Vier Wahrheiten statt einer: warum Marketing-Attribution in 2026 vier Ebenen braucht

Es gibt eine Frage, die in jedem Marketing-Audit der letzten zwei Jahre gestellt wurde, und die niemandem im Raum richtig gefällt. Der Customer-CFO schaut auf zwei Dashboards, die nebeneinander an die Wand projiziert sind. Das eine zeigt 234 Conversions für die letzte Kampagne, sauber attribuiert via Klick-Pfad, jede einzelne Touch nachvollziehbar. Das andere zeigt 198 — geglättete Channel-Beiträge, Bayesian-Posterior, dreissig Tage Lag. Er deutet auf die Differenz und stellt die Frage, die seit Jahren als Killer-Objection gegen Marketing-Analytics-Stacks fungiert: welche Zahl glaube ich? Die meisten Anbieter haben darauf eine schwache Antwort. Sie zucken mit den Schultern, verweisen auf 'unterschiedliche Methodiken', und der CFO geht mit dem Eindruck nach Hause, dass Marketing-Messung irgendwie unseriös ist.

Das Problem ist nicht die Diskrepanz. Das Problem ist die Erwartung, dass es eine wahre Zahl gibt. Diese Erwartung hat eine konkrete Ursache: die Branche hat dem Markt jahrelang erzählt, dass Attribution eine Optimierungsaufgabe ist — finde das richtige Modell, kalibriere die Touchpoints, und du bekommst die Antwort. Aus dieser Marketing-Erzählung folgt die falsche Dichotomie 'MMM oder DCM', mit der jeder Vendor-Pitch beginnt. Du sollst dich entscheiden: User-Level-Attribution mit Cookies, oder aggregierte Channel-Modellierung. Daily Optimization oder Quartal-Strategie. Klick-Pfad oder Bayesian-Posterior. Diese Wahl ist falsch konstruiert, weil sie zwei verschiedene Fragen als Alternativen darstellt, die in Wirklichkeit komplementär sind. Eine schadet der anderen erst dann, wenn man sie als sich gegenseitig ausschliessend behandelt.

Bei digital opua haben wir uns deshalb für eine andere Architektur entschieden, die wir intern als Vier-Tier-Stack bezeichnen. Tier eins ist DCM, unsere taktische Attribution. Sie arbeitet user-genau, in Echtzeit, mit Last-Click und Multi-Touch-Pfaden via Pixel, UTM und Server-Side-Events. Die operative Frage lautet: welche Ad in welcher Kampagne hat diesen einen Klick gebracht? Tier zwei ist MMM-Wizard, die strategische Attribution. Sie arbeitet auf Channel-Aggregaten, ohne Personenbezug, mit Bayesian-Modellierung über Google Meridian. Die strategische Frage lautet: welcher Channel-Mix maximiert ROI über die nächsten drei Monate? Tier drei ist Nexbid, unsere agentische Attribution. Sie matcht Brand-Inventar mit Buy-Side-Agents in Echtzeit, via AMDP-Protocol, basierend auf MMM-Recommendations. Tier vier ist AiCMO, die AI-Citation-Attribution. Sie trackt, in welchen ChatGPT-, Perplexity- oder Claude-Prompts eine Brand erwähnt wird — und ob davon Traffic kommt. Vier Tiers, klar getrennte Aufgaben, eine Plattform.

Die Architektur ist datenseitig kein loser Verbund, sondern eine streng dokumentierte Pipeline. DCM sammelt user-genau via Pixel und Server-Side-Events. Die ETL-Schicht etl-to-bigquery normalisiert diese Daten in eine BigQuery-Tabelle mmm_results.channel_attribution mit der Struktur Channel mal Tag mal Spend mal Conversions mal Revenue. Aus dieser Tabelle trainiert MMM-Wizard das Bayesian-Modell auf Vertex AI in Zürich. Die resultierenden Channel-Recommendations werden via AMDP-Bridge an Nexbid exportiert, wo sie als Brand-Marker im Real-Time-Match-Engine erscheinen. Parallel dazu — und das ist die Sprint-6+-Erweiterung Stream-J — fliesst die AiCMO-Citation-Pipeline zurück in das BigQuery-Datenmodell von MMM-Wizard. Das macht die AI-Assistant-Erwähnung zu einem nativen Marketing-Channel im Bayesian-Modell, gleichberechtigt mit Search, Social und TV. Soweit wir die Markt-Lage 2026 überblicken, ist das die erste produktive Implementierung dieser Pipe.

Die berühmte Diskrepanz — DCM sagt 234, MMM sagt 198 — ist in dieser Architektur kein Bug, sondern ein Feature. Beide Zahlen sind korrekt. Sie messen verschiedene Wahrheiten. DCM zählt jeden einzelnen Klick mit User-Cookie, sauber den letzten Touch zugeschrieben, in Echtzeit aktualisiert. MMM modelliert den Channel-Beitrag aggregat, geglättet über dreissig Tage Lag, mit Adstock-Carryover und Saturation-Curves. Eine einzelne Konversion erscheint in beiden Reports — aber DCM schreibt sie dem letzten Klick zu, MMM verteilt sie über Channels gemäss Bayesian-Posterior. Diese mathematische Eigenschaft ist nicht eliminierbar. Wer behauptet, beide Zahlen müssten übereinstimmen, hat die Methodik beider Verfahren nicht verstanden. Customer-Education muss deshalb explizit machen, dass Reconciliation nicht das Ziel ist — Klarheit über die Aufgabenteilung ist das Ziel.

Wer diesen Punkt für eine theoretische Spitzfindigkeit hält, dem hilft ein Blick auf die Branchen-Praxis. Disney macht das genauso. Der Konzern nutzt Magnite, Kepler und MiQ für taktische Buy-Side-Entscheidungen auf Tages-Ebene — Tier eins in unserer Sprache. Parallel dazu läuft das Nielsen-MMM für die Quartal-Strategie — Tier zwei. Niemand bei Disney erwartet, dass die Magnite-Reporting-Zahl und der Nielsen-MMM-Forecast übereinstimmen. Die zwei Zahlen werden für zwei verschiedene Entscheidungen verwendet. Pacvue und Skai operieren ähnlich im Commerce-Media-Stack, PubMatic mit AgenticOS im Sell-Side-Bereich. Die Konzern-Marketing-Welt arbeitet seit Jahren mit Multi-Tier-Attribution. Was an unserem Ansatz neu ist, ist die Integration in einer Plattform — und die EU-Souveränität als Default, nicht als nachträglich gepatchte Compliance-Schicht.

An genau dieser Stelle kommen die Differenzierungs-Argumente, die in unseren Pilot-Gesprächen am stärksten ankommen. Jede Empfehlung aus MMM-Wizard ist mit einem SHA-256-Audit-Hash versehen, der auf den canonical-JSON der Trainings-Inputs zurückverweist. Wer eine Channel-Allokation in Frage stellt, kann den Hash gegen das Original prüfen und die Berechnung reproduzieren. Zusätzlich sind die Kern-Annahmen des Budget-Optimierers in Lean-4 als machine-checked Theorems formalisiert — derzeit zehn Theorems aus einem Roadmap-Set von zwanzig, mit Schwerpunkt Budget-Conservation. Das ist kein Marketing-Versprechen, sondern formale Mathematik. Nielsen kann das nicht beweisen. Adobe Analytics kann das nicht beweisen. Wer einer Empfehlung mathematisch beweisbar vertrauen muss — etwa weil die Marketing-Investition fünfstellig in der Geschäftsleitung diskutiert wird — bekommt mit unserem Stack eine Antwort, die kein US-Cloud-Vendor in dieser Form liefern kann. Hinzu kommt die EU-Souveränität: Vercel in Frankfurt, Neon Postgres in eu-central-1, Vertex AI mit Meridian in europe-west6 Zürich. Daten verlassen die EU nicht. nDSG- und DSGVO-Konformität sind eingebaut, nicht beigesteuert. Und Tier vier — die AI-Assistant-Channel-Attribution — ist Stand heute das einzige produktive MMM-System am Markt, das die LLM-Citation als nativen Marketing-Channel modelliert.

Konkret heisst das für Pilot-Customer: am 31. Mai 2026 startet unser KMU-Pilot. Acht Plätze, B2B-Fokus DACH. Pilot-Customer bekommen sechs Monate kostenloses Onboarding inklusive Lean-4-Audit-Report für den CFO oder CDO. Wir liefern keine eine Wahrheit. Wir liefern vier Perspektiven, klare Aufgabentrennung und einen Audit-Trail, der jede Empfehlung reproduzierbar verifizierbar macht. Das ist keine Vereinfachung — das ist Klarheit über Komplexität, weil die Realität von Marketing-Wirkung 2026 komplex ist. Wer mit dieser Realität ehrlich umgeht, hat dem CFO eine bessere Antwort als 'das müssen wir uns nochmal anschauen'. Die Antwort lautet: alle vier Zahlen stimmen — und jede beantwortet eine andere Frage. Ihre Aufgabe ist nicht, eine davon zu glauben. Ihre Aufgabe ist, die richtige zu nutzen, je nach Entscheidung, die ansteht.