Multi-Touch-Attribution

Die Multi-Touch-Attribution ist ein Ansatz der Attribution, bei dem der Wert einer Conversion auf mehrere Touchpoints der Customer Journey verteilt wird. Anders als bei First-Click-Attribution oder Last-Click-Attribution bekommt nicht ein einzelner Kontakt die gesamte Anerkennung.

Die wichtigsten Modelle

• Linear: Jeder Touchpoint bekommt denselben Anteil. Bei vier Kontakten sind das je 25 %.
• Time Decay: Kontakte kurz vor der Conversion bekommen mehr Gewicht als frühe Kontakte, meist über eine Halbwertszeit gesteuert.
• Positionsbasiert (U-förmig): Erster und letzter Kontakt bekommen je 40 %, die Kontakte dazwischen teilen sich die restlichen 20 %.
• Datengetrieben: Ein Algorithmus vergleicht Journeys mit und ohne Conversion und leitet daraus ab, wie viel jeder Kanal tatsächlich beiträgt. Dafür braucht es große Datenmengen.

Beispiel

Ein Lead hat vor seinem Abschluss über 4.000 € vier Touchpoints: Meta-Anzeige, Google-Suche, Newsletter, Brand-Suche.

Dieselbe Journey ergibt je nach Modell völlig unterschiedliche Kanalbewertungen.

Multi-Touch-Attribution im Lead-Geschäft

In der Theorie bildet Multi-Touch-Attribution lange Entscheidungsprozesse am besten ab. In der Praxis scheitert sie oft an der Datenlage: Touchpoints gehen durch Consent-Ablehnung, Gerätewechsel und kurze Cookie-Laufzeiten verloren. Viele Kontakte, etwa ein Gespräch auf einer Messe oder eine Empfehlung, tauchen im Tracking gar nicht auf. Gerade bei kleineren Accounts mit wenigen hundert Leads im Monat reichen die Daten für datengetriebene Modelle häufig nicht aus.

Ein pragmatischer Weg ist, First Click und Last Click nebeneinander zu betrachten: Der erste zeigt, welche Kanäle Nachfrage erzeugen, der zweite, welche sie abschließen. Wichtig ist in jedem Fall, dass die Conversion nicht beim Lead endet, sondern Deals und Umsatz aus dem CRM einbezieht.

Typische Fehler

• Modell wählen, das die eigene Meinung bestätigt: Jedes Modell lässt bestimmte Kanäle besser aussehen.
• Unvollständige Journeys ignorieren: Ein Modell verteilt nur das, was erfasst wurde.
• Zu wenig Daten für datengetriebene Modelle: Bei wenigen Conversions sind die berechneten Gewichte kaum belastbar.