Marketing Mix Modeling: Praktische Implementierung mit Robyn

Das Attribution-Fenster ist auf 7 Tage geschrumpft, Cookie-Consent-Ablehnungen überschreiten 40%, Multi-Touch-Kanalattribution ist unmöglich geworden. 2026 bleibt Performance-Marketern nur ein zuverlässiger Weg: das aggregierte ökonometrische Modell — Marketing Mix Modeling. Meta's Robyn-Bibliothek, 2021 als Open Source freigegeben, machte diesen Prozess erstmals produktionsreif. Wie interpretiert man Sättigungskurven, was bedeutet Adstock-Decay, in welchen Bandbreiten funktioniert Holdout-Validierung — in diesem Artikel werden wir Robyn auf Ihrem BigQuery-Data-Stack einrichten und diese Fragen beantworten.

Was Robyn ist — und was nicht

Robyn ist eine R-Bibliothek. Das Facebook Marketing Science Team hat sie als Open Source veröffentlicht. Ihr Zweck: wöchentliche oder tägliche aggregierte Kanalausgaben plus externe Makrovariablen (Feiertage, Saisonalität, Preise) mit einer Sales-Metrik regressieren. Output: ROAS pro Kanal, Sättigungsniveau, Verzögerungseffekt (Adstock), optimale Budgetallokation.

Was sie nicht ist: Sie ist nicht Last-Click-Attribution, sie verfolgt keine Konversionspfade auf Benutzerebene. Sie nutzt keine persönlichen Daten, wartet nicht auf Cookie-Signale. Sie verwendet aggregierte Zeitreihen-Regressionsmodelle — keine Ridge oder Lasso, sondern durchsucht mit Nevergrad-Hyperparameter-Optimierung komplexe nicht-lineare Transformationen.

In typischen MMM-Prozessen werden Daten auf Monatsbasis modelliert — etwa 36 Datenpunkte. Robyn funktioniert auch mit täglicher Granularität — empfohlen werden mindestens 104 Wochen (2 Jahre). Bei weniger als 52 Wochen ist die Varianz hoch, Konfidenzintervalle werden unzuverlässig.

Sättigungskurve: S-Curve und Hill-Funktion

Im Kern von Robyn stecken zwei Saturation-Transformationen: Adbudg (S-Curve) und Hill. Beide codieren die Annahme abnehmender Grenzerträge. Das heißt: Wenn Sie einen Kanal um weitere 1.000 TL erhöhen, erhalten Sie nicht die gleiche Conversion-Steigerung wie bei den ersten 1.000 TL.

Hill-Transformationsformel:

y = K * (x^alpha) / (S^alpha + x^alpha)

• K: maximale Reaktion (Asymptote)
• S: Halbsättigungspunkt (bei diesem Ausgabenniveau erreicht die Reaktion 50% von K)
• alpha: Steilheit der Kurve (alpha > 1 ergibt S-Kurve, alpha < 1 konkave Kurve)

Robyn optimiert für jeden Kanal alpha- und S-Parameter mit Nevergrad. Es versucht über 10.000 Kombinationen, wählt den besten Fit mit niedrigstem NRMSE (normalisierter Wurzelmittlerer Fehler).

Praktische Interpretation:

• Wenn für Google Ads S = 50.000 TL ermittelt wird, bedeutet das: Wöchentliche 50.000 TL Ausgaben erreichen die Hälfte Ihres Reaktionspotenzials.
• Wenn alpha = 2,5, ist die Kurve steil S-förmig — unterhalb von 50.000 TL ist der Ertrag sehr niedrig, darüber steigt er sehr langsam.
• Der Budget Optimizer nutzt diese Kurven um die Frage zu beantworten: „Ist es besser, Google Ads von 50.000 auf 60.000 TL zu erhöhen, oder Facebook von 30.000 auf 40.000?"

In der Realität: Search Budget wird meist konkav (alpha < 1), Display/Video S-förmig (alpha > 1). Search-Nachfrage ist begrenzt, Display-Pool unbegrenzt, aber Aufmerksamkeit ist knapp.

Adstock Decay: Modellierung verzögerter Effekte

Marketingausgaben wirken auf den Umsatz oft nicht am selben Tag, sondern über Wochen hinweg. TV-Werbung schafft noch 3 Wochen später Brand Recall, Paid Social wirkt in 7 Tagen ab. Adstock modelliert mathematisch diese Verzögerung (Carryover) und den Verfall (Decay).

Robyn bietet zwei Adstock-Transformationen:

1. Geometric Adstock: Exponentieller Verfall. Parameter Theta (0–1). Theta = 0,5 bedeutet: Die Auswirkung der Vorwoche beträgt 50% dieser Woche.
2. Weibull Adstock: Flexibler — Peak-Verzögerung + Long Tail. Parameter: Shape (k) und Scale (Lambda). Für Kanäle wie TV mit verzögertem Peak-Effekt bevorzugt.

Geometric Adstock Formel:

adstocked_t = spend_t + theta * adstocked_(t-1)

Robyn optimiert für jeden Kanal theta (oder k, Lambda) per Grid Search. Der Nutzer definiert in hyperparameters.json eine Range für theta (z.B. 0–0,7), das Modell findet das beste Theta.

Was praktisch zu tun ist:

hyperparameters <- list(
  google_ads_S = c(0.3, 3),      # theta Range für Adstock
  google_ads_alphas = c(0.5, 3), # alpha Range für Sättigung
  facebook_ads_S = c(0.1, 2),
  facebook_ads_alphas = c(1, 5)
)

Ergebnis: Google Ads Theta = 0,4, Facebook Theta = 0,2 bedeutet: Google Ads' Effekt ist länger anhaltend. Der Budget Planner berücksichtigt das — ein Viertel Ihres Google Ads-Budgets wirkt noch 2 Wochen später, Facebooks wirkt nach 1 Woche ab.

Code-Block: Einfache Adstock-Transformation (R)

apply_geometric_adstock <- function(spend, theta) {
  adstocked <- numeric(length(spend))
  adstocked[1] <- spend[1]
  for (t in 2:length(spend)) {
    adstocked[t] <- spend[t] + theta * adstocked[t - 1]
  }
  return(adstocked)
}

# Beispiel: Google Ads Ausgaben
google_spend <- c(10000, 15000, 12000, 8000, 20000)
theta_google <- 0.5
adstocked_google <- apply_geometric_adstock(google_spend, theta_google)
print(adstocked_google)
# [1] 10000.0 20000.0 22000.0 19000.0 29500.0

Dieser Code läuft in Robyn auf C++-Ebene optimiert, die Logik ist aber identisch.

Holdout-Validierung: Modellzuverlässigkeitstest

Robyn riskiert beim Modellfit Overfitting. 10 Kanäle + 5 Makrovariablen + jeweils Saturation und Adstock Parameter → 30+ Variablen. Bei 104 Datenpunkten ist das ein sehr hohes Freiheitsgrad-Verhältnis.

Robyn nutzt Holdout-Validierung: Die letzten N Wochen von Daten werden aus dem Training ausgeschlossen. Das Modell lernt aus bisherigen Daten, macht Vorhersagen für die Holdout-Periode, vergleicht mit den echten Werten, berechnet MAPE (mittlerer absoluter prozentualer Fehler).

Holdout-Definition in Robyn:

InputCollect <- robyn_inputs(
  dt_input = df_marketing,
  dep_var = "revenue",
  paid_media_spends = c("google_ads", "facebook_ads", "tiktok_ads"),
  window_start = "2024-01-01",
  window_end = "2026-04-30",
  adstock = "geometric",
  prophet_vars = c("trend", "season", "holiday"),
  prophet_country = "TR"
)

# Holdout: letzte 8 Wochen
OutputModels <- robyn_run(
  InputCollect = InputCollect,
  iterations = 2000,
  trials = 5,
  ts_validation = TRUE,
  ts_holdout = 8  # letzte 8 Wochen als Test-Set
)

Interpretation der Ergebnisse:

• NRMSE Train < 0,10, NRMSE Holdout < 0,15 → Modell ist zuverlässig.
• NRMSE Train = 0,05, Holdout = 0,30 → Overfitting, Hyperparameter-Range muss enger werden.
• Decomp.RSSD (Response Sum of Squared Differences): Wie viel des geschätzten Revenue erklären die Kanäle? 0,6+ ist gut, 0,8+ exzellent.

Robyn führt gleichzeitig 5 Trials aus (verschiedene Nevergrad-Random-Seeds), jeder Trial 2.000 Iterationen, die besten 10 Modelle werden auf der Pareto-Front angezeigt. Der Nutzer wählt ein Modell basierend auf Business-Constraints (z.B. „Google Ads ROAS darf nicht unter 3 fallen").

Robyn mit BigQuery: Pipeline-Architektur

Robyn läuft in der R-Umgebung, die Datenquelle kann aber BigQuery sein. Typischer Stack:

1. BigQuery Data Warehouse: Tägliche Ausgabentabelle (spend_daily), Konversionstabelle (conversions_daily), Makrovariablen (Feiertage, Wetter, Konkurrenzpreise).
2. dbt Transformation: Join + Aggregation. In wöchentliche Zeilen transformieren, kanalweise Ausgabenkolumnen erstellen.
3. R-Script (Cloud Run oder Vertex AI): Mit bigrquery-Paket Daten aus BigQuery ziehen, in Robyn speisen, Modellergebnisse zurück nach BigQuery schreiben.
4. Looker Studio Dashboard: Modelloutput visualisieren — Kanal-ROAS, optimale Budget-Aufteilung, Sättigungskurven.

dbt-Modell-Beispiel (marketing_mix_weekly.sql):

WITH spend_agg AS (
  SELECT
    DATE_TRUNC(spend_date, WEEK) AS week_start,
    SUM(CASE WHEN channel = 'google_ads' THEN spend ELSE 0 END) AS google_ads_spend,
    SUM(CASE WHEN channel = 'facebook_ads' THEN spend ELSE 0 END) AS facebook_ads_spend,
    SUM(CASE WHEN channel = 'tiktok_ads' THEN spend ELSE 0 END) AS tiktok_ads_spend
  FROM `project.dataset.spend_daily`
  WHERE spend_date BETWEEN '2024-01-01' AND '2026-04-30'
  GROUP BY 1
),
revenue_agg AS (
  SELECT
    DATE_TRUNC(conversion_date, WEEK) AS week_start,
    SUM(revenue) AS total_revenue
  FROM `project.dataset.conversions_daily`
  WHERE conversion_date BETWEEN '2024-01-01' AND '2026-04-30'
  GROUP BY 1
)
SELECT
  s.week_start,
  s.google_ads_spend,
  s.facebook_ads_spend,
  s.tiktok_ads_spend,
  r.total_revenue
FROM spend_agg s
LEFT JOIN revenue_agg r USING (week_start)
ORDER BY week_start

Diese Tabelle wird in BigQuery materialisiert, das Robyn R-Script zieht sie mit bigrquery::bq_table_download(). Der Modelloutput (wöchentlicher Kanalbeitrag) wird zurück nach BigQuery geschrieben — BI-Tools lesen von dort.

Budget Optimizer: Pareto-optimale Allokation

Nach dem Modellfit führt Robyn ein zweites Modul aus: den Budget Allocator. Eingaben: Gesamtbudget (z.B. 500.000 TL/Woche), Kanalbudget-Constraints (z.B. Google Ads Minimum 50.000 TL). Ausgabe: Optimale Aufteilung zur ROAS-Maximierung.

Algorithmus: Nimmt die Ableitung der Sättigungskurve jedes Kanals (Grenz-ROAS), verschiebt Ausgaben bis die Grenz-ROAS ausgeglichen ist. Das ist Lagrange-Multiplier-Optimierung.

Beispiel-Ergebnis-Tabelle:

Interpretation: Display liefert selbst weit unter dem Sättigungspunkt nur 1,2 ROAS — sollte gestrichen werden. Google Ads ist bereits über dem Sättigungspunkt, eine Reduktion um 20.000 TL erhöht den ROAS. Facebook Ads ist noch in der flachen Kurvenphase, Budget-Erhöhung ist effizient.

Diese Tabelle wird dem CFO vorgelegt, Robyns SQL-Output wird in Looker visualisiert. Die Entscheidungsfindung wird datengesteuert — „Geben Sie Facebook diesen Monat 50.000 TL mehr" ist nun Modelloutput, nicht Vermutung.

Um Robyn zu implementieren, benötigen Sie 2 Jahre wöchentliche granulare Daten, eine R-Umgebung, BigQuery-Verbindung und 4–