Vraag een marketingteam welke campagne hun een deal heeft opgeleverd en je krijgt meestal een stellig antwoord. Vraag hoe ze dat weten, en die stelligheid begint te wankelen.

De eerlijke waarheid is dat de meeste deals worden gewonnen door een reeks contactmomenten en niet door één moment. Een koper leest een blogpost, ziet een advertentie, krijgt een e-mail, volgt een webinar en praat met een rep, en dat allemaal voordat hij converteert.

Multi-touch attribution is de eer verdelen over alle contactmomenten in de journey van een koper, in plaats van alles aan één moment toe te kennen. Zo zie je hoe elke interactie aan de verkoop heeft bijgedragen.

Het alternatief, single-touch attribution, geeft één moment alle eer. Dat is simpel, maar het verbergt het grootste deel van wat de deal echt heeft aangedreven. Daardoor gaan teams geld steken in de verkeerde dingen.

TL;DR

Multi-touch attribution kent eer toe aan meerdere contactmomenten in de journey van de koper, in plaats van één e-mail, advertentie of telefoontje de eer te geven voor de hele conversie.

B2B-kopen duurt lang en omvat veel contactmomenten via veel kanalen. Als je alleen het eerste of laatste moment de eer geeft, schat je verkeerd in wat werkt en stop je budget op de verkeerde plekken.

Er zijn meerdere modellen om die eer te verdelen, van simpel gelijk verdelen tot aanpakken met machine learning. Algoritmische modellen op maat meten de ROI meestal 15 tot 25% nauwkeuriger dan modellen op basis van regels.

Bescheidenheid is wel nodig, want echte journeys zijn rommelig en deels onzichtbaar. Veel invloed ontstaat op plekken die je niet kunt tracken, dus attribution is een nuttige gids en nooit een perfect kasboek.

Wat doet multi-touch attribution nou voor je budget?

Multi-touch attribution beantwoordt vooral één vraag. Als een deal sluit, welke van alle dingen die je deed hebben geholpen, en hoeveel?

Een typische B2B-journey bestaat niet uit één klik. Het zijn een stuk of twaalf contactmomenten of meer, verspreid over weken of maanden, via e-mail, advertenties, content, events en salesgesprekken.

Single-touch attribution bekijkt die hele journey en geeft precies één moment de eer. First-touch beloont wat het begin was, last-touch beloont wat de deal sloot, en allebei negeren ze alles daartussen.

Multi-touch attribution weigert er één uit te kiezen. Het verdeelt de eer over de contactmomenten die een rol speelden, zodat je de bijdrage van elk kanaal ziet in plaats van één hoogtepunt.

De praktische winst is dat je betere budgetbeslissingen neemt. Als je ziet dat webinars steeds in het midden van gewonnen journeys opduiken, stop je met schrappen alleen omdat ze zelden de laatste klik krijgen.

Waarom zet single-touch attribution je zo erg op het verkeerde been?

Het helpt om precies te zien hoe single-touch misgaat, omdat de fout subtiel en duur is. De cijfers zien er netjes uit, terwijl ze je intussen de verkeerde kant op sturen.

Stel je een deal voor waarin een blogpost de koper binnenhaalde, een webinar hem verder bracht en een sales-e-mail de deal sloot. Last-touch attribution geeft die e-mail de eer voor de hele winst.

Handel je daarnaar, dan steek je geld in sales-e-mails en laat je de blog en het webinar verhongeren die het zware werk deden. Je optimaliseert dan voor de afsluiter en draait de voorbereiding de geldkraan dicht.

First-touch heeft de omgekeerde blinde vlek. Het aanbidt wat de journey startte en negeert alles wat van interesse een getekende deal maakte.

Beide modellen hebben dezelfde fout: ze doen alsof een groepsprestatie een solo-act was. Dat is dezelfde fout die single-threading binnen een account maakt, het onderwerp van multi-threading.

In een wereld waarin deals veel kanalen en veel mensen omvatten, is één contactmoment de eer geven een gok die zich als data voordoet. Multi-touch attribution is er om die gok te vervangen door iets wat dichter bij de werkelijkheid ligt.

Wat zijn de belangrijkste modellen voor multi-touch attribution om uit te kiezen?

Er bestaat geen enkel multi-touch model. Het is een familie van modellen, en ze verschillen vooral in hoe ze de eer verdelen. Een model kiezen is dus een keuze over wat jij belangrijk vindt.

Het lineaire model is het eenvoudigste van de familie. Het geeft elk contactmoment in de journey evenveel eer. Dat is eerlijk, makkelijk uit te leggen en het meest gebruikte startpunt voor B2B-teams.

Het U-vormige of positiegebaseerde model legt het gewicht aan de uiteinden. Het eerste contactmoment en het moment waarop de lead ontstond krijgen veel eer, en de rest wordt verdeeld over het midden.

Het W-vormige model voegt een derde anker toe. Het legt veel eer bij het eerste contactmoment, het ontstaan van de lead en het moment waarop een opportunity ontstaat, en verdeelt de rest over de andere contactmomenten.

Het Z-vormige of full-path-model gaat nog verder. Het voegt de close van de deal toe als vierde mijlpaal, geeft zo'n 22,5% aan elk van vier belangrijke momenten en verdeelt de rest. Dat past bij lange, complexe salescycli.

En dan is er het algoritmische model, dat vaste regels loslaat en machine learning gebruikt om eer toe te kennen op basis van het echte effect van elk contactmoment op conversie. Het is het nauwkeurigste model en ook het veeleisendste om te bouwen.

Welk attributionmodel gebruik je voor je eigen pipeline?

De neiging is om het meest geavanceerde model na te jagen, maar dat is meestal de verkeerde manier van kiezen. Het juiste model hangt af van je salescyclus en je data, en niet van wat geavanceerd klinkt.

Begin je net, dan raden we klanten het lineaire model aan als standaard. Het is eerlijk over het feit dat de hele journey ertoe deed, en iedereen begrijpt en vertrouwt het makkelijk.

Hebben je deals duidelijke fases, zoals het ontstaan van een lead en van een opportunity, dan past een W-vormig of Z-vormig model beter. Het volgt de mijlpalen die je pipeline al bijhoudt.

Het algoritmische model wordt zinvol zodra je echt volume hebt. Machine learning heeft genoeg conversies nodig om patronen te vinden, dus het beloont teams met veel data boven teams met een handvol deals per kwartaal.

Het grotere principe is simpeler beginnen dan je denkt nodig te hebben. Een lineair model dat je echt gebruikt, verslaat een algoritmisch model dat je niet kunt onderhouden, en je kunt later altijd nog doorgroeien.

Hoe hangt attribution samen met de kanalen en aanpakken die je gebruikt?

Attribution is geen abstracte rapportageoefening. Het is het scorebord voor alles wat je via je kanalen doet, en het heeft alleen betekenis in de context van de outreach en marketing die het meet.

Neem multi-channel outreach als duidelijkste voorbeeld. De hele reden om e-mail, LinkedIn en telefoontjes samen in te zetten, is dat ze elkaar helpen, en alleen multi-touch attribution kan dat samenspel laten zien.

Hetzelfde geldt voor werk aan demand generation. Content, advertenties en events converteren zelden op zichzelf, dus als je ze alleen op de laatste klik beoordeelt, onderschat je de kanalen die kopers opwarmen.

Zo verdedig je ook het trage werk dat zich opstapelt. Een blog krijgt zelden de afsluitende klik, maar als attribution hem steeds vroeg in gewonnen journeys laat zien, heb je het bewijs om erin te blijven investeren.

Daarom hoort attribution in een breder go-to-market-systeem en niet ergens aan de zijlijn. Het is de feedbackloop die de hele machine vertelt welke onderdelen brandstof verdienen.

Waarom is B2B-attribution zoveel lastiger dan de demo's doen vermoeden?

B2B-attribution staat bekend als pijnlijk, en in onze ervaring is die reputatie verdiend. Een paar kenmerken van B2B-kopen maken het echt lastig om vast te pinnen.

Eerst de lange cyclus. Als een deal zes of negen maanden en tientallen contactmomenten kost, is dat hele pad nauwkeurig aan elkaar knopen een echte datauitdaging.

Het buying committee maakt de kluwen twee keer zo groot. Meerdere mensen van één account hebben elk hun eigen journey, dus je volgt een knoop van paden in plaats van één pad.

De offline en onzichtbare invloed blijft helemaal voor je verborgen, zoals een aanbeveling in Slack of een praatje bij de koffieautomaat. Dat is de kern van de dark funnel.

En datakwaliteit begrenst alles, omdat attribution maar zo goed is als de tracking eronder. Kapotte UTM's of ontbrekende velden verzieken het hele model zonder dat je het doorhebt.

Er is ook een vijfde probleem: consistentie door de tijd. Als je halverwege het jaar van model wisselt of je tracking repareert, sluiten de cijfers van vorig kwartaal niet meer aan op die van dit kwartaal, en worden trends troebel.

De oplossing is je model en je trackingregels vastleggen en ze daarna lang genoeg met rust laten om appels met appels te vergelijken. Stabiliteit is meer waard dan constant sleutelen als je een trend probeert te lezen.

Dit betekent allemaal niet dat attribution nutteloos is. Het betekent dat je het behandelt als een sterk richtinggevend signaal in plaats van een precieze audit, en dat je het combineert met je eigen oordeel in plaats van het blind te vertrouwen.

En al die contactmomenten die je attribution nooit ziet?

Dit verdient een eigen moment, omdat teams hier bescheiden blijven of zichzelf voor de gek houden. Een flink deel van de invloed op kopers verschijnt gewoon nooit in je tracking.

Iemand hoort over je in een podcast, leest een review of krijgt een aanbeveling in een besloten community. Niets daarvan komt in je attributiontool terecht, en toch kan het de echte reden zijn dat een deal er kwam.

Als een koper binnenkomt en converteert via een branded search zonder eerder getrackt contactmoment, noemt het model dat een gratis winst. In werkelijkheid heeft veel onzichtbaar werk hem daar gebracht.

De praktische zet is attribution combineren met zelfgerapporteerde data. Als je nieuwe leads vraagt hoe ze over je hoorden, vang je invloed op die je tracking miste, en dat is vaak de eerlijkste input die je hebt.

Het pleit er ook voor om je eigen signalen in handen te hebben. Hoe meer je vastlegt met first-party data en tools zoals een workflow voor het tracken van websitebezoekers, hoe minder van de journey onzichtbaar blijft.

Hoe werken attribution en lead scoring samen in één loop?

Mensen halen deze twee door elkaar, dus we scheiden ze duidelijk. Attribution en lead scoring kijken allebei naar contactmomenten, maar ze beantwoorden verschillende vragen en kijken in tegengestelde richtingen in de tijd.

Attribution kijkt terug. Nadat een deal is gesloten, vraagt het welke contactmomenten eer verdienen, zodat je kunt bepalen waar je hierna in investeert.

Lead scoring kijkt juist vooruit. Het volgt de contactmomenten van een prospect terwijl ze gebeuren en vraagt hoe groot de kans is dat deze persoon koopt, zodat je kunt bepalen wie je nu opvolgt.

De twee voeden elkaar mooi. Attribution vertelt je welke contactmomenten vaak aan winst voorafgaan, en dat inzicht kan scherper maken welke acties je scoremodel het zwaarst laat wegen.

Gebruik je ze samen, dan maken ze de cirkel rond. Het ene vertelt je wat werkte, het andere vertelt je op wie je moet handelen, en allebei draaien ze op dezelfde stroom koopsignalen die je netjes moet vastleggen.

Hoe begin je met attribution zonder gigantisch dataproject?

De fout die teams maken, is attribution behandelen als een gigantisch dataproject dat perfect moet zijn voordat het nut heeft. Je kunt veel sneller waarde halen.

Je begint met het tracken van de contactmomenten die je al goed vastlegt, zoals geopende e-mails, ingevulde formulieren en geboekte meetings. Een gedeeltelijk beeld verslaat geen beeld, en het laat meteen patronen zien.

Eerst komt een simpel model, bijna altijd lineair. De discipline om het te gebruiken voor een of twee budgetbeslissingen weegt zwaarder dan de wiskunde.

Vanaf daar verbeter je de input stap voor stap. Je ruimt je tracking op, voegt zelfgerapporteerde bronnen toe en koppelt de kanalen die je gebruikt. Dat is hetzelfde soort leidingwerk als achter elke poging om sales prospecting te automatiseren.

Pas als dat fundament staat, grijp je naar algoritmische modellen. Die belonen goede data, en ze straffen rommelige data af door je stellige, foute antwoorden te geven.

Hoe voorkom je dat attribution een interne machtsstrijd ontketent?

Attribution is binnen een bedrijf zelden alleen een rekensom. Het is ook politiek, omdat het model dat je kiest bepaalt wie de eer krijgt, en eer hangt samen met budget en headcount.

Een last-touch model laat sales meestal goed uitkomen, omdat reps vaak het afsluitende contactmoment in handen hebben. Een first-touch model laat meestal de top-of-funnel-marketeers goed uitkomen die de journey begonnen.

Precies daarom is multi-touch attribution gezonder voor het hele team. Als iedereen ziet dat de winst een reeks contactmomenten kostte, verschuift de discussie van wie de deal bezit naar hoe de keten samenwerkt.

Het past van nature bij een inbound-led outbound-mindset, waarin de signalen van marketing en de follow-up van sales duidelijk twee helften van één aanpak zijn. Attribution die de eer verdeelt, maakt die samenwerking zichtbaar in plaats van omstreden.

Het praktische advies is het model af te spreken voordat je het rapport leest. Als beide teams vooraf akkoord gaan met hoe de eer wordt verdeeld, worden de cijfers een gedeeld scorebord in plaats van een wapen.

Welke veelgemaakte fouten met multi-touch attribution moet je ontwijken?

Zelfs teams die multi-touch attribution invoeren, ondermijnen het vaak, meestal op dezelfde paar manieren die we steeds zien. Als je ze kent, haal je er echte waarde uit in plaats van een vals gevoel van precisie.

De output als exacte waarheid behandelen staat bovenaan. Attribution geeft een richting, en doen alsof een verschuiving van 3% in eer heilig is, leidt tot overmoedige, schokkerige beslissingen.

Daarna komt het negeren van onzichtbare en offline contactmomenten. Als je alleen vertrouwt op wat getrackt wordt, geef je stelselmatig te veel eer aan de kanalen die makkelijk te meten zijn, en laat je de kanalen verhongeren die buiten beeld vraag creëren.

Correlatie verwarren met oorzaak is de subtiele statistische fout. Een contactmoment dat in veel gewonnen journeys opduikt, kan een symptoom van intent zijn in plaats van de oorzaak ervan, en attribution combineren met intentdata helpt je het goed te lezen.

En dan is er te vroeg te veel bouwen. Een complex model op dunne of rommelige data levert stellige onzin op, en een simpel model op schone data verslaat het elke keer.

Waarom attribution een richtinggevende inschatting is, en waarom dat precies genoeg is

Hiermee komen we terug bij het begin. Multi-touch attribution bestaat omdat stellige single-touch antwoorden over wat een deal won meestal fout zijn.

Multi-touch attribution maakt je minder fout. Het vervangt een vleiend verhaal over één heldhaftig contactmoment door een voller, rommeliger beeld van de hele journey, en dat beeld leidt tot slimmere uitgaven.

Het doel is geen perfecte kaart. Het doel is ophouden te veel te betalen voor afsluiters, ophouden de kanalen te laten verhongeren die winst voorbereiden, en ophouden één contactmoment de eer te geven voor werk waar veel contactmomenten voor nodig waren.

Zo bekeken wordt attribution wat het moet zijn: een vaste, richtinggevende inschatting van wat kopers door de lange, gedeelde journey van een B2B-deal beweegt, en geen rechterlijk oordeel over elke euro.