Marketing-Mix-Modelling für Filialnetze: Endlich den Gesamteffekt messen

Frag den Marketing-Leiter einer Filialkette, welcher Kanal die meisten Kunden bringt. Die Antwort wird fast immer lauten: Google Ads. Oder Social Media. Oder "das können wir nicht sagen."

Alle drei Antworten sind problematisch. Die erste und zweite basieren auf Last-Click-Attribution — einem System, das für E-Commerce entwickelt wurde und für Filialisten fundamental nicht funktioniert. Die dritte ist ehrlich, aber nicht akzeptabel.

Marketing-Mix-Modelling (MMM) ist die Lösung für dieses Problem. Es ist keine neue Technologie — Procter & Gamble, Unilever und Coca-Cola nutzen MMM seit Jahrzehnten. Aber erst jetzt wird es für Filialnetze in DACH zugänglich — dank Open-Source-Tools, besserer Daten und der Dringlichkeit, die Cookie-basierte Attribution hinter sich zu lassen.

Warum Last-Click-Attribution für Filialisten ein Desaster ist

Last-Click-Attribution funktioniert so: Ein Kunde klickt auf eine Google-Anzeige und kauft online. Der letzte Klick — Google Ads — bekommt 100% des Credits. Einfach, verständlich, funktioniert für Online-Shops.

Für Filialisten ist dieses Modell ein Desaster. Warum?

• Store Visits haben keinen Klick. Der größte Wert lokaler Kampagnen sind Ladenbesuche. Ein Kunde sieht einen Instagram-Post, googelt am nächsten Tag den Laden, und geht am Samstag hin. Was hat den Besuch ausgelöst? Last-Click sagt: die Google-Suche. Aber ohne den Instagram-Post hätte er nie gesucht.
• Offline-Kanäle sind unsichtbar. Print-Werbung, CTV-Spots, Plakate, Radio — alle haben Wirkung, aber keinen Klick. In einem Last-Click-Modell existieren sie nicht. Und trotzdem fließen bei vielen Filialisten 40-60% des Budgets in diese Kanäle.
• Cross-Device ist unlösbar. Der Kunde sieht den CTV-Spot auf dem Fernseher, recherchiert auf dem Laptop, und navigiert mit dem Handy zum Laden. Drei Geräte, kein durchgängiges Tracking. Last-Click erfasst bestenfalls das Handy.

Laut einer Studie von Nielsen (2025) überschätzt Last-Click-Attribution den Beitrag von Paid Search um 42% und unterschätzt den Beitrag von Display und Video um 56%. Für Filialisten, die zusätzlich Offline-Kanäle nutzen, ist die Verzerrung noch größer.

Das Ergebnis: Marketing-Entscheider optimieren auf Basis falscher Daten. Sie investieren mehr in den Kanal, der den letzten Klick bekommt — und weniger in die Kanäle, die den Kunden überhaupt erst aufmerksam gemacht haben. Wie wir in Lokales Marketing ist kaputt beschrieben haben: Niemand misst, was wirklich zählt.

Was Marketing-Mix-Modelling ist — einfach erklärt

MMM ist eine statistische Methode, die nicht einzelne Klicks oder Cookies verfolgt, sondern den Zusammenhang zwischen Marketing-Investitionen und Geschäftsergebnissen analysiert. Klingt abstrakt? Hier ein Beispiel:

Stell dir vor, du hast 100 Standorte und 12 Monate Daten. Für jeden Standort und jeden Monat weißt du:

• Wie viel du in Google Ads investiert hast
• Wie viel in Social Media Ads
• Wie viel in Print und Flyer
• Wie viel in CTV oder Radio
• Wie viele Store Visits oder wie viel Umsatz der Standort hatte

Zusätzlich gibt es externe Faktoren: Wetter, Feiertage, Saisonalität, Wettbewerber-Aktivitäten, lokale Events.

MMM nimmt all diese Daten und berechnet: Welcher Anteil des Umsatzes ist auf welchen Kanal zurückzuführen? Was passiert, wenn du 10% mehr in Google Ads investierst? Was, wenn du Print halbierst? Wie stark ist der Saisoneffekt im Vergleich zum Marketing-Effekt?

Das Ergebnis ist ein Modell, das den Gesamteffekt deines Marketing-Mix zeigt — nicht einzelne Klicks, sondern das große Bild. Und genau das brauchen Filialisten.

Wie MMM für Multi-Location-Businesses funktioniert

Die besondere Stärke von MMM für Filialnetze: Du hast eine natürliche Variation. 100 Standorte in verschiedenen Regionen mit unterschiedlichen Budgets und unterschiedlichen lokalen Gegebenheiten — das ist ein Datenschatz, den ein einzelner Online-Shop nie hätte.

Konkret nutzt MMM für Filialnetze diese Variation:

1. Standort A bekommt viel Google Ads und wenig Print → hohe Store Visits
2. Standort B bekommt viel Print und wenig Google Ads → mittlere Store Visits
3. Standort C bekommt beides → höchste Store Visits

Aus diesen Unterschieden leitet das Modell ab, welcher Kanal welchen Effekt hat. Je mehr Standorte und je mehr Variation, desto präziser das Modell. Ab 50+ Standorten mit 12+ Monaten Daten wird MMM richtig stark.

Der Geo-Level-Ansatz

Moderne MMM-Tools wie Meta Robyn und Google Meridian unterstützen Geo-Level-Modelling: Statt ein Modell für das gesamte Unternehmen zu bauen, modellierst du auf Standort- oder Regions-Ebene. Das ermöglicht standortspezifische Erkenntnisse: In München funktioniert Google Ads besser als Print, in ländlichen Regionen ist es umgekehrt.

Die Open-Source-Tools: Robyn und Meridian

Meta Robyn

Robyn wurde von Metas Marketing Science Team entwickelt und ist seit 2022 als Open-Source-Projekt auf GitHub verfügbar. Es nutzt bayesianische Ridge-Regression mit automatischer Hyperparameter-Optimierung (Nevergrad).

Stärken:

• Automatische Modellselektion — testet tausende Parametersets und wählt die besten aus
• Eingebaute Adstock-Transformation (berücksichtigt, dass Werbung nachwirkt)
• Diminishing-Returns-Kurven pro Kanal (zeigt ab wann mehr Budget keinen Mehrwert bringt)
• Budget-Optimizer: Empfiehlt die optimale Verteilung deines Budgets

Herausforderung: Robyn ist in R geschrieben. Du brauchst jemanden der R kann und statistische Grundlagen versteht. Für die Datenaufbereitung (der aufwändigste Teil) brauchst du SQL oder Python.

Google Meridian

Meridian ist Googles Open-Source-MMM-Tool, veröffentlicht 2024. Es basiert auf bayesianischer Statistik und ist in Python geschrieben — für die meisten Data-Science-Teams zugänglicher als R.

Stärken:

• Optimiert für die Integration von Google-Daten (Google Ads, YouTube, DV360)
• Geo-Level-Modelling ist nativ eingebaut
• Bayesianische Priors erlauben es, Expertenwissen einzubauen
• Besonders stark bei der Modellierung von Online-zu-Offline-Effekten

Herausforderung: Meridian ist neuer als Robyn und hat eine kleinere Community. Die Dokumentation wächst, ist aber noch nicht so ausgereift.

Welches Tool für welches Filialnetz?

Faustregel: Wenn dein Team R kann und du ein breites Kanal-Mix modellieren willst (inklusive Print, Radio, CTV), nimm Robyn. Wenn dein Team Python-affin ist und du primär digitale Kanäle (Google, Meta, YouTube) modellieren willst, nimm Meridian.

MMM vs. Incrementality vs. Attribution: Was wann?

Diese drei Methoden ergänzen sich — sie ersetzen sich nicht. Hier die Abgrenzung:

• MMM: Zeigt den Gesamteffekt aller Kanäle über Zeit. Ideal für strategische Budgetallokation (Jahresplanung). Braucht mindestens 12 Monate historische Daten. Beantwortet: "Wie soll ich mein Budget verteilen?"
• Incrementality Testing: Misst den kausalen Effekt einer einzelnen Maßnahme via Geo-Holdout. Ideal für taktische Entscheidungen. Wie wir in unserem Artikel über Incrementality Testing erklärt haben, ist das der Goldstandard für Kausalität. Beantwortet: "Bringt diese spezifische Kampagne echten Mehrwert?"
• Store Visit Attribution: Misst individuelle Store Visits nach Anzeigenkontakt. Wie in unserem Artikel über Store Visit Attribution beschrieben. Ideal für Kampagnen-Reporting. Beantwortet: "Wie viele Ladenbesuche hat diese Anzeige generiert?"

Für Filialnetze empfehle ich die Kombination: MMM für die strategische Jahresplanung, Incrementality Testing für die Validierung einzelner Kanäle, und Store Visit Attribution für das laufende Reporting.

Praktischer Setup-Guide: MMM für dein Filialnetz in 6 Schritten

1. Daten sammeln (4-6 Wochen): Du brauchst wöchentliche Daten pro Standort oder Region: Marketing-Spend pro Kanal, Store Visits oder Umsatz, externe Faktoren (Wetter, Feiertage). Mindestens 12 Monate, besser 24.
2. Daten bereinigen (2-3 Wochen): Der aufwändigste Schritt. Daten aus verschiedenen Quellen (Google Ads, Meta, CRM, POS-System) müssen in ein einheitliches Format gebracht werden. Pro Standort, pro Woche, pro Kanal.
3. Tool wählen: Robyn (R) oder Meridian (Python) — abhängig von Team-Skills und Kanal-Mix.
4. Modell bauen (2-4 Wochen): Konfiguration, Training, Validierung. Bei Robyn läuft die Hyperparameter-Optimierung automatisch. Bei Meridian musst du Priors definieren.
5. Ergebnisse interpretieren (1-2 Wochen): Was sagt das Modell? Welcher Kanal hat den höchsten ROI? Wo sind Diminishing Returns? Wo ist ungenutztes Potenzial?
6. Budget umverteilen: Das ist der eigentliche Wert. Wenn das Modell zeigt, dass Print bei 60% der Standorte negative Returns hat, verschiebst du Budget. Wenn Google Ads bei ländlichen Standorten weniger wirkt als Social, passt du an.

Was du brauchst, um zu starten

Seien wir ehrlich: MMM ist nicht trivial. Du brauchst:

• Daten: Mindestens 12 Monate Marketing-Spend und Umsatz/Store-Visit-Daten pro Standort
• Expertise: Jemanden der R oder Python kann und statistische Modelle versteht — intern oder über eine Agentur
• Geduld: Von Projektstart bis zu actionable Ergebnissen vergehen 2-3 Monate
• Budget: Bei interner Umsetzung primär Personalkosten; bei Agentur-Umsetzung 15.000-50.000€ je nach Komplexität

Aber der Return ist enorm. Laut Google (2025) optimieren Unternehmen die MMM nutzen ihre Budgetallokation um durchschnittlich 15-25% — das heißt, sie erzielen 15-25% mehr Ergebnis mit demselben Budget. Bei einem Marketing-Budget von 2 Millionen Euro sind das 300.000-500.000€ Mehrwert. Pro Jahr.

Last-Click lügt. MMM liefert die Wahrheit. Und für Filialnetze, die in lokales Marketing investieren und den Gesamteffekt verstehen wollen, gibt es aktuell kein besseres Werkzeug.

Weiterführende Artikel: Lokales Marketing ist kaputt — 5 Bruchstellen · Incrementality Testing · Store Visit Attribution

Quellen

1. Nielsen — Marketing Attribution Report 2025: Last-Click überschätzt Paid Search um 42%, unterschätzt Display/Video um 56%.
2. Meta — Robyn (Open Source MMM): Bayesianische Marketing-Mix-Modelling-Lösung mit automatischer Hyperparameter-Optimierung.
3. Google — Meridian (Open Source MMM): Bayesianisches Geo-Level-MMM-Tool mit nativer Google-Daten-Integration.
4. Google — Think with Google: Unternehmen mit MMM optimieren Budgetallokation um 15-25%.