Was ist adstock in der Marketing Mix Modeling?

Adstock ist ein Konzept, das häufig in der Marketing-Mix-Modeling (MMM) verwendet wird, um die Übertragungseffekte von Werbung zu berücksichtigen

Adstock bezieht sich auf die verbleibende Auswirkung, die eine Anzeige auf das Verbraucherverhalten hat, selbst nachdem die Anzeige eingestellt wurde. Beim Erstellen von MMM ist es wichtig, Adstock zu verstehen. Dies liegt daran, dass Adstock in der Marketing-Mix-Modeling Vermarktern helfen kann, die langfristigen Auswirkungen ihrer Werbemaßnahmen genau abzuschätzen.

1. Warum ist Adstock in MMM wichtig?

Bei der Marketing-Mix-Modelling werden die Auswirkungen verschiedener Marketingaktivitäten auf das Verbraucherverhalten wie Verkäufe oder Website-Traffic analysiert. Adstock ist in MMM wichtig, weil es hilft, die langfristige Wirkung von Werbung zu berücksichtigen. Zum Beispiel kann eine Werbung für ein Produkt das Verbraucherverhalten auch dann noch beeinflussen, wenn die Werbung aufgrund einer verbleibenden Markenbekanntheit oder anderer Faktoren nicht mehr läuft. Durch die Einbeziehung von Adstock in MMM können Vermarkter die langfristigen Auswirkungen ihrer Werbemaßnahmen genauer einschätzen und ihren Marketing-Mix entsprechend optimieren.

2. Beispiel eines Adstocks: Berechnung mit Weibull PDF, Weibull CDF und geometrischen Funktionen:

1. Weibull PDF: 

Eine Möglichkeit, Adstock zu berechnen, ist die Verwendung der Weibull-Wahrscheinlichkeitsdichtefunktion (PDF). Das Weibull-PDF ist eine häufig verwendete Verteilungsfunktion in der Zuverlässigkeitstechnik und kann auch auf die Adstock-Modellierung angewendet werden. Die Formel für das Weibull-PDF lautet:

f(t) = (k/λ) * (t/λ)^(k-1) * e^(-(t/λ)^k)

Wo:

– f(t) ist die Wahrscheinlichkeitsdichtefunktion der Weibull-Verteilung zum Zeitpunkt t

– k ist der Formparameter, der die Form der Verteilung steuert

– λ ist der Skalenparameter, der die Lage der Verteilung steuert

Vorteile:

– Das Weibull-PDF ist eine flexible und vielseitige Verteilungsfunktion, die verwendet werden kann, um eine Vielzahl von Phänomenen zu modellieren, einschließlich Adstock.

– Es enthält eine detaillierte Beschreibung, wie sich die Wahrscheinlichkeit von Restauswirkungen im Laufe der Zeit ändert, was für das Verständnis der Dynamik von Adstock hilfreich sein kann.

Nachteile:

– Das Weibull-PDF erfordert das Anpassen von zwei Parametern (k und λ) an Daten, was rechenintensiv sein kann und möglicherweise eine große Datenmenge erfordert, um genaue Schätzungen zu erhalten.

– Das Weibull-PDF geht davon aus, dass die Wahrscheinlichkeit eines Restaufpralls mit der Zeit monoton abnimmt, was in der Praxis nicht immer der Fall sein muss.

2. Weibull CDF: 

Eine weitere Möglichkeit zur Berechnung des Werbebestands ist die Verwendung der kumulativen Verteilungsfunktion (CDF) von Weibull. Die Weibull-CDF beschreibt die Wahrscheinlichkeit, dass der Reststoß vor oder zu einem bestimmten Zeitpunkt t auftritt. Die Formel für die Weibull-CDF lautet:

F(t) = 1 – e^(-(t/λ)^k)

Vorteile:

– Die Weibull-CDF bietet eine einfache und intuitive Methode zur Modellierung von Adstock, da sie die Wahrscheinlichkeit beschreibt, dass innerhalb eines bestimmten Zeitrahmens eine verbleibende Auswirkung auftritt.

– Es ist relativ einfach, die Weibull-CDF an Daten anzupassen, da nur die beiden Parameter (k und λ) geschätzt werden müssen.

Nachteile:

– Die Weibull-CDF geht davon aus, dass die Wahrscheinlichkeit eines Reststoßes mit der Zeit monoton abnimmt, was in der Praxis nicht immer der Fall sein muss.

– Es bietet im Vergleich zum Weibull-PDF weniger Informationen über die Dynamik von Adstock.

3. Geometric Function

Die geometrische Funktion ist eine einfache und häufig verwendete Methode zur Modellierung von Adstock. Die geometrische Funktion geht davon aus, dass die Wahrscheinlichkeit eines Restaufpralls mit der Zeit exponentiell abnimmt. Der einzige Parameter, der für die geometrische Funktion geschätzt werden muss, ist λ.

Die Formel für die geometrische Funktion lautet:

f(t) = exp(-λt)

Vorteile:

• Die geometrische Funktion ist einfach zu schätzen und zu interpretieren und erfordert nur einen einzigen Parameter (λ).
• Es wird davon ausgegangen, dass die Wahrscheinlichkeit von Restauswirkungen mit der Zeit exponentiell abnimmt, was in vielen Fällen eine vernünftige Annahme ist.

Nachteile:

• Die geometrische Funktion geht davon aus, dass die Wahrscheinlichkeit eines Restaufpralls mit der Zeit exponentiell abnimmt, was in der Praxis nicht immer der Fall sein muss.
• Sie liefert im Vergleich zu den Weibull-Funktionen weniger Informationen über die Dynamik von Adstock.

Schließlich ist Adstock ein wesentliches Konzept in MMM, das Vermarktern hilft, die langfristigen Auswirkungen ihrer Werbemaßnahmen genau einzuschätzen. Wir haben untersucht, wie Adstock mit drei verschiedenen Funktionen berechnet werden kann.

Möchten Sie mehr über Adstock in der Marketing-Mix-Modeling erfahren?

Kontaktieren Sie uns oder folgen Sie uns auf Linkedin!