Mit steigenden Investitionen in digitale Werbung wird die Messung der auf den digitalen Plattformen erzielten Werbewirkung immer wichtiger. Viele Werbetreibende interessiert vor allem, ob und wie stark Werbung auf digitalen Kanälen den Verkauf ihrer Produkte beeinflusst. Eine bewährte Methode, um zu analysieren, wie sich Werbung auf die Umsätze auswirkt, sind Marketing-Mix-Modelle (MMM). Diese Modelle verknüpfen anhand von Regressionsanalysen historische Media- und Marketingaktivitäten mit KPIs zur Geschäftsentwicklung (z. B. Absatz oder Umsatz).
Die Analyse liefert dann Empfehlungen zur Optimierung des Mediamixes. Digitale Werbekanäle werden in klassischen Marketing-Mix-Modellen allerdings selten differenziert analysiert. Oft werden digitale Werbemaßnahmen in Aggregaten zusammengefasst wie z. B. Display oder Onlinevideo, die es nicht erlauben, den Wirkungsbeitrag einzelner Kanäle oder Werbeumfelder zu verstehen. Dieser Artikel gibt Ihnen fünf Tipps, wie Sie die Messung digitaler Werbewirkung in Marketing-Mix-Modellen optimieren können.
1. Daten direkt vom Vermarkter beziehen
Voraussetzung für eine differenzierte Analyse digitaler Werbung in MMMs sind zunächst einmal vollständige und granulare Daten. Zur Berechnung eines MMMs werden in der Regel Kosten und Kontakte (z. B. GRPs/Impressionen) sämtlicher Werbeaktivitäten für einen Zeitraum von zwei bis drei Jahren auf Wochenlevel benötigt. Da die digitale Werbelandschaft mit einer Vielzahl an Vermarktern und Werbeformaten stark fragmentiert ist, fällt es MMM-Dienstleistern oft schwer, vollständige und granulare Daten zu sämtlichen digitalen Werbeaktivitäten eines Kunden zusammenzustellen. Einige Vermarkter wie z. B. Google unterstützen hier, indem sie einen direkten Datenbezug anbieten. Über Google können einheitlich aufbereitete granulare Datensätze zur Nutzung in MMMs bezogen werden. Das Angebot richtet sich an MMM-Dienstleister oder Kunden, die eigene Modelle rechnen, und ist kostenfrei. Alexandrina Urzhanova, Director Marketing Effectiveness DACH bei Nielsen, verdeutlicht die Vorteile des Datenangebots von Google: „Qualitativ hochwertige Daten sind enorm wichtig für die Erstellung eines robusten Marketing-Mix-Modells. Früher haben wir Daten zu digitalen Werbeaktivitäten überwiegend von Mediaagenturen erhalten – nicht immer auf dem erforderlichen Granularitätslevel und häufig auch nicht einheitlich formatiert. Heute können wir Daten direkt über große Vermarkter wie Google beziehen und so sicherstellen, dass wir die bestmögliche Datenbasis für die Modellerstellung nutzen.”
2. Sinnvolle Aggregate bilden
In vielen Fällen ist der Werbedruck hinter einzelnen digitalen Werbeaktivitäten zu klein, um auf dem granularsten Level (z. B. auf Kampagnenebene) in einem MMM analysiert zu werden. Gleichzeitig limitiert eine Zusammenfassung in sehr breiten Aggregaten wie Display oder Onlinevideo die Aussagekraft der Ergebnisse. Hier sollte also ein sinnvoller Kompromiss für die Zusammenfassung von digitalen Werbeaktivitäten in MMMs gefunden werden. Um bei der Wahl sinnvoller Aggregate zu unterstützen, hat Google eine Taxonomie entwickelt, die ein Beispiel dafür liefert, wie Google-Werbeformate in einem MMM aus Google-Perspektive zusammengefasst werden können.
Dass es sinnvoll ist, digitale Werbekanäle in MMMs differenziert zu analysieren, verdeutlicht eine 2019 von Google beauftragte Nielsen-Studie. In dieser Studie wurde für 20 Nielsen-MMMs aus der FMCG-Industrie der ROI für Onlinevideowerbung auf zwei unterschiedliche Arten berechnet: Einmal wurden die Impressionen aller Videowerbeaktivitäten aggregiert in den Modellen analysiert und einmal getrennt nach einzelnen Videoplattformen. Der Vergleich der beiden Berechnungsarten ergab Unterschiede im ermittelten ROI von bis zu 48 Prozent.
3. Höhere Datengranularität für robustere Modelle
Eine granulare Analyse digitaler Werbeaktivitäten kann die statistische Robustheit der im MMM ermittelten Ergebnisse beeinträchtigen. Hier kann es helfen, die Anzahl der eingehenden Datenpunkte zu erhöhen, indem z. B. die zeitliche oder regionale Datengranularität (Tagesdaten statt Wochendaten, regional gesplittete Daten statt nationale Daten) erhöht wird. Eine weitere Möglichkeit besteht darin, Daten zu mehreren Produkten oder Sub-Marken in einem Modell zusammenzufassen.2 Diesen Ansatz hat z. B. Danone UK gemeinsam mit dem MMM-Partner Ipsos MMA für die Marke Volvic verfolgt. Um digitale Werbeaktivitäten detailliert auf granularem Level analysieren zu können, wurden regional gesplittete Abverkaufs- und Werbedaten für neun Vertriebsregionen und fünf Volvic-Untermarken in einem Modell gemeinsam analysiert. Im Vergleich zu einem nationalen Modell für eine Marke konnte die Anzahl der im Modell nutzbaren Datenpunkte so um das 45-Fache erhöht werden. Im Ergebnis konnte Danone z. B. sehr detaillierte ROI-Werte für seine YouTube-Werbekampagnen erhalten. „Typischerweise erhalten wir aus MMM-Studien keine besonders granularen Erkenntnisse zu digitaler Werbung. In Zusammenarbeit mit Ipsos MMA und Google konnten wir erstmalig YouTube-Ergebnisse gesplittet nach Marken, Endgeräten und Targeting-Optionen erhalten. Wir konnten so verstehen, welche Strategien für uns besonders gut funktioniert haben”, erläutert Adrienne O’Brien, Volvic Brand Manager UK, die Vorteile der erhöhten Datengranularität.
4. Mehrstufige Modelle zur vollen Erfassung der Werbeleistung
Werbung wirkt nicht ausschließlich direkt auf den Verkauf von Produkten, sondern auch indirekt in der Phase der Kaufvorbereitung. Vor allem in Produktkategorien mit hohem Recherchebedarf spielen indirekte Werbeeffekte eine wichtige Rolle. Für die Erfassung dieser Effekte in einem MMM bietet es sich an, mehrstufige Modelle aufzustellen. Diese erklären nicht nur die Werbewirkung auf den Umsatz, sondern auch die Wirkung auf vorgelagerte Zielgrößen wie z. B. kognitive Metriken, Suchanfragen oder Websitebesuche. Der französische Energieversorger Direct Energie hat einen solchen Ansatz gemeinsam mit dem MMM-Partner Ekimetrics und Google verfolgt. Um den vollständigen Kaufentscheidungsprozess im Energiemarkt abzubilden, hat Ekimetrics für Direct Energie drei Modelle erstellt, die jeweils die Werbewirkung auf unterschiedliche Zielgrößen erklären: In einem ersten Modell wurde die Werbewirkung auf Suchanfragen als Indikator für Kategorieinteresse analysiert. Anschließend wurde in einem weiteren Modell die Werbewirkung auf Websitebesuche als Indikator für Markeninteresse quantifiziert und schließlich in einem dritten Modell die Werbewirkung auf Vertragsabschlüsse. Die Modelle der vorgelagerten Stufen sind jeweils in die Modelle der nachgelagerten Stufen eingegangen, um den Effekt der vorgelagerten Zielgrößen auf den Vertragsabschluss quantifizieren zu können. So konnte ein umfassendes Bild der vollständigen Werbeeffekte gezeichnet werden.
5. ROI-Treiber analysieren, um Handlungsempfehlungen zu verbessern
Basierend auf crossmedialen ROI-Vergleichen werden in vielen MMMs pauschale Empfehlungen zur Budgeterhöhung oder -reduzierung in einzelnen Werbekanälen gegeben. Diese Empfehlungen lassen oft außer Acht, dass ROI-Ergebnisse dynamisch im Kontext individueller Kampagnenexekutionen entstehen. Gerade im Digitalbereich gibt es eine Vielzahl an Treibern, die den ROI einer Kampagne maßgeblich beeinflussen (z. B. die gewählten Werbeformate und Creatives, die Nutzung unterschiedlicher Targeting-Optionen, die Art des Mediaeinkaufs etc.). Ein Verständnis dieser Treiber hilft bei der Einordnung von Ergebnissen und liefert wichtige Hinweise zur Optimierung zukünftiger Mediastrategien. Sowohl Mediaagenturen als auch Vermarkter können beim Verständnis der ROI-Treiber helfen. James Clark, Senior Director Media, Analytics & CRM von PepsiCo, arbeitet bei der Operationalisierung von MMM-Ergebnissen beispielsweise eng mit den Vermarktern zusammen: „Wir teilen indexierte MMM-Ergebnisse mit großen Vermarktern wie z. B. Google, um in einen offenen und transparenten Dialog über die gelieferte Werbeleistung zu treten. Auf diese Weise können wir sicherstellen, dass die Erkenntnisse direkt in die Optimierung unserer Mediastrategie einfließen und die Beratung durch unsere Partner in Zukunft deutlich zielgerichteter erfolgt.”
Digitale Mediastrategie mit MMMs optimieren
Die Abbildung des komplexen digitalen Werbeökosystems stellt klassische MMMs zwar vor neue Herausforderungen, ist aber keineswegs unmöglich. Der vorliegende Artikel liefert Ihnen einige praktische Hinweise, wie Sie digitale Werbeaktivitäten in Ihrem MMM differenzierter analysieren können. Die so gewonnenen Erkenntnisse können Sie anschließend zur Optimierung Ihrer digitalen Mediastrategie nutzen.
Wenn Sie mehr dazu erfahren möchten, wie Sie digitale Werbeaktivitäten in MMMs abbilden können, dann wenden Sie sich gerne an Ihren Google-Kundenbetreuer oder einen der Google Measurement Partner für Marketing-Mix-Modelle.