21. Mai 2026 · digital opua
Adstock, Saturation, Carryover: die 3 Säulen von MMM verstehen
Marketing-Attribution ist nicht Last-Click. Marketing Mix Modeling rechnet mit drei mathematischen Effekten, die viel präziser abbilden, wie Werbung wirklich wirkt — und die jede ernsthafte Budget-Entscheidung verändern.
Wer im Marketing arbeitet, hat eine implizite Theorie davon, wie Werbung wirkt. Die naive Variante geht so: Wir geben Geld für Werbung aus, ein Nutzer sieht die Werbung, der Nutzer kauft. Last-Click-Attribution ist die operationalisierte Form dieser Theorie — die letzte Werbung vor dem Kauf bekommt den Credit. Diese Theorie ist falsch. Sie war auch in den 1980er-Jahren schon falsch, aber damals hatten wir keine Daten, um sie zu widerlegen. Heute haben wir Daten und Methoden, die sie eindeutig widerlegen — und drei Effekte zeigen, warum.
Der erste Effekt heisst Adstock. Adstock beschreibt die Tatsache, dass Werbung über die Schalt-Periode hinaus wirkt. Ein TV-Spot, der in Woche eins gesendet wird, generiert nicht nur Verkäufe in Woche eins. Ein Teil der Wirkung trägt sich in Woche zwei, drei, vier — abgeschwächt, aber messbar. Die mathematische Form ist eine geometrische Decay-Funktion mit einem Decay-Faktor zwischen null und eins. Ein Decay-Faktor von 0.7 bedeutet, dass siebzig Prozent der Adstock-Wirkung in die nächste Woche getragen werden. Empirisch gemessene Decay-Faktoren liegen für TV bei 0.5 bis 0.8, für Print bei 0.4 bis 0.6, für Search bei 0.1 bis 0.3, für Display bei 0.3 bis 0.5.
Die Konsequenz für die Praxis ist erheblich. Wer einen TV-Spot ausschliesslich nach den Verkäufen der Sendewoche bewertet, unterschätzt die TV-Wirkung systematisch um zwanzig bis vierzig Prozent — je nach Decay-Faktor und Beobachtungsfenster. Das ist kein theoretisches Detail. Ein Marketing-Team, das Last-Click verwendet, wird systematisch von TV in Search verlagern, weil Search in der naiven Attribution überbewertet wird und TV unterbewertet. Über Jahre verstärkt sich dieser Bias zu einer fundamentalen Budget-Fehlallokation.
Der zweite Effekt heisst Saturation. Saturation beschreibt die Tatsache, dass Werbung-Wirkung nicht linear ist. Die ersten tausend Euro in einen neuen Marketing-Channel haben hohe Grenz-Effektivität — jeder zusätzliche Euro bringt viele zusätzliche Conversions. Aber bei zwanzigtausend Euro pro Woche im gleichen Channel ist die Zielgruppe weitgehend erreicht, jeder zusätzliche Euro bringt deutlich weniger zusätzliche Conversions. Mathematisch wird das über eine Hill-Funktion abgebildet, die zwei Parameter hat: einen Half-Saturation-Punkt (bei welchem Spend-Level wird die Hälfte des maximalen Effekts erreicht) und einen Slope (wie steil ist die Sättigungs-Kurve).
Die strategische Konsequenz von Saturation ist die wichtigste in der gesamten MMM-Methodik. Wer in einem saturierten Channel sitzt und mehr Spend nachschiebt, verschwendet Budget. Wer in einem unter-saturierten Channel sitzt und Budget nicht erhöht, verschenkt Wachstum. Die meisten Marketing-Teams haben implizite Vermutungen, welche Channels saturiert sind und welche nicht — aber diese Vermutungen sind oft falsch, weil sie aus historischen Performance-Mustern abgeleitet werden, die nichts über die aktuelle Saturation aussagen. Bayesian Marketing Mix Modeling fittet die Saturation-Kurven empirisch und gibt eine quantifizierbare Antwort.
Der dritte Effekt heisst Carryover und ist subtiler. Carryover beschreibt Multi-Period-Effekte über Channels hinweg — die Tatsache, dass eine TV-Kampagne nicht nur direkte Verkäufe generiert, sondern auch die Effektivität von Search-Ads in den Folgewochen erhöht. Wer einen Nutzer durch eine TV-Kampagne auf eine Brand aufmerksam gemacht hat, sucht zwei Wochen später vielleicht aktiv nach der Brand. Der Search-Klick bekommt in der Last-Click-Attribution den Credit, aber die ökonomische Wirkung ist Carryover aus der TV-Kampagne.
Bayesian-Modelle wie Google Meridian fittet alle drei Effekte simultan über eine Posterior-Verteilung. Das hat zwei wichtige Eigenschaften. Erstens: Die Schätzungen sind nicht einzelne Punktwerte, sondern Verteilungen mit Konfidenzintervallen. Wenn ein Modell sagt, der TV-ROI liegt bei 2.4, sagt es eigentlich: Mit 90-prozentiger Wahrscheinlichkeit liegt der TV-ROI zwischen 1.8 und 3.1. Das ist methodisch ehrlicher als ein deterministischer Wert, der eine Präzision suggeriert, die nicht existiert. Zweitens: Industrie-Priors können integriert werden. Wenn die Bayesian-Inferenz weiss, dass TV-Adstock-Decay typisch zwischen 0.5 und 0.8 liegt, wird die Schätzung auch bei knappen Daten stabil — anders als bei klassischer Frequentist-Regression, die bei dünnen Daten zu absurden Werten neigt.
Für ein Marketing-Team, das diese drei Effekte zum ersten Mal in den eigenen Daten sehen will, bietet MMM-Wizard ein konkretes Setup. Free-Tier-Account anlegen, eigene CSV mit Marketing-Spend und Conversions hochladen oder GA4-BigQuery verbinden, Modell-Run triggern. Innerhalb von zwölf bis fünfzehn Minuten zeigt das Resultat-Dashboard die fitted Adstock-Decay-Faktoren, die Hill-Saturation-Kurven und die Carryover-Effekte pro Channel. Wer das einmal in den eigenen Daten gesehen hat, kommt mit hoher Wahrscheinlichkeit nicht mehr zur Last-Click-Sichtweise zurück.