Von Shekhar Khandelwal

15. August 2023

Wie Bayesian Hierarchical Marketing Mix Modelling (BHMMM) eingesetzt wird, um Marketingstrategien auf regionaler Ebene neu zu definieren

Willkommen zurück in der Welt des Marketing-Mix-Modelling (MMM) mit einem Bayes'schen Dreh. In unserem letzten Artikel haben wir das Konzept des bayesian MMM vorgestellt und gezeigt, wie es die traditionellen Marketingmodelle revolutioniert, indem es historische Daten einbezieht und sich an neue Daten anpasst. Heute machen wir einen Sprung nach vorne und tauchen in eine seiner beeindruckendsten Fähigkeiten ein - den Umgang mit hierarchischen Daten.

In diesem Artikel sprechen wir über:

Was sind hierarchische Daten?
Wie modellieren traditionelle MMMs hierarchische Daten?
Hierarchische Modellierung unter Verwendung des Bayes'schen Ansatzes

Zunächst einmal: Was sind hierarchische Daten?

Bevor wir die magische Wirkung des Bayes'schen MMM auf hierarchische Daten entschlüsseln, sollten wir kurz verstehen, was hierarchische Daten sind und warum sie eine Fundgrube für Werbetreibende sind. Stellen Sie sich ein multinationales Unternehmen vor, das mehrere Produkte in verschiedenen Regionen verkauft. Die Verkaufsdaten können auf verschiedenen Ebenen strukturiert sein - Land, Bundesland, Stadt und Produktkategorien. Bei dieser mehrstufigen Struktur handelt es sich um hierarchische Daten.

Definition Hierarchical Data

Hierarchische Daten sind Informationen, die in einer pyramiden- oder baumähnlichen Struktur organisiert sind, mit verschiedenen Ebenen von Kategorien und Unterkategorien.

Nehmen wir im Marketing die Werbedaten einer globalen Marke. Auf der obersten Ebene befinden sich verschiedene Regionen wie Nordamerika, Europa und Asien. Innerhalb jeder Region gibt es einzelne Länder. Jedes Land kann in verschiedene Bundesstaaten oder Provinzen unterteilt sein, und jeder Bundesstaat kann wiederum in verschiedene Städte oder Ortschaften unterteilt sein. Für jede Stadt können Sie verschiedene Arten von Werbeausgaben erfassen, z. B. für Fernsehen, Radio, Print oder Online. Die Daten sind also hierarchisch gegliedert - von den Regionen bis hinunter zu bestimmten Arten von Werbeausgaben in einzelnen Städten. Jede Ebene dieser Hierarchie ist Teil eines größeren Ganzen, wobei die Daten auf jeder Ebene unterschiedliche Erkenntnisse für die Marketingstrategie der Marke liefern können.

Für Werbetreibende und Werbeagenturen sind diese Daten Gold wert. Die Fähigkeit, das Zusammenspiel zwischen verschiedenen Hierarchieebenen zu analysieren und zu verstehen, kann Aufschluss über Kundenpräferenzen, regionale Trends und Produktleistungen geben. Der Haken an der Sache ist jedoch, dass das herkömmliche MMM die Beziehungen in solchen Daten nur schwer erfassen kann.

Wie modellieren die herkömmlichen MMMs hierarchische Daten?

Im Bereich der traditionellen, auf maschinellem Lernen basierenden Marketing-Mix-Modelling gibt es zwei primäre Ansätze: das gepoolte und das ungepoolte Modell.

Gepooltes Modell (vollständiges Pooling):

In einem gepoolten Modell wird nicht zwischen den verschiedenen hierarchischen Gruppen unterschieden. Wir behandeln alle Daten so, als ob sie von einer einzigen Gruppe stammen. Dies ist vergleichbar mit der Aggregation aller Daten und der Durchführung eines einzigen Regressionsmodells auf diesen Daten.

Ein einziges umfassendes Modell zu erstellen, ist oft der einfachste Ansatz: Alle Stichproben werden zusammengefasst, und die Unterschiede zwischen den verschiedenen Gruppen werden außer Acht gelassen.

Bei diesem Ansatz, insbesondere bei der Verwendung einfacher Modelle wie der linearen Regression, können jedoch Nuancen in den Daten übersehen werden, ein Phänomen, das als "Underfitting" bekannt ist. Komplexere "Black-Box"-Methoden, wie z. B. Gradient Boosting, können die verschiedenen Teildatensätze selbständig erkennen und daraus lernen, was eine potenziell höhere Genauigkeit ermöglicht. Dies geht jedoch auf Kosten der Interpretierbarkeit und macht es schwierig, die zugrunde liegenden Mechanismen und Entscheidungen des Modells zu verstehen.

Hier ist die Visualisierung des gepoolten Modells:

Die Punkte stellen die Verkaufsdaten für drei Regionen (A, B und C) im Verhältnis zu verschiedenen Werbeausgaben dar.
Man erkennt, dass die schwarze Linie zwar einen allgemeinen Trend erkennen lässt, aber die individuellen Trends für die einzelnen Regionen nicht perfekt wiederzugeben scheint.

Die schwarze Linie entspricht der Regressionslinie für das gepoolte Modell, das an alle Daten über die Regionen hinweg angepasst wird.

Ungepooltes Modell:

Im Gegensatz dazu erstellen wir für jede Gruppe ein eigenes Modell. Wenn wir also Daten für 3 Regionen haben, führen wir 3 separate Regressionsmodelle durch, eines für jede Region. Diese Modelle werden als ungepoolte Modelle bezeichnet.

Während jedes Modell auf eine bestimmte Teilmenge der Daten spezialisiert ist, zielen sie gemeinsam darauf ab, ein umfassendes Verständnis des gesamten Datensatzes zu vermitteln. Der Hauptvorteil besteht darin, dass diese Modelle spezifische Trends und Nuancen innerhalb jeder Teilmenge erfassen können.

Hier die Darstellung für die ungepoolten Modelle:

Die Punkte stellen die Verkaufsdaten für die drei Regionen (A, B und C) im Verhältnis zu den verschiedenen Werbeausgaben dar.
Die farbigen Linien stellen die Regressionslinien für jede der Regionen dar:

Die rote Linie stellt die Regression für die Region A dar.
Die grüne Linie stellt die Regression für die Region B dar
Die blaue Linie stellt die Regression für die Region C dar.

Sie können feststellen, dass die einzelnen Regressionslinien besser zu den jeweiligen regionalen Daten passen als das gepoolte Modell. Dies ist der Vorteil des ungepoolten Ansatzes: Er kann die Nuancen und Unterschiede der einzelnen Gruppen erfassen.

Allerdings gibt es auch Herausforderungen:

Die Notwendigkeit, mehrere Modelle anzupassen, was rechenintensiv sein kann.
Das Potenzial für eine Überanpassung, insbesondere wenn die Datensätze für einzelne Gruppen klein sind.

Zusammengefasst:

Gepooltes Modell: Liefert einen allgemeinen Trend für alle Daten, lässt aber möglicherweise Nuancen in einzelnen Gruppen außer Acht.
Ungepooltes Modell: Erfasst die Trends innerhalb der einzelnen Gruppen genauer, aber Sie erhalten mehrere Modelle.

Hier kommt bayesian MMM als magische Lösung ins Spiel.

Hierarchische Modellierung mit Hilfe des bayesian Ansatzes

Lassen Sie uns nun den hierarchischen Ansatz des bayesian MMM diskutieren.

Sowohl die gepoolte als auch die ungepoolte Methode haben ihre Vorteile, als auch ihre Nachteile:

Der gepoolte Ansatz könnte zu verallgemeinert sein und Nuancen in den Daten übersehen.
Der ungepoolte Ansatz kann Nuancen erfassen, könnte aber zu sehr auf einzelne Gruppen zugeschnitten sein, insbesondere wenn einige Gruppen nur über begrenzte Daten verfügen. Zudem müssten zu viele Modelle erstellt und analysiert werden, was sich als unrealistisch erweist.

Hierarchisches bayesian Modelling bietet einen Mittelweg. Hierarchische Modelle, die häufig unter Verwendung von Bayes'schen Techniken implementiert werden, stellen einen Mittelweg zwischen gepoolten und ungepoolten Modellen dar. Dazu gibt es eine einfache Erklärung:

Partielles Pooling: Hierarchische Modelle ermöglichen ein "partielles Pooling", d. h. sie teilen Informationen über Gruppen hinweg (wie das gepoolte Modell), lassen aber auch gruppenspezifische Effekte zu (wie die ungepoolten Modelle).

Und so geht's:

Gemeinsame Nutzung von Informationen: Bei der Analyse der Verkäufe eines neuen Produkts können in einigen Bereichen Daten fehlen. Das bayesian MMM nutzt geschickt Informationen aus gut repräsentierten Bereichen, um Vorhersagen in Bereichen mit geringen Datenmengen zu verbessern. Diese Technik ist von unschätzbarem Wert für verschiedene Unternehmen mit unterschiedlichen regionalen Merkmalen.

Komplexität bewältigen: Während herkömmliche Modelle über komplizierte hierarchische Daten stolpern können, gedeiht das bayesian MMM auf diesem Gebiet. Es erfasst geschickt Wechselwirkungen, wie z. B. die Auswirkung einer lokalen Werbeaktion auf den Gesamtumsatz, und erkennt gleichzeitig laufende Trends und saisonale Schwankungen.

Nutzung von Historie und Fachwissen: Die bayesian MMM integriert Daten aus der Vergangenheit und Expertenwissen. Dies ist bei der Navigation durch hierarchische Strukturen von entscheidender Bedeutung, um sicherzustellen, dass Entscheidungen sowohl auf historischem Kontext als auch auf Fachwissen beruhen.

Ausgewogene Modellierung: Das bayesian MMM basiert auf der Idee, dass jede Region oder Gruppe zwar einzigartig, aber Teil eines größeren gemeinsamen Musters ist. Wenn die Daten einer Region auf eine signifikante Abweichung hindeuten, passt sich das Modell an. Dieses Gleichgewicht zwischen Individualität und gemeinsamen Trends gewährleistet sowohl Spezifität als auch breite Anwendbarkeit.

Im Wesentlichen vereint hierarchisches bayesian Modelling die Stärken von gepoolten und ungepoolten Ansätzen. Sie lässt individuelle Gruppenunterschiede zu und profitiert gleichzeitig von den gemeinsamen Informationen der Gruppen. Im Zusammenhang mit Marketing-Mix-Modelling kann dies zu solideren Erkenntnissen über die Auswirkungen verschiedener Marketing-Hebel in verschiedenen Segmenten oder Regionen führen.

Anschauliches Beispiel: Die Coffeeshop-Kette

Stellen Sie sich vor, Sie sind der Marketingmanager von "BeanStreet", einer florierenden Coffeeshop-Kette mit Standorten in verschiedenen Stadtvierteln, Städten und Staaten.

Sie planen eine neue Werbekampagne und möchten wissen, welche Arten von Werbung (TV, soziale Medien, Radio) in den verschiedenen Gebieten am besten funktionieren und wie sich externe Faktoren wie Wetterbedingungen und lokale Veranstaltungen auf den Umsatz auswirken.

Die Herausforderung

Ihre Daten sind hierarchisch aufgebaut; Sie haben Cafés (Ebene 1), die in Nachbarschaften (Ebene 2) eingebettet sind, die wiederum Teil von Städten (Ebene 3) sind, die zu verschiedenen Staaten gehören (Ebene 4). Die Herausforderung besteht darin, das Zusammenspiel zwischen Werbemitteln und externen Faktoren auf diesen Ebenen zu verstehen, um Ihre Marketingstrategie zu optimieren.

Hier tritt bayesian MMM in Aktion

Sie beschließen, Bayesian Marketing Mix Modeling einzusetzen, um diese Herausforderung zu bewältigen.

Verstehen der Bundeslandpräferenzen: Mithilfe von Bayesian MMM finden Sie heraus, dass Social-Media-Werbung im Bundesland A effektiver ist, während TV-Werbung im Bundesland B eine größere Wirkung hat. Sie stellen fest, dass das Bundesland A eine jüngere Bevölkerung hat, die stärker auf Social-Media-Werbung reagiert.

Anpassung an Wettermuster: Sie stellen fest, dass der Absatz von heißem Kaffee bei kälterem Wetter ansteigt. Das Modell, das Daten aus verschiedenen Ebenen verwendet, zeigt, dass dieser Trend in der Stadt X, die lange, kalte Winter hat, besonders stark ist. Im Gegensatz dazu verkaufen sich kalte Kaffeesorten besser in wärmeren Klimazonen wie in Stadt Y.

Lokaler Einfluss von Ereignissen: Das bayesian MMM zeigt, dass lokale Veranstaltungen in bestimmten Stadtvierteln den Absatz erheblich steigern. Zum Beispiel verdreifacht sich der Umsatz während eines beliebten Kunstfestivals in Stadtviertel Z. Sie hatten nicht genügend Daten über das Stadtviertel Z, aber das Modell nutzt Informationen aus ähnlichen Stadtvierteln, um diese Vorhersage zu treffen.

Fundierte Entscheidungen treffen

Mit diesen Erkenntnissen aus dem bayesian MMM können Sie eine Reihe von datengestützten Entscheidungen treffen:

Stellen Sie mehr Mittel für Werbung in sozialen Medien in Staat A und für Fernsehwerbung in Staat B zur Verfügung.
Starten Sie in der Stadt X im Winter spezielle Aktionen für heißen Kaffee und in der Stadt Y im Sommer Kampagnen für kalten Kaffee.
Arbeiten Sie mit den Veranstaltern in der Nachbarschaft Z zusammen, um während des Kunstfestivals spezielle Rabatte oder limitierte Menüs anzubieten.

Dieses Beispiel zeigt, wie BeanStreet dank der Fähigkeit des bayesian Marketing Mix Modelling, hierarchische Daten zu verarbeiten, in der Lage ist, äußerst gezielte und effektive Marketingentscheidungen zu treffen, die den Abweichungen auf jeder Hierarchieebene Rechnung tragen - vom Bundesstaat bis hin zu den einzelnen Stadtvierteln.

-

How MMT could help you

If you are interested in setting up a marketing mix model for your company, we would be happy to support you in this process, either as a consultant or with our Self-Service Marketing Mix Modeling Software, depending on your needs and available expertise. Feel free to get in touch with us!

Der Ausblick in die Zukunft

Für Werbetreibende und Werbeagenturen sind hierarchische Daten wie ein Brunnen von Erkenntnissen, die darauf warten, angezapft zu werden. Bayesian hierarchical Marketing-Mix-Modelling (BHMMM) mit seiner Fähigkeit, elegant durch die Komplexität hierarchischer Daten zu navigieren, ist das Seil, das Ihnen helfen wird, Wasser aus diesem Brunnen zu schöpfen.

Ganz gleich, ob Sie versuchen, Werbekampagnen zu optimieren oder regionale Trends besser zu verstehen, Bayesian Hierarchical Marketing Mix Modelling (BHMMM) bietet ein leistungsstarkes und anpassungsfähiges Werkzeug, um Daten in Insights und Insights in Maßnahmen zu verwandeln.

Setzen Sie also Ihre magische Brille auf und tauchen Sie ein in die Welt der hierarchischen Daten mit Bayesian Hierarchical Marketing Mix Modelling (BHMMM) - wo Daten Geschichten erzählen und Insights zum Erfolg führen.