Marketingteams voelen het al een tijd: meten wordt tegelijk belangrijker en lastiger. Cookies verdwijnen, kanalen stapelen zich op (paid social, search, marketplaces, DOOH, radio), en finance wil een antwoord dat verder gaat dan clicks. Media mix modeling (MMM) is dan ineens weer onderwerp in boardrooms, ook bij middelgrote merken.
Het mooie is dat MMM geen magie is. Het is vooral een discipline: je brengt marketing, sales en context samen in één model, zodat budgetkeuzes minder op onderbuik en meer op aantoonbare bijdrage draaien.
Wat MMM is (en wat het niet is)
Media mix modeling is een statistische methode die op geaggregeerd niveau schat hoeveel elk kanaal bijdraagt aan een KPI, meestal omzet, marge of leads. Je kijkt niet naar individuele klantpaden, maar naar patronen in de tijd: week 32 versus week 33, met alle marketingdruk en externe invloeden die daarbij horen.
MMM is dus geen vervanger van je advertentieplatformrapportages. Het is ook geen knop waarmee je “de waarheid” vindt. Het is een modelmatige benadering van de vraag: als we in kanaal X meer of minder investeren, wat gebeurt er dan waarschijnlijk met onze totale business-KPI?
Een goede MMM-uitkomst is bruikbaar, niet perfect.
Hoe MMM werkt: van tijdreeks naar bijdrage per kanaal
In de basis bouw je een tijdreeksmodel (vaak op week- of maandniveau) waarin je de KPI verklaart uit marketinginzet en contextvariabelen. Dat kan met klassieke regressie, Bayesiaanse varianten of moderne frameworks die verzadiging en vertraging slim meenemen.
Twee concepten komen bijna altijd terug:
- Adstock (carry-over): effect van media houdt aan na de campagneweek.
- Verzadiging (diminishing returns): de eerste extra euro werkt vaak beter dan de honderdste extra euro in hetzelfde kanaal.
Een MMM probeert ook “baseline” te scheiden van “incremental”: welk deel van de sales gebeurt toch al door merksterkte, distributie, seizoen, prijsniveau en marktvraag?
Dat maakt MMM relevant voor organisaties met meerdere kanalen, waarbij het totaal meer is dan de som van platform-KPI’s.
Je input bepaalt je output.
Na die constatering wordt MMM vooral een dataproject. Een model heeft genoeg variatie nodig om te leren: periodes met meer en minder spend, verschillende campagnetypes, acties, prijswijzigingen. Zonder variatie krijg je vooral mooie grafieken met weinig besluitwaarde.
De meeste middelgrote merken starten met een set basisvariabelen en breiden uit zodra de dataketen klopt. Denk aan:
- Sales/KPI: omzet, orders, leads of marge per week
- Mediadruk per kanaal: spend, GRP’s, impressies, clicks (één meeteenheid per kanaal is al winst)
- Promoties en prijs: korting, bundels, flyerweken, prijsindex
- Externe factoren: seizoensdummy’s, feestdagen, weer, macro-indicatoren
- Concurrentiedruk (optioneel): share of voice, prijsacties, categoriepromoties
Wat je uit MMM haalt: ROI, response curves en scenario’s
De output waar teams op hopen is “ROI per kanaal”. Die krijg je vaak, maar de echte waarde zit in twee extra lagen.
Eén: response curves. Je ziet dan niet alleen welk kanaal werkt, maar ook waar het kanaal begint te verzadigen. Dat is precies het gesprek dat je nodig hebt wanneer je budget groeit of juist onder druk staat.
Twee: scenario’s. MMM is sterk in “wat-als”: als we 15% verschuiven van kanaal A naar B, wat is dan de verwachte impact op KPI? Dat is veel praktischer dan een historisch rapport.
Om het verschil scherp te maken tussen modeloutput en actie, helpt dit overzicht:
| MMM-uitkomst | Wat je er mee besluit | Typische valkuil |
|---|---|---|
| Incrementele bijdrage per kanaal | Herallocatie van budget over kanalen | Kanalen met weinig variatie lijken “zwak” |
| Adstock en vertraging | Timing: flighting, pulsing, always-on | Te korte periode kiezen (maanddata) |
| Verzadigingscurve | Waar extra spend nog rendabel is | Verzadiging verwarren met slechte creatie |
| Baseline vs marketinggedreven deel | Realistische targets en forecast | Baseline onderschatten bij sterke seizoenen |
| Scenario-simulaties | Budgetplanning, kwartaalsturing | Scenario’s niet valideren met tests |
MMM naast attributie en experimenten
Veel teams zitten al in multi-touch attributie (MTA), platform-attributie of incrementality tests. MMM past daar naast, met een ander doel en ander detailniveau.
MMM werkt juist goed wanneer je ook offline inzet hebt, wanneer privacy-tracking beperkt is, of wanneer management vraagt om een totaalbeeld op business-KPI’s. MTA is beter voor dagelijkse optimalisatie binnen digitale kanalen. Experimenten zijn weer het sterkst in causaliteit, maar je kunt niet alles tegelijk testen.
Hier is een praktische vergelijking voor middelgrote merken:
| Methode | Waar het sterk in is | Waar het wringt |
|---|---|---|
| MMM | Kanaalvergelijking op totaalniveau, offline + online, budgetscenario’s | Datavereisten, interpretatie, minder detail per doelgroep |
| (Digitale) attributie | Dagelijkse sturing in paid search/social, funnel-inzichten | Cookieverlies, mist offline, vaak short-term bias |
| Experimenten (A/B, geo-tests) | Causaal bewijs voor één verandering | Kost tijd, beperkt aantal tegelijk, niet altijd schaalbaar |
Wanneer MMM zinvol is voor middelgrote merken
MMM wordt interessant zodra je marketingmix complexer is dan “één kanaal, één conversiepad”. In de praktijk zie je bij middelgrote merken een paar duidelijke triggers:
- je investeert in meerdere kanalen en voelt dat de som niet klopt met platformrapportages
- je doet (ook) offline of upper-funnel inzet: radio, outdoor, sponsoring, DOOH, TV, print
- je hebt terugkerende promoties of prijsacties die sales sterk beïnvloeden
- je wilt budgetplanning op kwartaal- of jaarbasis onderbouwen richting directie en finance
In sectoren als recruitment, e-commerce en vastgoed is dit herkenbaar. Recruitmentteams combineren jobboards, paid social, search en employer branding. E-commerce heeft seizoenspiek, promotiedruk en remarketing. Vastgoed heeft lange beslistrajecten en lokale campagnes die niet netjes in last-click passen.
Een simpele readiness-check helpt om het gesprek concreet te maken. Je hoeft niet overal een 10 te scoren, maar je wil geen rode waas op alle punten.
- Dataperiode: bij voorkeur 18 tot 24 maanden consistente weekdata
- Kanaalvariatie: spend beweegt echt, niet elke week hetzelfde
- Meetdefinities: omzet/leads zijn stabiel gedefinieerd, geen dashboardwissel halverwege
- Besluitruimte: je kunt budgetten verplaatsen, je zit niet volledig vast in contracten
- Eigenaarschap: marketing en finance accepteren dat het een model is, geen boekhoudsysteem
Wanneer MMM (nog) geen logische stap is
Soms is MMM gewoon te zwaar, of te vroeg. Denk aan merken met korte historie, weinig spend, of een mix die bijna volledig in één kanaal zit. Ook bij extreem lage conversievolumes per week kan het model te weinig signaal krijgen.
Dan werkt een andere route vaak sneller en goedkoper: eerst meetbasis op orde, daarna pas modelleren.
Als je snel beter wilt sturen zonder MMM, zijn dit logische eerste stappen:
- tracking en naming conventions opschonen
- incrementality tests op één kanaal
- strakkere promotie- en prijsregistratie
- cohortanalyse op CRM-klanten
- geo-splitsing voor lokale pilots
Een pragmatische aanpak: klein starten, toch volwassen uitkomen
MMM mislukt zelden door statistiek. Het mislukt door scope, datagedoe en verwachtingen. Een aanpak die bij middelgrote organisaties goed past, is een pilot met duidelijke afbakening: één KPI, vaste periode, een beperkt aantal kanalen, en een plan om resultaten te toetsen.
Werkbaar proces, in stappen:
- Kies één primaire KPI (omzet, orders, leads of marge) en één tijdsgranulariteit (meestal week).
- Verzamel spend en druk per kanaal, met dezelfde weekindeling als je KPI.
- Voeg context toe: seizoensmarkers, feestdagen, promoties, prijsindex, weer als het relevant is.
- Bouw een eerste modelversie met adstock en verzadiging voor de grootste kanalen.
- Valideer op businesslogica: kloppen tekens, liggen ROI’s in een geloofwaardige bandbreedte?
- Draai scenario’s en vertaal naar een mediaplan voor de komende periode.
- Check de aanbevelingen met een gerichte test of gecontroleerde budgetshift, en voed de nieuwe data terug in het model.
Wie MMM ziet als kwartaalritme, haalt er meer uit dan wie het als een eenmalig rapport behandelt.
Datakwaliteit en governance: hier win je of verlies je
Omdat MMM op geaggregeerde data draait, voelt het privacyvriendelijk. Dat is het ook, mits je het netjes inricht. Je hebt geen persoonsdata nodig om kanaalbijdrage te schatten. Je hebt wel consistente definities nodig.
Typische plekken waar het misgaat:
- spend uit verschillende bronnen (facturen versus platformspend) die niet matchen
- kanaaldefinities die schuiven (“paid social” is ineens ook influencer-fees)
- KPI-wijzigingen (nieuwe leaddefinitie, nieuw CRM) zonder correctievariabele
- promoties die niet als variabele worden meegenomen, waardoor media te veel credit krijgt
Een volwassen MMM-proces heeft daarom afspraken over datastromen, eigenaarschap en een vaste “datakalender”. Niet om bureaucratisch te worden, wel om herhaalbaarheid te krijgen.
AI kan helpen bij het sneller itereren en het modelleren van niet-lineariteit, maar het haalt geen rommel uit je input.
Wat MMM verandert in je overleg over budget
Zodra MMM landt, verschuift de discussie vaak van kanaalpolitiek naar scenario’s. Niet “search is altijd het beste”, maar “search zit tegen verzadiging aan, en extra budget rendeert minder dan video in deze bandbreedte”.
Dat maakt samenwerking met finance makkelijker, omdat je dezelfde taal spreekt: incrementele opbrengst, verwachte impact, risico’s en aannames.
Ook marketingteams profiteren: creatie, flighting en kanaalrol worden onderdeel van één samenhangend plan, in plaats van losse optimalisaties per platform.
Drie vragen om te bepalen of je nu moet beginnen
Als je intern wilt toetsen of MMM de volgende stap is, helpen deze vragen om snel scherpte te krijgen:
- Kunnen we 18 maanden weekdata bij elkaar krijgen voor KPI, spend en promoties, zonder grote gaten?
- Hebben we minimaal drie tot vijf kanalen waar budget echt kan schuiven?
- Zijn we bereid om MMM-uitkomsten te gebruiken om een echte budgetshift te doen, al is het klein?
Als je hier twee keer “ja” op kunt zeggen, is de stap naar een eerste MMM-pilot meestal realistischer dan veel teams denken. En als het antwoord nog “nee” is, weet je meteen waar de praktische blokkade zit: data, mix, of besluitruimte.
