Auditierbares Marketing Mix Modeling: was heute nachweisbar ist — und was nicht

Marketing Mix Modeling ist in den letzten Jahren aus der Nische gekommen. Google Meridian, Robyn von Meta und LightweightMMM sind quelloffen; was 2020 eine sechsstellige Studie war, läuft heute als Arbeitsablauf in einer Anwendung. Für eine bestimmte Klasse von Kunden — Banken, Versicherungen, Gesundheitsunternehmen, regulierte B2B-Plattformen — verschiebt das die Frage aber nur. Sie lautet dort nicht «wie schnell bekomme ich ein Ergebnis», sondern «was davon kann ich im Audit belegen».

Die regulatorische Lage ist eindeutig. Artikel 22 der DSGVO und die entsprechende Bestimmung im revidierten Schweizer Datenschutzgesetz geben Betroffenen ein Recht darauf, automatisierte Entscheidungen erklärt zu bekommen. Für eine Budgetempfehlung ist das nicht trivial: Ein Posterior aus mehreren hundert MCMC-Ziehungen ist mathematisch sauber, aber keine Erklärung, die man einer Aufsichtsfunktion übergeben kann. Wer in einer Bank das Displaybudget spürbar erhöhen will, muss zeigen können, worauf diese Empfehlung beruht.

Bevor wir beschreiben, was unser Ansatz dazu beiträgt, die unangenehme Hälfte zuerst — weil sie im Verkaufsgespräch meistens fehlt und im Audit dann teuer wird. Ein trainiertes Meridian-Modell wird nicht als Objekt gespeichert. Es gibt keinen Zustand, den man drei Monate später lädt und erneut befragt. Wer denselben Lauf wiederholen will, trainiert neu. Das ist keine Eigenheit unserer Umsetzung, sondern die Arbeitsweise der Bibliothek. Jeder Anbieter, der Ihnen eine bit-identische Rekonstruktion eines alten Modelllaufs zusagt, sollte erklären können, wo er das Modell hinterlegt hat.

Zweite Grenze: Formale Verifikation des Budget-Optimierers selbst gibt es in unserem MMM nicht. In der Brand-Family existiert sie — die nachgelagerte Handelsschicht von Nexbid trägt 62 in Lean 4 maschinell geprüfte Theoreme, ohne zugelassene Beweislücke, und ein CI-Schritt baut sie bei jeder Änderung neu. Bewiesen sind dort Eigenschaften wie die Budgeterhaltung beim Abzug, Zahlungsobergrenzen und die Eindeutigkeit wiederholter Ausführungen. Das ist echt und nachprüfbar — aber es sichert die Schicht, die eine Empfehlung ausführt, nicht die Schätzung, die sie erzeugt. Diese Unterscheidung ist im Audit genau die, auf die es ankommt.

Was bleibt also? Erstens: Die Methode selbst ist einsehbar. Meridian ist quelloffen. Ein Prüfer kann nachlesen, wie Adstock, Sättigung und Priors rechnen, statt einer Beschreibung glauben zu müssen. Das ist mehr, als die meisten Attributionsverfahren bieten, deren Gewichtungslogik proprietär bleibt.

Zweitens: Es gibt keinen Personenbezug. MMM rechnet auf Wochensummen je Kanal. Es braucht keine Nutzerkennung, kein Cookie, keine Zusammenführung von Profilen. Für eine Datenschutzprüfung ist das ein struktureller Vorteil, kein organisatorischer — die Daten, die man schützen müsste, entstehen gar nicht erst.

Drittens: Die Eingangsgrössen und die Konfiguration eines Laufs werden gespeichert. Zeitraum, Kanäle, Ausgaben, Zielgrösse, die verwendeten Priors und Kontrollvariablen liegen mit dem Lauf zusammen. Ein Prüfer kann feststellen, worauf eine Empfehlung beruhte, auch wenn das Modell selbst nicht mehr existiert. Das beantwortet «woher kommt diese Zahl» — nicht «erzeuge sie erneut».

Viertens: Wird eine Empfehlung an ein nachgelagertes System übergeben, trägt die Nutzlast einen SHA-256 über ihre kanonisierte JSON-Form, mit sortierten Schlüsseln. Wer die Nutzlast hat, kann den Hash unabhängig nachrechnen — auch in einer anderen Programmiersprache — und damit belegen, dass zwischen Erzeugung und Ausführung nichts verändert wurde. Das ist ein Integritätsnachweis für den Transportweg, nicht für die Berechnung. Beides zu verwechseln ist der häufigste Fehler in Anbieterunterlagen zu diesem Thema.

Fünftens, und im Audit oft am wichtigsten: Jede Wirkungsschätzung kommt als Bereich. Ein ROI von 2.4 mit einem Intervall von 1.1 bis 4.0 sagt etwas anderes als dieselbe 2.4 ohne Angabe — nämlich, dass die Daten eine Verdopplung und eine Halbierung gleichermassen zulassen. Wer eine Punktzahl ohne Streuung präsentiert bekommt, hat kein besseres Modell vor sich, sondern eine schlechtere Darstellung.

Auf der Roadmap steht ein zweites, anders gebautes Modell als Gegenprobe — ein Kolmogorov-Arnold-Network, das seine gelernten Funktionen als Kurven zeigt statt sie in Gewichten zu verstecken. Der Gedanke: Weichen zwei methodisch unabhängige Schätzungen stark voneinander ab, ist das ein Warnsignal, das ein einzelnes Modell nicht geben kann. In unserem MMM läuft das heute nicht. Wir nennen es hier, weil die Frage in Gesprächen regelmässig kommt — und weil ein Roadmap-Punkt, der als Funktion beschrieben wird, im Audit als Falschangabe zählt.

Für eine Pilotierung in einer regulierten Branche ist die ehrliche Zusammenfassung: Sie bekommen ein nachvollziehbares Verfahren, dokumentierte Eingangsgrössen, ausgewiesene Unsicherheit und einen Integritätsnachweis auf dem Übergabeweg. Sie bekommen keine mathematisch bewiesene Optimierung und keine Wiederherstellung alter Modellzustände. Wenn Ihre Berichtspflichten mehr verlangen, sagen wir das vor dem Projekt und nicht im Abschlussbericht. Fragen dazu an audit@digital-opua.ch.