Multi-Touch Attribution (MTA)
Multi-Touch Attribution (MTA) ist die Praxis, die Anerkennung für eine Konversion auf jeden Marketing-Kontaktpunkt zu verteilen, mit dem ein Kunde auf dem Weg zur Konversion in Berührung kam, nicht nur auf den ersten oder den letzten Klick. Statt zu sagen "Google Ads erhält 100 % dieses Geschäfts über 5.000 US-Dollar", könnte MTA es zu 30 % auf den Blog, 20 % auf LinkedIn, 30 % auf Google und 20 % auf das Verkaufsgespräch aufteilen.
Multi-Touch Attribution (MTA) ist die Praxis, die Anerkennung für eine Konversion auf jeden Marketing-Kontaktpunkt zu verteilen, mit dem ein Kunde auf dem Weg zur Konversion in Berührung kam, nicht nur auf den ersten oder den letzten Klick. Statt zu sagen "Google Ads erhält 100 % dieses Geschäfts über 5.000 US-Dollar", könnte MTA es zu 30 % auf den Blog, 20 % auf LinkedIn, 30 % auf Google und 20 % auf das Verkaufsgespräch aufteilen.
Warum es wichtig ist
Single-Touch-Modelle, First-Touch und Last-Touch, sind die denkbar einfachste Attribution, täuschen aber regelmäßig. Last-Touch schreibt dem Kanal die Anerkennung zu, der den Nutzer über die Ziellinie gebracht hat, und ignoriert die monatelange Bewusstseinsarbeit, die ihn nahe herangeführt hat. First-Touch schreibt dem Kanal die Anerkennung zu, der die Marke vorgestellt hat, und ignoriert die Kontaktpunkte, die das Geschäft tatsächlich abgeschlossen haben. Beide führen zu völlig verzerrten Budgetverteilungen. MTA versucht, dem Umstand ehrlich zu begegnen, dass Käufer vor dem Kauf 8 bis 20 Kontaktpunkte durchlaufen und dass jeder Kontaktpunkt etwas beiträgt. Richtig umgesetzt, lenkt sie das Budget zu den tatsächlichen Leistungsträgern. Falsch umgesetzt (oder mit schlechten Daten), liefert sie selbstbewusst falsche Antworten.
Gängige MTA-Modelle
Linear: Gleiche Anerkennung für jeden Kontaktpunkt. Leicht zu berechnen, leicht zu erklären. Behandelt eine Bannerwerbung und eine 30-minütige Demo als gleich wichtig, in der Regel zu großzügig gegenüber frühen Kontaktpunkten.
Time Decay (Zeitverfall): Kontaktpunkte näher an der Konversion erhalten mehr Anerkennung. Spiegelt die Intuition wider, dass ein Verkaufsgespräch von gestern mehr zählt als ein Blogbeitrag, der vor sechs Monaten gelesen wurde.
U-förmig (positionsbasiert): 40 % auf den ersten Kontaktpunkt, 40 % auf den letzten Kontaktpunkt, 20 % verteilt auf die mittleren Kontaktpunkte. Würdigt sowohl Entdeckung als auch Entscheidung.
W-förmig: Fügt das Ereignis der Lead-Erstellung als dritten gewichteten Punkt hinzu: 30 % erster, 30 % Lead-Erstellung, 30 % letzter, 10 % Mitte.
Datengetrieben (Googles MTA, Markov-Ketten): Nutzt statistische Analysen von konvertierenden und nicht konvertierenden Pfaden, um die Anerkennung zuzuweisen. Beste Ergebnisse bei ausreichend Daten; nutzlos bei kleinen Stichprobengrößen.
Benutzerdefiniert: Von Hand abgestimmte Gewichtungen auf Basis internen Geschäftswissens. Riskant, aber manchmal notwendig.
Warum MTA 2026 schwierig ist
Cookie-Abschaffung: Drittanbieter-Cookies sterben aus oder sind in großen Browsern bereits verschwunden. Site-übergreifendes Tracking, die Grundlage der klassischen MTA, funktioniert kaum noch.
Dark Social: Ein riesiger Anteil der B2B-Kontaktpunkte findet in DMs, Slack und E-Mails statt, die kein Analysetool sieht.
iOS / Datenschutzregulierung: ATT, GDPR und ähnliche Regime beschränken die domänenübergreifende Verknüpfung, die MTA benötigt.
KI-Such-Referrer: Viele Traffic-Quellen von ChatGPT, Perplexity und Gemini landen als direkt oder nicht zugeordnet.
Lange Verkaufszyklen: B2B-Reisen, die sich über 6 bis 18 Monate erstrecken, überschreiten die meisten Attributionsfenster.
Self-Serve / Multi-Channel: Moderne Käufer recherchieren auf Reddit, sehen sich eine YouTube-Rezension an und melden sich dann direkt an, die Kontaktpunktkette sieht in der Analytik wie ein einzelnes Ereignis aus.
Alternativen, die an Boden gewinnen
Marketing Mix Modeling (MMM): Statistische Analyse der Kanalausgaben gegenüber Geschäftsergebnissen auf aggregierter Ebene, nicht auf Nutzerebene. Datenschutzfreundlich. Wird von Enterprise-Teams genutzt, da die Cookie-Ära endet.
Selbstberichtete Attribution: Die Frage "Wie haben Sie von uns erfahren?" auf Anmeldeformularen. Unvollkommen, erfasst aber Dark Social, wo MTA es nicht kann.
Inkrementalitätstests: Geografische Holdouts, Pausierungen bezahlter Kanäle und kontrollierte Experimente messen den kausalen Zuwachs direkt.
Triangulation: Die Kombination aus MTA, MMM und selbstberichteten Antworten, um die Wahrheit zu triangulieren, da keine einzelne Methode zuverlässig ist.
Wann MTA noch funktioniert
Hochvolumiges B2C mit sauber getrackten Sitzungen: E-Commerce mit eingeloggten Nutzern.
Single-Domain-Reisen: Wenn die meisten Kontaktpunkte auf Ihren eigenen Eigentümern stattfinden.
Kurze Erwägungszyklen: Wenn die gesamte Reise in ein 30-Tage-Fenster passt.
Nur interne Ereignisse: E-Mail-Öffnungen, In-App-Interaktionen, Dashboard-Anmeldungen, First-Party-Signale, die Sie durchgängig kontrollieren.
Häufige Fehler
Die MTA-Ausgabe als Wahrheit behandeln: Sie ist eine beste Schätzung, keine Messung. Zeigen Sie stets Konfidenzintervalle.
Pro Kanal unterschiedliche Modelle vermischen: Den First-Touch-ROI eines Kanals mit dem Last-Touch-ROI eines anderen zu vergleichen, garantiert falsche Schlussfolgerungen.
Dark Social ignorieren: Wenn 40 % der Leads aus Verkaufsgesprächen sagen "ein Freund hat es mir erzählt", war Ihre MTA immer um 40 % falsch.
Das Budget monatlich an MTA-Werten optimieren: Modelle, die sich von Monat zu Monat aufgrund von Rauschen verändern, lenken Ihr Budget in Schwierigkeiten.
Glauben, datengetriebene MTA brauche keine Überprüfung: ML-Attribution ist immer noch ein Modell mit eigenen Annahmen und Fehlermodi.
Vorgeben, MMM sei nur "alte MTA": Sie beantworten unterschiedliche Fragen. Nutzen Sie beide.
Sources: