Smartere Budgetentscheidungen mit Googles NNN: Was Marketingverantwortliche wissen sollten

Klügere Budgetentscheidungen mit Googles NNN: Was Marketingverantwortliche wissen sollten

Google hat etwas Neues im Bereich der Medienmessung vorgestellt – und es richtet sich an Marketer, die sich ernsthaft fragen, was wirklich Ergebnisse bringt.

Marketingbudgets wachsen nicht mehr wie früher. Und der Druck, den ROI nachzuweisen, steigt. Es reicht nicht mehr zu wissen, wie viel ausgegeben wurde – oder wo. Heute zählen Fragen wie:

👉 Welcher Kanal hat wirklich beigetragen?

👉 Welches Creative hat tatsächlich funktioniert?

👉 Und wie greifen diese Elemente über die Zeit hinweg ineinander?

Das Marketing-Mix-Modelling (MMM) war lange eine der zuverlässigsten Methoden, um solche Fragen zu beantworten. Es hilft Marketer:innen zu verstehen, wie verschiedene Medienkanäle zum Geschäftserfolg beitragen – ganz ohne nutzerbasierte Trackingdaten. Mit der Einführung von NNN (Next-Gen Neural Network) bringt Google nun einen neuen Ansatz für MMM, der das Denken vieler Marken über Attribution und Budgetallokation grundlegend verändern könnte.

‍

Das Problem mit traditionellen MMM-Modellen

Traditionelle MMM-Modelle – ob linear oder bayesianisch – haben zweifellos ihre Stärken: Sie sind gut interpretierbar, funktionieren zuverlässig mit historischen Daten und geben eine grobe Orientierung, welche Faktoren den ROI beeinflussen. Doch sie haben auch gravierende Schwächen.

Am auffälligsten ist ihre Annahme relativ statischer Beziehungen zwischen Input (z. B. Mediaausgaben) und Output (z. B. Verkäufen). Dadurch bleiben langfristige Effekte von Branding-Kampagnen oder indirekte Wechselwirkungen zwischen Kanälen oft unberücksichtigt – etwa wenn eine TV-Kampagne mehr gebrandete Suchanfragen auslöst, was wiederum die Conversion-Rate im Paid Search erhöht.

Ein weiteres Problem: Traditionelle Modelle behandeln alle Impressions innerhalb eines Kanals gleich. Ob eine auffällige Videoanzeige oder ein etwas weniger auffälliges Display-Banner – das Modell sieht einfach nur „X Tausend Impressions“ und gewichtet sie identisch.

‍

NNN: Ein ganzheitlicherer Ansatz

NNN ist Googles vorgeschlagene Lösung für diese Lücken. Es integriert transformationsbasierte neuronale Netzwerke – ähnlich denen, die in modernen KI-Modellen verwendet werden – und wendet sie auf den Anwendungsfall der Marketing-Mix-Modellierung (MMM) an. Die Idee dahinter ist, über einfache statistische Zusammenhänge hinauszugehen und ein Modell zu entwickeln, das die komplexen, nicht-linearen Wirkweisen von Medien über Zeit und über verschiedene Kanäle hinweg erlernen kann. Darüber hinaus kann NNN durch die Integration zentraler Komponenten aktueller Large Language Models sogar nicht-numerische Daten kodieren und analysieren.

Anstatt sich ausschliesslich auf aggregierte Eingaben wie „TV-Ausgaben pro Woche“ zu stützen, kann NNN reichhaltigere Signale einbeziehen: Merkmale des Creatives, Veränderungen in organischen Suchtrends und sogar Interaktionen zwischen verschiedenen Kanälen. Das bedeutet: Das Modell betrachtet nicht nur, wie viel ausgegeben wurde – es beginnt auch zu verstehen, was gesagt wurde, wo es gesagt wurde und wie Menschen darauf reagiert haben.

Ein weiteres zentrales Merkmal von NNN ist seine Fähigkeit, verzögerte und indirekte Effekte zu erfassen. Während traditionelle Modelle vor allem jenen Kanälen den größten Einfluss zuschreiben, die unmittelbar vor einem Kaufabschluss stehen, kann NNN zurückverfolgen, wie frühere Branding-Aktivitäten spätere Ergebnisse beeinflusst haben – eine entscheidende Fähigkeit für Full-Funnel-Marketer.

‍

Wann ist NNN sinnvoll?

Diese Art der Modellierung ist nicht für jedes Unternehmen geeignet. Nach dem derzeit veröffentlichten Stand eignet sich NNN am besten für groß angelegte Werbetreibende mit:

● Substanziellen Media-Budgets (in der Regel über 1 Mio. CHF jährlich)

● Einem komplexen Kanal-Mix (z. B. TV, Video, Search, Social Media)

● Vielfältigen Creatives und Botschaften

● Zuverlässigem Zugang zu historischen Leistungs- und Suchdaten

Wenn deine Kampagnen überwiegend kurzfristig, performance-orientiert und dein Media-Mix eher einfach ist, ist ein traditionelles MMM-Modell vermutlich weiterhin die passende Wahl. Wenn du jedoch integrierte Kampagnen über verschiedene Regionen und Formate hinweg betreibst, bei denen Branding und Performance zusammenspielen, kann NNN dabei helfen, die wahren Treiber der Rendite sichtbar zu machen.

‍

Traditionelles MMM vs. NNN — Auf einen Blick

‍

‍

Was das für die Budgetplanung bedeutet

Für Marketingverantwortliche stellt sich vor allem eine zentrale Frage: Wie hilft mir das, besser zu planen?

Das Versprechen von NNN besteht darin, präzisere und realistischere Einblicke zu liefern – besonders in Situationen, in denen sich Kanäle gegenseitig beeinflussen oder Medien eine langfristige Wirkung entfalten. Das bedeutet: bessere Entscheidungsgrundlagen, um Budgets gezielt zu verschieben, Creatives zu identifizieren, die tatsächlich wirken, und Kanäle zu erkennen, die auch ohne sofortige Conversion langfristige Investitionen verdienen. 

Anstatt sich zu fragen: „Was war der letzte Klick?“, hilft NNN bei der Antwort auf die viel wichtigere Frage: „Was hat Menschen im Zeitverlauf tatsächlich zum Kauf bewegt?“ Und in einer Welt, in der Marketing-Attribution zunehmend fragmentiert ist, ist das eine entscheidende Perspektive.

‍

Der Haken? Kein Plug-and-Play

NNN ist – wie die meisten neuronalen Modelle – komplex. Es ist nicht in gängigen Standard-Analyse-Tools verfügbar, und die Implementierung erfordert Data-Science-Expertise, eine durchdachte Datenaufbereitung sowie eine solide technische Infrastruktur. Es ist zu erwarten, dass Google eine ähnliche Infrastruktur wie bei Meridian bereitstellen wird, sobald das Modell öffentlich zugänglich ist.

Das ist nicht zwingend ein Nachteil – sondern vielmehr ein Hinweis darauf, dass der Wert von NNN in seiner Anpassungsfähigkeit und Tiefe liegt, nicht in der sofortigen Nutzbarkeit als Standard-Dashboard. Für größere Marken mit der richtigen technischen Basis kann sich die Investition durch die gewonnenen Erkenntnisse definitiv auszahlen.

‍

Abschliessende Gedanken

NNN stellt einen wichtigen Fortschritt in der Art und Weise dar, wie wir die Wirksamkeit von Marketing messen. Es ersetzt das traditionelle MMM nicht – sondern erweitert die Möglichkeiten für Marketer, die eine detailliertere Sicht darauf benötigen, was funktioniert – und warum.

Da Medienstrategien immer komplexer werden und sich Datenschutzbestimmungen weiterentwickeln, werden Tools wie NNN künftig eine größere Rolle bei strategischen Entscheidungen spielen. Schon jetzt bietet es die Chance, neu zu überdenken, wie wir Performance definieren – und mit den vorhandenen Daten klüger zu planen.

Bereit, die passende Modellierungsstrategie für Ihre Marke zu finden? Kontaktieren Sie unser Expertenteam für eine persönliche Beratung.

‍