Problem: Ein Kunde stellt mir zweimal im Jahr zwei Fragen, auf die ich lange Zeit keine richtige Antwort wusste. „Wie viel werden wir wohl im nächsten Quartal verdienen?“ und „Wo soll ich mehr Budget investieren, damit es am meisten einbringt?“ Die ehrliche Antwort lautete: „Nach Gefühl und dem ROAS im Dashboard.“ Doch der ROAS im Dashboard lügt systematisch und ein Gefühl ist kein Plan.
Die richtige Antwort auf beide Fragen existiert — sie heißt time-series forecasting (Prophet) und Marketing Mix Modeling (kausal, bayesianisch). Nur ist das die Arbeit von Datenexperten: Python, Statistik, Data Engineering. Agenturen mit Datenteams haben das, Enterprise-Unternehmen haben das. Ein Solo-PPC-Spezialist hatte das nicht — denn dafür reicht es nicht aus, PPC zu beherrschen, man muss es auch bauen können. Und ich kann keine Zeile in Prophet oder Meridian (beziehungsweise Python) schreiben.
Das hat sich geändert. Mit Claude Code habe ich Forecast und MMM direkt in mein Reporting integriert. In diesem Artikel zeige ich Ihnen, was es wirklich kann, wie es unter der Haube aufgebaut ist und vor allem, wo die Fallstricke lagen — denn „AI sagt die Zukunft voraus“ ist ein Marketingmärchen, und ich schreibe darüber, wie es wirklich ist.
Inhalt
1. Was ich immer lernen wollte – und warum es nicht gelang
Die zwei teuersten Entscheidungen im PPC sind nicht „welche Headline“ oder „welcher Bid“. Es sind:
- Wie viel es einbringt — damit Sie Lager, Cashflow, Kapazität und Budget planen können.
- Wohin das Budget fließen soll — um für das gleiche Geld das Maximum herauszuholen.
Die erste Frage lässt sich durch eine Umsatzprognose beantworten. Die zweite durch die Messung des tatsächlichen Beitrags einzelner Kanäle — nicht dessen, was sich das jeweilige System zuschreibt (darum ging es in meinem gesamten letzten Artikel), sondern wie viel Umsatz real nicht entstanden wäre, wenn ich den Kanal abgeschaltet hätte.
Beides ist lösbar. Für beides gibt es etablierte Tools. Und beides war jahrelang außer Reichweite für Einzelpersonen, weil:
- Forecasting bedeutet nicht „eine Linie in Excel ziehen“. Sie müssen den Umsatz in Trend, jährliche und wöchentliche Saisonalität, den Einfluss von Feiertagen und Aktionen sowie idealerweise externe Einflüsse (Wetter) zerlegen. Das erledigt eine Bibliothek wie Prophet von Meta — und darum herum Validierung, Backtest und Interpretation aufzubauen, ist ein Projekt für sich.
- Marketing Mix Modeling ist noch ein Level höher: ein Bayessches Modell, das aus der Historie von Spend und Umsatz den kausalen inkrementellen ROI jedes Kanals, seine Sättigung und die optimale Budgetverteilung schätzt. Google bietet dafür die Open-Source-Bibliothek Meridian an (basierend auf TensorFlow Probability). Das ist buchstäblich Mathematik, die an der Universität in Statistik gelehrt wird.
Ich bin PPC-Experte. Ich kann diese Dinge lesen und interpretieren, aber ich könnte sie selbst mit Dokumentation nicht in einem Monat programmieren. Und genau hier lag die Barriere — nicht in der Idee, sondern in der Implementierung.
2. Was sich änderte: Die Barriere war der Code, nicht die Idee
Mit Claude Code habe ich innerhalb weniger Wochen (in Phasen: zuerst die Worker-Infrastruktur, dann Prophet forecast, dann Meridian MMM) eine Vorhersageschicht für mein Reporting aufgebaut. Kein Prototyp in einem Notebook – eine produktive Lösung, die mit echten Kundendaten arbeitet.
Die Barriere bestand nie darin, dass ich nicht wusste, was ich berechnen wollte. Sie lag darin, dass ich es nicht schreiben konnte. Die KI hat diese zweite Hälfte erschlossen – den Code schreibt sie, die Domäne (was zu prognostizieren ist, wie man es liest, wo sie lügt) liefere ich. Und Letzteres ist nach wie vor der schwierigere und wertvollere Teil.
Der Stack kurz gefasst: Prophet für die Umsatzprognose, Meridian für MMM, die Daten fließen aus GA4 + Bestell-Feed → BigQuery, angereichert um Wetterdaten und einen Feiertagskalender. Details finden Sie in Abschnitt 5, aber zuerst das Wichtigste – was dabei herauskommt.
3. Revenue Forecast: Vom Eindruck zur Wahrscheinlichkeit
Der erste Punkt ist die Umsatzprognose für 13 Wochen im Voraus (etwa ein Quartal). Und gleich der erste ehrliche Aspekt: Es ist keine einzelne Zahl, sondern ein Korridor.
Das Modell liefert drei Linien — P10 / P50 / P90. P50 ist das wahrscheinlichste Szenario (Median), P10–P90 ist das 80%-Konfidenzintervall. Anstatt also zu sagen „wir erzielen 1,4 Millionen“, sage ich „mit 80%iger Wahrscheinlichkeit zwischen 1,2 und 1,6 Millionen, am wahrscheinlichsten um die 1,4.“ Das ist der Unterschied zwischen Wahrsagerei und einem Plan — Sie planen für einen Korridor, nicht für einen Punkt.
Der zweite ehrliche Aspekt: Ich berechne dies auf Basis realer Bestellungen, nicht aus GA4. GA4 ist Consent-verzerrt (das Cookie-Banner schluckt locker 40 % der Daten), daher hält es als Quelle der Wahrheit für Umsätze nicht stand. Der Bestell-Feed ist die Wahrheit; GA4 dient nur als Fallback, wenn kein Feed vorhanden ist.
Das Wertvollste daran ist jedoch nicht die Linie. Es ist die Aufschlüsselung, die das WARUM erklärt. Das Modell schlüsselt die Prognose in Driver auf:
Wie Treiber die Prognose formen (Beitrag über Horizont):
Trend ............. +4.7 % (langfristiges Konto-Wachstum)
Jahressaison ...... +18 % (starke Phase voraus)
Feiertage/Aktionen -3.9 % (Flaute nach Black Friday)
Wetter ............ -5.2 % (Temperaturmuster der Kategorie)
Das ist etwas, das ich dem Kunden nie zuvor im Dashboard zeige: „Das Wachstum, das Sie in der Prognose sehen, ist zu 2/3 Saisonalität, nicht Ihr Verdienst – und nach den Feiertagen müssen Sie mit einem Rückgang rechnen.“ Plötzlich führe ich keine Debatte mehr über Eindrücke.
Präzision ist entscheidend. Das Modell führt an sich selbst einen rolling-origin backtest durch (es prognostiziert die bekannte Vergangenheit und vergleicht sie) und liefert zwei Kennzahlen:
- WAPE (gewichteter prozentualer Fehler) — bei den wöchentlichen Umsätzen bewege ich mich real um 38 %. Das ist kein Tippfehler. E-Shop-Umsätze sind volatil; auf Tagesebene liegt der Fehler gut und gerne bei 75 %, daher reporte ich das wöchentliche Aggregat, nicht das tägliche.
- Abdeckung (Kalibrierung) — in wie viel % der Wochen die Realität tatsächlich in den Bereich P10–P90 fiel. Das Ziel liegt bei ~80–90 %, und dort hält es sich auch.
Mit anderen Worten: Es ist nicht präzise, aber sauber kalibriert. Ich verspreche Ihnen keine exakte Zahl. Ich verspreche Ihnen einen Bereich, in den es mit hoher Wahrscheinlichkeit fallen wird — und genau das ist es, was Sie für die Planung benötigen.
4. Marketing-Mix-Modell: Budgetallokation (und warum)
Dieser Teil ist mein Favorit, da er eine Frage beantwortet, die der ROAS im Dashboard nicht beantworten kann: Wie viel trägt welcher Kanal real bei?
Zur Erinnerung an den Kernpunkt vom letzten Mal: Werbesysteme schreiben sich dieselbe Conversion jeweils selbst zu (Duplikation), GA4 wertet dies per Last-Click aus. Der summierte ROAS ist eine Fiktion. MMM geht einen völlig anderen Weg — es schätzt statistisch aus der Historie von Spend und Umsätzen, wie viel Umsatz dank jedem Kanal hinzugekommen ist (kausal, nicht wer sich den Credit zugeschrieben hat). Ich verwende dafür Meridian (ein bayesianisches MMM von Google).
Das Ergebnis ist eine Tabelle, die es in sich hat (illustrative Zahlen aus einem Konto, kein realer Kunde):
KANAL ROI (90% CI) MROI SPEND/Wo EMPFOHLEN Delta
PPC Google 17.1x [14-20] 11.9x 9.800 CZK 11.700 CZK +20 %
PPC Meta 2.2x [0.3-7] 1.0x 3.300 CZK 2.300 CZK -30 %
PPC Sklik 1.6x [0.3-4] 0.7x 3.200 CZK 2.200 CZK -30 %
--------------------------------------------------------------------
Bei GLEICHEM Gesamtbudget -> Verschiebung in den
ertragreicheren Kanal -> +11 % Umsatz bei gleichen Kosten.
Zwei Dinge, die Sie dort lesen können müssen:
- ROI vs. MROI. ROI ist der durchschnittliche inkrementelle ROI des Kanals. MROI (marginaler ROI) ist die wichtigere Zahl: wie viel die nächste investierte Krone zurückgibt. Google hat einen MROI von fast 12 — es gibt immer noch Spielraum für Investitionen. Meta und Sklik haben einen MROI von etwa 1 — sie sind gesättigt, die nächste Krone zahlt sich kaum aus.
- Konfidenzintervall.
[0.3–7]bei Meta ist keine exakte Zahl, es bedeutet: „wir wissen es nicht genau, aber eher wenig.“ Das Bayes-Modell räumt Unsicherheit ein — das ist ein Feature, kein Bug.
Fazit des Modells: Bei gleichem Gesamtbudget (mit einem Limit von ±30 % pro Kanal, damit es nicht zu wild wird) verschieben Sie das Budget von gesättigten Kanälen zu Google → +11 % Umsatz bei gleichen Kosten. Das ist eine Entscheidung, die ich früher nach Gefühl getroffen habe. Jetzt ist sie datenbasiert.
Ergänzt wird dies durch die Sättigungskurve jedes Kanals — eine Grafik des inkrementellen Umsatzes nach Spend. Die Google-Kurve steigt weiter an (Budget nicht ausgeschöpft), die Kurve von Meta/Sklik flacht ab (Sättigung, jede weitere Krone bringt weniger). Visuell sehen Sie sofort, wo die Obergrenze liegt.
5. Der Aufbau (unter der Haube)
Datenpipeline:
GA4 Data API --+
Bestellfeed (Quelle der Wahrheit) --+--> BigQuery -> Dataform-Marts -> Wochenaggregate
Spend pro Kanal --+ + Wetter (Open-Meteo) + Feiertags-/Aktionskalender
--+
Forecast (Prophet):
- Multiplikative Saisonalität für E-Shops (additive für B2B/Leads), wöchentliche + jährliche Saisonalität.
- Feiertage und Aktionen als Regressoren (Black Friday und Co. haben ein eigenes Einflussfenster).
- Temperatur als Regressor — und hier ein ehrlicher Trick: Das Wetter lässt sich für etwa 14 Tage vorhersagen. Weiter in der Zukunft nutzt das Modell keine Wettervorhersage (existiert nicht), sondern das klimatologische Mittel (langfristiger Durchschnitt für den jeweiligen Tag im Jahr). Kein Zauber, nur eine ehrliche Schätzung.
- Validierung durch Rolling-Origin-Backtest → WAPE + Abdeckung.
MMM (Meridian):
- Bayesianisches Modell (TensorFlow Probability, MCMC sampling) — daher die Konfidenzintervalle.
- Adstock (Abklingen des Werbeeffekts über die Zeit, Carryover) + Hill-Sättigung (sinkende Erträge).
- Budget-Optimierer mit einem Limit von ±30 % pro Kanal, fixes Gesamtbudget.
- Konvergenzkontrolle (r-hat — ob das Modell „fertig gerechnet“ hat; über 1,2 erfolgt eine Warnung).
Betrieb: Es läuft als eigenständiger Python 3.12 Worker (Prophet und Meridian haben noch keine Wheels für 3.14), als nächtlicher Batch-Job — nicht in Real-time. Der Job wird in die Warteschlange eingereiht, der Worker verarbeitet ihn und speichert das Ergebnis.
Der Punkt dieses Abschnitts: Jedes dieser Wörter — Adstock, Hill-Sättigung, MCMC, r-hat — hätte ich Ihnen vor einem Jahr nicht erklären und definitiv nicht programmieren können. Das Fachwissen war vorhanden, die Implementierung nicht. Die KI hat Letzteres geliefert.
6. Meine Stolpersteine (Ehrlicher Teil)
Nichts davon ist eine Kristallkugel. Konkrete Grenzen, die Sie kennen müssen, bevor Sie dies verkaufen:
- Forecast ist ein Bereich, keine Zahl. WAPE 38 % bedeutet, dass die Genauigkeit für eine Woche miserabel ist — der Wert liegt in einem kalibrierten Bereich und in der Aufschlüsselung nach Drivern, nicht in einer einzelnen magischen Zahl. Wer Ihnen eine präzise Umsatzprognose verspricht, lügt oder hat nicht gemessen.
- Tägliche Granularität ist nicht sinnvoll. Tägliche Umsätze sind zu volatil (WAPE ~75 %). Ich reporte nur wöchentlich.
- MMM benötigt Daten. Zuverlässig erst ab ~1 Jahr wöchentlicher Historie. Darunter schalte ich das Modell auf einfachere Response-Kurven um.
- Korrelation statt Kausalität. MMM ist ein Beobachtungsmodell — es berücksichtigt Wetter und Feiertage, weiß aber nichts über Wettbewerb, Makroökonomie oder Dinge, die ich nicht gemessen habe. Es schätzt die Kausalität bayesianisch ab, kann sie aber nicht beweisen. Eine echte Bestätigung = Experiment (Geo-Holdout, Blackout-Test — darüber habe ich geschrieben). Das ist mein nächster Schritt: MMM mit realen Experimenten verknüpfen.
- Strukturbrüche werden nicht erkannt. Neues Produkt, Rebranding, große neue Kampagne — das Modell geht davon aus, dass vergangene Muster fortbestehen. Eine Zukunft, die es nie gesehen hat, kann es nicht vorhersagen.
- Spend-only Vereinfachung. Meridian möchte idealerweise Daten auf Impression-Ebene; ich liefere ihm den reinen Spend. Für den tschechischen Markt mit begrenzten Exposure-Daten ein akzeptabler Kompromiss, aber es bleibt eine Approximation.
Ich betrachte es also nicht als Autopiloten, sondern als Entscheidungsgrundlage. Ich lese die Zahlen mit PPC-Urteilsvermögen — denn selbst das beste Modell ist nur so gut wie derjenige, der es liest.
7. Warum ich das schreibe: Höhere Standards, nicht nur mein Stack
Dies war bis vor kurzem das Privileg von Agenturen mit Datenteams und Enterprise-Unternehmen mit dem Budget für einen Data Scientist. Ein Solo-Freelancer konnte sich Forecasts und MMM nicht leisten – nicht finanziell, sondern aufgrund der Fähigkeiten.
Das ist vorbei. Nicht, weil ich über Nacht bayesianische Statistik gelernt hätte, sondern weil der Code keine Barriere mehr darstellt. AI schreibt ihn. Was bleibt – und was im Gegenteil immer wertvoller wird – ist zu wissen, was man baut, wie man es liest und wo es lügt. Das ist die Fachdomäne, die Sie nicht aus einem Prompt herauslesen können.
Es ist derselbe Satz, den ich in jedem Artikel über AI wiederhole: Sie wird den PPC-Spezialisten nicht ersetzen. Sie wird PPC-Spezialisten ersetzen, die sie nicht zu nutzen wissen. Nur gilt das jetzt auch für Dinge, die noch vor einem Jahr für jeden ohne Datenteam außer Reichweite waren.
Fazit
Vor einem Jahr habe ich auf die Frage „wie viel wir im nächsten Quartal verdienen werden und wohin das Budget fließen soll“ mit Gefühl und dem ROAS aus dem Dashboard geantwortet. Heute antworte ich mit einer kalibrierten Umsatzspanne, aufgeschlüsselt nach Drivern, und einem kausalen inkrementellen ROI pro Kanal mit einer empfohlenen Budget-Reallokation. Es ist immer noch keine Kristallkugel – es ist eine ehrliche, probabilistische Grundlage. Aber es ist drei Etagen höher als ein bloßer Eindruck.
Und das Wichtigste: Es wurde nicht von einem Datenanalysten erstellt. Es wurde von einem PPC-Spezialisten erstellt, der eine Idee und ein Tool (Claude Code) hatte, das den Code für ihn schrieb. Die Implementierungshürde ist gefallen – geblieben ist das Urteilsvermögen.
Wenn Sie interessiert, was ein Forecast und MMM auf Basis Ihrer Daten zeigen würden – oder wenn Sie erwägen, etwas Ähnliches aufzubauen und besprechen möchten, wo die Haken liegen –, melden Sie sich. Ich tausche mich gerne darüber aus, vor allem mit Branchenkollegen. Je mehr von uns dies nutzen, desto schneller verschiebt sich die Messlatte für alle.
Was würden Forecast und MMM in Ihren Daten zeigen?
FAQ
- Was ist ein Marketing Mix Model (MMM)? Ein statistisches (bei mir bayesianisches) Modell, das aus der Historie von Spend und Umsatz den kausalen inkrementellen ROI jedes Kanals schätzt – wie viel Umsatz nicht entstanden wäre, wenn Sie den Kanal abgeschaltet hätten. Im Gegensatz zur Last-Click-Attribution geht es nicht darum, wer den Credit erhält, sondern wer realen Wert generiert hat.
- Wie präzise ist die Umsatzprognose? Auf wöchentlicher Ebene liegt der WAPE bei etwa 38 %, täglich ist er noch schlechter. Daher präsentiere ich dies nicht als exakte Zahl, sondern als P10–P90-Bereich mit ~80–90 % Abdeckung. Wertvoll ist vor allem die Dekomposition in Driver (Trend / Saisonalität / Feiertage / Wetter).
- Benötige ich für MMM viele Daten? Ja. Verlässlich ab etwa einem Jahr wöchentlicher Historie von Spend und Umsatz pro Kanal. Weniger Daten → einfachere Response-Kurven statt eines vollständigen MMM.
- Ersetzt MMM Experimente (A/B, Geo-Holdouts)? Nein. MMM ist observational – es schätzt die Kausalität, beweist sie aber nicht. Der Goldstandard bleibt das Experiment; MMM und Experimente ergänzen einander.
- Muss man dafür programmieren können? Ich kann weder Prophet noch Meridian schreiben. Ich habe es mit Claude Code erstellt – die Domain-Expertise (was zu prognostizieren ist, wie man liest, wo die Limits liegen) kam von mir, den Code schrieb die AI. Genau deshalb schreibe ich darüber: Die Barriere hat sich von „Können Sie programmieren“ zu „Wissen Sie, was und warum“ verschoben.
- Läuft das in Echtzeit? Nein, es ist ein nächtlicher Batch-Prozess. Forecasting und MMM sind Werkzeuge für die Planung und Budgetallokation (Wochen/Quartale), nicht für stündliche Entscheidungen.