Attribution ist kaputt. Was Sie stattdessen messen sollten

B2B-Attribution ist seit einem Jahrzehnt "fast gelöst". First-Touch, Last-Touch, Multi-Touch, datengetrieben – jedes Modell kam mit dem Versprechen, das Marketing-Sales-Schuldzuweisungsspiel zu beenden. Keines hat geliefert. Attribution-Ausgabenplattformen proliferierten. Board-Decks füllten sich mit Channel-Beitragsprozentzahlen. Marketing und RevOps bauten aufwendige Attributionstaxonomien auf. Und dennoch kennen alle RevOps-Leader die schmutzige Wahrheit: Die Zahlen stimmen nicht, die Modelle widersprechen sich, und alle streiten am Ende über die Methodik statt Investitionsentscheidungen zu treffen.

Das Problem ist nicht, welches Attributionsmodell Sie wählen. Es ist, dass Attribution die falsche Frage stellt. "Welcher Touchpoint hat diesen Deal verursacht?" ist eine fast unbeantwortbare Frage im B2B-Kauf. Die richtige Frage ist "Welche Investitionen sollten wir mehr machen?" Und Attributionsdaten sind ein schlechtes Werkzeug, um sie zu beantworten.

Warum Attribution im B2B immer teilweise falsch sein wird

Die strukturellen Probleme sind nicht behebbar. Sie sind Merkmale, wie B2B-Kaufentscheidungen tatsächlich funktionieren.

Multi-Stakeholder-Kaufzyklen. Enterprise-Deals involvieren 6–10 Personen über Funktionen hinweg. Jeder Stakeholder hat seine eigene Touchpoint-Geschichte. Ihr CRM erfasst die Kontakte, die Sie kennen und für die Sie Datensätze haben. Es verfehlt den CTO, der Ihren Blog einmal gelesen und dem VP Engineering gesagt hat, Sie zu evaluieren. Es verfehlt den CFO, der mit seinem Golfpartner gesprochen hat, der Ihr Produkt verwendet. Diese unsichtbaren Einflüsse haben die Kaufentscheidung geprägt. Kein Attributionsmodell erfasst sie. Gartners Forschung zu B2B-Kaufgruppen beziffert die typische Enterprise-Kaufgruppe auf 6–10 Stakeholder, wobei die Mehrheit der Kaufzeit mit unabhängiger Forschung verbracht wird, die keine verfolgbaren Touchpoints generiert.

Dark Social und offline Einfluss. Ein erheblicher Teil der B2B-Forschung findet in Slack-Communities, privaten LinkedIn-Gruppen, Peer-Gesprächen und Podcast-Episoden statt, die keinen verfolgbaren Klick generieren. Das Verstehen, wie moderne B2B-Kaufkomitees tatsächlich entstehen, ist für jedes ehrliche Messgespräch wichtig – Entscheidungen lassen sich selten auf einen einzigen verfolgbaren Moment zurückführen.

Lange Verkaufszyklen mit Attributionsverfall. Ein 18-monatiger Enterprise-Deal häuft Touchpoints über mehrere Geschäftsquartale hinweg an. Cookie-Consent-Frameworks und ITP-Browser-Tracking begrenzen, wie weit zurück Ihr Tracking reicht. Die Touchpoints aus den Monaten 1–6 eines Deal-Zyklus sind für Attributionsmodelle, die auf Pixel-Tracking basieren, oft unsichtbar.

Channel-Interaktionseffekte. Bezahlte Suche funktioniert besser, wenn Content Marketing läuft. Events treiben organische Suchen an, die unattribuiert aussehen. Sales Outreach konvertiert zu höheren Raten, wenn Prospects bereits LinkedIn-Ads gesehen haben. Diese Interaktionseffekte bedeuten, dass die Isolierung des Beitrags eines einzelnen Channels eine falsche Messung ergibt.

Das Anerkennen dieser Grenzen ist kein Defätismus. Es ist der Ausgangspunkt für das Aufbauen von Messungen, die tatsächlich helfen.

Die drei Dinge, die Unternehmen tun, wenn Attribution versagt

Wenn Attributionsdaten unzuverlässig sind, fallen Organisationen in einen von drei Fehlermodi.

Überinvestition in Last-Touch-Channels. Last-Touch-Attribution überschätzt systematisch den Beitrag von High-Intent-, Low-Funnel-Channels wie markenbezogener Suche und Direct Traffic. Diese Channels konvertieren Prospects, die bereits im Kaufprozess waren – sie haben die Kaufabsicht nicht erzeugt, sie haben sie erfasst. Wenn Attributionsdaten "70% des Umsatzes durch bezahlte Suche" zeigen, verschiebt sich das Budget in Richtung bezahlter Suche. Content Marketing und Brand-Awareness-Investitionen werden gekürzt, weil sie als Low-Attribution-Channels erscheinen.

Bauchgefühl-Override. Das Marketing-Team sieht die Attributionsdaten, vertraut ihnen nicht und trifft Budget-Entscheidungen trotzdem basierend auf Intuition. Außerdem muss es das Attributionssystem pflegen und darüber berichten, weil das Board danach gefragt hat, während es privat Entscheidungen basierend auf dem trifft, was der CMO glaubt.

Attributionstheater für Board-Folien. RevOps baut ein schönes Multi-Touch-Attributions-Dashboard. Marketing präsentiert die Zahlen dem Board mit einer selbstsicheren Erzählung. Das Board fragt "Was sollten wir also mehr ausgeben?" und die Antwort ist im Wesentlichen "mehr von allem mit positiver Attribution", was nutzlos ist und alle wissen es. Das Theater existiert, um datenbetrieben zu wirken, ohne es tatsächlich zu sein.

Was stattdessen zu messen ist

Die Alternative ist nicht das Aufgeben von Messungen. Es geht darum, Dinge zu messen, die zuverlässiger die Frage "Wo sollten wir investieren?" beantworten.

Pipeline Source Cohorts. Statt zu fragen "Was hat diesen Deal berührt?", fragen Sie "Woher kam diese Pipeline-Kohorte, und wie hat sie performt?" Eine Kohorte ist eine Gruppe von Deals, die aus einem spezifischen Quell-Channel in einem spezifischen Zeitraum entstammen. Verfolgen Sie Win Rate, durchschnittliche Verkaufszykluslänge und ACV für jede Quell-Kohorte. Konsistente Sales-Qualifizierungs-Frameworks machen Quell-Kohorten vergleichbar – wenn Qualifizierungskriterien nach Rep oder Team variieren, spiegeln Kohorte-Win-Rates Prozessvarianz wider, nicht Channel-Qualität.

Das ist auch strukturell ehrlicher. Wenn inbound-content-generierte Deals im Q2 zu einer Win-Rate von 28% mit einem durchschnittlichen ACV von 42.000 € schlossen, und outbound-SDR-generierte Deals zu einer Win-Rate von 18% mit 31.000 € ACV schlossen, haben Sie ein vertretbares Investitionssignal.

Channel-beeinflusste NRR. Welche Akquisitions-Channels produzieren Kunden, die sich expandieren? Verfolgen Sie Expansion-Rates und Churn-Rates nach ursprünglicher Akquisitionsquelle. Wenn Ihre PLG-Trial-Kohorte bei 130% NRR expandiert und Ihre outbound-generierte Kohorte bei 95%, ergibt das ein anderes ROI-Bild als CAC allein vermuten lässt.

Rep-generierte vs. marketing-generierte Win Rates. Sales und Marketing streiten über Attribution, weil sie um Credit konkurrieren. Ein nützlicherer Rahmen ist das Verstehen der Konversionsunterschiede zwischen rep-generierter Pipeline (kalte Outbound, Referrals und Networking) und marketing-generierter Pipeline (Inbound, Events, Content). McKinsey-Forschung zur B2B-Marketing-ROI-Messung stellt fest, dass Unternehmen, die sich auf Channel-Level-Attribution verlassen, ihre Akquisitions-Engines im Verhältnis zu Unternehmen, die Pipeline-Kohorte-Qualität verfolgen, konsistent falsch bepreisen.

Time-to-Close nach Quelle. Einige Quellen generieren schneller bewegende Deals, auch bei ähnlicher Qualität. Referral-generierte Deals schließen oft 30–40% schneller als kalte Outbound. Wenn Ihr Sales-Team kapazitätsbeschränkt ist, schaffen Sourcing-Entscheidungen, die die Zykluslänge verkürzen, mehr Umsatz pro Rep ohne zusätzliche Headcount.

Das Executive-Alignment-Problem

Der Grund, warum Attributions-Debatten innerhalb von Unternehmen fortbestehen, ist nicht analytisch – es ist politisch.

RevOps und Marketing streiten über Attributionsdaten, weil Attribution Budget und Headcount bestimmt. Wenn Content Marketing mit 40% des Umsatzes gutgeschrieben wird, bekommt das Content-Team mehr Budget. Das eigentliche Problem ist, dass Sales, Marketing und RevOps operieren, als hätten sie separate Umsatz-Ownership statt geteilter Pipeline-Ownership. Attribution ist ein Symptom dieser Fehlausrichtung. Marketing und Sales Alignment rund um geteilte Pipeline-Metriken ist die organisatorische Voraussetzung dafür, dass ein Messansatz funktioniert.

RevOps kann das katalysieren, indem es Berichte erstellt, die Pipeline-Beitrag nach Funktion statt nach Channel zeigen. "Marketing hat 55% der Pipeline dieses Quartals originiert, Sales hat 45% originiert" ist ein saubererer Verantwortlichkeitsrahmen als Multi-Touch-Attributionsprozentzahlen.

Das Revenue Signal Portfolio

Attribution fragt nach einer einzigen Quelle der Wahrheit. Ein besserer Ansatz ist ein Portfolio von Signalen, einige quantitativ und einige qualitativ, die zusammen eine vertretbare Investitionsperspektive aufbauen.

Das Revenue Signal Portfolio Framework hat drei Schichten:

Quantitative Signale (rückwärtsgerichtet): Kohorte-Win-Rates nach Quell-Channel, Kohorte-ACV nach Quell-Channel, Kohorte-NRR nach Quell-Channel, Time-to-Close nach Quell-Channel. Diese werden vierteljährlich berechnet und über 4–6 Quartale getrendet. Sie beantworten "Was hat funktioniert?" Sie sind zuverlässig, weil sie keine Attribution von Credit erfordern – nur das Verfolgen der Deal-Herkunft und des Ergebnisses.

Quantitative Signale (vorwärtsgerichtet): Ausgaben-pro-Pipeline-Dollar nach Channel, Pipeline-Velocity nach Quelle, Kosten pro qualifizierter Opportunity. Diese beantworten "Wie effizient generieren wir gerade Pipeline?" Sie sind weniger zuverlässig als ergebnisbasierte Metriken, aber für laufende Budget-Entscheidungen notwendig.

Qualitative Signale (rep-berichteter Einfluss): Eine einfache vierteljährliche Umfrage, die Reps bittet zu identifizieren, welche Marketing- oder Brand-Touchpoints Prospects unaufgefordert in Discovery Calls erwähnt haben. Das erfasst Dark Social und offline Einfluss auf strukturierte Weise. Es wird nicht statistisch streng sein. Aber wenn 40% der Reps berichten, dass Prospects Ihren Podcast in Discovery Calls erwähnen und Ihr Podcast nicht in Attributionsdaten erscheint, ist das ein bedeutendes Signal, dass das Attributionsmodell etwas Wichtiges verpasst.

Drei Metriken für ein Board-Marketing-Review

Wenn Sie Marketing-Performance einem Board oder Exec-Team präsentieren und es satt haben, Attributionsprozentzahlen zu verteidigen, hier sind drei Alternativen, die bessere Gespräche schaffen.

Pipeline-Qualität nach Kohorte-Quelle: "Marketing-generierte Pipeline in Q1 schloss mit 24% Win Rate bei 38.000 € durchschnittlichem ACV. Das ist gegenüber 19% Win Rate in Q3 des letzten Jahres gestiegen." Das ist ein Trend-Statement über Marketing-Effizienz, das das Board ohne Verständnis von Attributionsmodellen bewerten kann.

Channel CAC mit Payback: "Unser Webinar-Programm generierte im letzten Quartal 47 qualifizierte Opportunities zu 1.800 € Kosten pro Opportunity. Basierend auf Kohorte-Win-Rates entspricht das einem gemischten CAC von etwa 6.400 € für webinar-generierte Kunden mit 11-monatigem Payback bei aktueller Bruttomarge." Das verbindet Marketing-Ausgaben direkt mit der CAC-Payback-Zahl, die Wachstumsstufenanleger interessiert. Das Aufbauen dieser Sicht erfordert ein SaaS-Metriken-Dashboard, das Kohorte-Level-Daten neben aggregierten KPIs aufzeigt.

Rep-erwähnter Einfluss-Index: "In unserer Q1-Rep-Umfrage berichteten 38% der Reps, dass Prospects unsere Inhalte oder Community unaufgefordert erwähnten. Das ist gegenüber 22% in Q3 gestiegen. Wir glauben, dass dies wachsende Brand-Präsenz im Segment widerspiegelt, das wir anvisieren, obwohl es in der Attributionsberichterstattung nicht erfasst wird." Das baut Glaubwürdigkeit auf, indem es Attributionsgrenzen anerkennt und gleichzeitig ein qualitatives Signal anbietet, an dem das Board festhalten kann.

Keine dieser Metriken gibt vor, Attribution gelöst zu haben. Alle drei geben dem Board etwas Nützlicheres als ein Kuchendiagramm der Attributionsgutschriften.

Mehr erfahren