In diesem Abschnitt wird beschrieben, wie Sie Verlaufsdaten zu verschiedenen Marketing- und anderen Variablen wie Werbeausgaben, Preisen und umsatz- oder leistungsbezogenen Messwerten erfassen können.
Dataset-Spezifikation
Die folgenden Datentypen sind erforderlich, sofern nicht anders angegeben:
| Datentyp | Beschreibung |
|---|---|
| Media-Daten | Enthält den Präsenzmesswert nach Channel, geografischer Einheit und Zeitraum. Zu den möglichen Messwerten gehören unter anderem Ausgaben, Impressionen und Klicks. Wichtig ist, dass es sich um beeinflussbare Einheiten handelt – sie stellen Marketingaktivitäten dar, die sich in angemessener Weise steuern lassen. Media-Werte dürfen nicht negativ sein. Muss ein summierbarer Messwert sein. |
| Media-Ausgaben | Sie enthalten die Media-Ausgaben pro Channel und Zeitraum. Für Media-Daten und ‑Ausgaben müssen dieselben Dimensionen verwendet werden. |
| Kontrollvariablen | Enthält die im Modell verwendeten Kontrollvariablen. Die Auswahl der Kontrollvariablen ist wichtig für die Schätzung des Kausaleffekts von Marketing Mix Modeling (MMM). Weitere Informationen finden Sie unter Kausales Diagramm. |
| KPI | Der Ziel-KPI ist die Reaktionsvariable des Modells, z. B. Umsatz oder Anzahl der App-Installationen. Muss ein summierbarer Messwert sein. |
| Umsatz pro KPI (optional) | Der durchschnittliche Umsatz für eine KPI-Einheit. Sind keine genauen Informationen über den Umsatz pro KPI-Einheit vorhanden, sollten Sie einen rationalen Wert schätzen. Wenn solche Informationen nicht verfügbar sind, lesen Sie den Hilfeartikel Wenn der KPI nicht „Umsatz“ ist. „Umsatz pro KPI“ ist nicht erforderlich, wenn Ihr KPI umsatzbezogen ist. |
| Grundgesamtheit nach geografischer Einheit (optional) | Enthält die Grundgesamtheit für jede geografische Einheit. Die Grundgesamtheit der geografischen Einheit (z. B. die TV-Grundgesamtheit für Haushalte nach Nielsen DMA) wird verwendet, um den Media-Messwert zu skalieren und alle geografischen Einheiten auf eine vergleichbare Skala zu bringen. Weitere Informationen zur Media-Skalierung finden Sie unter Eingabedaten. |
Mit Meridian können Sie die Wirkung eines beliebigen Media-Channels anhand von Daten zur Reichweite und Häufigkeit modellieren. Weitere Informationen finden Sie unter Reichweite und Häufigkeit.
| Datentyp | Beschreibung |
|---|---|
| Reichweite | Die Reichweitendaten geben die Anzahl der einzelnen Nutzer an, die die Anzeigen in den Channels im jeweiligen Zeitraum gesehen haben. |
| Häufigkeit | Die Häufigkeit gibt an, wie oft eine Person eine Anzeige im Durchschnitt innerhalb dieses Zeitraums gesehen hat. Sie entspricht der Gesamtzahl der Impressionen geteilt durch die Reichweite für den jeweiligen Zeitraum. |
Mit Meridian können auch Variablen für organische Media und nicht mediabezogene Testgruppen berücksichtigt werden. Weitere Informationen finden Sie unter Variablen für organische Media und nicht mediabezogene Variablen.
| Datentyp | Beschreibung |
|---|---|
| Variablen für organische Media | Variablen für organische Media sind Media-Aktivitäten ohne direkte Kosten, z. B. Impressionen aus Newslettern, Blogbeiträgen, Aktivitäten in sozialen Medien oder E-Mail-Kampagnen. |
| Nicht mediabezogene Testgruppen | Nicht mediabezogene Variablen sind Marketingaktivitäten, die nicht direkt mit Media in Verbindung stehen, z. B. Werbeaktionen, der Preis eines Produkts und Änderungen an der Verpackung oder dem Design eines Produkts. |
Beispiel: So sieht ein MMM-Dataset aus
In Meridian müssen Ihre Marketingdaten in einem einheitlichen Format zusammengefasst werden. Ihre Media-Daten sollten nach Zeit (z. B. nach Woche) und idealerweise nach Geografie aggregiert werden. In unserem Notebook für die ersten Schritte finden Sie ein Beispiel für ein Dataset für ein Standardmodell auf geografischer Ebene.
GitHub-Beispiele
Weitere Beispieldatasets finden Sie auf GitHub.
KPI
Der KPI ist die \(y\) Variable auf der linken Seite der Modellspezifikation. Das kann entweder ein umsatzbezogener oder ein anderer (nicht umsatzbezogener) KPI sein, z. B. Conversions. In Meridian muss der KPI sowohl geografisch als auch zeitlich summierbar sein. Beispiele für summierbare Messwerte sind verkaufte Stückzahl, Umsatz oder Conversions insgesamt. Bei nicht summierbaren Messwerten wie der Klickrate (click-through rate, CTR) sollten Sie stattdessen die summierbaren Klicks modellieren.
Einige Modellierer verwenden lieber einen nicht umsatzbezogenen KPI als Antwortvariable, auch wenn Umsatz letztendlich der KPI ist. Mit Meridian können Sie KPI-Einheiten in Umsatz umrechnen. Dazu werden Daten zum Umsatz pro KPI für jede geografische Einheit und jeden Zeitraum bereitgestellt. Weitere Informationen finden Sie unter Wenn der KPI nicht „Umsatz“ ist.
Variablen für Media, organische Media, nicht mediabezogene Testgruppen und Kontrollgruppen
Für Variablen für Media, organische Media, nicht mediabezogene Testgruppen und Kontrollgruppen sollten Zeitreihendaten verfügbar sein.
Media-Variablen: Der Datensatz muss für jede bezahlte Medieneinheit die Ausgaben für die einzelnen Media-Channels enthalten, die als Nenner für ROI-Berechnungen verwendet werden. In Meridian müssen bezahlte Medien (mit Ausnahme von Channels für Reichweite und Häufigkeit) sowohl geografisch als auch zeitlich summierbar sein.
Außerdem muss jede bezahlte Medieneinheit eines der folgenden Elemente für die Modellierung enthalten:
- Einen einzelnen Messwert für die Media-Präsenz, z. B. Impressionen, Klicks oder Ausgaben
- Reichweite und Häufigkeit
Variablen für organische Media: Für organische Media fallen keine Ausgaben an. Sie können bei der Eingabe der Media-Ausgaben ausgeschlossen werden. Ähnlich wie bei Media-Variablen müssen Variablen für organische Media (mit Ausnahme von Channels für Reichweite und Häufigkeit) in Meridian sowohl geografisch als auch zeitlich summierbar sein. Außerdem muss jede organische Media-Einheit eines der folgenden Elemente für die Modellierung enthalten:
- Einen einzelnen Messwert für die Media-Präsenz, z. B. Impressionen oder Klicks.
- Reichweite und Häufigkeit
Nicht mediabezogene Testgruppen: Nicht mediabezogene Variablen sind Marketingaktivitäten, die nicht direkt mit Media in Verbindung stehen und mit denen keine direkten Marketingkosten verbunden sind. Sie unterscheiden sich von Kontrollvariablen, weil sie als beeinflussbar gelten und daher im kausalen Modell Testvariablen sind. Weitere Informationen zum Modellieren mit nicht mediabezogenen Testgruppen
Kontrollvariablen: Mit Kontrollvariablen lässt sich der Einfluss von Störfaktoren kontrollieren. Sie sollten sich darauf konzentrieren, Variablen zu erfassen, die eine kausale Wirkung auf den Ziel-KPI und auf den Media-Messwert oder die Media-Ausführung haben. Da es schwierig ist, eine umfassende Liste der Variablen zu erstellen, die den KPI beeinflussen, ist es oft praktischer, sich auf Variablen zu konzentrieren, die sich auf das Media-Budget und auf Planungsentscheidungen auswirken. Sie können Ihren Marketingplaner fragen, welche Informationen seine Entscheidung bewusst oder unbewusst beeinflusst haben könnten. Weitere Informationen zum Modellieren mit Kontrollvariablen
Beispiele für Kontrollvariablen sind Marktwettbewerb und das Google-Suchvolumen. Weitere Informationen zum Suchvolumen finden Sie unter Suchvolumen als Störfaktor für Suchanzeigen.
Saisonale Variablen: Saisonale Variablen wie Dummy-Variablen für Feiertage werden in der Regel als Kontrollvariablen in die Modellspezifikation aufgenommen. Meridian bietet jedoch eine Funktion, die automatische Anpassungen für Saisonalität und Trends vornimmt. Sie wird über eine Modellspezifikation implementiert, bei der sich der Achsenabschnitt im Zeitverlauf ändert. Daher sind keine separaten saisonalen Variablen erforderlich.
Alternativ können Sie die automatische saisonale Anpassung deaktivieren und eigene saisonale Variablen einbeziehen.
Datenerhebung
Sie müssen für jede Variable den zu erhebenden Datentyp ermitteln. Dazu können Media- oder Marketingpläne verwendet werden. Mit der MMM Data Platform können Sie dann Daten zur Media-Präsenz für Google-Channels erheben, einschließlich Messwerten wie Klicks und Impressionen. Darüber hinaus bietet die MMM Data Platform auch Daten zur Reichweite und Häufigkeit speziell für YouTube. Weitere Informationen finden Sie unter MMM Data Platform verwenden.
Szenario: Ich entwickle Marketing Mix Modelle und möchte Google Ads-Daten für die MMM-Entwicklung herunterladen.
Lösung: Verwenden Sie die MMM Data Platform. Viele Werbetreibende nutzen die Google Ads API für den Datenabruf. Das ist für die MMM-Entwicklung jedoch nicht ideal.
Das Erheben von Daten zum Google-Suchvolumen ist optional. Wenn Sie das Google-Suchvolumen jedoch nicht berücksichtigen, kann das zu Verzerrungen bei Ihren Modellschätzungen führen. Sie können Meridian jedoch auch ohne Daten zum Google-Suchvolumen verwenden.
Ihre Daten müssen im richtigen Format vorliegen, damit das Modell ausgeführt werden kann. Weitere Informationen zum Format finden Sie in den Datenbeispielen unter Unterstützte Datentypen und ‑formate.
Datenimputation
Beim Vorbereiten des Datasets können fehlende oder NULL-Werte auftreten. Für Meridian ist jedoch ein vollständiger Datensatz ohne fehlende Werte erforderlich. Sie müssen alle Lücken in Ihren Daten durch Imputation oder Nullen auffüllen, bevor Sie das Modell ausführen.
Im Allgemeinen sollten Sie fehlende Daten in einem MMM-Dataset nach bestem Wissen und Gewissen behandeln.
- Media-Variablen: Wenn Daten fehlen, weil ein bestimmter Channel in einem Zeitraum oder in einer bestimmten geografischen Einheit inaktiv war, füllen Sie diese fehlenden Werte mit
0. - KPI und Kontrollvariablen: Wenn Daten für Ihren Zielmesswert oder Ihre Kontrollvariablen fehlen, sollten Sie sie nicht mit
0füllen, da dies die Schätzungen Ihres Modells verfälscht. Verwenden Sie stattdessen Standardtechniken zur Datenimputation, um die fehlenden Zeiträume zu schätzen. Gängige Methoden sind das Vorwärts- und Rückwärtsfüllen, die lineare Interpolation oder die Verwendung des historischen Durchschnitts für die jeweilige geografische Einheit oder den jeweiligen Zeitraum. - Media auf Länderebene in einem Modell auf geografischer Ebene: Wenn einige Media-Channels nur auf Länderebene verfügbar sind, empfehlen wir, sie auf geografischer Ebene zu schätzen. Weitere Informationen und empfohlene Imputationsmethoden finden Sie unter Media auf Länderebene in einem Modell auf geografischer Ebene.
Beispiele für die Imputation von Daten
Beispiel 1: Fehlende Media-Daten imputieren (Zero-Filling)
Wenn ein bestimmter Marketing-Channel eine Woche lang pausiert oder inaktiv war, enthalten die Rohdaten möglicherweise Nullwerte (NaN). Da es sich um eine Media-Variable handelt, sollten Sie die fehlenden Daten mit 0 füllen, um keine Ausgaben oder Impressionen zu berücksichtigen.
Vor der Imputation (Rohdaten):
| Datum (Uhrzeit) | Geografie | TV_Spend | TV_Impressions | ... |
|---|---|---|---|---|
| 2021-03-01 | New York | 5.000 $ | 450.000 | ... |
| 08.03.2021 | New York | NaN | NaN | ... |
| 15.03.2021 | New York | 4.800 $ | 420.000 | ... |
| ... | ... | ... | ... | ... |
Nach der Imputation (bereit für Meridian):
| Datum (Uhrzeit) | Geografie | TV_Spend | TV_Impressions | ... |
|---|---|---|---|---|
| 2021-03-01 | New York | 5.000 $ | 450.000 | ... |
| 08.03.2021 | New York | 0 $ | 0 | ... |
| 15.03.2021 | New York | 4.800 $ | 420.000 | ... |
| ... | ... | ... | ... | ... |
Beispiel 2: Schätzen fehlender Kontrollvariablen (Interpolation)
Wenn eine Kontrollvariable wie der Umsatzindex des Mitbewerbers für eine bestimmte Woche fehlt, würde das Ausfüllen mit 0 die Baseline künstlich verzerren. Verwenden Sie stattdessen eine Imputationsmethode wie die lineare Interpolation, um die Lücke zwischen den bekannten Werten zu schließen.
Vor der Imputation (Rohdaten):
| Datum (Uhrzeit) | Geografie | Competitor_Sales | ... |
|---|---|---|---|
| 2021-03-01 | Portland | 10,5 | ... |
| 08.03.2021 | Portland | NaN | ... |
| 15.03.2021 | Portland | 11,5 | ... |
| ... | ... | ... | ... |
Nach der Imputation (bereit für Meridian):
| Datum (Uhrzeit) | Geografie | Competitor_Sales | ... |
|---|---|---|---|
| 2021-03-01 | Portland | 10,5 | ... |
| 08.03.2021 | Portland | 11,0 | ... |
| 15.03.2021 | Portland | 11,5 | ... |
| ... | ... | ... | ... |
Detaillierungsgrad
Im Allgemeinen liefern detailliertere Daten genauere Informationen und können dabei helfen, umsetzbare Ergebnisse zu ermitteln. Berücksichtigen Sie folgende Aspekte für den Detaillierungsgrad von Daten.
Geografischer Detaillierungsgrad
Best Practice: Erheben Sie Daten auf geografischer Ebene. So können Sie entsprechende Nuancen berücksichtigen und das hierarchische bayessche Framework von Meridian verwenden, um engere Glaubwürdigkeitsintervalle für Schätzungen wie den ROI zu erhalten. In bestimmten geografischen Einheiten gibt es eventuell nur wenige Beobachtungen. Daher ist es ratsam, diese geografischen Einheiten vor der Modellanpassung aus dem Datensatz auszuschließen, um zuverlässige Modellschätzungen zu erhalten. Weitere Informationen finden Sie unter Geografische Auswahl und Daten auf Länderebene.
Zulässige Alternative: Wenn keine Daten auf geografischer Ebene verfügbar sind, können Sie Daten auf Länderebene verwenden. Prüfen Sie jedoch, ob die länderspezifischen Daten genug Datenpunkte pro Auswirkung enthalten, die Sie analysieren möchten. Weitere Informationen finden Sie unter Erforderliche Datenmenge.
Beispiel für die geografische Detaillierung (empfohlen)
| Datum (Uhrzeit) | Geografie | Conversions (KPI) | TV_Spend | Social_Media_Spend | ... |
|---|---|---|---|---|---|
| 04.01.2021 | New York | 15.400 | 12.000 $ | 4.500 $ | ... |
| 04.01.2021 | Chicago | 9.850 | 8.500 $ | 3.200 $ | ... |
| 04.01.2021 | Los Angeles | 14.200 | 11.000 $ | 4.100 $ | ... |
| 11.01.2021 | New York | 16.100 | 12.500 $ | 4.800 $ | ... |
| ... | ... | ... | ... | ... | ... |
Beispiel für die Detaillierung auf Länderebene
| Datum (Uhrzeit) | Conversions (KPI) | TV_Spend | Social_Media_Spend | ... |
|---|---|---|---|---|
| 04.01.2021 | 39.450 | 31.500 $ | 11.800 $ | ... |
| 11.01.2021 | 41.200 | 33.000 $ | 12.400 $ | ... |
| ... | ... | ... | ... | ... |
Zeitlicher Detaillierungsgrad
Best Practice: Erheben Sie Daten auf Wochenebene. Wöchentliche Daten bieten ein gutes Gleichgewicht zwischen dem Grad der Abweichung und der Stärke des Rauschens, insbesondere im Vergleich zu täglichen oder monatlichen Daten.
Zulässige Alternative: Wenn keine wöchentlichen Daten verfügbar sind, können Sie stattdessen tägliche oder monatliche Daten testen. Wenn tägliche Daten verwendet werden, benötigt das Modell eventuell länger. Bei der Verwendung monatlicher Daten kann es zu Nichtkonvergenz oder breiten Unsicherheitsintervallen bei den Modellschätzungen kommen.
Beispiel für die Detaillierung auf Wochenbasis
In diesem Beispiel wird die Spalte Date in 7‑Tages-Schritten (wöchentlich) aktualisiert.
| Datum (Uhrzeit) | Geografie | Conversions (KPI) | TV_Spend | Social_Media_Spend | ... |
|---|---|---|---|---|---|
| 04.01.2021 | New York | 15.400 | 12.000 $ | 4.500 $ | ... |
| 11.01.2021 | New York | 16.100 | 12.500 $ | 4.800 $ | ... |
| 18.01.2021 | New York | 14.900 | 11.800 $ | 4.200 $ | ... |
| 25.01.2021 | New York | 17.050 | 13.000 $ | 5.100 $ | ... |
| ... | ... | ... | ... | ... | ... |
Media-Detaillierungsgrad
Achten Sie beim Festlegen der Anzahl der einzubeziehenden Media-Channels darauf, dass Ihr Dataset ein ausreichendes Verhältnis von Datenpunkten zu Modellparametern aufweist. Bewerten Sie das Verhältnis von Daten zu Parametern, um die Datenmenge zu prüfen. Ausführlichere Informationen finden Sie unter Erforderliche Datenmenge.
Media-Channels mit niedrigen Media-Ausgaben sollten mit anderen Channels kombiniert werden, um Probleme bei der ROI-Berechnung zu vermeiden. Weitere Informationen zu Channels mit niedrigen Ausgaben
Zeitraum
Generell sollten für Modelle auf geografischer Ebene mindestens zwei Jahre an wöchentlichen Daten vorliegen, für Modelle auf Länderebene drei Jahre. Wenn nur monatliche Daten verfügbar sind, empfehlen wir mindestens drei Jahre. Für genaue Berechnungen benötigt das Modell genügend Datenpunkte. Die Bestimmung der Datenmenge kann jedoch komplexer sein und hängt letztlich von Ihren Daten ab. Ausführlichere Informationen finden Sie unter Erforderliche Datenmenge.
Nachdem Sie Ihre Daten erhoben haben, sollten Sie eine explorative Datenanalyse durchführen, um sicherzustellen, dass sie korrekt und vollständig sind.
Beispiel für ausreichende Verlaufsdaten
In diesem Beispiel beginnt der Datensatz im Januar 2021 und erstreckt sich kontinuierlich bis Dezember 2022. So sind die 104 Wochen pro geografischer Einheit verfügbar.
| Datum (Uhrzeit) | Geografie | Conversions (KPI) | TV_Spend | Social_Media_Spend | ... |
|---|---|---|---|---|---|
| 04.01.2021 | New York | 15.400 | 12.000 $ | 4.500 $ | ... |
| 11.01.2021 | New York | 16.100 | 12.500 $ | 4.800 $ | ... |
| ... | ... | ... | ... | ... | ... |
| 19.12.2022 | New York | 22.300 | 15.000 $ | 7.200 $ | ... |
| 26.12.2022 | New York | 24.100 | 14.500 $ | 6.800 $ | ... |
Anhang
In diesem Anhang finden Sie zusätzlichen technischen Kontext, grundlegende Konzepte und ergänzende Richtlinien, die Ihnen bei der Vorbereitung Ihres Datasets für Meridian helfen.
Summierbare Messwerte
In Meridian müssen Ihre KPI- und Media-Messwerte (mit Ausnahme von R&F-Channels) sowohl geografisch als auch zeitlich summierbar sein. Wenn Sie die Zeilen Ihres Datasets addieren, muss das Ergebnis also Sinn ergeben.
Konkrete Beispiele:
- Summierbar (zulässig): Rohdatenmengen wie Gesamtzahl der Klicks, Gesamtzahl der Impressionen, Gesamtausgaben oder Gesamtzahl der verkauften Einheiten.
- Beispiel: Wenn in Ihrem Dataset 100 Klicks in Woche 1 und 50 Klicks in Woche 2 angezeigt werden, beträgt die Summe insgesamt 150 Klicks.
- Nicht summierbar (unzulässig): Durchschnittswerte, Raten oder Prozentsätze wie Klickrate (Click-through-Rate, CTR), Cost-per-Click (CPC) oder Return on Advertising Spend (ROAS).
- Beispiel: Raten können nicht mathematisch addiert werden. Wenn in Woche 1 beispielsweise 1.000 Impressionen und 20 Klicks (CTR von 2 %) und in Woche 2 10.000 Impressionen und 300 Klicks (CTR von 3 %) erzielt wurden, ergibt sich durch Addition der Raten ein Wert von 5 %. Tatsächlich haben Sie jedoch 320 Klicks bei 11.000 Impressionen erzielt, was einer kombinierten CTR von 2,9 % entspricht. Da diese Prozentsätze nicht zeilenweise addiert werden können, können sie nicht im Modell verwendet werden.
Wenn Ihre Werbeplattform Raten oder Durchschnittswerte exportiert, müssen Sie die rohen, summierbaren Werte berechnen, bevor Sie die Daten in Meridian einlesen. Wenn Ihre Daten beispielsweise Impressionen und CTR enthalten, müssen Sie die Gesamtzahl der Klicks (Impressionen × CTR) berechnen und diese summierbare Ganzzahl für das Modell bereitstellen.
Kampagnen in Media-Channels zusammenfassen
Werbeplattformen liefern in der Regel Daten auf sehr detaillierter Ebene, z. B. nach Kampagne, Anzeigengruppe oder Creative. In Meridian werden Media jedoch in der Regel auf Channelebene modelliert. Um diese Lücke zu schließen, müssen Sie Ihre Daten auf Kampagnenebene als Daten auf Channelebene aggregieren.
Wenn Sie eine Plattform in einem einzelnen Channel zusammenfassen möchten, addieren Sie die Ausgaben und den Ausführungs-Messwert (z. B. Impressionen oder Klicks) für alle relevanten Kampagnen für die jeweilige geografische Einheit und den jeweiligen Zeitraum.
Beispiel: Social-Media-Kampagnen zusammenfassen
In diesem Szenario exportiert ein Unternehmen Rohdaten von einer Social-Media-Anzeigenplattform, die mehrere aktive Kampagnen enthält – eine für die Neukundengewinnung und eine für das Retargeting. Der Rohdatenexport enthält Zeilen auf Kampagnenebene für jeden Tag, die nach Wochenbeginn und geografischer Einheit gruppiert werden müssen, um einen einzelnen wöchentlichen Social_Media-Channel für Meridian zu bilden.
Bisher: Export auf Plattformebene (rohe tägliche Social-Media-Daten)
| Datum | Region | Kampagnen-ID | Kampagnenname | Ausgaben (USD) | Impressionen |
|---|---|---|---|---|---|
| 04.01.2021 | Washington | 11111111 | Q1_Prospecting | 100,00 | 10000 |
| 04.01.2021 | Washington | 22222222 | Q1_Retargeting | 50,00 | 5000 |
| 05.01.2021 | Washington | 11111111 | Q1_Prospecting | 110,00 | 11000 |
| 05.01.2021 | Washington | 22222222 | Q1_Retargeting | 60,00 | 6000 |
| 06.01.2021 | Washington | 11111111 | Q1_Prospecting | 120,00 | 12000 |
| 06.01.2021 | Washington | 22222222 | Q1_Retargeting | 45,00 | 4500 |
| 2021-01-07 | Washington | 11111111 | Q1_Prospecting | 105,00 | 10500 |
| 2021-01-07 | Washington | 22222222 | Q1_Retargeting | 55,00 | 5500 |
| 08.01.2021 | Washington | 11111111 | Q1_Prospecting | 130,00 | 13000 |
| 08.01.2021 | Washington | 22222222 | Q1_Retargeting | 65,00 | 6500 |
| 09.01.2021 | Washington | 11111111 | Q1_Prospecting | 150,00 | 15000 |
| 09.01.2021 | Washington | 22222222 | Q1_Retargeting | 80,00 | 8000 |
| 10.01.2021 | Washington | 11111111 | Q1_Prospecting | 140,00 | 14000 |
| 10.01.2021 | Washington | 22222222 | Q1_Retargeting | 70,00 | 7000 |
| 11.01.2021 | Washington | ... | ... | ... | ... |
Danach: MMM-Dataset (wöchentlich in einem einzigen Channel aggregiert)
Um den Channel Social_Media zu erstellen, gruppieren Sie die Zeilen nach den Spalten „Woche“ (beginnend am Montag, 2021-01-04) und Region. Addieren Sie dann die Spalten „Ausgaben“ und „Impressionen“ für alle Tage in dieser Woche und für alle Kampagnen.
In der Woche vom 04.01.2021 betragen die Gesamtausgaben für alle 14 täglichen Kampagnendatensätze 1.280 $ und die Gesamtzahl der Impressionen 128.000.
| Datum (Uhrzeit) | Geografie | Social_Media_Spend | Social_Media_Impressions |
|---|---|---|---|
| 04.01.2021 | Washington | 1.280 $ | 128.000 |
| 11.01.2021 | Washington | ... | ... |