Bayes-MMM mit Carryover und Sättigung (Google-Grundlagenpapier)Bayesian Methods for Media Mix Modeling with Carryover and Shape Effects

Jin, Wang, Sun, Chan, Koehler (Google) · Google Research · 2017

Bayesianische Media-Mix-Modelle mit flexiblen Formen für Nachwirkung und abnehmende Erträge lassen sich mit großen Datensätzen gut schätzen; bei kleinen Datensätzen bestimmen aber die Vorannahmen das Ergebnis, und der optimale Media-Mix schwankt stark.

5,3MFK-Score von 10 · Ergebnis: gemischt

Studiendesign6

Datenbasis3

Unabhängigkeit4

Replikation6

Übertragbarkeit8

Methodisch einflussreich, aber Simulation plus Einzelfall von einem Werbeanbieter; die Kernwarnung zu Priors wird in der MMM-Praxis breit geteilt. Die Befundlage ist uneinheitlich oder nur unter Bedingungen gültig. Wie der Score entsteht →

Methode: Methodenpapier mit Simulationsstudien und Anwendung auf Daten eines Shampoo-Werbetreibenden; Modellwahl per BIC, ROAS und mROAS aus Posterior-Ziehungen.
Datenbasis: Simulierte Daten plus ein Fallbeispiel (Shampoo).
Einschränkungen und häufige Fehlzitate: Keine Validierung gegen Experimente; zeigt eher Grenzen als Wirkungsbefunde. Wird oft als Beleg zitiert, dass MMM präzise Budgetempfehlungen liefere – das Papier zeigt das Gegenteil für kleine Datensätze.
Interessenlage: Google als Anbieter von Werbung und später von MMM-Software (Lightweight MMM, Meridian)
Quelle: https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/ (frei zugänglich)

Zitieren

Marketing Facts Kompakt (Hrsg.): „Bayes-MMM mit Carryover und Sättigung (Google-Grundlagenpapier)“. MFK-Studiendatenbank, Stand 2026-11-08. https://marketing-facts.de/studien/jin-et-al-bayes-mmm-2017/

gemischtMessung & AttributionMedia & BudgetMethodik & Marktforschung

← Alle Studien