Local Media Mix Modelling bezeichnet ein statistisches Analyseverfahren zur Messung der Mediawirkung auf regionaler Ebene. Absatz-, Umsatz- und Investitionsdaten werden nach geografischen Einheiten aufgeschlüsselt. So lässt sich der Beitrag einzelner Werbekanäle auf lokale Geschäftsergebnisse quantifizieren. Das Verfahren gilt als Erweiterung des klassischen Marketing Mix Modellings um eine räumliche Dimension.
Grundlagen des Local Media Mix Modelling
Das Local Media Mix Modelling (kurz: LMMM) basiert auf ökonometrischen Regressionsmodellen. Diese Modelle erklären kausal, welche Marketingmaßnahmen in welchem Ausmaß zum Umsatz beigetragen haben. Im Unterschied zum aggregierten nationalen Ansatz werden beim lokalen Verfahren die Inputdaten geografisch segmentiert — etwa nach Bundesländern, Landkreisen oder individuell definierten Vertriebsregionen.
Die Grundidee folgt dem klassischen Marketing Mix Modelling (MMM). Mithilfe multivariater Regression werden Verkaufszahlen als abhängige Variable erklärt. Unabhängige Variablen sind Mediainvestitionen nach Kanal, Saisoneffekte, Pricing-Variablen sowie externe Faktoren wie Konjunktur oder Wettbewerbsaktivitäten. Beim lokalen Ansatz wird dieses Modell für jede Region separat kalibriert. Alternativ kommen hierarchisch-bayesianische Schätzverfahren zum Einsatz. So werden regionale Unterschiede in der Mediawirksamkeit sichtbar.
Methodik und statistische Modellierung
Die methodische Umsetzung stützt sich auf mehrere statistische Verfahren. Diese werden je nach Datenlage und Analyseziel kombiniert.
Kernverfahren im Local Media Mix Modelling
Im Zentrum steht die multiple lineare Regression. Sie wird um folgende Methoden ergänzt:
- Adstock-Transformation: Werbeimpulse wirken über den eigentlichen Schaltungszeitraum hinaus. Der sogenannte Adstock-Effekt (auch: Carry-over-Effekt) modelliert diese Nachwirkung. Auf regionaler Ebene kann die Zerfallskonstante für jede Region separat kalibriert werden.
- Sättigungsfunktionen: Steigende Werbeausgaben führen ab einem Schwellenwert zu abnehmenden Grenzerträgen. Logarithmische oder S-förmige Kurven bilden diesen Zusammenhang ab. Daraus lassen sich regionsspezifische Effizienzgrenzen ableiten.
- Hierarchisch-bayesianische Modelle: Auf regionaler Ebene ist die Datenbasis oft begrenzt. Bayesianische Verfahren kompensieren dies: Regionale Parameter gelten als Ausprägungen einer übergeordneten Verteilung. Das ermöglicht auch für Gebiete mit wenig Datenpunkten stabile Schätzungen.
- Paneldaten-Regression: Liegen Zeitreihendaten für mehrere Regionen vor, können Fixed- oder Random-Effects-Modelle regionsspezifische Konstanten kontrollieren.
Qualitätssicherung erfolgt über R², den Mean Absolute Percentage Error (MAPE) sowie Kreuzvalidierungsverfahren. Dabei wird ein Teil der historischen Daten als Hold-out-Set zurückgehalten.
Einsatzbereiche und Anwendungsfelder
Das Verfahren richtet sich an Unternehmen, deren Absatz regional stark variiert. Gleichzeitig sollten sie sowohl lokale als auch überregionale Medien einsetzen. Typische Anwendergruppen sind Lebensmitteleinzelhandel und Filialisten, Automobilhersteller mit regionalem Händlernetz sowie Versicherungen und Telekommunikationsanbieter.
Typische Fragestellungen:
- Wie hoch ist der Return on Investment (ROI) einzelner Medienkanäle — etwa TV, Außenwerbung, Suchmaschinenwerbung oder Prospektverteilung — in verschiedenen Regionen?
- Unterscheidet sich die Wirkung eines Werbeformats zwischen urbanen Ballungsräumen und ländlichen Gebieten?
- Welche Regionen reagieren besonders sensibel auf Investitionserhöhungen?
- Wie lassen sich nationale Budgets regional optimal umverteilen?
Das Ergebnis sind sogenannte Response-Kurven für jede Region und jeden Kanal. Aus ihnen lassen sich regionale Budgetoptimierungen direkt ableiten.
Abgrenzung zu verwandten Ansätzen
Das Verfahren steht in engem Bezug zu mehreren Konzepten der Werbewirkungsmessung. Es unterscheidet sich von diesen jedoch in wesentlichen Punkten.
| Verfahren | Räumliche Granularität | Datenbasis | Stärken |
|---|---|---|---|
| Nationales MMM | Gesamtmarkt | Aggregierte Zeitreihen | Dateneffizient, stabile Schätzungen |
| Local Media Mix Modelling | Region / Gebiet | Regionale Zeitreihen | Regionale Budgetoptimierung möglich |
| Multi-Touch Attribution | Individuell (User-Level) | Cookie-/ID-basiert | Granulare Pfadanalyse |
| Geo-Experimente | Region / Testgebiet | Experiment-Daten | Kausale Identifikation |
Die Multi-Touch Attribution arbeitet auf Nutzerebene. Sie setzt persistente Identifier wie Cookies oder Login-IDs voraus. Datenschutzrechtliche Entwicklungen schränken diesen Ansatz zunehmend ein. Das LMMM hingegen operiert ausschließlich mit aggregierten Daten. Es ist daher datenschutzkonform und cookie-unabhängig — ein zentraler Vorteil im Kontext der Abschaffung von Third-Party-Cookies.[1]
Geo-Experimente, auch Geo-Holdout-Tests genannt, dienen häufig als Validierungsinstrument. Dabei wird die Werbeschaltung in ausgewählten Regionen reduziert. Die gemessenen Absatzveränderungen werden anschließend mit den Modellprognosen verglichen.
Datenvoraussetzungen und typische Herausforderungen
Eine belastbare Modellierung erfordert wöchentliche oder vierwöchige Zeitreihendaten über mindestens zwei bis drei Jahre. Diese Daten müssen nach den gewählten Regionen aufgeschlüsselt sein. Je feiner die geografische Granularität, desto größer die Datenanforderungen.
Zu den häufigsten methodischen Herausforderungen zählen:
- Datenverfügbarkeit: Regionale Abverkaufsdaten liegen oft nicht in ausreichender Tiefe vor. Handelsdaten werden häufig nur auf Gesamtmarktniveau geliefert.
- Multikollinearität: Medienkanäle werden oft synchron eingesetzt. Das erschwert es, die individuelle Wirkung einzelner Kanäle statistisch zu isolieren.
- Dünne Datenpunkte: Ländliche Gebiete mit geringer Absatzdichte liefern oft zu wenige Beobachtungen für stabile Schätzungen. Hierarchisch-bayesianische Modelle können dieses Problem abschwächen.
- Endogenitätsproblem: Unternehmen investieren häufig mehr in starke Regionen. Das verschleiert die Kausalrichtung zwischen Mediabudget und Umsatz. Instrumentvariablen-Ansätze oder experimentelle Designs können gegensteuern.
Die Datenintegration gilt als einer der aufwändigsten Prozessschritte. Dabei werden Abverkaufs-, Media- und Kontextdaten aus unterschiedlichen Quellen zusammengeführt.[2]
Relevanz im digitalen Mediamarkt
Die Fragmentierung des Mediamarkts wächst. Gleichzeitig steigt der Druck, Werbeausgaben messbar effizient einzusetzen. Beides treibt die Renaissance des Marketing Mix Modellings — und damit auch des lokalen Ansatzes. Technologieunternehmen wie Google und Meta setzen verstärkt auf MMM-basierte Messansätze. Hintergrund ist der Rückgang cookie-basierter Attribution.[3]
Zugleich treiben Open-Source-Frameworks die Verbreitung voran. Robyn (Meta) und Meridian (Google) erlauben es auch mittelgroßen Unternehmen, eigene Modelle zu betreiben — ohne proprietäre Softwarelösungen. Die methodischen Hürden sinken dadurch. Die Datenanforderungen bleiben jedoch beträchtlich.
Im Kontext regionaler Mediaplanung bietet das LMMM einen strukturierten, datengetriebenen Entscheidungsrahmen. Ob lokale Tageszeitungen, Außenwerbung, regionale TV-Fenster oder digitale Kanäle — subjektive Planungsansätze werden damit ergänzt oder ersetzt.
Das Local Media Mix Modelling ist damit ein zentrales Werkzeug für Unternehmen. Sie wollen ihre regionalen Werbebudgets evidenzbasiert steuern und den Wirkungsbeitrag einzelner Kanäle nachweisbar machen.
Literaturempfehlungen
- Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz: Market Response Models: Econometric and Time Series Analysis. Springer, New York 2001, ISBN 9780792390138.
- Koen Pauwels: It’s Not the Size of the Data — It’s How You Use It: Smarter Management through Analytics. AMACOM, New York 2014, ISBN 9781400231096.