoldoende variatie in mediabestedingen nationale modellen schaadt.
Wat te doen met minder dan drie jaar
De meeste e-commercemerken hebben één tot twee jaar bruikbare data, vaak minder na een trackingwijziging of een replatform. Je kunt nog steeds modelleren, als je je verwachtingen aanpast:
- Vul oudere uitgaven aan. Advertentieplatformen en facturen bevatten vaak meer historie dan je analysetool. Voer die in als kosten in plaats van te starten op de dag dat je koppelde.
- Voeg kleine kanalen samen. De datagids van Meridian adviseert kanalen met lage uitgaven met andere te combineren om onstabiele ROI-schattingen te voorkomen. Minder, grotere kanalen geven elke schatting meer data.
- Gebruik data op geoniveau als je die hebt. Geomodellen delen informatie tussen regio’s, dus dezelfde weken leveren meer datapunten per effect op, volgens de gids van Meridian.
- Kalibreer met een lifttest. Eén goed uitgevoerd experiment op je grootste kanaal geeft het model een veel strakkere prior dan de standaardwaarden.
- Varieer de uitgaven bewust. Geplande stapsgewijze wijzigingen of korte pauzes in één kanaal scheppen de variatie die het model nodig heeft.
- Lees de uitkomst als indicatief. Met een jaar of minder is jaarlijkse seizoensinvloed deels gokken. Gebruik het model om kanalen te rangschikken en verzadiging te zien, niet om een omzetgetal te beloven.
MMM vs attributie vs incrementaliteit
Marketing mix modeling, multi-touch attributie en incrementaliteitstesten beantwoorden drie verschillende vragen. MMM schat wat elk kanaal over tijd aan de totale verkoop heeft bijgedragen. Multi-touch attributie verdeelt de eer voor elke getrackte conversie over de contactmomenten die het zag. Incrementaliteitstesten meten of één activiteit extra verkoop veroorzaakte door blootgestelde en niet-blootgestelde groepen te vergelijken.
| Marketing mix modeling | Multi-touch attributie | Incrementaliteitstesten | |
|---|---|---|---|
| Vraag | Wat droeg elk kanaal bij, en waar moet de volgende eenheid budget heen? | Welke getrackte contactmomenten lagen op het pad naar elke conversie? | Veroorzaakte deze campagne verkoop die anders niet had plaatsgevonden? |
| Data | Wekelijkse uitgaven, vertoningen en uitkomsttotalen, 2–3 jaar | Klikken, weergaven en conversies op gebruikersniveau | Een testgroep en een controlegroep, tijdens de test |
| Cookies en privacy | Niet nodig; alleen geaggregeerde data | Hangt af van cookies, pixels en toestemming | Gebruikerstests leunen op de identiteit van het advertentieplatform; geotests gebruiken alleen regio’s |
| Snelheid | Traag op te zetten; wekelijks of maandelijks verversen | Bijna realtime | Weken per test |
| Kosten | Open source is gratis maar vraagt vaardigheden; gehoste tools rekenen een vergoeding | Vaak gebundeld in analyse- en advertentietools | Achtergehouden advertenties of holdout-regio’s, plus insteltijd |
| Detailniveau | Kanaal of campagnegroep | Campagne, advertentie, zoekwoord | Eén kanaal, campagne of regio tegelijk |
| Het best voor | Budgetverdeling over kanalen, offline media | Dagelijkse campagneoptimalisatie | Causaliteit aantonen, modellen kalibreren |
| Grootste zwakte | Observationele schatting; vraagt lange, gevarieerde historie | Eer is geen causaliteit; mist niet-getrackte en offline contactmomenten | Smal: beantwoordt één vraag per test |
Multi-touch attributie en single-touch modellen zoals last-click attributie tellen conversies die ze kunnen zien. Advertentieplatformen tellen hun eigen conversies, en daarom komen de cijfers van Meta zelden overeen met die van je winkel; ons rapport Meta Attribution Reality zet de twee naast elkaar. Geen van deze methoden bewijst dat een advertentie een verkoop veroorzaakte.
Incrementaliteitstesten zijn het experiment dat dat wel kan. Google beschrijft zijn Conversion Lift als een manier om je doelgroep te splitsen in mensen die je advertenties zien en mensen die ze niet zien en het verschil te meten; het merkt op dat de tool niet voor alle Google Ads-accounts beschikbaar is. Een geo-holdout werkt hetzelfde met regio’s: kies vergelijkbare regio’s, pauzeer of wijzig de uitgaven in sommige en vergelijk de verkoop met de rest. Anders dan een A/B-test op een website, die twee versies van een pagina vergelijkt, vergelijkt een lifttest advertenties met geen advertenties.
Hoe ze samenwerken
De standaardopzet gebruikt MMM voor de budgetverdeling, attributie voor dagelijkse optimalisatie binnen een kanaal en lifttests om het model te controleren en te kalibreren. Kalibreren betekent het resultaat van een experiment omzetten in de prior voor dat kanaal, zodat het model start vanuit gemeten bewijs in plaats van een generieke aanname. Alle drie de grote open-source MMM’s ondersteunen dit.
- Meridian definieert kalibratie als
“het gebruik van experimentresultaten en andere domeinkennis om kanaalspecifieke priors te zetten” en bevat een
CalibrationBuilderdie incrementaliteitsexperimenten omzet in ROI-priors. - Robyn raadt experimentresultaten als ground truth voor kalibratie “sterk aan”, accepteert ze alleen als puntschattingen en ontraadt studies met lage betrouwbaarheid, volgens de gids voor analisten.
- PyMC-Marketing noemt lifttestkalibratie als kernfunctie.
Een praktische cyclus: fit het model, zoek het kanaal met het breedste interval of het grootste budget, voer daarop één lifttest uit, voer het resultaat terug en fit opnieuw. Elke test verscherpt het model waar dat het meest telt.
Hoe je MMM-resultaten leest
Lees vier uitkomsten in deze volgorde: bijdrage (hoeveel van de uitkomst elk kanaal verklaart), ROI (gemiddeld rendement op alles wat is uitgegeven), marginale ROI (rendement op de volgende eenheid uitgaven) en responscurves (hoe het rendement verandert als de uitgaven stijgen). Baseer budgetwijzigingen op de marginale ROI en de curves, en controleer het geloofwaardigheidsinterval voordat je op één enkel getal handelt.
- Bijdrage is het aandeel van de uitkomst dat het model aan elk kanaal toeschrijft, waarbij de basislijn meestal het grootste deel is.
- ROI is de incrementele uitkomst gedeeld door de uitgaven. Als de uitkomst omzet is, is ROI omzet, geen winst. Een kanaal met ROI 2 bij een brutomarge van 40% maakt bijvoorbeeld verlies zodra productkosten meetellen. Ons artikel over break-even ROAS, echte ROAS, MER en POAS behandelt de margeberekening.
- Marginale ROI (mROI) is het rendement op de volgende eenheid boven de huidige uitgaven. De documentatie van Meridian zegt dat een kanaal begint te verzadigen wanneer de mROI veel lager is dan de ROI.
- Responscurves tonen de gemodelleerde uitkomst bij verschillende uitgavenniveaus voor één kanaal, terwijl de andere constant blijven. Meridian waarschuwt dat punten ver boven of onder de historische uitgaven extrapolaties zijn.
Voorbeeld: een model geeft Google Ads non-brand search een ROI van 3,0 en een mROI van 1,2, en Meta prospecting een ROI van 2,0 en een mROI van 1,9. Search heeft het betere gemiddelde, maar de volgende 1.000 doet meer op Meta. Dat is de vraag naar de volgende euro, en daarom leidt het rangschikken van kanalen op gemiddelde ROI of ROAS van het platform tot de verkeerde budgetverdeling.
Verandert betaald zoeken het organische verkeer?
De meeste MMM’s behandelen organisch zoeken als basislijn of controle en negeren een van de meest voorkomende budgetvragen: als je op een term biedt, verlies je dan organische klikken die je toch zou hebben verdiend, of verhogen advertenties je organische zichtbaarheid? Een marketing mix model kan dit schatten door organische klikken of sessies de uitkomst te maken en betaalde kanalen de invoer.
Het antwoord verschilt per account en per type zoekwoord, en het effect kan beide kanten op gaan. Merkadvertenties kunnen klikken afnemen die je eerste organische resultaat had verdiend; non-brand advertenties kunnen bekendheid opbouwen die later terugkomt als organische merkzoekopdrachten. We behandelen het bewijs en hoe je het test in verhoogt Google Ads het organische verkeer?.
Twee invoeren maken dit meetbaar: wekelijks organisch verkeer uit Search Console, Bing Webmaster Tools of GA4, en de uitgaven voor betaald zoeken gesplitst per campagnetype. Een betaald-naar-organisch-model geeft een schatting met teken: positief betekent dat advertenties organische klikken toevoegen, negatief dat ze ze afnemen.
Veelgemaakte MMM-fouten
De meeste fouten komen voort uit het voeden van het model met onvolledige data of het lezen van de uitkomst als zeker. Een model kan kanalen die altijd samen bewegen niet scheiden, kan seizoenen die het één keer zag niet leren en behandelt ontbrekende uitgaven als nul uitgaven. Controleer de invoer voordat je de uitkomst vertrouwt.
- Ontbrekende uitgaven geteld als nul. Als een import drie maanden Meta-uitgaven mist, ziet het model drie maanden verkoop zonder Meta en concludeert dat Meta weinig deed.
- Kanalen die altijd samen bewegen. Als de budgetten voor search en social in de pas stijgen en dalen, kan geen model hun effecten scheiden. Varieer er één onafhankelijk.
- Te veel kleine kanalen. Twaalf kanalen met piepkleine budgetten geven twaalf brede intervallen. Groepeer ze.
- Acties en prijswijzigingen negeren. Een actieweek die wordt toegeschreven aan wat die week liep, blaast dat kanaal op.
- ROI lezen als winst. Omzet-ROI negeert marges, verzendkosten en retouren.
- Handelen op puntschattingen. Als het interval van een kanaal zowel verlies als winst omvat, is het eerlijke oordeel “onduidelijk”, geen budgetverschuiving.
- Nooit valideren. Zonder lifttest of controle met een holdout-voorspelling kun je een goed model niet van een zelfverzekerd model onderscheiden.
Wie MMM zou moeten gebruiken
Marketing mix modeling loont wanneer je serieus uitgeeft aan drie of meer kanalen, je uitgaven in de tijd zijn veranderd en je minstens twee jaar wekelijkse data hebt. Het is minder nuttig voor een merk met één of twee kanalen, met vlakke budgetten of met minder dan zes maanden historie: daar heeft het model te weinig om te scheiden.
Goede toepassingen:
- E-commercemerken die uitgeven aan search, social en minstens één ander kanaal, zoals ChatGPT-advertenties, LinkedIn, affiliates of offline media.
- Teams bij wie de door platforms gerapporteerde conversies optellen tot meer dan de echte orders van hun winkel.
- Merken die zicht in attributie verloren na wijzigingen in toestemming en cookies.
- Iedereen die zich afvraagt of advertenties op de eigen merknaam de moeite waard zijn.
Slechte toepassingen:
- Een winkel die bijna alles aan één platform uitgeeft; een lifttest op dat platform beantwoordt meer.
- Merken met minder dan zes maanden historie, of een recent replatform dat de tracking brak.
- Teams die dagelijks antwoorden op campagne- of advertentieniveau willen; dat is het werk van attributie.
Welke moet je kiezen?
Kies de methode op basis van de beslissing die je neemt. Gebruik MMM om een budget over kanalen te verdelen, attributie om dag aan dag binnen een kanaal te optimaliseren en een incrementaliteitstest wanneer je bewijs nodig hebt dat één kanaal of campagne verkoop aandrijft. De meeste merken die over meerdere kanalen uitgeven, gebruiken uiteindelijk alle drie, elk voor een eigen vraag.
| Je situatie | Begin met | Voeg later toe |
|---|---|---|
| Het budget van volgend kwartaal verdelen over 3+ kanalen | MMM | Lifttest op het grootste kanaal |
| Deze week biedingen, doelgroepen of creatives optimaliseren | Attributie en platformdata | MMM voor de verdeling per kanaal |
| Bewijzen dat een kanaal verkoop veroorzaakt voordat je opschaalt | Incrementaliteitstest | MMM gekalibreerd met het resultaat |
| Minder dan een jaar data, 2+ kanalen | Lifttest, plus MMM gelezen als indicatief | Standaard-MMM zodra je 2–3 jaar bereikt |
| Uitgeven aan offline media (tv, print, podcasts) | MMM | Geo-holdouttest |
| Bieden op je eigen merknaam | Betaald-naar-organisch-MMM of een merkpauzetest | Review van gaten in zoektermen |
MMM-tools: open source en gehost
MMM-tools vallen in twee groepen: gratis open-source bibliotheken die je zelf draait en gehoste producten die een model voor je draaien. De drie belangrijkste open-source opties zijn Google Meridian, Meta Robyn en PyMC-Marketing; ze zijn gratis maar vragen Python of R, datavoorbereiding en modelcontroles. Gehoste tools ruilen een vergoeding voor installatie, connectors en een gebruikersinterface.
| Tool | Type | Wat de eigen site zegt (per november 2026) |
|---|---|---|
| Google Meridian | Open source, Python | Bayesiaanse MMM met ondersteuning voor geoniveau; voor iedereen vrijgegeven op 29 januari 2025; een no-code Scenario Planner volgde in februari 2026 |
| Meta Robyn | Open source, R (Python-API in bèta) | “Experimenteel” MMM-pakket van Meta Marketing Science; ridge-regressie met evolutionaire hyperparameterzoektocht; MIT-licentie |
| PyMC-Marketing | Open source, Python | Bayesiaanse MMM met adstock, verzadiging, lifttestkalibratie en budgetoptimalisatie; Apache 2.0 |
| Recast | Gehost | Propriëtaire Bayesiaanse MMM met GeoLift-experimenten; geen openbare prijs |
| Cassandra | Gehost | MMM en incrementaliteitstests, geen datateam nodig; 30 dagen gratis proberen |
| MarSci | Gehost | Draait Meridian of Robyn op je data; vraagt minstens €1.000 per dag aan marketinguitgaven |
| MMM Pilot | Gehost | Draait Robyn zonder code; Starter-abonnement $50/maand |
| AmICited | Gehost (ons product) | Draait Meridian; verkoop- en betaald-naar-organisch-modellen; abonnementen Premium en Enterprise |
Voor een vergelijking van de twee grote open-source engines, zie Google Meridian vs Robyn.

MMM in AmICited
AmICited is ons product. De Media Marketing Mix (MMM) draait een Bayesiaans model op Google Meridian voor je, zonder code. Je kiest een uitkomst, zoals winkelomzet uit Shopify of WooCommerce, GA4-aankopen of een willekeurige GA4-conversie, en kanalen uit vijf gekoppelde advertentieplatformen plus eigen kosten voor al het overige.

Wat het toevoegt aan zelf Meridian draaien, is de installatie en het betaald-naar-organisch-model: stel de uitkomst in op organisch verkeer uit Search Console, Bing of GA4 en het schat hoe betaald zoeken organische klikken in de tijd verandert. De uitvoer omvat bijdragen met 90%-geloofwaardigheidsintervallen, responscurves van nul tot drie keer de huidige uitgaven, waar de volgende 1.000 het meeste oplevert en een beste verdeling van het huidige budget.
De beperkingen zijn echt. Het zit alleen in de abonnementen Premium en Enterprise, met een kost voor het modelpakket. Een standaardmodel heeft 164 volledige weken nodig; met 24 of meer draait het in een modus met beperkte historie waarvan de aanbevelingen als alleen indicatief zijn gelabeld. ROI is omzet, geen winst. En zoals elke MMM schat het uit historie; het vervangt geen lifttest.
Wat je nu kunt doen
- Som je kanalen en historie op. Tel de weken met volledige uitgaven- en uitkomstdata per kanaal. Onder twee jaar betekent indicatieve resultaten.
- Los eerst de invoer op. Vul gaten in de uitgaven aan, markeer acties en prijswijzigingen en controleer of je winkelomzet en je omzetattributie in totalen overeenkomen.
- Vergelijk claims van platforms met echte orders. Gebruik Meta Attribution Reality of je eigen winkelexport om te zien hoever de cijfers van platforms afwijken.
- Fit een eerste model. Draai Meridian, Robyn of PyMC-Marketing zelf, of een gehoste tool zoals onze Media Marketing Mix.
- Handel op mROI en intervallen. Verschuif budget alleen waar het marginale rendement duidelijk hoger is en het interval niet over nul heen gaat.
- Test je grootste gok. Voer één lifttest of geo-holdout uit op je grootste kanaal en kalibreer het model ermee.
- Controleer betaald tegen organisch. Bekijk zoektermen waarvoor je betaalt zonder organische pagina in Paid-Proven Gaps, en modelleer of betaald zoeken organische klikken verhoogt of vervangt.
De conclusie
Marketing mix modeling is de enige van de drie belangrijkste meetmethoden die alle kanalen tegelijk dekt zonder gebruikers te volgen. Het vraagt twee tot drie jaar aan wekelijkse data, gevarieerde uitgaven en eerlijke invoer, en het geeft schattingen met bereiken terug, geen feiten. Gebruik het om het budget te verdelen, gebruik lifttests om het te controleren en lees het rendement van de volgende euro in plaats van het gemiddelde.

