tl;dr
MMM ist Klars fortschrittlichstes Attributionsmodell — aufgebaut auf der Data-Driven Attribution
Es geht über Klickdaten hinaus, indem es Ausgaben, Impressionen, Engagement-Signale und Post-Purchase-Survey-Antworten einbezieht, um Direct- und Branded-Traffic den Kanälen zurückzuverteilen, die die Nachfrage ursprünglich erzeugt haben
Wenn PPS verbunden und gemappt ist, zeigt es außerdem Word of Mouth als eigenen Kanal — nach der Einrichtung über alle Attributionsmodelle hinweg sichtbar
Nutze MMM für kanalübergreifende Budget-Entscheidungen, idealerweise mit einem 28-Tage-Fenster
Du findest es im Attribution Deep Dive unter Tracking → Attribution → Deep Dive → Modell-Selektor
Warum klickbasierte Attribution nicht ausreicht
Jede User-Journey ist einzigartig. Statische Modelle wie First-Touch oder U-Shape wenden eine feste Regel auf alle Journeys an — ihnen entgeht die Nuance.
Stell es dir vor wie ein Tor beim Fußball. Nicht jeder, der den Ball berührt, erzeugt den gleichen Wert. Unser Data-Driven-Modell handhabt das bereits — es gewichtet jeden Touchpoint nach seinem realistischen Einfluss auf eine Conversion.
Aber hier ist die Grenze aller klickbasierten Modelle: Ein Touchpoint muss keinen Klick hinterlassen haben, um eine Conversion beeinflusst zu haben.
Was kann klickbasierte Attribution nicht sehen?
Es gibt Marketingaktivitäten, die echte Awareness und Nachfrage erzeugen — aber keinen trackbaren Klick hinterlassen:
Word of Mouth — Kunden, die von einem Freund von dir gehört haben und direkt in deinen Store gegangen sind
Upper-Funnel-Markenbekanntheit — ein Kanal wie TikTok erzeugt Nachfrage, die am Ende über andere Kanäle konvertiert
Offline-Kanäle — Out-of-Home, Podcast-Sponsorings, PR-Berichterstattung (primär über PPS sichtbar gemacht; MMM hilft, ihren Umsatz-Impact zu quantifizieren)
Diese treiben trotzdem Conversions. Sie tauchen nur als Direct oder Branded Search in klickbasierten Modellen wie Multi-Touch Attribution oder First-/Last Click auf — weil der Kunde deine Marke schon kannte, bevor er gesucht hat.
Wie MMM das löst
MMM ist auf Klars Data-Driven Attribution aufgebaut. Es nimmt Millionen von Signalen über all deine Kanäle auf und lässt sie durch Machine-Learning-Modelle laufen, um die Frage zu beantworten: Welche Kanäle haben diese Nachfrage tatsächlich erzeugt?
Die genutzten Signale:
Spend-Impact — korrelierte ein Anstieg der Meta-Ausgaben mit einem Anstieg der Branded Search in der Folgewoche?
Impressions-Impact — gingen höhere TikTok-Impressionen einem Anstieg der direkten Neukunden-Conversions voraus?
Engagement-Impact — Click-Through-Rates, Video-Views und andere Engagement-Signale
Post-Purchase-Survey-(PPS)-Antworten — Zero-Party-Daten, die bestätigen, welchen Kanal der Kunde zuerst wahrgenommen hat
Anhand dieser Korrelationen verteilt MMM Direct- und Branded-Conversions den Kanälen zurück, die diese Nachfrage ursprünglich erzeugt haben. Wenn PPS verbunden ist, erscheint Word of Mouth ebenfalls als eigener Kanal — das wird durch PPS gespeist und ist über alle Attributionsmodelle hinweg verfügbar.
In diesem Video erkläre ich dir das Ganze noch etwas anschaulicher und wie es mit dem Fußballtor von oben zusammenhängt: 👇
Was ändert sich, wenn du zu MMM wechselst?
MMM erzeugt typischerweise diese Richtungsverschiebungen im Vergleich zu Last-Click oder Data-Driven:
Meta steigt deutlich — Upper-Funnel-Touchpoints werden von Klickdaten stark unterbewertet
TikTok steigt erheblich — als Top-Funnel-Kanal ist es für Last-Click nahezu unsichtbar
Branded Search und Direct sinken — sie haben Nachfrage abgegriffen, nicht erzeugt
Word of Mouth erscheint als neuer Kanal, der typischerweise 5–50 %+ der Neukunden-Conversions ausmacht (je nach Brand)
⚠️ Wichtig: Das sind Richtungsmuster, keine Benchmarks. Die tatsächliche Umverteilung hängt von deinem spezifischen Kanalmix und deinen Ausgabenniveaus ab.
MMM gibt dir ein ganzheitlicheres und ehrlicheres Bild davon, welche Kanäle tatsächlich Umsatz treiben — besonders für Budget-Entscheidungen, bei denen du wissen musst, wo du mehr investieren und wo du kürzen solltest.
Beispiel — wie MMM eine Conversion umverteilt
Nimm eine Customer Journey, die allein anhand von Klicks so aussieht:
Ein einzelner Branded-Search-Klick vor dem Kauf. Aber das kann nicht die ganze Geschichte sein — der Kunde kannte deine Marke von irgendwoher, bevor er nach ihr gesucht hat.
Um zu verstehen, woher diese Nachfrage tatsächlich kam, betrachtet MMM die Korrelation zwischen anderen Kanälen und den Branded-/Direct-Conversions:
Spend-Impact — ging ein Anstieg der Meta-Ausgaben einem Anstieg der Branded Search voraus?
Impressions-Impact — korrelierten höhere TikTok-Impressionen mit mehr direkten Neukunden-Besuchen?
Engagement-Signale — Video-Views, Click-Through-Rates über alle Kanäle
Post-Purchase-Survey-Antworten — Zero-Party-Daten, die bestätigen, woran sich der Kunde erinnert
Lässt man diese Signale durch Machine Learning laufen, kann Klar ableiten, welche Kanäle die Conversion am wahrscheinlichsten beeinflusst haben, und den Branded-Traffic seinen ursprünglichen Quellen zurückverteilen. Es fügt außerdem Word of Mouth hinzu — einen Kanal, der bei jeder Brand immer in einem gewissen Prozentsatz stattfindet, aber sonst unmöglich zu quantifizieren ist.
Wann sollte ich MMM nutzen?
Anwendungsfall | Empfohlenes Modell |
Kanalübergreifende Budget-Verteilung | MMM — 2–3 Conversion-Zyklen |
Täglicher Kanalvergleich | Data-Driven |
Anzeigen-Optimierung auf Creative-Ebene | Any Click |
MMM ist für jedes Unternehmen wertvoll, das Multi-Channel-Marketing betreibt. Wenn ein großer Anteil deiner Neukunden-Conversions in Direct oder Branded Search liegt, kann das darauf hindeuten, dass die Nachfrage von Kanälen erzeugt wird, die nicht den letzten Klick bekommen. Aber bevor du strategische Schlüsse ziehst, schließe zuerst Tracking-Probleme aus — ein hoher Direct-Anteil kann auch fehlende UTMs oder einen kaputten Pixel bedeuten. Stelle sicher, dass dein Tracking-Setup solide ist; MMM funktioniert am besten auf sauberen Daten.
Wann du MMM NICHT nutzen solltest
MMM arbeitet auf Kanalebene. Es ist nicht das richtige Werkzeug, um einzelne Anzeigen, Adsets oder Kampagnen zu analysieren.
MMM ist darauf ausgelegt, die Frage „Welche Kanäle treiben Umsatz?" zu beantworten — nicht „Welche spezifische Anzeige innerhalb eines Kanals funktioniert?". Wenn du MMM nutzt, um einzelne Creatives, Adsets oder Kampagnen zu bewerten, sind die Ergebnisse nicht aussagekräftig.
Nutze stattdessen die Data-Driven Attribution, wenn du willst:
Die Performance einzelner Anzeigen oder Creatives vergleichen
Bestimmte Adsets oder Kampagnen in Meta, Google oder TikTok bewerten
Tägliche Optimierungsentscheidungen innerhalb eines Kanals treffen
Verstehen, welche Targeting-Gruppen oder Audiences konvertieren
Eine gute Faustregel: MMM für „welche Kanäle?" — Data-Driven für „welche Anzeigen?"
Wenn du dir eine Meta-Kampagne ansiehst und fragst „Lohnt sich dieses spezielle Adset?", gibt dir MMM diese Antwort nicht. Öffne stattdessen das Data-Driven-Modell oder nutze Plattformdaten ergänzend.
Wo finde ich MMM in Klar?
Gehe zu Tracking → Attribution → Attribution Deep Dive. Nutze den Modell-Selektor oben im Report und wähle Marketing Mix.
Attributionsmodelle im Vergleich
Im Vergleich der statischen Last-Click-Attribution mit Klars dynamischer MMM-Attribution gibt dir MMM ein ganzheitliches und realistischeres Bild davon, welcher Kanal tatsächlich Umsatz treibt — weit über klickbasierte Daten hinaus.
Wenn du mehr über die verschiedenen statischen und dynamischen Attributionsmodelle in Klar wissen willst, wie sie sich unterscheiden und wann du welches nutzen solltest, sieh dir dieses Video an: