Local Media Mix Modelling bezeichnet ein statistisches Analyseverfahren zur Messung der Mediawirkung auf regionaler Ebene. Dabei werden Absatz-, Umsatz- und Investitionsdaten nach geografischen Einheiten – etwa Bundesländern, Nielsengebieten oder Postleitzahlregionen – getrennt ausgewertet. Ziel ist es, regionsspezifische Kausalzusammenhänge zwischen Werbedruck und Geschäftsergebnis zu ermitteln, die ein national aggregiertes Modell verborgen lässt.
Hintergrund und Einordnung in das Marketing Mix Modelling
Das übergeordnete Konzept des Marketing Mix Modellings (MMM) geht auf die Ökonometrie der 1960er- und 1970er-Jahre zurück. Mithilfe multipler Regressionsanalysen wird der statistische Zusammenhang zwischen Marketinginvestitionen und einer Zielgröße wie Umsatz oder Absatz modelliert. Die Kanäle umfassen typischerweise Fernsehen, Out-of-Home und digitale Werbung. Solche Modelle berücksichtigen auch exogene Einflussfaktoren wie Saisonalität, Wettbewerberaktivitäten oder makroökonomische Größen.
Das klassische MMM operiert auf nationaler Ebene: Ein einziger Koeffizient beschreibt die durchschnittliche Kanalwirkung für das gesamte Absatzgebiet. Dieser Ansatz vernachlässigt, dass Mediawirkungen regional stark variieren können – je nach Marktdurchdringung, Mediennutzungsverhalten oder Filialnetz. Local Media Mix Modelling schließt diese Lücke, indem die Modellierung auf regionalen Dateneinheiten aufsetzt.
Local Media Mix Modelling im Überblick: Abgrenzung zum nationalen MMM
Das nationale MMM schätzt einen einheitlichen Wirkungskoeffizienten für alle Regionen. Das lokale Pendant erzeugt dagegen für jede geografische Einheit einen eigenen Parametersatz. Dadurch lassen sich Regionen mit überdurchschnittlicher Mediawirkung von solchen mit geringer Responseintensität trennen. Budgets können so gezielter alloziert werden. Voraussetzung ist, dass regional differenzierte Daten zu Mediainvestitionen, Werbereichweiten und Absatzkennziffern vorliegen.
Methodische Grundlagen
Das methodische Fundament bildet in den meisten Implementierungen eine ökonometrische Zeitreihenanalyse. Auf Basis von Wochen- oder Monatsdaten wird für jede Region eine Responsefunktion geschätzt. Sie beschreibt den Zusammenhang zwischen Werbeimpulsen (Inputs) und der Zielgröße (Output). Typische Modellierungsbausteine sind:
- Adstock-Transformation: Sie bildet den Carry-over-Effekt von Werbung ab. Werbedruck wirkt nicht schlagartig, sondern klingt zeitlich verzögert ab. Die Stärke dieses Abklingens beschreibt ein sogenannter Decay-Parameter.
- Sättigungskurven (Diminishing Returns): Logarithmische oder S-förmige Transformationen bilden ab, dass steigende Werbeausgaben ab einem Punkt nur noch geringe Zusatzwirkung erzielen.
- Kontrollvariablen: Saisonale Dummies, Feiertage, Preisaktionen und Vertriebsabdeckung werden als exogene Größen aufgenommen.
- Hierarchische Modellierung: Neuere Implementierungen nutzen Bayesianische Hierarchische Modelle (BHM). Sie betrachten regionale Parameter als Stichproben aus einer gemeinsamen Verteilung. Dieses Vorgehen stabilisiert Schätzungen für datenschwache Regionen.
Durch die Zusammenführung regionaler Einzelmodelle entsteht ein konsistentes Gesamtbild. Nationale Budgetentscheidungen lassen sich so mit regionaler Granularität verbinden.
Datenanforderungen und regionale Datenquellen
Ein zentrales Qualitätsmerkmal des Verfahrens ist die Verfügbarkeit regionaler Daten. Folgende Kategorien werden typischerweise benötigt:
| Datenkategorie | Typische Quellen | Regionale Granularität |
|---|---|---|
| TV-Werbedruck (GRP/TRP) | AGF/GfK, Medienagenturen | Nielsengebiete, Bundesländer |
| Out-of-Home-Inventar | Außenwerber, Agof | Städte, PLZ-Gebiete |
| Digitale Mediadaten | Ad-Server-Logs, First Party Data | Postleitzahl, Bundesland |
| Absatz-/Umsatzdaten | POS-Systeme, ERP, Handelspartner | Filiale, Region, Bundesland |
| Externe Kontrollvariablen | Destatis, Wetterdienst, Preisdaten | Bundesland, Kreisebene |
Bei digitalen Kanälen entstehen besondere Herausforderungen. Impressionen werden über IP-Geolokalisierung regional zugeordnet. Die Qualität dieser Geo-Zuordnung entscheidet maßgeblich über die Modellgüte. Methoden wie Geotargeting liefern hierfür präzise Eingangsdaten. Durch die Datenschutz-Grundverordnung gewinnen cookiefreie Messmethoden an Bedeutung. Viele Anbieter setzen daher verstärkt auf aggregierte Daten und First Party Data.
Anwendungsfelder von Local Media Mix Modelling
Das Verfahren findet vor allem in Branchen Anwendung, die regional heterogene Marktstrukturen oder ein dezentrales Filialnetz aufweisen. Zu den typischen Anwendern zählen:
- Lebensmitteleinzelhandel und Discounter: Filialspezifische Absatzzahlen lassen sich mit regionalem TV-, Radio- und Prospektwerbedruck verknüpfen.
- Automobilhersteller und Händlernetze: Nationale Markenkampagnen lassen sich auf regionale Zulassungseffekte hin analysieren.
- Telekommunikationsunternehmen: Netzausbau und Preisgestaltung interagieren mit Mediadruck. Lokale Modelle helfen, beide Einflüsse zu trennen.
- Versicherungen und Finanzdienstleister: Regionale Außendienstaktivitäten können als zusätzliche Variable in das Modell aufgenommen werden.
Auch im Performance Marketing gewinnt Local MMM an Bedeutung. Wo bislang Click-Attribution dominierte, ergänzen lokale Modelle die digitale Perspektive. Sie erfassen auch den Beitrag von Offline-Kanälen zur Konversionsleistung einer Region.
Vorteile und Grenzen des Verfahrens
Local Media Mix Modelling bietet gegenüber national aggregierten Ansätzen mehrere Vorzüge. Die regionale Differenzierung ermöglicht eine präzisere Budgetallokation. Regionen mit hoher Mediawirkung können stärker beworben werden. Regionen mit niedrigem Return on Advertising Spend (ROAS) bieten Einsparungspotenzial. Zudem erlauben lokale Modelle kontrollierte Markttests – sogenannte Geo-Experimente. Dabei werden Testregionen mit veränderten Mediastärken bespielt. Die Ergebnisse werden mit Kontrollregionen verglichen. Das verbessert die Kausalidentifikation erheblich.
Zu den Grenzen zählen erhöhter Datenbedarf und Modellkomplexität. Pro Region wird typischerweise eine Zeitreihe von mindestens zwei bis drei Jahren benötigt. In Regionen mit geringer Marktdurchdringung sind die Schätzer instabiler. Hierarchische Bayesianische Modelle können dieses Problem durch Pooling abmildern, erfordern jedoch tieferes Methodenwissen. Außerdem ist das Verfahren kein Echtzeit-Instrument. Modelle werden üblicherweise quartalsweise oder jährlich neu geschätzt. Sie eignen sich für die strategische Mediaplanung, nicht für die operative Kampagnensteuerung.
In der Abgrenzung zur Multi-Touch-Attribution (MTA) gilt: Local MMM misst kanalübergreifend und holistisch, verfolgt jedoch keine individuellen User Journeys. MTA operiert auf Nutzerebene und ist daher von Tracking-Beschränkungen betroffen. Local MMM arbeitet auf aggregierter Ebene und ist robuster gegenüber dem Wegfall von Third-Party-Cookies.[1] Die Kombination beider Methoden – oft als Unified Measurement bezeichnet – gilt als Best Practice in der modernen Werbewirkungsforschung.
Technologische Entwicklungen und Markttrends
Wachsende Rechenleistung und Cloud-Computing haben die praktische Umsetzung von Local Media Mix Modelling erheblich vereinfacht. Open-Source-Frameworks wie Googles Meridian und Metas Robyn stellen standardisierte Bayesianische MMM-Implementierungen bereit. Beide unterstützen auch regionale Dimensionen. Sie senken die Einstiegshürden für mittelgroße Unternehmen, die bislang auf spezialisierte Beratungsunternehmen angewiesen waren.
Parallel steigt die Bedeutung des Verfahrens durch den Rückgang individueller Trackingmöglichkeiten. Die verschärfte Datenschutzgesetzgebung und das Ende von Third-Party-Cookies veranlassen Werbetreibende, stärker auf aggregierte Methoden zu setzen. Local Media Mix Modelling ist dabei keine neue Erfindung – es erlebt jedoch eine Renaissance als datenschutzkonformes Messparadigma. Das Adtech-Ökosystem reagiert mit integrierten Mess-Plattformen, die MMM-Outputs in operative Planungstools einspeisen.
Für Unternehmen mit regionalem Geschäftsmodell ist Local Media Mix Modelling heute ein etabliertes Instrument der evidenzbasierten Mediaplanung und strategischen Budgetallokation.
Literaturempfehlungen
- Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz: Market Response Models: Econometric and Time Series Analysis. Kluwer Academic Publishers, Boston 2001, ISBN 9780792390138.
- Koen Pauwels: It’s Not the Size of the Data — It’s How You Use It: Smarter Marketing with Analytics and Dashboards. AMACOM, New York 2014, ISBN 9781400231096.