Multi-Touch Attribution (MTA): Definitie & Modellen

Multi-touch attribution (MTA) is een meetmodel dat de krediet voor een conversie verdeelt over elk marketing‑touchpoint waarmee een klant interactie had vóór de aankoop, in plaats van alle krediet toe te wijzen aan één advertentie of klik. Als een shopper een native advertentie zag, later op een retargeting‑advertentie klikte en vervolgens converteerde na een merk‑zoekopdracht, kent MTA een fractie van die conversie toe aan elk van de drie touches in plaats van alles aan de laatste toe te wijzen.

Veelvoorkomende MTA‑modellen#

Lineaire modellen geven elk touchpoint gelijke krediet. Time‑decay modellen geven touchpoints dichter bij de conversie meer gewicht dan eerdere. Position‑based (U‑vormige) modellen geven de eerste en laatste touch een groter aandeel, en verdelen de rest over het midden. Data‑gedreven of algoritmische modellen, vaak gebouwd op Shapley‑waarden of een vergelijkbare game‑theorie‑benadering, schatten de marginale bijdrage van elk touch direct uit historische data in plaats van een vaste regel toe te passen.

Hoe het verschilt van single‑touch modellen#

Het eenvoudigste alternatief is krediet toekennen aan het touchpoint dat het laatst werd geactiveerd binnen een gedefinieerd attribution window, via een conversion pixel op het moment van aankoop. Dat is eenvoudig te berekenen, maar onderwaardeert systematisch boven‑funnel kanalen zoals native discovery placements, die eerder een product introduceren dan de verkoop sluiten. MTA probeert dit te corrigeren door krediet te verspreiden over het hele pad, waardoor boven‑funnel native advertising en display advertising waardevoller lijken onder een MTA‑model dan onder een last‑touch model.

Waarom het moeilijker is geworden om uit te voeren#

MTA is afhankelijk van het samenvoegen van de touchpoints van één gebruiker over apparaten en sessies, wat persistente identifiers vereist: cookies, mobile ad IDs, of een ingelogde gebruikersmatch. Browser‑cookie‑beperkingen en platform‑niveau tracking‑limieten hebben dat samenvoegen na verloop van tijd lekkerder gemaakt, waardoor MTA‑modellen steeds meer leunen op gemodelleerde of probabilistische matching om gaten op te vullen in plaats van deterministische click tracking. Dat is een deel van de reden waarom meer adverteerders nu investeren in het verzamelen van first‑party data, omdat een gebruikersrecord dat je zelf bezit beter overleeft dan een record dat je huurt wanneer platform‑tracking verandert.

Waar het past naast andere meetmethoden#

MTA werkt het beste als een mid‑funnel diagnostisch instrument, dat laat zien welke touchpoints vaak samen voorkomen op een winnend pad, in plaats van als het definitieve woord over kanaalwaarde. Serieuze media‑buying teams controleren periodiek of de door het model geïmpliceerde kanaalwaarde standhoudt in een echte experimentele holdout, omdat een kanaal dat MTA een derde van de conversies toekent, nog steeds bijna geen effect kan laten zien zodra je het daadwerkelijk uitschakelt voor een testgroep.

Inzicht krijgen in welke kanalen boven‑funnel awareness genereren begint met weten wat er daadwerkelijk draait. OpenAdLibrary's native ad spy tool toont welke adverteerders actief native creatieven in jouw verticale draaien, een nuttige input voordat je beslist hoeveel attributie‑krediet een kanaal verdient in jouw eigen model.

Praktische opzetnotities#

Het correct implementeren van MTA vereist een consistente tracking‑identifier over elk netwerk zodat touchpoints van dezelfde gebruiker daadwerkelijk gematcht kunnen worden, plus een consistent toegepaste attribution window lengte over kanalen. Niet‑overeenkomende vensters tussen platformen, een 7‑daags venster op het ene dashboard en een 30‑daags venster op het andere, maken elke cross‑channel MTA‑vergelijking ongeldig voordat het model zelfs maar draait. Het schoonmaken van je onderliggende ad spend en conversie‑data is de moeite waard voordat je investeert in een meer geavanceerd data‑gedreven model er bovenop.