Multi-Touch-Attribution (MTA): Definition & Modelle

Multi-Touch-Attribution (MTA) ist ein Messmodell, das die Gutschrift für eine Konversion auf alle Marketing-Berührungspunkte verteilt, mit denen ein Kunde vor dem Kauf interagiert hat, anstatt die gesamte Gutschrift einer einzelnen Anzeige oder einem Klick zuzuschreiben. Wenn ein Käufer eine Native-Anzeige gesehen, später auf eine Retargeting-Anzeige geklickt und dann nach einer Branded-Suche konvertiert ist, weist MTA einen anteiligen Bruchteil dieser Konversion jedem der drei Berührungspunkte zu, anstatt alles dem letzten zu geben.

Übliche MTA-Modelle#

Lineare Modelle geben jedem Berührungspunkt die gleiche Gutschrift. Time-Decay-Modelle geben Berührungspunkten, die näher an der Konversion liegen, mehr Gewicht als früheren. Positionsbasierte (U-förmige) Modelle geben dem ersten und letzten Berührungspunkt einen größeren Anteil und verteilen den Rest auf die Mitte. Datengetriebene oder algorithmische Modelle, die oft auf Shapley-Werten oder einem ähnlichen spieltheoretischen Ansatz basieren, schätzen den marginalen Beitrag jedes Berührungspunkts direkt aus historischen Daten, anstatt eine feste Regel anzuwenden.

Unterschied zu Single-Touch-Modellen#

Die einfachste Alternative besteht darin, dem Berührungspunkt Gutschrift zu geben, der zuletzt innerhalb eines definierten Attributionsfensters ausgelöst wurde, über einen Conversion-Pixel zum Zeitpunkt des Kaufs. Das ist einfach zu berechnen, aber es unterbewertet systematisch Oberfunnel-Kanäle wie native Discovery-Platzierungen, die eher ein Produkt vorstellen als den Verkauf abzuschließen. MTA versucht, dies zu korrigieren, indem es die Gutschrift über den gesamten Pfad verteilt, was normalerweise dazu führt, dass Oberfunnel Native Advertising und Display-Werbung unter einem MTA-Modell wertvoller erscheinen als unter einem Last-Touch-Modell.

Warum es schwieriger geworden ist, es durchzuführen#

MTA ist darauf angewiesen, die Berührungspunkte eines einzelnen Benutzers über Geräte und Sitzungen hinweg zu verknüpfen, was persistente Kennungen erfordert: Cookies, mobile Anzeigen-IDs oder einen Abgleich angemeldeter Benutzer. Browser-Cookie-Einschränkungen und plattformseitige Tracking-Limits haben diese Verknüpfung im Laufe der Zeit undichter gemacht, sodass MTA-Modelle zunehmend auf modellierte oder probabilistische Zuordnung setzen, um Lücken zu füllen, anstatt auf deterministisches Click-Tracking. Das ist ein Grund, warum mehr Werbetreibende jetzt in die Sammlung von First-Party-Daten investieren, da ein selbst verwalteter Benutzerdatensatz Plattform-Tracking-Änderungen besser übersteht als ein gemieteter.

Wo es neben anderen Messmethoden steht#

MTA funktioniert am besten als mittlere Trichterdiagnose, die zeigt, welche Berührungspunkte tendenziell gemeinsam auf einem erfolgreichen Pfad auftreten, und nicht als endgültiges Urteil über den Kanalwert. Seriöse Media-Buying-Teams überprüfen regelmäßig, ob der vom Modell implizierte Kanalwert einem echten experimentellen Holdout standhält, da ein Kanal, dem MTA ein Drittel der Konversionen zuschreibt, dennoch nahezu null Effekt zeigen kann, sobald man ihn tatsächlich für eine Testgruppe abschaltet.

Zu verstehen, welche Kanäle die Oberfunnel-Awareness antreiben, beginnt damit zu wissen, was tatsächlich läuft. OpenAdLibrarys native ad spy tool zeigt, welche Werbetreibenden in Ihrer Vertikalen aktiv Native-Creative schalten – eine nützliche Information, bevor Sie entscheiden, wie viel Attributionsgutschrift ein Kanal in Ihrem eigenen Modell verdient.

Praktische Einrichtungshinweise#

MTA richtig umzusetzen erfordert eine konsistente Tracking-Kennung über jedes Netzwerk hinweg, sodass Berührungspunkte desselben Benutzers tatsächlich abgeglichen werden können, plus eine einheitlich angewandte Länge des Attributionsfensters über alle Kanäle hinweg. Nicht übereinstimmende Fenster zwischen Plattformen – ein 7-Tage-Fenster auf einem Dashboard und ein 30-Tage-Fenster auf einem anderen – machen jeden kanalübergreifenden MTA-Vergleich ungültig, noch bevor das Modell läuft. Es lohnt sich, Ihre zugrunde liegenden Werbeausgaben und Konversionsdaten zu bereinigen, bevor Sie in ein ausgefeilteres datengetriebenes Modell darauf investieren.