Multi-Touch-Attribution: Warum das Attributionsmodell dort scheitert, wo die Daten enden

Ein Multi-Touch-Attributionsmodell ist schnell benannt und schwer zu prüfen. Die meisten Seiten, die eines erklären, werden von einem Unternehmen veröffentlicht, das eines verkauft. Das Diagramm, das Sie gerade lesen, hat also der Anbieter gezeichnet, dessen Modell darauf steht. Das ist kein Skandal, und es ist ein Grund, genau zu wissen, wo das Diagramm endet: Vier Arten von Touchpoints erscheinen darauf überhaupt nicht.

Was das kostet, zeigt ein Kanalbericht. Er druckt für jeden Kanal einen Prozentwert und an keiner Stelle eine Zeile für das, was er auslässt. Dieses Auslassen kündigt sich nicht an. Ein Kanal, der in diesem Quartal nichts eingebracht hat, und ein Kanal, dessen Arbeit nie gezählt wurde, landen in derselben Zeile desselben Berichts mit demselben Wert, und die Rechnung dahinter stimmt in beiden Fällen.

Die schwächste Zeile ist deshalb oft die, deren Arbeit dort passiert ist, wo das Modell nicht hinkommt. Die Touchpoints verlassen das Modell durch vier konkrete Türen, und jede hat einen Namen, einen Mechanismus und einen Preis. Sobald Sie wissen, welche davon Ihren schwächsten Kanal treffen, geht es im Budgetgespräch nicht mehr um das Dashboard.

Was ein Multi-Touch-Attributionsmodell tatsächlich zuordnet

Multi-Touch-Attribution verteilt den Credit für eine Conversion auf jeden Touchpoint, den das System beobachten kann. Eine Reise über eine Suchanzeige, ein Webinar, eine Retargeting-Impression und eine Demo-Anfrage ergibt damit vier anteilige Ansprüche statt eines einzigen Klicks, der alles bekommt. Die Anteile summieren sich zu eins, und der Bericht druckt für jeden Kanal eine Summe, die wie eine Antwort aussieht.

Unter dieser Rechnung liegt eine Annahme, die man aussprechen sollte: Jeder beteiligte Touchpoint wurde beobachtet, an eine Kennung gebunden und innerhalb eines noch gültigen Zeitfensters mit der Conversion verknüpft. Das Modell prüft diese Annahme nicht. Es setzt sie voraus und teilt.

Wenn Sie ein Produkt auswählen und nicht eine Ausgabe hinterfragen wollen, behandelt unsere Übersicht zu Attributionssoftware genau diese Entscheidung. Was hier folgt, gilt unabhängig davon, welches Werkzeug Sie installieren.

Die vier Touchpoints, die Ihr Modell nicht sehen kann

Jeder der folgenden Mechanismen verkleinert die Menge der Touchpoints, die das Modell erkennen kann, und keiner davon erzeugt eine Fehlermeldung. Jeder liefert eine saubere Zahl, in der ein Stück der Reise in der Spalte eines anderen Kanals steckt.

Consent-Verlust und der schrumpfende identifizierbare Nenner

Fangen Sie beim Nenner an, denn dort liegt der Fehler der meisten Teams. Wenn ein Besucher Tracking ablehnt oder nie auf eine Weise gefragt wird, die das Gesetz anerkennt, findet die Sitzung trotzdem statt und der Klick auch. Was verschwindet, ist die Kennung, die diese Sitzung drei Wochen später mit einer Conversion verbunden hätte.

Das Modell reagiert nicht mit einer niedrigeren Summe und einem Loch darin. Es druckt dieselbe Conversion, angehängt an die Touchpoints, die eine Kennung trugen. Der Credit wird unter den Überlebenden neu verteilt, nicht gelöscht.

Die veröffentlichten Zustimmungswerte sind fragiler, als sie aussehen. Der State of Data Privacy Benchmark 2026 von Didomi, im Mai 2026 veröffentlicht, nennt für die USA eine Cookie-Zustimmungsrate von 94,2 Prozent bei 5,8 Prozent Ablehnungen. Lesen Sie die Methode, und die Zahl verschiebt sich: Die meisten Datenschutzgesetze der Bundesstaaten behandeln Untätigkeit als stillschweigende Zustimmung. Der Wert verbindet also aktive Opt-ins mit Besuchen, bei denen niemand etwas gewählt hat. Eine Zustimmungsrate von 94,2 Prozent und ein identifizierbarer Anteil von 94,2 Prozent sind zwei verschiedene Aussagen, und die Benchmark hat die erste gemessen.

Das ist Arithmetik und keine Beobachtung, und sie läuft so: Conversions ohne Zustimmung tauchen nicht als nicht zugeordnet auf. Sie tauchen zugeordnet zu den Touchpoints auf, die sichtbar waren, und das verschiebt sich zu dem, was die stärkste Kennung trägt, meistens die angemeldeten Nutzer und das untere Funnel-Ende.

Cross-Device und das Haushaltsproblem

Der Match Rates Guide von Relay42, den Landbase in einem 2026 veröffentlichten Anbieterleitfaden wiedergibt, zählt 6,58 verbundene Geräte und rund 12 Kennungen pro Person und kommt zu dem Schluss, dass perfektes Matching mathematisch unmöglich ist. Nehmen Sie die Quelle als das, was sie ist, ein Anbieterdokument, und beachten Sie, dass die Richtung auch ohne die Genauigkeit trägt.

Sie werden nach einer belegten Cross-Device-Match-Rate suchen. Ich habe gesucht und keine gefunden. Die Quellen, die das Problem behandeln, beschreiben den Mechanismus und hören dort auf. Die Zahl, die ein Anbieter Ihnen nennt, ist höchstwahrscheinlich seine eigene Benchmark auf seinem eigenen Traffic, und sie sollte keine Budgetzeile tragen.

Die Haushaltsvariante ist schlimmer, weil sie keine Gerätelücke ist. Die Forrester-Studie von 2026, wiedergegeben in B2B-Attributionsleitfäden, setzt eine typische Kaufentscheidung bei 13 internen Stakeholdern und neun externen Einflussnehmern an, von denen jeder eine eigene Reise durchläuft. Ihr Modell verfolgt Individuen. Die Entscheidung gehört einer Gruppe, auf Geräten, die Sie nie gesehen haben.

Eine Conversion, an der drei Personen und fünf Geräte beteiligt waren, landet als eine Zeile, angehängt an die Kennung, die zuletzt auf dem Gerät ankam, das zufällig konvertiert hat. Die anderen vier Geräte wurden nicht zu niedrig gewichtet. Sie fehlten, und ihr Anteil ist zu dem Kanal gewandert, dem die letzte Sitzung gehörte.

Walled Gardens

Dieser Punkt ist strukturell. Genau deshalb wird er überhaupt nicht mehr als Problem wahrgenommen.

Der State of Programmatic Report 2026 von Comscore, im Januar 2026 veröffentlicht, ergab, dass 87 Prozent der Media-Einkäufer kanalübergreifende Performance-Kennzahlen innerhalb programmatischer Plattformen als kritisch oder wertvoll für Entscheidungen einstufen. Die Outlook Study 2026 des IAB setzt den Fokus von Werbetreibenden auf plattformübergreifende Messung für 2026 bei 72 Prozent an, nach 64 Prozent ein Jahr zuvor. Beide Gruppen von Einkäufern wollen die eine Zahl, mit der sich Plattformen vergleichen lassen, und beide bitten die Plattform selbst darum, sie zu liefern. Die Plattform ist damit Teilnehmer an der Auktion und Schiedsrichter über das eigene Ergebnis.

Jede Plattform zählt Conversions in ihrem eigenen Zeitfenster, gegen ihren eigenen Identity Graph, nach Regeln, die sie selbst schreibt. Keine von ihnen teilt eine Identitätsebene mit den anderen, die denselben Verkauf wiedererkennen würde, wenn er in drei von ihnen auftaucht.

Das heißt, arithmetisch und nicht beobachtet, dass die Summe über alle Plattformen den echten Gesamtwert übersteigen kann. Niemand bläht hier etwas auf. Jede Plattform beansprucht einen Verkauf zu Recht nach ihrer eigenen Definition des Beanspruchens, und drei unvereinbare Definitionen erzeugen drei Ansprüche auf einen Verkauf. Deshalb lässt sich die Zahl eines Anbieters von außen nicht prüfen. Ihr Bericht druckt keine Überzählung. Er druckt vier Summen mit einer Fußnote, und dann addiert jemand sie auf einer Folie.

Offline und Conversions mit langer Verzögerung

Der leiseste der vier. Er sieht wie eine saubere Zuordnung aus und nicht wie eine fehlende.

Die Optifai-Research von 2026, wiedergegeben in Attributionsleitfäden für B2B-SaaS, setzt Verkaufszyklen 22 Prozent länger an als 2022, mit einem Median von 84 Tagen, und Enterprise-Deals über 100.000 Dollar Annual Contract Value laufen oft 180 Tage oder länger. Über sechs Monate vermehren sich die Touchpoints, Cookie-Fenster laufen ab, Menschen wechseln das Gerät, und das Signal verfällt.

Der Haken daran: Eine Conversion, die nach Ablauf des Fensters abschließt, wird nicht als nicht zugeordnet geführt, was wenigstens ehrlich wäre und in einem Lückenbericht auftauchen würde. Sie wird als Direct oder Organic geführt, weil kein bezahlter Touchpoint übrig war, der sie beanspruchen konnte. Ein Team, das fünf Monate mit Events, Content und einer teuren Vertriebsarbeit Nachfrage aufgebaut hat, bekommt einen Bericht, in dem der Deal von selbst gekommen ist.

Ich habe gesehen, wie einem Kanal genau wegen dieser Lesart das Budget gestrichen wurde. Die Arbeit war echt. Der Bericht war sauber. Die beiden beschrieben einander nicht mehr.

Was anteiliger Credit mit einer Budgetentscheidung macht

Ich übersetze die Arithmetik einmal in Geld, mit runden Zahlen. Das ist ein illustratives Beispiel und keine Benchmark aus Ihrem Konto oder aus irgendeinem anderen.

Angenommen, Sie geben 100.000 Dollar pro Quartal über vier Kanäle aus: 40.000 auf bezahlte Suche, 30.000 auf bezahltes Social, 15.000 auf Webinare und Content und 15.000 auf Events. Ihr Attributionswerkzeug berichtet Umsatz, und Sie sollen für das nächste Quartal 20.000 Dollar finden.

Bezahlte Suche: 400.000 Dollar zugeschrieben. Bezahltes Social: 250.000. Webinare und Content: 150.000. Events: 80.000.

Ordnen Sie diese vier Zahlen, und Events liegt mit großem Abstand hinten. Auf der Seite gibt es daran keinen Zweifel. Der naheliegende Schritt ist, die 20.000 bei Events zu holen.

Legen Sie zwei blinde Flecken über diese Rangfolge. Das Event-Programm ist der Ort, an dem die Enterprise-Beziehungen beginnen, und Deals über 100.000 Dollar Annual Contract Value laufen länger als 180 Tage, also über das Ende des Fensters hinaus. Wenn diese Conversions abschließen, kommen sie als Direct oder Organic an. Gleichzeitig finden die Gespräche auf Events über mehrere Personen und mehrere Geräte statt, und einer der Teilnehmer hat nie eine Tracking-Abfrage angenommen. Die Sitzungen, die eine Kennung trugen, gingen deshalb an den Kanal, dem sie näher am Kauf begegnet sind.

Events haben den Umsatz erzeugt. Er wurde gezählt, nur nicht in der Spalte für Events.

Wenden Sie dieselbe Überlagerung auf die bezahlte Suche an. Sie liegt am nächsten an der Conversion und erbt deshalb alles, was die anderen Kanäle verloren haben. Ihre 400.000 enthalten Conversions, die in einem Webinar begannen und über eine Markensuche abgeschlossen wurden, die der Käufer danach ausgeführt hat. Das macht die Suche nicht zu einem schlechten Kanal. Es heißt, dass die Zahl der Suche und die Zahl der Events verschiedene Größen messen und trotzdem so gereiht werden, als würden sie dieselbe Größe messen.

Was daraus entsteht, ist eine Zuteilung, und genau danach war gefragt worden: Events behalten ihr Budget und bekommen einen ausgesprochenen Vorbehalt, die Zahl der Suche wird um einen benannten Betrag dafür abgezinst, was sie geerbt hat, und die 20.000 kommen von dem Kanal, der weder einen blinden Fleck noch eine belegte Rendite hat. Das ist eine andere Entscheidung als die, die die rohe Rangfolge ergeben hat, und sie kostet nichts, sobald Sie ausgesprochen haben, welche Touchpoints die jeweilige Zahl nicht sehen kann.

Eine Abgrenzung ist hier wichtig, weil die benachbarten Argumente sonst ineinanderlaufen. Unser Artikel zu Marketing-Measurement argumentiert, dass Kanäle, die der Stack nicht sieht, unberichtet bleiben. Dieser Artikel zeigt, welche Touchpoints das sind, wo in der Reise sie herausfallen und was die Umverteilung mit der Zeile eines Kanals macht. Jener Artikel arbeitet in Zahlen. Dieser arbeitet in Touchpoints.

Der Abgleich mit dem CRM ist eine eigene Aufgabe und gehört zur Revenue Attribution, die vom CRM-Datensatz ausgeht und nicht vom Touchpoint. Wenn Sie die Präsentation bauen, die diese Zahlen trägt, liegt die Werkzeugfrage bei den Marketing-Analytics-Tools und nicht hier.

Daten reparieren oder Methode wechseln

Es gibt drei ehrliche Antworten, und sie kosten unterschiedlich viel. Keine davon lässt die blinden Flecken verschwinden.

Die Identitätsebene reparieren. Consent-Management, das eine echte Entscheidung festhält, eine Customer Data Platform, die Kennungen zusammennäht, serverseitiges Tagging und eine bewusste Entscheidung darüber, was mit nicht angemeldetem Traffic passiert. Das verkleinert das Nennerproblem und ändert nichts an den Walled Gardens oder an der langen Verzögerung. Es ist der richtige erste Schritt, wenn Ihr identifizierbarer Anteil so klein ist, dass das Modell eine dünne Zahl in eine große teilt.

Einen Inkrementalitätstest fahren. Ein Holdout beantwortet eine andere Frage, nämlich was ohne die Ausgaben passiert wäre, und die Inkrementalitätstests decken die Designs ab. Setzen Sie ihn für den einen Kanal ein, dessen Wert sich nicht im Argument klären lässt.

Die Methode wechseln. Marketing Mix Modeling arbeitet auf aggregierter Ebene und nicht auf Nutzerebene, umgeht die Identität also vollständig und bringt dafür eigene Grenzen mit. Es ist eine legitime Option und eine andere Disziplin.

Manche Teams arbeiten diese Liste durch, reparieren, was sie können, und halten am Ende trotzdem eine Zahl, die sie nicht vollständig verteidigen können. Für sie ist der ehrliche Schritt, die Zahl nicht mehr als vollständig zu präsentieren: die vier blinden Flecken daranhängen, die betroffenen Kanäle markieren und die Entscheidung mit sichtbarem Vorbehalt treffen. Das ist ein schlechter aussehender Bericht und eine bessere Entscheidung, und ich verteidige lieber den ersten als den zweiten zu wiederholen.

Fazit

Gehen Sie zu diesem Kanalbericht zurück. Der Kanal unten steht weiterhin unten, und jetzt wissen Sie, was die Rangfolge nicht sehen kann.

Sie werden keine saubere Antwort darauf bekommen, wie viel der Reise unsichtbar ist, und ich erfinde keine. Zu messen, was ein Modell nicht sehen kann, braucht etwas anderes als das Modell. Sie können die vier Mechanismen benennen, sagen, welche davon Ihren schwächsten Kanal treffen, und aufhören, eine unvollständige Zahl entscheiden zu lassen, wohin das Geld geht.

Ein Modell, das einen Touchpoint nicht sehen kann, berichtet keine Lücke. Es berichtet den Erfolg von jemand anderem.