KI-Optimierung des digitalen Marketing-Kampagnenmixes

Digitale Marketingbudgets werden selten an einem Kanal „gewonnen“, sondern an der Kombination: Search, Social, Display, Retail Media, Affiliate, Video, CRM und Marktplätze beeinflussen sich gegenseitig. Gleichzeitig existieren harte Grenzen durch Budget, Brand-Safety-Vorgaben und Konzentrationsrisiken. Die zentrale Frage lautet: Wie wird das Budget so verteilt, dass der inkrementelle Umsatz maximiert wird – ohne Kannibalisierungseffekte zu ignorieren?

Objective

Maximierung des inkrementellen Umsatzes bei Einhaltung eines Gesamtbudgets und definierter Brand-Safety-Limits. Optimiert wird nicht „Spend“, sondern der zusätzliche Umsatz, der kausal durch den Kampagnenmix entsteht.

Assessment Inputs

• Erwarteter Conversion-Lift je Kanal (inkrementell, nicht nur last-click)
• Kosten pro Impression / Aktion (CPM, CPC, CPA, CPO)
• Brand-Safety-Score je Kanal (0–1)
• Kannibalisierungsrisiken zwischen Kanälen (Overlaps, Diminishing Returns, Substitution)

Bewertung und Auswahlmechanismus

Die Budgetanteile je Kanal werden als Entscheidungsvariablen modelliert (Budget-Allokation über alle Kanäle). Optimiert wird eine nichtlineare Zielfunktion, die Umsatzbeitrag und Kannibalisierung gleichzeitig berücksichtigt:

max Σ rᵢ xᵢ − λ · Cannibalization(x)

Dabei steht rᵢ für den erwarteten inkrementellen Revenue-Beitrag pro Budgetanteil im Kanal i. Der Term Cannibalization(x) erfasst Overlaps und Substitutionseffekte (z. B. Social vs. Search, Display vs. Retail Media), und λ steuert, wie stark diese Effekte in der Optimierung penalisiert werden.

Constraints

• Total Spend: ≤ 1.000.000 USD
• Konzentrationslimit: kein einzelner Kanal > 40% des Gesamtbudgets
• Brand Safety: gewichteter Durchschnitt ≥ 0,85

Ergebnis

• Optimale Budgetverteilung über Kanäle mit maximalem inkrementellen Umsatz
• Explizite Einhaltung von Spend-, Channel- und Brand-Safety-Limits
• Transparente Trade-offs: zusätzlicher Umsatz vs. Kannibalisierungsrisiko
• Reproduzierbare Entscheidungslogik für CMO, Performance-Team und Finance

Technology

StratePlan berechnet die optimale Budget-Allokation unter Nebenbedingungen, inklusive nichtlinearer Zielfunktionen und Interaktionseffekten zwischen Kanälen. Marketing Mix Modeling (MMM) liefert die Wirkungsfunktionen und Response-Curves, die inkrementelle Effekte, Diminishing Returns und Cross-Channel-Interaktionen quantitativ abbilden und in die Optimierung überführen.

Demo anfragen

Common Patterns Across Cases

Assessment

Qualitative und quantitative Faktoren werden in vergleichbare Scores überführt – mithilfe von Skalen, Bewertungsmodellen oder strukturierter Experteneinschätzung. Ziel ist eine konsistente, entscheidungsfähige Bewertungsbasis.

Ranking

Elemente werden priorisiert. Ranking ist jedoch selten die finale Entscheidung. In komplexen Umgebungen wird die Priorisierung häufig direkt in eine kombinatorische Optimierung eingebettet, um Wechselwirkungen und Nebenbedingungen systematisch zu berücksichtigen.

Group Selection

Die finale Auswahl geht über ein einfaches „Top-k“-Vorgehen hinaus. StratePlan löst strukturierte Auswahlprobleme wie Knapsack-, Portfolio- oder Scheduling-Modelle und berechnet die optimale Kombination unter realen Restriktionen.

Constraints

Nebenbedingungen spiegeln reale Knappheiten wider: Kapital, Zeit, Ressourcen, Risikoappetit, regulatorische Vorgaben, strategische Mandate oder Nachhaltigkeitsanforderungen. Sie sind integraler Bestandteil der Entscheidungslogik.

Technologies

Hybride Nutzung von MCDA-Methoden (z. B. AHP, TOPSIS) zur strukturierten Bewertung kombiniert mit StratePlan zur constraint-bewussten Gruppen- bzw. Portfolioauswahl.

Diese Cases zeigen, wie StratePlan Entscheidungsprozesse von reinem Ranking zu intelligenter, nebenbedingungsbewusster Portfolio-Konstruktion weiterentwickelt. Bewertungsdaten werden in umsetzbare, optimierte Gruppenentscheidungen überführt – ausgerichtet an finanziellen, strategischen und nachhaltigkeitsbezogenen Zielen.

Die zugrunde liegende Kernlogik – strukturierte Bewertung → quantitative Priorisierung → constrained group selection – skaliert über unterschiedliche Branchen hinweg und wird jeweils an domänenspezifische Erfolgsgrößen und Restriktionen angepasst.