Treten Sie der neuen
Discord-Community bei. Sie können sich dort in Echtzeit austauschen, Unterstützung von anderen Nutzern erhalten und direkt mit dem Meridian-Team interagieren.
MMM als Methode zur kausalen Inferenz
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Berücksichtigen Sie die folgenden Verallgemeinerungen zum Marketing Mix Modeling (MMM) als Methode der kausalen Inferenz:
MMM ist ein Tool zur kausalen Inferenz, mit dem Sie die Auswirkungen Ihres Werbebudgets und der Budgetzuweisung auf KPIs schätzen können. Aus MMM abgeleitete Erkenntnisse wie ROI und Reaktionskurven haben eine klare kausale Interpretation und die Modellierungsmethode muss für diese Art der Analyse geeignet sein.
Das Framework für kausale Inferenzen bietet wichtige Vorteile, die auch kritische Bestandteile jeder gültigen und interpretierbaren MMM-Analyse sind:
ROI und andere kausale Schätzgrößen werden klar mithilfe der Notation potenzieller Ergebnisse definiert, die sowohl intuitiv als auch mathematisch streng ist.
Notwendige Annahmen können ermittelt und transparent gemacht werden. Für alle Modelle sind Annahmen erforderlich, um gültige Schätzungen der kausalen Schätzgrößen zu erhalten.
Es ist allgemein bekannt, dass randomisierte Tests als ideale Methode zur Schätzung von Kausaleffekten gelten. MMM ist jedoch ein Beispiel für kausale Inferenzen aus beobachteten Daten.
MMM bietet wichtige Vorteile gegenüber Tests:
Bei Werbung sind für viele Testdesigns Daten auf Einzelnutzerebene erforderlich, die nicht aktuellen Datenschutzstandards entsprechen. MMM ist datenschutzfreundlich, da hier aggregierte, beobachtete Daten verwendet werden.
Tests sind aus Kosten- und praktischen Gründen oft schwierig durchzuführen.
Beobachtete Daten sind hingegen leicht zugänglich.
Bei Tests wird in der Regel eine bestimmte Größe geschätzt. Bei Werbung kann ein geografischer Test beispielsweise dazu dienen, den ROAS eines bestimmten Channels wie dem Fernsehen zu schätzen. Mit einem Modell für kausale Inferenzen wie MMM lassen sich viele Informationen gewinnen, z. B. der ROI für jeden Media-Channel, vollständige Reaktionskurven und die Budgetzuweisung, ohne dass ein komplexes und strenges Testdesign erforderlich ist, das möglicherweise nicht praktikabel ist.
Testbare und nicht testbare Annahmen
Da MMM auf beobachteten Daten basiert, sind statistische Annahmen erforderlich, die für die meisten Tests nicht notwendig sind. Diese Annahmen können als nicht testbar und testbar kategorisiert werden.
Warum sind diese Annahmen aus praktischer Sicht wichtig? Mehrere Modelle können eine gute Anpassung und Vorhersagekraft aufweisen, aber unterschiedliche ROI- und Optimierungsergebnisse liefern, was die Auswahl des besten Modells erschwert.
Nicht testbare Annahmen
Eine als bedingte Austauschbarkeit bekannte Bedingung ist die Hauptannahme, die nicht testbar ist und erforderlich ist, damit ein MMM-Regressionsmodell genaue Ergebnisse zur kausalen Inferenz liefert. Diese Bedingung ist nicht testbar, da es keine statistische Möglichkeit gibt, ihre Gültigkeit allein anhand von beobachteten Daten zu bestimmen.
Im Allgemeinen bedeutet bedingte Austauschbarkeit, dass die Kontrollvariablen sowohl
alle Störvariablen umfassen, also Variablen, die kausal sowohl die Media-Ausführung als auch den KPI beeinflussen, und
alle Mediatorvariablen ausschließen, also Variablen, die im kausalen Zusammenhang zwischen Medien und KPI liegen.
Ein kausales Diagramm kann verwendet werden, um die Annahme der bedingten Austauschbarkeit zu rechtfertigen. Das kausale Diagramm muss auf Expertenwissen aus dem Fachgebiet basieren, da es keinen statistischen Test gibt, um die korrekte Diagrammstruktur allein anhand von beobachteten Daten zu bestimmen.
In der Realität wird die Annahme der Austauschbarkeit nie perfekt erfüllt. Das klassische Prinzip gilt: „Alle Modelle sind falsch, aber einige sind nützlich.“
Testbare Annahmen
Testbare Annahmen umfassen alles, was mit der mathematischen Struktur des Modells zu tun hat. Erwägen Sie Folgendes:
Wie werden Media-Effekte im Modell dargestellt, einschließlich verzögerter Effekte und abnehmender Renditen?
Wie werden Kontrollvariablen modelliert? Sind nicht lineare Transformationen erforderlich?
Wie werden Trend und Saisonalität modelliert?
Testbare Annahmen können bis zu einem gewissen Grad anhand von Messwerten zur Güte der Anpassung bewertet werden, einschließlich Prognosemesswerten wie dem R-Quadrat außerhalb der Stichprobe.
Aber:
Die Messwerte zur Güte der Anpassung vermitteln jedoch kein vollständiges Bild davon, wie gut ein Modell für kausale Inferenzen geeignet ist. Es ist wahrscheinlich, dass sich das beste Modell für kausale Inferenzen vom besten Modell für Vorhersagen unterscheidet.
Je mehr Kandidatenmodelle Sie vergleichen, desto höher ist das Risiko einer Überanpassung. Das beste Modell ist beispielsweise nicht das mit der besten Anpassung außerhalb der Stichprobe.
Es gibt keinen Grenzwert für R-Quadrat oder andere Messwerte, die ein Modell gut oder schlecht machen. Ein Modell mit einem R-Quadrat von 99 % außerhalb der Stichprobe kann dennoch ein schlechtes Modell für kausale Inferenzen sein.
Schlussfolgerungen
Es gibt keine universell beste Lösung für MMM. Dies liegt daran, dass die Prinzipien der kausalen Inferenz aus beobachteten Daten unterschiedliche Stärken und Schwächen haben. Wir empfehlen allen MMM-Nutzern, MMM im Rahmen der kausalen Inferenz kritisch zu betrachten, unabhängig davon, ob Sie Meridian oder eine andere Lösung verwenden. Ziel von Meridian ist es, Ihnen größtmögliche Klarheit darüber zu verschaffen, was Ihr MMM ist, wie es funktioniert und wie Sie Ihre Ergebnisse interpretieren sollten.
Sofern nicht anders angegeben, sind die Inhalte dieser Seite unter der Creative Commons Attribution 4.0 License und Codebeispiele unter der Apache 2.0 License lizenziert. Weitere Informationen finden Sie in den Websiterichtlinien von Google Developers. Java ist eine eingetragene Marke von Oracle und/oder seinen Partnern.
Zuletzt aktualisiert: 2025-08-04 (UTC).
[null,null,["Zuletzt aktualisiert: 2025-08-04 (UTC)."],[[["\u003cp\u003eMarketing Mix Modeling (MMM) is a causal inference methodology used to estimate the impact of advertising spending on key performance indicators (KPIs) like ROI.\u003c/p\u003e\n"],["\u003cp\u003eMMM leverages observational data, making it advantageous for privacy, cost-effectiveness, and generating diverse insights compared to randomized experiments.\u003c/p\u003e\n"],["\u003cp\u003eThe accuracy of MMM relies on assumptions, categorized as testable (model structure) and untestable (conditional exchangeability, requiring domain expertise), impacting model selection.\u003c/p\u003e\n"],["\u003cp\u003eWhile achieving a perfect MMM solution is unrealistic, adopting a causal inference framework is crucial for understanding model functionality and result interpretation.\u003c/p\u003e\n"],["\u003cp\u003eMeridian aims to provide transparency by emphasizing the importance of understanding MMM principles and assumptions for informed decision-making.\u003c/p\u003e\n"]]],[],null,["# About MMM as a causal inference methodology\n\nConsider the following generalizations about marketing mix modeling (MMM) as a\ncausal inference methodology:\n\n- MMM is a causal inference tool for estimating the impact your advertising\n budget level and allocation have on KPI. MMM-derived insights such as ROI\n and response curves have a clear causal interpretation, and the modeling\n methodology must be appropriate for this type of analysis.\n\n- The causal inference framework has important benefits, which are also\n critical components of any valid and interpretable MMM analysis:\n\n - ROI and other causal estimands are clearly defined using potential\n outcomes notation, which is both intuitive and mathematically rigorous.\n\n - Necessary assumptions can be determined and made transparent. All models\n require assumptions to provide valid estimates of the causal estimands.\n\n- It is common knowledge that randomized experiments are considered the ideal\n way to estimate causal effects. MMM, however, is an example of causal\n inference from observational data.\n\n- MMM has important advantages over experiments:\n\n - In the case of advertising, many experimental designs require individual\n user-level data that does not meet modern privacy standards. MMM uses\n observational data at an aggregate level that is privacy safe.\n\n - Experiments are often difficult to run due to cost and practicality.\n Observational data, on the other hand, is readily obtainable.\n\n - Experiments are typically designed to estimate one specific quantity. In\n advertising, for example, a geo experiment might be designed to estimate the\n ROAS of a specific channel such as TV. A causal inference model, such as\n MMM, can provide many insights such as ROI for every media channel, full\n response curves, and budget allocation without needing a complex and\n rigorous experimental design that might be impractical.\n\nTestable and untestable assumptions\n-----------------------------------\n\nBecause MMM is based on observational data, it requires statistical assumptions\nthat are not necessary for most experiments. These assumptions can be\ncategorized as\n[untestable](/meridian/docs/basics/about-mmm-causal-inference-methodology#untestable_assumptions)\nand\n[testable](/meridian/docs/basics/about-mmm-causal-inference-methodology#testable_assumptions).\n\nWhy do these assumptions matter from a practical standpoint? Multiple models can\nhave good fit and predictive power yet provide different ROI and optimization\nresults, therefore making it difficult to choose the best model.\n\n### Untestable assumptions\n\n- A condition known as conditional exchangeability is the main untestable\n assumption required for an MMM regression model to provide accurate causal\n inference results. This condition is untestable because there is no\n statistical way to determine its validity purely from observational data.\n\n- Generally, *conditional exchangeability* means that the control variable set\n both:\n\n - Includes all confounding variables, which are variables that causally\n affect both media execution and KPI, and\n\n - Excludes any mediator variables, which are variables that lie in the\n causal pathway between media and KPI\n\n- A causal graph can be used to justify the conditional exchangeability\n assumption. The causal graph must be constructed based on expert domain\n knowledge, as there is no statistical test to determine the correct graph\n structure purely from observational data.\n\n- In reality, the exchangeability assumption is never perfectly met. The\n classic principle applies that \"all models are wrong but some are useful\".\n\n### Testable assumptions\n\n- Testable assumptions include anything related to the mathematical structure\n of the model. Consider:\n\n - How are media effects represented in the model, including lagged effects\n and diminishing returns?\n\n - How are control variables modeled? Are nonlinear transformations\n required?\n\n - How are trend and seasonality modeled?\n\n- Testable assumptions can be evaluated to a certain extent by goodness of fit\n metrics, including prediction metrics such as out-of-sample R-squared.\n However:\n\n - Goodness of fit metrics don't give a complete picture of how good a\n model is for causal inference, and it is likely that the best model for\n causal inference is different from the best model for prediction.\n\n - The more candidate models you are comparing, the higher the risk of\n overfitting. For example, the best model is not the one that appears to\n have the best out-of-sample fit.\n\n - There is no threshold for R-squared or other metrics that makes a model\n good or bad. A model with 99% out-of-sample R-squared can still be a\n poor model for causal inference.\n\nConclusions\n-----------\n\nThere is no absolute best solution to MMM, which follows from the fundamental\nprinciples of causal inference from observational data. We recommend that all\nMMM practitioners think critically about MMM within a causal inference\nframework, regardless of whether you use Meridian\nor any other solution. The mission of Meridian is to provide you with\nthe utmost clarity about what your MMM is, how it works, and how you should\ninterpret your results."]]
