Marketing Mix Modeling (MMM) til influencer marketing: Et privacy-first supplement til attribution

Hvad Marketing Mix Modeling (MMM) egentlig er

Marketing Mix Modeling (MMM) er en statistisk metode, der estimerer, hvor meget hver enkelt marketingkanal — TV, paid search, paid social, influencer marketing og andre — bidrager til det samlede salg. I stedet for at spore den enkelte kundes klik og køb, kører MMM en regression på aggregerede tidsserier: hvor meget blev der brugt på hver kanal i en given uge eller måned, og hvordan bevægede det samlede salg sig i samme periode? Modellen forsøger at isolere hver kanals selvstændige bidrag, inklusive to effekter, der er svære at fange med almindelig sporing: adstock (en kampagnes effekt fortsætter typisk et stykke tid efter, den er kørt) og saturation (afkastet pr. krone falder, jo mere der bruges på én kanal).

Det gør MMM fundamentalt anderledes end de metoder, Academyet allerede dækker i attribution i influencer marketing: last-click, multi-touch og inkrementalitetstest arbejder alle på individniveau — de følger en bestemt kundes rejse eller sammenligner bestemte grupper af mennesker. MMM arbejder på virksomhedsniveau og ser aldrig en enkelt bruger, et enkelt klik eller en enkelt cookie.

Hvorfor metoden er blevet aktuel igen

MMM er ikke en ny opfindelse — teknikken stammer fra en tid, hvor TV og print var de dominerende kanaler, og individuel sporing slet ikke fandtes. Det nye er, at Google og Meta i 2024-2026 har givet metoden professionel, gratis software (se næste afsnit), samtidig med at grundlaget for individuel sporing er blevet mere usikkert af grunde, Academyet allerede har dokumenteret: Safaris Intelligent Tracking Prevention begrænser cookiers levetid (se attributionsvinduer i influencer marketing), og et afvist samtykke fjerner sporingscookien helt uden nogen modelleret erstatning for et influencer-tracking-link (se Consent Mode og influencer tracking i EU). MMM er strukturelt uberørt af begge dele, fordi metoden, ifølge Googles egen beskrivelse af Meridian, ikke har brug for individuelle identifikatorer eller cookies i første omgang — der er intet cookie-hul at falde i, fordi metoden aldrig har brugt cookien til noget.

MMM sammenlignet med de andre metoder, Academyet dækker

Pointen er ikke, at MMM er "bedre" end de andre metoder — det er den eneste af de fire, der besvarer et andet spørgsmål end "hvilken bruger gjorde hvad". Se sådan måler du influencer marketing, når du ikke kan tracke alt for hvordan MMM indgår som det fjerde, øverste lag i et samlet målingsframework sammen med de tre andre.

To navngivne open source-værktøjer: Googles Meridian og Metas Robyn

To store platforme har hver deres eget gratis, open source MMM-værktøj, og begge er relevante at kende, hvis en virksomhed overvejer at bygge sin egen model frem for at købe en konsulentydelse.

Googles Meridian blev, ifølge Googles egen annoncering, gjort bredt tilgængeligt for alle ved starten af 2025, som afløser for Googles tidligere værktøj Lightweight MMM. Meridian bruger Bayesianske metoder og er, ifølge Google selv, bygget til at estimere "den sande, inkrementelle effekt" af kampagner på tværs af online og offline kanaler — og fungerer, ifølge Google, uden at have brug for individuelle identifikatorer eller cookies, hvilket gør den "privacy-safe". I februar 2026 tilføjede Google en "Scenario Planner" — en kodefri grænseflade til budgetmodellering, der ikke kræver Python.

Metas Robyn er Meta Marketing Sciences eget open source-værktøj, udgivet under MIT-licens (gratis til både privat og kommerciel brug). Robyn bruger en anden teknisk tilgang end Meridian: ridge-regression kombineret med en evolutionær algoritme til at finde de bedste modelparametre. Ifølge Metas egen dokumentation var motivationen at demokratisere adgangen til MMM, fordi metoden "plejede at være en ressourcetung teknik, der kun var til at betale for de store spillere".

Ingen af værktøjerne er en "installer og få svar"-løsning. Begge kræver nogen med data science-baggrund til at forberede data, bygge modellen og fortolke resultatet korrekt — det er ikke noget, en marketingafdeling typisk kan sætte op alene.

Hvad MMM kræver for at fungere

Googles egen Meridian-dokumentation illustrerer selv, hvor meget data der reelt skal til: med to års ugentlige data (104 datapunkter) får man kun fire datapunkter pr. parameter i en national model — "for lavt til at estimere modellen pålideligt", ifølge dokumentationen. Bruges tre års ugentlige data (156 datapunkter) i stedet, giver det omkring 15 datapunkter pr. parameter — et niveau, dokumentationen beskriver som mere brugbart. Det billede — måneder til flere års historik, ikke uger — går igen på tværs af MMM-værktøjer, ikke kun Meridian.

Konkret betyder det, at MMM forudsætter: konsistente, kanalopdelte spend-data over en længere periode; et tilstrækkeligt antal kanaler til, at modellen kan adskille deres effekt fra hinanden; og nogen til at rense, strukturere og fortolke dataene. Et brand, der er startet for nylig med influencer marketing, eller som kun har kørt kampagner i nogle få måneder, har ganske enkelt ikke datagrundlaget til en pålidelig model endnu.

Hvad MMM ikke kan

• Fortælle dig, hvilken specifik creator der performede bedst. MMM måler kanalen "influencer marketing" som helhed, ikke den enkelte samarbejdspartner. Til det formål er last-click/MTA-tracking og en rabatkode eller et tracking-link pr. creator stadig nødvendigt.
• Erstatte kommission-tracking. Hvis I betaler creators per salg, skal I stadig kunne henføre det enkelte salg til den enkelte creator for at kunne udbetale korrekt — det er en helt separat opgave fra at estimere kanalens samlede bidrag.
• Give et svar i realtid. En MMM-model genkøres typisk med måneder eller kvartaler mellem hver opdatering, ikke løbende som et tracking-dashboard.
• Fungere uden historik. Se afsnittet ovenfor — uden nok data er modellens estimater ikke pålidelige, uanset hvor godt værktøjet er.

Beslutningsramme: giver MMM mening for jeres influencer marketing?

• HVIS I er lige startet med influencer marketing, eller budgettet er beskedent → MMM giver ikke mening endnu. Brug direkte tracking (rabatkoder/tracking-links) og eventuelt en enkelt inkrementalitetstest i stedet — se sådan måler du influencer marketing, når du ikke kan tracke alt.
• HVIS I kører influencer marketing side om side med TV, paid search og paid social, og skal beslutte, hvordan et samlet budget fordeles mellem dem → MMM er det værktøj, der faktisk besvarer det spørgsmål på tværs af kanaler.
• HVIS I har mindre end et års konsistente, kanalopdelte data → byg historikken op først. En model bygget på for lidt data giver et estimat, der ser præcist ud, men ikke er det.
• HVIS I ikke har adgang til data science-kompetence internt eller via bureau → en MMM-model er ikke et realistisk næste skridt, uanset hvor gratis softwaren er.

Regneeksempel: hvad en MMM-model kan vise, som direkte tracking overser (hypotetisk)

Tallene nedenfor er hypotetiske og udelukkende til illustration. Det er ikke en rigtig Make Influence-kundecase, og ingen af tallene er benchmarks.

Antag, at en virksomhed kører en MMM-model på 12 måneders data på tværs af fire kanaler og et samlet salg i perioden på 10.000.000 kr. Modellen estimerer hver kanals bidrag sådan:

• Paid search: 35% = 3.500.000 kr.
• TV: 20% = 2.000.000 kr.
• Influencer marketing: 15% = 1.500.000 kr.
• Base/organisk (det, der ville være solgt uden nogen markedsføring): 30% = 3.000.000 kr.

I samme periode viser virksomhedens direkte tracking (rabatkoder og tracking-links) kun 400.000 kr. i influencer-genereret salg. 400.000 ÷ 1.500.000 = ca. 27% — direkte tracking fanger med andre ord kun omkring en fjerdedel af det bidrag, MMM-modellen estimerer for kanalen som helhed. Det er ikke et bevis på, at tracking-opsætningen er dårlig; det er præcis den slags kanalniveau-effekt (brand-genkendelse, søgeadfærd skabt af indhold, salg via andre enheder), som et enkelt tracking-link aldrig kan fange, uanset hvor korrekt det er sat op.

Make Influences perspektiv

Make Influence tilbyder ikke selv Marketing Mix Modeling. Vores egen tracking er beskrevet i hvordan influencer-tracking faktisk fungerer og er bygget til præcis det, MMM ikke kan: at henføre et konkret salg til en konkret creator, så I kan betale korrekt provision. De to metoder løser derfor forskellige problemer og bør ikke ses som alternativer til hinanden. I vores erfaring giver det mest mening at betragte MMM som et lag oveni allerede fungerende direkte tracking — ikke som en erstatning for det — og kun at investere i det, når influencer-budgettet er stort nok til, at et forkert kanalniveau-estimat rent faktisk koster noget at få galt.

FAQ

Kan MMM fortælle mig, hvilken influencer jeg skal arbejde med?

Nej. MMM måler influencer marketing som kanal, ikke den enkelte creator. Til at sammenligne creators skal I stadig bruge tracking-links, rabatkoder eller platformens egne tal.

Er Meridian eller Robyn "bedst"?

Det afhænger af, hvilket tech-stack og hvilken statistisk tilgang jeres team allerede har erfaring med — Meridian er Python-baseret og Bayesiansk, Robyn er R-baseret og bruger en anden optimeringsmetode. Ingen af dem er entydigt bedre for alle brands.

Har jeg brug for MMM, hvis jeg allerede kører en inkrementalitetstest?

Ikke nødvendigvis. En inkrementalitetstest måler én kampagnes effekt isoleret; MMM måler flere kanalers bidrag samtidig over tid. De to supplerer hinanden snarere end at erstatte hinanden — se sammenligningstabellen ovenfor.

Kræver MMM samtykke fra brugerne, ligesom cookies gør?

Nej. MMM bruger kun aggregerede, ikke-personhenførbare data (samlet spend og samlet salg pr. periode), så metoden er ikke omfattet af de samme samtykkeregler som en sporingscookie.

Hvor lang tid tager det at bygge en MMM-model?

Ingen af kilderne bag denne artikel angiver en fast tidsramme, og det afhænger af datakvalitet og modellens kompleksitet — men både databehovet (måneder til år) og selve modelleringsarbejdet gør det til et projekt, ikke en hurtig opsætning.

Kan et lille brand bruge Meridian eller Robyn, fordi de er gratis?

Softwaren er gratis, men databehovet og kravet om data science-kompetence er de samme uanset brandets størrelse. Se beslutningsrammen ovenfor.

Findes der betalte, færdigbyggede alternativer til Meridian og Robyn?

Ja — Rockerbox kører MMM indbygget, og Northbeam tilbyder det som et betalt tilkøb (MMM Plus) ved siden af multi-touch attribution. Se Northbeam, Triple Whale og Rockerbox sammenlignet for, hvordan deres pris og metoder adskiller sig fra selv at bygge en model med Meridian eller Robyn.