Zurück zum Stack
Layer 05/ 05

Measurement.

Server-side Tracking und Attribution, ohne Daten an Dritte zu verschenken.

Seit iOS-Updates und Cookie-Bannern zeigt dir Client-Tracking nur noch einen Ausschnitt deiner Conversions. Statistical MMM rechnet deshalb auf Aggregat-Daten, ganz ohne PII oder Cookies, und macht Channel-Contribution samt Saturation-Kurven trotzdem messbar.

Bayesian
MMM auf Aggregat-Daten
Weekly
Model-Refresh
0 PII
Privacy-native
Kurven
Saturation pro Channel
Wie ich's löse

Wie ich das für dich aufsetze.

  • 01Das Modell rechnet auf Summen, nicht auf einzelne Leute — es braucht keine personenbezogenen Daten.
  • 02Pro Channel wird sichtbar, ab wann jeder weitere Euro weniger bringt.
  • 03Einmal die Woche neu gerechnet, einmal im Monat fürs Board aufbereitet.
Toolchain
PyMC-MarketingBigQueryAirbyteCloud RunLooker StudiodbtGeo-TestsBayesian InferencePyMC-MarketingBigQueryAirbyteCloud RunLooker StudiodbtGeo-TestsBayesian Inference
Saturation-Curves

Jede Kurve = ein Channel. Y-Achse: Beitrag zum Revenue. X-Achse: Spend. Flacher Bereich = diminishing returns, da ist das Geld verbrannt.

Beispiel-Workflow

Beispiel: Wöchentliches Modell-Update

  1. 01Channel-Spend fließt täglich nach BigQuery (Fivetran/Airbyte)
  2. 02Wöchentlich läuft der PyMC-Marketing-Job auf Cloud Run
  3. 03Der spuckt Saturation-Curves und den Contribution-Plot aus
  4. 04C-Level öffnet das Looker-Dashboard und schichtet das Budget um
05

Soll ich dir das bauen?

30 Min Demo. Ich zeig dir den Aufbau live an einem realen Setup.