Zielgruppen-Attribution vs Kanal-Attribution: was MMM 2026 messen kann

Wer 2026 mit Marketing-Managern über Attribution spricht, hört in neunundneunzig Prozent der Gespräche eine ganz bestimmte Variante: welcher Kanal bringt wie viele Conversions. Channel-Attribution ist seit zwanzig Jahren die Standardlinse — Last-Click, First-Click, Position-Based, Data-Driven Attribution in Google Analytics, Markov-Chains in Marketing-Mix-Modellen. Die Frage lautet immer: 'Bei welchem Touchpoint hat die Konversion stattgefunden, und wie viel kann ich diesem Touchpoint zuschreiben?' Die Antworten sind nützlich, aber sie verstecken eine zweite Dimension, die ab 2026 für reife Marketing-Organisationen zur strategischen Trennlinie wird: Zielgruppen-Attribution.

Zielgruppen-Attribution stellt eine andere Frage. Sie fragt nicht 'welcher Channel bringt Conversions', sondern 'welche Persona reagiert auf welchen Channel-Mix'. Statt eine eindimensionale Tabelle 'Channel-Spend versus Channel-Return' zu produzieren, liefert sie eine Matrix: für jede definierte Zielgruppe einen eigenen Channel-ROI-Vektor. Die Differenz wird in der Praxis schnell sichtbar. Ein Retailer im Schweizer Markt kann auf Channel-Ebene sehen, dass Display und Social ähnliche ROIs liefern. Auf Persona-Ebene zeigt sich, dass die Zielgruppe 'Familien mit Kindern unter 12' überproportional auf Social reagiert, während 'Singles 25-34' auf Display deutlich besser konvertiert. Die Budget-Empfehlung verschiebt sich damit nicht mehr auf der Channel-Achse, sondern auf der Channel-mal-Persona-Matrix.

Warum ist diese zweite Dimension lange ein blinder Fleck gewesen? Drei Gründe. Erstens haben klassische MMM-Modelle aus den 1990er- und 2000er-Jahren auf aggregierten Daten gerechnet, weil granulare Cross-Channel-Tracking-Daten nicht verfügbar waren. Zweitens war Persona-Definition jahrelang eine Marketing-Aktivität ohne datentechnische Verankerung — 'Erika, 34, urban, gesundheitsbewusst' war ein Workshop-Output, kein Filter auf einem BigQuery-Dataset. Drittens hat Channel-Attribution eine politische Logik: jeder Channel-Owner verteidigt das eigene Budget, und je weniger die Diskussion auf 'für welche Zielgruppe wirkt was' reduziert wird, desto leichter bleibt die Channel-Mauer stehen. Das ändert sich gerade.

Die methodische Grundlage für Zielgruppen-Attribution sind GA4-Audiences. Seit der Migration von Universal Analytics auf GA4 verfügt jede ernsthafte digitale Property über die Möglichkeit, beliebig viele Audiences zu definieren — basierend auf Demographie, Verhalten, Interaktionshistorie oder benutzerdefinierten Events. Jede Audience kann via BigQuery-Export auf der Event-Ebene segmentiert ausgewertet werden. Wer GA4-Audiences sauber gepflegt hat, hat die Datengrundlage für Persona-Attribution bereits in seiner Tracking-Pipeline. Was fehlt, ist die Brücke zum MMM. Genau diese Brücke baut die Sprint-5-Erweiterung in MMM-Wizard.

Konkret funktioniert das so. Im Onboarding-Flow definiert der Marketing-Manager bis zu sechs Personas. Das können bestehende GA4-Audiences sein, die direkt importiert werden, oder neue Segmente, die als BigQuery-Query definiert werden. Beispiele aus realen Pilots: ein B2C-Retailer arbeitet mit den vier Personas 'Familien mit Kindern', 'Singles 25-34', 'Best Ager 55+', 'Studenten'. Ein B2B-SaaS-Anbieter trennt nach Branche und Unternehmensgrösse: 'Industrie KMU 50-250', 'Industrie Enterprise 250+', 'Services KMU', 'Services Enterprise'. Die Meridian-Pipeline rechnet dann nicht ein Modell, sondern eine Persona-Dimension pro Channel — die Bayesian-Mathematik bleibt identisch, aber das Output ist eine 6×8-Matrix statt eines 8-Vektors für acht Channels.

Die Insights, die daraus entstehen, sind oft kontraintuitiv. Ein konkretes Beispiel aus einem aktuellen Pilot bei einem Travel-Anbieter zeigt das. Auf Channel-Ebene war YouTube-Werbung der zweitschwächste Channel im Mix — knapp besser als klassisches TV. Die Empfehlung aus einem klassischen MMM wäre gewesen, das YouTube-Budget zu reduzieren. Mit Zielgruppen-Attribution wurde sichtbar, dass YouTube für die Persona 'Best Ager 55+' der mit Abstand stärkste Channel war — diese Persona macht aber nur 12 Prozent des Gesamtumsatzes aus. Über alle anderen Personas hinweg ist YouTube tatsächlich schwach. Die Empfehlung wurde damit präziser: YouTube-Budget für 'Best Ager' beibehalten oder erhöhen, für alle anderen Personas reduzieren. Das wäre auf Channel-Aggregat-Ebene nicht sichtbar gewesen.

Eine berechtigte Sorge: bricht Persona-Granularität nicht die Privacy-First-Logik moderner MMM-Methoden? Die Antwort ist nein — und das ist der entscheidende methodische Punkt. Klassische User-Level-Attribution wie Last-Click oder Multi-Touch-Attribution braucht individuelle User-Journeys, also Cookie-IDs, User-IDs, Cross-Device-Identifier. Genau das wird durch ITP, Cookie-Consent-Regulierung und nDSG-Vorgaben strukturell schwieriger. Marketing-Mix-Modeling rechnet aggregiert: das Modell sieht keine einzelnen User, sondern wöchentliche Spend-Werte pro Channel und wöchentliche Conversion-Volumen pro Persona-Segment. Ein Persona-Segment ist eine Bucket-Aggregation über viele User, nicht ein User-Profil. Damit bleibt die Privacy-First-Methodik intakt, und Zielgruppen-Attribution wird auch unter strenger DSGVO-Auslegung umsetzbar.

Für die Implementation sind drei Datenquellen praxisrelevant. Erstens GA4-Audiences mit BigQuery-Export, das ist der Standard-Path für B2C-Anbieter und mittlere B2B-Marketer. Zweitens CRM-Segmentation: wer Salesforce, HubSpot oder Pipedrive nutzt, kann Closed-Lost-Reasons und Branchen-Tags als Persona-Definition exportieren — besonders wertvoll für B2B-SaaS und Industrie-Kunden. Drittens First-Party-Survey-Daten: einige Kunden definieren Personas über regelmässige Befragungen und matchen die Persona-Zuordnung gegen Newsletter-Subscriber-Listen. Die Meridian-Erweiterung in MMM-Wizard akzeptiert alle drei Quellen — als CSV-Upload, als BigQuery-Verbindung oder als GA4-Audience-API-Anbindung.

Strategisch positioniert sich Zielgruppen-Attribution als nächste Evolutionsstufe nach drei früheren Wellen. Welle eins war die Channel-Attribution-Demokratisierung mit GA4 Data-Driven Attribution ab 2020. Welle zwei war die Bayesian-MMM-Demokratisierung mit Meridian-Open-Source ab 2024. Welle drei, ab 2026, ist die Persona-Granularität als Standard-Feature in Self-Service-MMM-Tools. Marketing-Manager, die heute auf reine Channel-Attribution setzen, werden in zwei Jahren von Konkurrenten überholt, die mit Persona-Channel-Matrizen feiner steuern. Die Lernkurve ist überschaubar — wer GA4-Audiences sauber definiert hat, ist bereits ready.

Zielgruppen-Attribution ist als Sprint-5-Feature für MMM-Wizard angekündigt und für Pilot-Kunden in Q2/Q3 2026 verfügbar. Wer den Sprint-5-Early-Access nutzen möchte, kann sich auf marketing-mix-modeling.ch/sprint-5-waitlist anmelden — wir bevorzugen Pilots mit sauber gepflegten GA4-Audiences oder CRM-Segmentation. Junior-Analysts und Marketing-Manager, die sich erstmal in die Methodik einarbeiten wollen, finden auf marketing-mix-modeling.ch/blog weiterführende Artikel zu Adstock-Saturation, MCP-Bridge für KI-Agenten und der Audit-Trail-Story für regulierte Industries.