MMM als Steuerungs-Layer
Vom Reporting zum Feed — MMM als Steuerungs-Backbone für Agenten
Marketing Mix Modeling hat zwanzig Jahre lang schöne Folien für den CMO produziert. In einem Stack, in dem Agenten in Echtzeit-Feeds entscheiden, kann der nachgelagerte Buy-Side-Agent diese Folien aber nicht lesen. Wir bei mmm-wizard liefern MMM deshalb nicht als PDF, sondern als versionierten Feed — Bayesian-Meridian, Lean-4-verifiziert, KAN-cross-validiert, AMDP-export. Agentenfähig ab Tag eins.
Das Problem
Was nicht gemessen wird, existiert für den Agenten nicht.
Wir sehen das Muster quer durch Industrien: Das hauseigene MMM produziert wunderschöne Wochenfolien für den CMO, sauber annotiert, mit Channel-Beiträgen und Allokations-Vorschlägen. Der CFO nickt, das Quartals-Budget wird angepasst. Soweit funktioniert das System.
Was nicht funktioniert: Die Agenten in der nachgelagerten Buy-Side und Sell-Side können diese Folien nicht lesen. Sie kennen die strategischen Empfehlungen aus dem MMM-Run vom letzten Montag schlicht nicht — weil das Resultat als PDF im Sharepoint liegt und nicht als Feed im Orchestrator.
Die Folge ist eine schleichende Konversions-Verzerrung: Der Agent skaliert das, was er sehen kann. In den meisten heutigen Setups ist das primär das Last-Click-Signal. Der Mid-Funnel hungert aus, Brand-Effekte werden übersehen, Consideration-Wirkung bleibt ein theoretisches Konstrukt im strategischen Deck.
Die Antwort
Vier Bausteine, die MMM agentenfähig machen.
01
Inkrementalität als Pflicht-Signal
Geo-Lift-Experimente und Incrementality-Tests kalibrieren das Bayesian-Modell gegen echte Wirkung — nicht gegen Last-Click-Korrelation. Ein Agent steuert nur dann sinnvoll, wenn das Signal hinter den Posterior-Intervallen wirklich kausal ist.
02
Mid-Funnel-Signale messbar machen
Brand-Lift, Consideration und Engagement-Qualität werden aktiv gemessen und maschinenlesbar exportiert. Wenn diese Signale nicht im Feed liegen, optimiert der Agent zwangsläufig auf Last-Click — auch wenn das Management das genaue Gegenteil intendiert.
03
AMDP-Payload statt PDF
Jede MMM-Empfehlung verlässt unseren Stack als versioniertes JSON mit Channel-Mix-Vorschlag, Konfidenz-Intervallen, Reproducibility-Token und Lean-4-Theorem-Signaturen. Das ist die operative Differenz zwischen Wochenreport und Steuerungs-Feed.
04
Echtzeit-Feeds an DCM und Nexbid
Trainiert das MMM heute Nacht neu, ist die veränderte Brand-Display-Allokation morgen um halb neun beim Buy-Side-Agenten angekommen — nicht erst am nächsten Marketing-Meeting. Die Übersetzung in operative Aktion ist nicht mehr Aufgabe des Marketers.
Architektur
mmm-wizard im 4-Tier-Stack — gleiche mathematische DNA über alle Schichten.
Vier Produkte der opua-Brand-Family, gebaut mit gemeinsamem Lean-4-Verifikations-Layer, gemeinsamem Audit-Hash-Standard und gemeinsamem AMDP-Protokoll als Bindeglied. Wir besetzen Tier 2 — den strategischen Backbone, der die Wirkungs-Signale für die Tiers darüber und darunter liefert.
Tier 1
DCM
Taktische Steuerung
Digital Campaign Manager. Cockpit, Last-Click- und Multi-Touch-Attribution in Echtzeit, KPI-Hierarchien als Code, Guardrails als Leitplanken. Liest unsere AMDP-Payload als Steuerungs-Input für Buy-Side-Agenten.
Tier 2
mmm-wizardwir
Strategischer Backbone
Wir. Bayesian-Inferenz auf Google Meridian, Adstock, Saturation, Incrementality-Kalibrierung. Lean-4-verifiziert, KAN-cross-validiert. Liefert die Wirkungs-Signale, die Tier 1 und Tier 3 als Steuerungs-Input lesen.
Tier 3
Nexbid
Agentische Aktivierung
Sell-Side-Agent-Stack mit verifizierten Auctions, Verified Agent Badge als Trust-Oberfläche für Publisher, AdCP-/AAMP-/x402-Anbindung. Konsumiert unsere AMDP-Payload für Brand-seitiges Inventar-Matching.
Tier 4
AiCMO
AI-Citation-Attribution
Tracking der Brand-Sichtbarkeit in den Outputs der grossen LLM-Systeme. Schliesst die Lücke zwischen klassischer Programmatic und neuer LLM-getriebener Discovery — und pipet das Signal zurück an unser MMM.
Mathematische Beweisbarkeit
Drei mathematisch unabhängige Säulen statt eines rhetorischen Versprechens.
Black-Box-Vermeidung ist 2026 keine Marketing-Aussage mehr, sondern eine technische Voraussetzung. Wir verlassen uns deshalb nicht auf eine Methodik, sondern triangulieren mit drei unabhängigen Verfahren — jedes davon machine-checked oder cross-validiert.
Bayesian Meridian
Google Meridian als methodischer Kern, betrieben auf Vertex AI in Zürich. MCMC-Sampling, Adstock-Carryover, Saturation-Curves, kalibrierbar gegen Geo-Experimente. Industrie-Standard seit den 1960ern, 2024 Open-Source.
Lean-4-Verifikation
Im Sub-Repository mmm-wizard-verification formalisiert Lean 4 die Kern-Annahmen des Budget-Optimierers: Budget-Konservierung, Non-Negativity, Determinismus. Direkte Übernahme des Patterns, mit dem Nexbid bereits 47 Auction-Theoreme machine-checked hat.
KAN als Cross-Validation
Ein Kolmogorov-Arnold-Network läuft als alternatives, interpretierbares Shadow-Modell auf denselben Daten. Liegt die KAN-Empfehlung mehr als 15 Prozent von der Meridian-Empfehlung weg, flaggt das System eine Modell-Diskrepanz — Black-Box-Vermeidung mit zwei mathematisch unabhängigen Modellen.
Repository: protocol-commerce
Lean-4-Theoreme, AMDP-Schema und Verifikations-Suite öffentlich einsehbar. Pattern aus Nexbid (47 Auction-Theoreme machine-checked).
Für wen
Gebaut für Industrien mit hoher Audit-Schwelle.
Wir starten die Pilot-Welle bewusst in Branchen, in denen Compliance- und Audit-Anforderungen am höchsten sind — dort ist der USP der Architektur am stärksten spürbar. MMM für KMU mit normalem Marketing-Setup läuft parallel im Self-Service-Tier weiter.
Versicherungen
Audit-Trail für FINMA-Anforderungen, Brand-Safety in regulierter Tonalität, Reproducibility-Token für jeden Posterior-Sample-Run. Compliance-Officer rekonstruieren MMM-Entscheidungen drei Monate später bit-identisch.
Banken
nDSG-Art-22-Erklärbarkeit ohne Kompromiss bei Bayesian-Methodik. Lean-4-Theoreme als mathematischer Beweis-Sockel für Budget-Konservierung. Multi-Tenant-Pattern für Konzern-Strukturen mit klar abgegrenzten Brands.
Pharma
Mid-Funnel-Brand-Lift und Consideration-Effekte ehrlich abbilden — gerade dort, wo Cookies und Identifier ohnehin nicht greifen. Aggregat-Modellierung ohne Personenbezug, mit Audit-Tiefe für Patient-Communication.
Pilot-Demo
Im Anschluss an DCM Pre-Beta — Q3 2026.
Die agentenfähige AMDP-Anbindung an DCM Agent Orchestrator und Nexbid startet im dritten Quartal 2026 als bewusst kleine Pilot-Welle. Wir begleiten die ersten Implementierungen eng — zwei Workshop-Tage für Setup, eine zweiwöchige Konfigurations-Phase, eine dreissigtägige Monitoring-Phase mit wöchentlichen Reviews.
Pilot-Kunden bekommen die AMDP-Erweiterung kostenfrei gegen strukturiertes Feedback. Voraussetzung ist ein bereits laufendes Self-Service-Pro- oder Pilot-Setup auf mmm-wizard sowie der parallel laufende DCM-Pre-Beta-Slot.
Häufige Fragen
Was unterscheidet agentenfähiges MMM von klassischem Marketing Mix Modeling?
Klassisches MMM ist eine quartalsweise Studie — die Outputs sind PDFs und Slides für menschliche Leser. Agentenfähiges MMM trainiert kontinuierlich und liefert die Resultate als maschinenlesbaren Feed an die operativen Agenten. Die methodische Substanz bleibt — Bayesian-Inferenz, Adstock, Saturation, Incrementality. Was sich ändert, ist die Form des Outputs: nicht mehr als Folie, sondern als versioniertes JSON mit Audit-Hash.Was ist AMDP und wie unterscheidet es sich von einem klassischen Report-Export?
AMDP — agent-marketing-data-protocol — ist ein innerhalb der opua-Brand-Family standardisiertes Payload-Format. Es trägt den Channel-Mix-Vorschlag, die Konfidenz-Intervalle, einen Reproducibility-Token und die Lean-4-Theorem-Signaturen. Der Unterschied zu einem CSV-Export oder einer BigQuery-View ist, dass AMDP konzipiert ist, von einem nachgelagerten Agenten ohne menschliche Übersetzung konsumiert zu werden. Wir veröffentlichen das Schema offen im protocol-commerce-Repository.Wie verbindet sich mmm-wizard mit DCM und Nexbid?
mmm-wizard ist Tier 2 des opua-Vier-Tier-Stacks. Jede MMM-Empfehlung wird als AMDP-Payload exportiert. DCM Agent Orchestrator (Tier 1) liest die Payload als Steuerungs-Input für Buy-Side-Agenten. Parallel fliesst die Payload an Nexbid (Tier 3), wo Sell-Side-Agenten markenseitig auf Inventar matchen. Die drei Schichten teilen denselben Audit-Hash-Standard, dieselbe Lean-4-DNA und dasselbe AMDP-Protokoll als Bindeglied.Sind Geo-Experimente und Incrementality-Tests zwingend notwendig?
Für agentenfähiges MMM: ja. Ein Bayesian-Modell ohne Kalibrierung gegen echte Inkrementalität liefert Posterior-Intervalle, aber keine belastbare Wirkungs-Aussage. Wenn ein Agent auf diese Aussage steuern soll, muss sie kalibriert sein. Wir empfehlen mindestens ein laufendes Geo-Lift-Experiment pro Quartal und Incrementality-Tests in den zwei volumenstärksten Kanälen. Im Readiness Audit prüfen wir Setup und Datenqualität — das ist eine harte Voraussetzung, kein Nice-to-have.Wie sieht das Pricing für die Pilot-Phase aus?
Die Pilot-Welle Q3 2026 läuft im Anschluss an DCM Agent Orchestrator Pre-Beta. Pilot-Kunden bekommen die agentenfähige AMDP-Anbindung kostenfrei gegen strukturiertes Feedback. Das Standard-Self-Service-Tier (CHF 490/Monat) und der Pilot-Festpreis (ab CHF 45'000) laufen wie auf der Preise-Seite beschrieben weiter — der agentenfähige Modus ist eine Erweiterung, kein eigenes SKU. Setup-Audit ist sofort buchbar.
Bereit, MMM vom Reporting zum Feed zu führen?
Die Pre-Beta-Slots Q3 2026 sind begrenzt. Das Setup-Audit ist sofort buchbar — zwei Stunden, in denen wir prüfen, welche Signale heute schon maschinenlesbar vorliegen und welche drei bis fünf konkreten Schritte das Setup über die nächsten zwei Sprints agentenfähig machen.