Multi-Touch Attribution

Multi-Touch Attribution (MTA) ist ein Attributionsansatz, der den Wertbeitrag mehrerer Touchpoints in der Customer Journey berücksichtigt, statt einer einzelnen Interaktion den gesamten Credit zuzuweisen. Wo Single-Touch-Modelle wie Last Click oder First Click nur einen Kontaktpunkt bewerten, verteilt MTA die Conversion anteilig auf alle relevanten Berührungspunkte.

Das Ziel von Multi-Touch Attribution ist eine realistischere Bewertung der Werbewirkung: Nicht nur der letzte Klick vor dem Kauf soll als wirksam gelten, sondern auch die Display-Anzeige, die das Interesse geweckt hat, das Video, das die Marke erklärt hat, und das Retargeting, das den Nutzer zurückgeholt hat. Jeder Touchpoint bekommt einen fairen Anteil – basierend auf seinem tatsächlichen Einfluss.

Moderne Customer Journeys sind komplex. Ein typischer Amazon-Käufer interagiert vor dem Kauf mit mehreren Touchpoints: Er sieht eine DSP-Display-Anzeige, klickt auf eine Sponsored-Brands-Ad, vergleicht Produkte, kommt über eine Google-Suche zurück und kauft schließlich über eine Sponsored-Products-Anzeige. Im Last-Click-Modell erhält nur der letzte Schritt den Credit – alle vorherigen Interaktionen erscheinen wertlos.

Das führt zu systematischen Fehlentscheidungen: Awareness-Kampagnen (DSP, Video, Sponsored Brands) werden gestrichen, weil sie im Last-Click-Reporting keinen direkten ROAS liefern. Kurz darauf sinken die Brand-Suchen und die Conversion-Raten der Lower-Funnel-Kampagnen – weil der Nachschub an neuen Interessenten fehlt. Multi-Touch Attribution löst dieses Problem, indem sie den Beitrag jedes Touchpoints sichtbar macht.

Multi-Touch Attribution umfasst verschiedene Modelle, die sich in der Verteilung des Credits unterscheiden. Die gängigsten:

Amazon verwendet in seinen Standard-Reports Last-Click-Attribution. Wer Multi-Touch-Analysen durchführen möchte, muss auf erweiterte Tools zurückgreifen.

In der Praxis starten die meisten Marken mit einfachen Vergleichen: Last-Click-ROAS versus Total-ROAS (inkl. View-Through Conversions). Der Unterschied zeigt bereits, wie viel Wert in den nicht-letzten Touchpoints steckt. AMC bietet dann den nächsten Schritt für datengetriebene Multi-Touch-Attribution.

• Daten-Silos: Amazon, Google und Meta haben jeweils eigene Attributionssysteme, die nicht miteinander sprechen. Kanalübergreifende MTA erfordert einen gemeinsamen Datenlayer oder Tools wie AMC.
• Datenmenge: Data-Driven MTA braucht tausende Conversions, um statistisch belastbare Ergebnisse zu liefern. Für kleinere Seller mit wenigen hundert Verkäufen pro Monat sind regelbasierte Modelle (Linear, Position-Based) realistischer.
• Offline-Touchpoints: Mündliche Empfehlungen, Influencer-Content oder Print-Werbung sind schwer trackbar und fehlen in der MTA-Analyse. Die Ergebnisse bilden immer nur den messbaren Teil der Journey ab.
• Komplexität: MTA-Ergebnisse sind schwerer zu kommunizieren als ein einfacher Last-Click-ROAS. Die Einführung erfordert Buy-in von allen Stakeholdern, die mit den Reports arbeiten.