Google Meridian ist Googles Open-Source-Marketing-Mix-Modell (MMM): ein bayessches Modell, das aus aggregierten Spend- und Ergebnisdaten schätzt, wie viel jeder Kanal zum Umsatz beiträgt, ganz ohne Tracking auf Nutzerebene. Es ist kostenlos und seit Januar 2025 allgemein verfügbar. Der Haken ist alles drumherum: die Daten, die es braucht, die statistischen Annahmen, die es trifft, und die Kalibrierung, die seine Antwort erst vertrauenswürdig macht.

In diesem Beitrag geht es darum, was Meridian im Betrieb wirklich verlangt und was eine wachsende Marke stattdessen in jeder Phase einsetzen sollte. Denn für die meisten Marken ist der richtige erste Schritt gar kein MMM.

TL;DR

  • Marketing Mix Modeling (MMM) hat früher 150.000€ bis 500.000€ gekostet. 2026 sind die Modelle kostenlos: Googles Meridian und Metas Robyn sind beide Open Source.
  • Das Tool war nie der schwierige Teil. Um eins gut zu betreiben, brauchst du Python, bayessche Statistik und zwei bis drei Jahre an Spend-Daten mit echter Variation.
  • Ob MMM Sinn ergibt, entscheidet die Datenreife, nicht der Umsatz. Eine schnell wachsende Marke mit 3M€ sollte keins aufbauen.
  • Inkrementalität (Geo-Lift- und Holdout-Tests) ist der Einstieg für wachsende Marken, seit Google sein Lift-Test-Minimum von rund 100.000 $ auf 5.000 $ gesenkt hat.
  • Keine einzelne Zahl ist die Wahrheit. Attribution ist richtungsweisend, Inkrementalität ist kausal, MMM ist strategisch. Setz alle drei so ein, dass sie sich gegenseitig prüfen.

Was ist Google Meridian, und warum „kostenlos“ nicht der Gewinn ist

Marketing Mix Modeling bedeutete früher ein sechsstelliges Beratungsprojekt und ein Data-Science-Team. Die klassischen Projekte kosteten 150.000€ bis 500.000€ über rund sechs Monate, und nur Budgets auf Fortune-500-Niveau konnten sie stemmen.

Diese Hürde ist weg. 2026 sind die Modelle kostenlos. Googles Meridian und Metas Robyn sind beide Open Source: Robyn seit 2021, Meridian seit Januar 2025 allgemein verfügbar, Anfang 2026 kam ein No-Code-Scenario Planner dazu.

Das Tool ist also nicht mehr das, was wachsenden D2C-Marken fehlt. Was ihnen fehlt, ist jemand, der es wirklich betreiben kann.

Genau dieser Unterschied ist der Kern. Die Grundlage, also den Tracking-Stack in Startup-Größe selbst, habe ich in Enterprise-Measurement ohne Enterprise behandelt. In diesem Beitrag geht es darum, was du auf diesem Stack aufbaust, und wann. Unten findest du die Leiter, Phase für Phase, und warum „kostenlos“ nicht dasselbe ist wie „einfach“.

Warum Measurement zurück zur Modellierung geschwenkt ist

Apples ATT-Abfrage und das langsame Aus des Third-Party-Cookies haben das Tracking auf Nutzerebene kaputt gemacht. Überlebt haben die Methoden, die nie davon abhängig waren.

MMM und Inkrementalität setzen beide aggregierten Spend ins Verhältnis zu aggregierten Ergebnissen. Keine Cookies, keine Geräte-IDs, kein Zusammenstückeln einzelner Customer Journeys. Genau diese Datenschutz-Robustheit ist der Grund, warum sie wieder in Mode gekommen sind.

Marketer haben das bemerkt. In einer Umfrage von eMarketer und TransUnion vom Juli 2025 unter 196 US-Marketern aus Marken und Agenturen war MMM mit 27,6 % die vertrauenswürdigste Measurement-Methode, vor Multi-Touch-Attribution mit 19,4 % und kombinierten Ansätzen mit 18,9 %. Fast die Hälfte, 46,9 %, will im nächsten Jahr mehr in MMM investieren, und mehr als die Hälfte, 52 %, führt bereits Inkrementalitätstests durch.

Ein ehrlicher Vorbehalt, bevor du dich zu früh freust: Die Verbreitung läuft dem Vertrauen voraus. TransUnion hat festgestellt, dass das Vertrauen der Marketer in ihr eigenes Measurement sogar stagniert. Das ist ein Grund, es richtig zu machen, und kein Grund, der Schlagzeile hinterherzulaufen.

„Kostenlos“ ist nicht „einfach“

Meridian ist ein bayessches Modell. Es verlangt Python, eine GPU und ein Maß an statistischem Verständnis, das die meisten Marketing-Teams schlicht nicht haben. Das Modell ist kostenlos. Die Person, die es betreiben kann, ist es nicht.

Außerdem ist es datenhungrig. Ein verlässliches Modell braucht rund zwei bis drei Jahre an Wochendaten mit echter Spend-Variation über fünf oder mehr Kanäle. Googles eigene Meridian-Dokumentation ist da unmissverständlich: Zwei Jahre Wochendaten (104 Datenpunkte) bei etwa 26 Parametern seien „zu wenig, um das Modell verlässlich zu schätzen“. Empfohlen werden eher 15 Datenpunkte pro Parameter, also etwa drei Jahre Historie.

Zwei Jahre gleichbleibender Spend auf denselben zwei Kanälen ergeben also kein MMM. Sie ergeben eine polierte, selbstbewusste, falsche Antwort. Eine Tabelle mit Blended ROAS ist kein Modell-Input.

Genau das übersehen die meisten „Mach einfach ein MMM“-Ratschläge. Ob MMM Sinn ergibt, entscheidet die Datenreife, nicht der Umsatz. Eine schnell wachsende Marke mit 3M€ sollte keins aufbauen. Ihr Einstieg liegt eine Sprosse tiefer.

Zwei wöchentliche Ausgabenverläufe: zwei Jahre gleichbleibende Ausgaben auf zwei Kanälen, 104 Wochenwerte, liefern eine selbstsichere, falsche Antwort; ein verlässliches Modell braucht zwei bis drei Jahre mit echter Variation über fünf oder mehr Kanäle.

Drei Methoden, die sich gegenseitig prüfen

Das ehrliche Setup für eine wachsende D2C-Marke ist nicht eine einzige Wahrheitsquelle. Es sind drei, die sich gegenseitig ehrlich halten.

Plattform-Attribution. Täglich und während der Kampagne, nützlich für die Optimierung, aber richtungsweisend statt unantastbar. Sie schenkt deiner Brand-Suche einen wunderschönen Last-Click-ROAS. Mach einen sauberen Holdout, und du stellst meist fest, dass 70 bis 90 % dieser Conversions sowieso passiert wären. In einem gängigen Rechenbeispiel waren 85 % nicht inkrementell. Das Dashboard hat nicht absichtlich gelogen. Es kann nur das Kontrafaktische nicht sehen, also was ohne den Spend passiert wäre. Genau deshalb hat Google Ads seine regelbasierten Attributionsmodelle zugunsten der datengetriebenen Attribution abgeschafft, und genau deshalb schreibt Multi-Touch-Attribution den Klicks, die sie messen kann, weiterhin zu viel zu.

Brand Search, ein Rechenbeispiel: Von 100 Conversions, die Last Click zuschreibt, wären 85 ohnehin passiert, nur 15 haben die Anzeigen verursacht.

Inkrementalität, über Geo-Lift- und Holdout-Tests. Das ist die kausale Ground Truth und der zugängliche Einstieg. Sie beantwortet die einzige Frage, die wirklich zählt: Was wäre passiert, wenn du das Geld nicht ausgegeben hättest? Du hältst bewusst Spend von einer vergleichbaren Gruppe oder Region zurück und vergleichst dann. Kein Tracking auf Nutzerebene nötig.

MMM. Die Sicht auf Portfolio und Budgetverteilung, sobald deine Daten sie sich verdient haben. Strategisch und quartalsweise, und nur vertrauenswürdig, wenn jahrelange Historie mit echter Variation dahintersteht.

Attribution ist richtungsweisend, Inkrementalität ist kausal, MMM ist strategisch. Keine davon ist allein die Wahrheit. Wertvoll sind sie gerade deshalb, weil sie sich auf nützliche Weise widersprechen und dich zwingen, sie in Einklang zu bringen. Die Triangulation der drei ist still und leise zur Best Practice 2026 geworden, und sie ist eine Disziplin, kein Kauf.

Was du in welcher Phase wirklich einsetzen solltest

Wenn du nur eine Sache mitnimmst, dann die Leiter.

Die Measurement-Leiter: unter etwa 1M€ Mediabudget sauberes Tracking; bei etwa 3 bis 30M€ und drei oder mehr Kanälen Inkrementalitätstests, zwei bis vier pro Jahr ab 5.000 $; mit reifen Daten MMM, validiert durch diese Tests.

Früh, unter etwa 1M€ Media-Spend, auf einer Handvoll Kanäle. Lass MMM und formale Inkrementalität komplett weg. Bring das Plattform-Tracking sauber hin: serverseitig, mit echten Conversion-Werten, die zurückfließen, statt Proxy-Events. Dann lies die Attribution mit einer Prise Skepsis. Das ist in dieser Phase die ganze Aufgabe, und die meisten Marken hier sind damit noch nicht fertig. Das ist die Arbeit hinter unserem Growth Audit, und genau hier versteckt sich still der Großteil des verschwendeten Budgets.

Wachsend, etwa 3M€ bis 30M€, mit Spend über drei oder mehr Kanäle. Inkrementalität ist dein Einstieg, und sie ist endlich bezahlbar. Google hat 2025 sein Lift-Test-Minimum von rund 100.000 $ auf 5.000 $ gesenkt, mit einer bayesschen Methodik, und Meta hat GeoLift als Open Source veröffentlicht, das auf Marktebene ohne Nutzer-Tracking misst. Zwei bis vier gut aufgesetzte Holdout- oder Geo-Tests pro Jahr, auf deinen größten oder unsichersten Kanälen, bringen dir mehr bei als jedes Dashboard. Das ist der Sweet Spot für wachsende Marken. Nicht MMM.

Datenreif, meist das obere Ende mit echter Historie. Jetzt kommt MMM dazu, sobald du zwei bis drei Jahre Spend mit echter Variation über fünf oder mehr Kanäle hast und jemanden, der ein bayessches Modell wirklich betreiben kann. Validiere es mit den Inkrementalitätstests, die du ohnehin schon fährst. Baust du es früher, wird es zu einer der Zahlen, denen du am wenigsten vertraust.

Worum es eigentlich geht

„Measurement auf Enterprise-Niveau“ war nie wirklich eine Frage des Budgets. Es ist eine Disziplin: saubere Inputs, kausale Tests für deine riskantesten Wetten, und kein einzelnes Dashboard, das als letztes Wort gilt.

Diese Disziplin habe ich bei GetYourGuide und Glovo gelebt, und genau um diese Lücke herum habe ich Farvero aufgebaut. Eine wachsende Marke, die sich noch kein komplettes Datenteam leisten kann, verdient trotzdem ein Measurement, dem sie vertrauen kann, ehrlich abgestimmt auf das, was ihre Phase hergibt. Enterprise-Niveau, ohne den Enterprise-Overhead. Wenn du einen zweiten Blick darauf willst, wo dein Measurement anfangen sollte, darüber spreche ich gern mit dir, ohne Pitch.

FAQ

Was ist Google Meridian?

Google Meridian ist Googles Open-Source-Marketing-Mix-Modell. Es ist ein bayessches Modell, geschrieben in Python, das aus aggregierten wöchentlichen Spend- und Ergebnisdaten den Beitrag jedes Kanals zu Umsatz und ROI schätzt. Deshalb funktioniert es ohne Cookies und ohne Tracking auf Nutzerebene. Die Nutzung ist kostenlos, und es kann Ergebnisse von Lift-Tests als Priors übernehmen. So hältst du seine Schätzungen ehrlich.

Google Meridian vs. Robyn: Welches sollte ich nutzen?

Beide sind kostenlos und Open Source. Robyn ist Metas MMM, gebaut in R, mit Ridge-Regression und automatisierter Hyperparameter-Suche. Meridian ist Googles, gebaut in Python und vollständig bayessch, und darauf ausgelegt, Testergebnisse als Priors zu übernehmen. Die Wahl ist weniger wichtig als die Inputs: Beide brauchen zwei bis drei Jahre Spend-Daten mit echter Variation und jemanden, der den Output gegen Inkrementalitätstests validieren kann.

Wie viele Daten braucht ein MMM wirklich?

Rund zwei bis drei Jahre Wochendaten mit echter Spend-Variation über fünf oder mehr Kanäle. Googles Meridian-Dokumentation hält zwei Jahre bei etwa 26 Parametern für zu wenig, um verlässlich zu schätzen. Darunter hungert ein MMM nach Daten und wird zu einer der Zahlen, denen du am wenigsten vertraust.

Ist MMM nur etwas für große Unternehmen?

Nicht mehr, aber nicht aus dem Grund, den viele annehmen. Die Modelle, Meridian und Robyn, sind kostenlos. Die Hürde ist Datenreife und statistisches Können, nicht Umsatz. Eine Marke kann 3M€ machen und trotzdem Jahre von einem verlässlichen MMM entfernt sein, während eine datenreife Marke mit variierter Spend-Historie früher bereit ist.

Wo sollte eine wachsende Marke anfangen?

Mit Inkrementalität, nicht mit MMM. Googles Lift-Test-Minimum ist von rund 100.000 $ auf 5.000 $ gesunken, und Meta hat GeoLift als Open Source veröffentlicht. Zwei bis vier Holdout- oder Geo-Tests pro Jahr auf deinen wichtigsten Kanälen sind ein starkes, bezahlbares Programm.

Brauchen Inkrementalitätstests Tracking auf Nutzerebene?

Nein. Geo-Lift- und Holdout-Tests lesen aggregierte Ergebnisse auf Markt- oder Gruppenebene. Genau deshalb haben sie ATT und das Cookie-Aus überlebt, und genau deshalb ist Measurement zu ihnen zurückgeschwenkt.

Kann ich Plattform-Attribution überhaupt vertrauen?

Ja, als richtungsweisendes Optimierungssignal während der Kampagne, nicht als Wahrheit. Last-Click schreibt der Brand-Suche regelmäßig zu viel zu: Holdouts zeigen oft, dass 70 bis 90 % dieser Conversions sowieso passiert wären. Nutz sie täglich, aber lass die kausalen Fragen von der Inkrementalität beantworten.

Wichtigste Erkenntnisse

  1. Die Modelle sind kostenlos, sie gut zu betreiben ist es nicht. Nicht mehr das Budget ist die Hürde, sondern Können und Daten.
  2. Mach MMM von der Datenreife abhängig (zwei bis drei Jahre Spend mit echter Variation), nie vom Umsatz.
  3. Starte das Measurement einer wachsenden Marke mit Inkrementalität, inzwischen ab 5.000 $ pro Test zugänglich.
  4. Behalte die Plattform-Attribution für die tägliche Optimierung, aber behandle sie als richtungsweisend.
  5. Setz Attribution, Inkrementalität und MMM gemeinsam ein, damit sie sich gegenseitig prüfen. Keine einzelne Zahl ist die Wahrheit.

Quellen