Hvad er Marketing Mix Modeling (MMM)? Komplet dansk guide til cookieless attribution

Sidst opdateret: februar 3, 2026
⏱ 11 min læsning
Juan

Få tilsendt tips og tricks direkte i din indbakke👇

Del med andre 👇

Marketing Mix Modeling (MMM) er blevet mit foretrukne værktøj til at måle hvilke marketingkanaler der faktisk driver omsætning, uden at være afhængig af cookies eller platform-attribution.

Du kender sikkert scenariet: Du sidder til et møde med din CMO/CEO/FAR/MOR og spørgsmålet kommer:

“Hvilke kanaler driver faktisk omsætning?”

Du åbner Google Analytics. Du åbner Meta Ads Manager. Du åbner rapporten fra Google Ads.

Tre forskellige tal. Tre forskellige sandheder.

Det er her Marketing Mix Modeling kommer ind i billedet som et alternativ til traditionel kanalattribution.

Og nej, det er ikke kun for virksomheder med data science-teams og millionbudgetter.

Men det er heller ikke helt så ligetil…

Det minder faktisk meget om en prompt:
DÅRLIG INPUT = DÅRLIG OUTPUT

Og man skal vide nok til at forstå og fortolke resultaterne.

📋 Indhold

Hvad er Marketing Mix Modeling?
Hvad kan MMM svare på?
De vigtigste MMM-begreber forklaret
Hvornår giver Marketing Mix Modeling mening?
Hvilke MMM-værktøjer findes der?
Sådan kommer du i gang med MMM
Det der ofte overrasker ved MMM
Ofte stillede spørgsmål om Marketing Mix Modeling
Konklusion

Hvad er Marketing Mix Modeling?

Tænk på Marketing Mix Modeling som en opskriftsanalysator.

Du kender den endelige ret (din omsætning).

Du kender ingredienserne (annoncering, kampagner, sæson, helligdage).

MMM finder ud af, hvor meget hver ingrediens bidrog til resultatet.

Det smarte?

Den bruger Bayesiansk statistik: en metode der kombinerer det du allerede ved (dine forventninger) med det data faktisk viser.

Med andre ord: Modellen gætter ikke blindt. Den starter med en kvalificeret antagelse og justerer baseret på virkeligheden.

Cookieless attribution: MMM bruger ikke cookies eller user-level tracking. Den kigger på aggregeret data, hvad du brugte, og hvad du tjente. Det gør den privacy-safe og fremtidssikret, især nu hvor tredjepartscookies er på vej væk.

Hvad kan MMM svare på?

Marketing Mix Modeling besvarer de spørgsmål om kanalattribution som kunder stiller mest:

→ “Hvilke kanaler driver faktisk omsætning?”

→ “Over- eller underinvesterer jeg i nogen kanal?”

→ “Hvordan skal jeg omfordele budget for at maksimere resultater?”

→ “Hvad er ROI på hver marketingkrone?”

Traditionel attribution (Google Analytics, pixel-tracking) har et grundlæggende problem: Hver platform tager æren for det samme salg.

Meta siger de konverterede kunden. Google siger det samme. Du ender med at tælle den samme konvertering flere gange — et klassisk attribution-problem.

MMM ser på det hele oppefra. Den kigger på mønstre over tid og isolerer hver kanals faktiske bidrag til ROI.

De vigtigste MMM-begreber forklaret

Her er de termer du skal kende for at forstå dine Marketing Mix Modeling resultater:

ROI (Return on Investment)

Omsætning genereret per krone brugt. En ROI på 3.0 betyder at hver krone du brugte, genererede 3 kroner i omsætning. Dette er det primære mål for kanaleffektivitet i MMM.

Baseline

Den omsætning der ville være sket UDEN marketing. Inkluderer brand equity, organisk efterspørgsel og sæsoneffekter. En baseline på 70% er helt normalt — det betyder at forretningen har stærke fundamentaler.

Prior

Din startantagelse om f.eks. ROI før modellen ser data. “Jeg tror Facebook ligger omkring 2x ROI.” I Bayesiansk statistik kombinerer modellen din prior med data for at give et opdateret estimat (posterior).

Posterior

Det opdaterede estimat efter modellen har set data. Dette er det endelige tal — din prior justeret af hvad data faktisk viser.

Confidence Interval (CI)

Usikkerhedsområdet omkring et estimat. Hvis modellen siger “ROI er 2.5 (CI: 1.8-3.2)”, betyder det at den er ret sikker, men ikke 100%. Jo smallere interval, jo mere sikker er modellen.

Adstock

Carryover-effekten af annoncering. Når du ser en annonce i dag, køber du måske først om en uge. MMM fanger denne forsinkede effekt, hvor traditionel last-click attribution ikke gør.

Eksempel: Sådan læser du MMM-output

Kanal: Facebook Ads
ROI: 2.3 (CI: 1.8 – 2.9)
Spend: 500.000 DKK
Attributed Revenue: 1.150.000 DKK
Contribution: 18% af total omsætning

Fortolkning: For hver krone brugt på Facebook genererede du 2,30 kr i omsætning. Modellen er 90% sikker på at den sande ROI ligger mellem 1,8 og 2,9.

Hvornår giver Marketing Mix Modeling mening?

MMM er ikke for alle situationer. Her er hvornår cookieless attribution via MMM giver mening — og hvornår du skal vælge andre metoder.

Brug MMM hvis…

✅ 2+ marketingkanaler — modellen skal kunne sammenligne kanalernes bidrag
✅ 6-12+ måneder daglig data — jo mere historik, jo bedre kan modellen fange sæsonmønstre
✅ Variation i spend — ikke samme beløb hver dag (variation = læring)
✅ Behov for holistisk ROI-måling — på tværs af alle kanaler i ét view
✅ Privacy-compliant attribution — cookieless måling uden user-tracking

Undgå MMM hvis…

🛑 Kun 1 marketingkanal — intet at sammenligne, brug platform-data
🛑 Mindre end 6 måneders data — for lidt at lære fra, resultaterne bliver upålidelige
🛑 Meget små eller flade budgetter — ingen variation at analysere
🛑 Behov for real-time attribution — MMM er retrospektiv, ikke real-time
🛑 Ingen omsætnings- eller konverteringsdata — ingen outcome at måle imod

Hvilke MMM-værktøjer findes der?

Du behøver ikke bygge fra bunden. Her er de mest populære open-source Marketing Mix Modeling værktøjer:

Værktøj	Udvikler	Sprog	Sværhedsgrad	Bedst til
Google Meridian	Google	Python	⭐⭐⭐ Medium	Moderne Bayesiansk analyse, aktiv udvikling
Meta Robyn	Meta	R	⭐⭐ Let-medium	God dokumentation, hurtig iteration
PyMC-Marketing	PyMC Labs	Python	⭐⭐⭐⭐ Svær	Maksimal fleksibilitet, avancerede brugere
LightweightMMM	Google	Python	⭐⭐ Let-medium	Simpel start, god til læring

Alle værktøjer er gratis og open-source. Forskellen ligger i den statistiske tilgang, programmeringssprog, og hvor meget konfiguration du selv skal skrive.

Min anbefaling: Start med Google Meridian hvis du arbejder i Python og vil have det nyeste. Vælg Meta Robyn hvis du foretrækker R og værdsætter god dokumentation med eksempler.

Sådan kommer du i gang med Marketing Mix Modeling

Her er de konkrete første skridt til at køre din første MMM-analyse:

🚀 4 trin til din første MMM-analyse

Saml din data
Eksporter daglig omsætningsdata og spend-data per kanal. Du skal bruge minimum 6-12 måneder. Hent det fra din e-commerce platform (Shopify, WooCommerce) og ad platforms (Meta, Google Ads).
Vælg et værktøj
Start med Google Meridian (Python) eller Meta Robyn (R). Begge har getting started guides.
Kør din første analyse
Følg værktøjets quickstart tutorial. Forvent at bruge 2-4 timer på setup første gang. Selve modelkørslen tager 3-10 minutter.
Fortolk resultaterne
Fokuser på ROI per kanal og confidence intervals. Bred CI = modellen er usikker = du har brug for mere data eller variation.

Det der ofte overrasker ved Marketing Mix Modeling

1. En høj baseline er ikke dårligt

Hvis modellen siger 70% af omsætningen er baseline, betyder det ikke at marketing er ligegyldigt.

Det betyder at forretningen har stærk organisk efterspørgsel og brand equity. De resterende 30% som marketing driver, kan stadig være millioner i omsætning.

2. ROI under 1.0 betyder tab men tjek intervallet

En ROI på 0.7 betyder at du tabte penge på den kanal i den periode. Men hvis confidence intervallet spænder over 1.0, er modellen usikker på konklusionen.

Husk også: Nogle kanaler bygger brand awareness (langsiget værdi) som MMM’s korte tidshorisont ikke fanger fuldt ud.

3. Data variation er alt

Hvis du bruger præcis det samme beløb hver dag, kan modellen ikke lære noget om kanalens effekt.

Den har brug for at se hvad der sker når du bruger mere — og når du bruger mindre. Variation = læring. Overvej at køre spend-eksperimenter for bedre MMM-data.

Ofte stillede spørgsmål om Marketing Mix Modeling

Hvor lang tid tager en MMM-analyse?

Selve modelkørslen tager typisk 3-10 minutter afhængig af datamængde og antal kanaler. Det meste tid går med at forberede og validere data — regn med nogle timer til en dag for en grundig første analyse.

Kan jeg bruge MMM med kun månedlig data?

Det anbefales ikke. Daglig data giver langt bedre resultater fordi modellen kan fange kortsigtede mønstre og adstock-effekter. Med kun månedlig data bliver confidence intervals meget brede og resultaterne mindre pålidelige.

Hvad koster MMM-værktøjer?

Google Meridian, Meta Robyn, PyMC-Marketing og LightweightMMM er alle gratis og open-source. Du betaler kun for compute-tid hvis du kører i skyen (typisk under 50 kr per analyse), og eventuelt for ekspertise til setup og fortolkning.

Hvordan adskiller MMM sig fra multi-touch attribution (MTA)?

Multi-touch attribution tracker individuelle brugere på tværs af touchpoints og kræver cookies/tracking. MMM bruger aggregeret data og statistik — ingen user-level tracking nødvendig. MTA er real-time; MMM er retrospektiv. De to metoder supplerer hinanden.

Kan MMM erstatte platform-attribution helt?

Nej, de har forskellige styrker. Brug platform-data (Meta, Google) til daglig optimering og MMM til strategiske budgetbeslutninger på tværs af kanaler. MMM giver det “sande” billede; platform-data giver hurtig feedback.

Konklusion

Marketing Mix Modeling er ikke magi — men det er det tætteste vi kommer på en “sandhed” om hvilke kanaler der faktisk driver omsætning.

I en verden hvor cookies forsvinder og hver platform overclaimer konverteringer, giver MMM en cookieless attribution-metode der ser på det hele oppefra.

Start med at samle 6-12 måneder daglig data, vælg et værktøj (Meridian eller Robyn), og kør din første analyse. Du vil blive overrasket over hvad du lærer.