B2B Lead-Generierung richtig messen: 7 Kennzahlen, die wirklich zählen

B2B-Lead-Generierung richtig messen bedeutet, Kennzahlen zu wählen, die Umsatz abbilden – nicht Aktivität. Die Metriken, die tragen, sind Lead-Score-Qualität, MQL-zu-SQL-Conversion, Cost per Acquisition, Customer Lifetime Value, Pipeline-Velocity und Multi-Touch-Attribution. Wer sich auf diese Werte konzentriert statt auf Website-Besucher und Download-Zahlen, trifft Budget-Entscheidungen auf Basis echter Daten.

Das Wichtigste in Kürze

• MQL-Volumen als primäre Metrik ist veraltet: Entscheidend ist der Anteil der MQLs, der zu echten Umsatzchancen wird.
• Lead-Scoring ohne Verhaltensmerkmale liefert unzuverlässige Signale – demografische Kriterien allein reichen nicht.
• Pipeline-Velocity zeigt Engpässe im Sales-Funnel früher als einfache Conversion-Raten.
• Multi-Touch-Attribution braucht mindestens 90 Tage Lookback-Fenster, um lange B2B-Sales-Cycles vollständig abzubilden.
• Cost per Acquisition ergibt erst Sinn, wenn der Customer Lifetime Value bekannt ist.

Warum Standard-Metriken für B2B nicht ausreichen

Google Analytics zeigt Traffic, Downloads und Leads. Das Problem: Keine dieser Metriken sagt dir, welche Aktivitäten am Ende zu Umsatz geführt haben. Sie messen Aktivität, nicht Ergebnis. Das ist der Kernunterschied zu E-Commerce-Tracking, wo ein Kauf sofort zuordenbar ist – im B2B liegen zwischen erstem Kontakt und unterzeichnetem Vertrag oft Monate und ein Dutzend Touchpoints.

Teams, die auf Traffic, Download-Zahlen und Lead-Mengen optimieren, sitzen in einer Schleife: Sie steigern die Zahlen, die leicht zu steigern sind, nicht die, die das Unternehmen weiterbringen. Mehr Leads bei sinkender Qualität ist eine Verschlechterung, die in klassischen Dashboards als Verbesserung erscheint. Ein Unternehmen kann 200% mehr Leads als im Vorjahr generieren und trotzdem weniger Umsatz machen, wenn die Leads schlechter qualifiziert sind und mehr Betreuungsaufwand erzeugen.

Die Lösung ist kein neues Dashboard, sondern eine andere Metrik-Auswahl. Alle Kennzahlen in diesem Beitrag haben eines gemeinsam: Sie lassen sich direkt oder über eine kurze Kausalkette mit Umsatz verknüpfen.

MQL und SQL: Warum der Unterschied Budgets entscheidet

Der häufigste Messfehler im B2B-Marketing ist, MQL-Volumen als primären Erfolgsindikator zu verwenden. Marketing Qualified Leads zeigen, dass ein Lead aus Marketing-Sicht bereit für die Übergabe an den Vertrieb ist. Das ist eine notwendige Zwischenstufe, aber kein Endziel – und eine Zwischenstufe, die zunehmend kritisch bewertet wird.

Wie die MQL-zu-SQL-Rate die Qualität deines Qualifizierungsprozesses zeigt

Die MQL-zu-SQL-Conversion Rate – der Anteil der Leads, die der Vertrieb als tatsächliche Verkaufschance bestätigt – zeigt direkt, wie gut dein Qualifizierungsprozess funktioniert. In der Praxis bestätigt der Vertrieb einen erheblichen Teil der als MQL weitergegebenen Leads nicht als echte Verkaufschance. Die genaue Rate schwankt stark je nach Branche und Qualifizierungsstandard – entscheidend ist nicht der Absolutwert, sondern die Richtung: Sinkt die Rate über Quartale, stimmt irgendetwas im Qualifizierungsprozess nicht.

Teams, die zusätzlich Intent-Signale in ihre MQL-Kriterien einbauen – Verhaltensdaten wie Content-Konsum, Webinar-Teilnahme oder wiederholte Besuche auf Produktseiten –, erzielen deutlich bessere Conversion Rates. Der Unterschied ist nicht marginal: Bei gleicher Lead-Menge bedeutet eine höhere Intent-gewichtete Qualifizierung substanziell mehr Opportunities für den Vertrieb, ohne das Lead-Volumen steigern zu müssen.

Wo du die Grenze zwischen MQL und SQL ziehst

Die Definition dieser Grenze ist eine strategische Entscheidung, die Marketing und Vertrieb gemeinsam treffen müssen. Typische MQL-Kriterien im B2B kombinieren demografische Merkmale (Unternehmensgröße, Position, Branche) mit Verhaltenssignalen (besuchte Seiten, E-Mail-Öffnungen, heruntergeladene Inhalte). Der Vertrieb gibt dann Feedback: Welche dieser Leads waren tatsächlich sinnvoll zu bearbeiten? Dieses Feedback präzisiert die SQL-Definition, die konkrete Kaufbereitschaft voraussetzt – typischerweise Budget, Zeitrahmen und Entscheidungskompetenz.

Eine auffällig niedrige MQL-zu-SQL-Rate ist ein Signal, dass die Qualifizierungskriterien zu wenig selektiv sind. Eine sehr hohe Rate deutet darauf hin, dass Marketing bereits so streng qualifiziert, dass Potenzial liegenbleibt, das der Vertrieb hätte aufgreifen können. Wo die sinnvollen Grenzen liegen, zeigt am verlässlichsten ein Blick auf die eigenen Abschlussdaten der letzten zwölf Monate.

Lead-Scoring als Fundament der Messung

Lead-Scoring ist die Methode, mit der du Leads nach ihrer Kaufwahrscheinlichkeit bewertest und sortierst. Ohne ein sauberes Scoring-Modell sind alle nachgelagerten Metriken unzuverlässig, weil unklar ist, ob du tatsächlich vergleichbare Gruppen misst.

Demografisches und verhaltensbezogenes Scoring kombinieren

Ein belastbares Scoring-Modell besteht aus zwei Komponenten. Demografische Punkte bewerten, ob ein Lead prinzipiell in dein Kundenprofil passt: Unternehmensgröße, Branche, Position, Kaufkraft des Unternehmens. Verhaltenspunkte bewerten, wie stark das Interesse ist: Besuche auf Produktseiten, E-Mail-Öffnungen und Klicks, Content-Downloads, Webinar-Teilnahmen, Demo-Anfragen.

Beide Komponenten sind notwendig und ergänzen sich. Ein Lead mit hohem Verhaltens-Score aber schlechtem demografischen Fit ist oft ein Informationsrecherchierer ohne Kaufabsicht – etwa ein Student oder ein Berater, der Marktforschung betreibt. Ein Lead mit gutem demografischen Fit aber ohne Verhaltenssignale ist noch nicht im aktiven Kaufprozess. Nur die Kombination beider Dimensionen liefert zuverlässige Signale.

Wie du das Scoring-Modell in ActiveCampaign konkret aufbaust und welche Trigger-Typen die stärksten Signale liefern, zeigt der Leitfaden zu Lead-Scoring in ActiveCampaign.

Score-Verfall einbauen

Ein häufig vergessener Aspekt: Lead-Scores sollten verfallen, wenn ein Kontakt über längere Zeit inaktiv ist. Wer vor sechs Monaten drei Artikel gelesen hat, ist heute kein heißer Lead mehr. In ActiveCampaign richtest du Automationen ein, die den Score automatisch reduzieren, wenn über einen definierten Zeitraum kein Verhalten stattgefunden hat – zum Beispiel minus 20 Punkte nach 90 Tagen ohne Interaktion.

Cost per Acquisition und Customer Lifetime Value richtig berechnen

Cost per Lead ist eine unvollständige Metrik. Was zählt, ist, was ein zahlender Kunde kostet – und was er über die Dauer der Geschäftsbeziehung einbringt. Erst aus dem Verhältnis beider Werte entstehen fundierte Kanal-Entscheidungen.

CPA vollständig berechnen

Die Formel: CPA = Gesamte Marketing-Kosten geteilt durch Anzahl neuer Kunden in einem definierten Zeitraum. Das Problem liegt in der Vollständigkeit der Kostenbasis. Viele Teams rechnen nur die direkten Werbeausgaben ein. Zu den tatsächlichen Marketing-Kosten gehören außerdem: Content-Erstellung (Agentur, Freelancer oder interne Stunden), Gehälter des Marketing-Teams anteilig, Software-Abonnements für CRM, Marketing-Automation und Analytics, Veranstaltungen und Messen sowie externe Dienstleister.

Wer nur Werbeausgaben zählt, unterschätzt den CPA regelmäßig um den Faktor zwei bis vier. Das führt zu falschen Kanal-Entscheidungen: Kanäle, die wenig direkte Ausgaben erzeugen, erscheinen günstiger als sie sind, sobald der interne Aufwand eingerechnet wird.

CPA nach Kanal aufschlüsseln

Der Gesamt-CPA sagt dir, ob Marketing insgesamt profitabel ist. Der kanalspezifische CPA sagt dir, wo du das Budget konzentrieren solltest. Mit UTM-Parameter-Tracking und der Site-Tracking-Funktion von ActiveCampaign kannst du jedem Kontakt alle digitalen Touchpoints zuordnen und den CPA für jeden Kanal separat berechnen.

Wichtig dabei: Der Unterschied zwischen First-Touch-CPA und Last-Touch-CPA ist erheblich. Awareness-Kanäle wie Content-Marketing und organische Suche werden bei Last-Touch-Attribution systematisch unterschätzt, weil ihre Touchpoints früh im Prozess liegen. Entscheide bewusst, welches Attributionsmodell du für die CPA-Berechnung verwendest.

Customer Lifetime Value als Gegenstück

CLV misst den Gesamtwert eines Kunden über die komplette Geschäftsbeziehung. Vereinfachte Formel: CLV = Durchschnittlicher Auftragswert mal Kauffrequenz pro Jahr mal durchschnittliche Kundendauer. Für Subscription-Modelle: CLV = Monatliche Recurring Revenue mal Gross Margin in Prozent geteilt durch Churn Rate in Prozent.

Die praktische Bedeutung: Ein CPA von 3.000 Euro ist teuer oder günstig – je nachdem, ob Kunden aus diesem Kanal im Schnitt 10.000 oder 60.000 Euro über die Laufzeit einbringen. Ohne CLV als Gegenstück sind CPA-Entscheidungen blind. Die Faustregel: Der CPA sollte maximal ein Drittel des CLV betragen.

Pipeline-Velocity: Wie schnell werden Leads zu Umsatz?

Pipeline-Velocity gehört zu den am häufigsten unterschätzten B2B-Kennzahlen. Sie misst, wie schnell Leads durch den Funnel wandern und wie viel Umsatz dabei pro Zeiteinheit entsteht. Eine hohe Velocity bedeutet schnelleren Cash Flow und weniger gebundenes Kapital im Sales-Prozess.

Die Formel und was sie zeigt

Pipeline-Velocity = (Anzahl aktiver Opportunities mal durchschnittlicher Deal-Wert mal Win-Rate) geteilt durch durchschnittliche Sales-Cycle-Länge in Tagen. Das Ergebnis ist der erwartete Umsatz pro Tag aus der aktuellen Pipeline. Ein konkreter Vergleich: Wer seinen Sales-Cycle von 84 auf 28 Tage verkürzt, erzeugt bei gleicher Conversion-Rate und gleichem Deal-Wert dreimal so viel Umsatz in derselben Zeit.

Bottlenecks im Funnel identifizieren

Analysiere jeden Funnel-Stage separat: Wie lange dauert der Übergang von Lead zu MQL, von MQL zu SQL, von SQL zu Opportunity, von Opportunity zu Abschluss? Sobald ein Stage deutlich länger dauert als der Durchschnitt, hast du einen Bottleneck identifiziert. Mögliche Ursachen: ein Prozess-Problem (zu lange Angebotserstellung), ein Content-Problem (fehlende Materialien für die Entscheidungsphase) oder ein Kapazitätsproblem (der Vertrieb antwortet zu langsam auf neue SQLs).

In ActiveCampaign CRM siehst du für jeden Deal, wie lange er in welchem Stage verbracht hat. Automationen können einen Reminder triggern, wenn ein Deal zu lange stagniert – zum Beispiel eine Aufgabe für den Vertrieb, wenn ein versendetes Angebot seit 21 Tagen ohne Reaktion geblieben ist.

Multi-Touch-Attribution: Welche Touchpoints wirklich zählen

Die typische B2B-Customer-Journey hat acht bis zwölf Touchpoints über drei bis sechs Monate. Wer nur Last-Touch-Attribution misst, sieht nur den letzten Schritt und unterschätzt systematisch die Kanäle, die früh Vertrauen aufbauen.

Attribution-Modelle im Vergleich

First-Touch-Attribution schreibt den gesamten Wert dem ersten Kontaktpunkt zu – sinnvoll, um Awareness-Kanäle zu bewerten. Last-Touch-Attribution schreibt alles dem letzten Touchpoint zu – sinnvoll für direkte Conversion-Kanäle. Lineare Attribution verteilt den Wert gleichmäßig auf alle Touchpoints. Time-Decay-Attribution gewichtet spätere Touchpoints höher. W-förmige Attribution gewichtet den ersten Touchpoint, den Lead-Creating-Touchpoint und den Opportunity-Creating-Touchpoint stärker als die Touchpoints dazwischen – das bildet lange B2B-Cycles am realistischsten ab.

Für die meisten B2B-Teams mit Sales-Cycles über 30 Tage ist W-förmige Attribution ein sinnvoller Ausgangspunkt. Wie du Attributions-Tracking technisch in ActiveCampaign und Google Analytics 4 aufbaust, erklärt der Beitrag zu Attribution-Tracking mit Google Analytics.

Das Lookback-Fenster richtig setzen

Ein häufiger Fehler: Das Attributionsfenster ist zu kurz. Mit einem 30-Tage-Fenster übersiehst du alle Touchpoints, die mehr als einen Monat vor dem Abschluss lagen. Bei Sales-Cycles von drei bis sechs Monaten brauchst du mindestens 90 Tage Lookback-Fenster, besser 180 Tage. Alles darunter verzerrt die Kanal-Bewertung systematisch zugunsten von Bottom-Funnel-Kanälen.

Offline-Touchpoints erfassen

Viele B2B-Deals werden telefonisch oder in persönlichen Gesprächen abgeschlossen. Wenn diese Touchpoints nicht ins CRM eingetragen werden, fehlen sie in der Attribution. Das Sales-Team muss verstehen, warum die Erfassung wichtig ist – nicht als Kontrollmechanismus, sondern damit Marketing die richtigen Kanäle priorisiert. Ein konkretes Argument wirkt dabei besser als abstrakte Appelle: Wenn Offline-Abschlüsse nicht im System landen, erscheint das Marketing für diese Deals wertlos, und das Budget fließt in andere Kanäle.

Return on Marketing Investment: Budget gegenüber der Geschäftsführung begründen

ROMI zeigt, ob sich Marketing-Aktivitäten gesamtheitlich rechnen. Die Formel: ROMI = (Revenue aus Marketing-Aktivitäten minus Marketing-Kosten) geteilt durch Marketing-Kosten, multipliziert mit 100. Ein ROMI von 200% bedeutet: Für jeden investierten Euro kommen drei Euro Revenue zurück – zwei Euro mehr als eingezahlt.

Immediate, Projected und Lifetime ROMI unterscheiden

Im B2B empfiehlt sich, drei Varianten des ROMI zu berechnen. Der Immediate ROMI misst Revenue, das in der laufenden Periode direkt zuordenbar ist. Der Projected ROMI berechnet den zu erwartenden Revenue basierend auf der aktuellen Pipeline und historischen Conversion-Raten. Der Lifetime ROMI rechnet den CLV aller gewonnenen Kunden ein – das ist der ehrlichste Wert, braucht aber den längsten Zeithorizont und setzt eine funktionierende CLV-Berechnung voraus.

Der Projected ROMI ist für Budget-Gespräche besonders wertvoll, weil er den Zeitversatz zwischen Marketing-Investition und tatsächlichem Umsatz überbrückt. Wer nur auf Immediate ROMI schaut, unterschätzt den Wert von Content-Marketing und Awareness-Kanälen systematisch – diese Kanäle bringen selten sofortige Abschlüsse, sind aber oft für einen großen Teil der Pipeline verantwortlich.

So baust du das Tracking Schritt für Schritt auf

Die richtige Metrik-Auswahl nützt nichts ohne sauberes technisches Fundament. Das Setup besteht aus fünf aufeinander aufbauenden Schritten.

1. UTM-Parameter konsistent vergeben: Jeder externe Link, der Traffic auf deine Website bringt, braucht UTM-Parameter (source, medium, campaign, content). Das gilt für bezahlte Anzeigen, E-Mail-Kampagnen, Social-Media-Posts und Partner-Links gleichermaßen. Ohne konsistente UTMs ist die Kanalzuordnung eine Schätzung.
2. ActiveCampaign Site Tracking aktivieren: Site Tracking erfasst das gesamte Website-Verhalten eines Kontakts. Du siehst, welche Seiten jemand wann und wie oft besucht hat. Die UTM-Parameter des ersten Besuchs speicherst du automatisch in Custom Fields über eine Automation: Trigger "Seite besucht" – Bedingung "Custom Field Erstquelle ist leer" – Aktion "Custom Field setzen".
3. Lead-Scoring aufsetzen: Definiere demografische und verhaltensbezogene Scoring-Regeln in ActiveCampaign. Lege einen Schwellenwert für die MQL-Übergabe fest (zum Beispiel 80 Punkte) und eine Automation, die bei Erreichen des Schwellenwerts eine Aufgabe für den Vertrieb anlegt und die relevanten Custom Fields mitgibt.
4. CRM-Stage-Wechsel mit Zeitstempel tracken: Stelle sicher, dass jeder Stage-Wechsel im CRM mit Datum erfasst wird. ActiveCampaign CRM macht das automatisch. Damit kannst du die Verweildauer in jedem Stage berechnen und Bottlenecks identifizieren.
5. Revenue zurückspielen: Wenn ein Deal gewonnen wird, trage den tatsächlichen Deal-Wert ins CRM ein und stelle sicher, dass die Attributions-Daten erhalten bleiben. Das ist der Schritt, der am häufigsten vergessen wird und der alle vorherigen Schritte erst aussagekräftig macht.

Typische Fehler beim B2B-Lead-Tracking

Die häufigsten Probleme entstehen nicht bei der Metrik-Auswahl, sondern bei der Implementierung. Diese vier Fehler sehen wir in Projekten am regelmäßigsten.

Das Attributionsfenster ist zu kurz

Wer mit einem 30-Tage-Fenster arbeitet und Sales-Cycles von vier Monaten hat, sieht nur den letzten Monat der Customer Journey. Awareness-Kanäle erscheinen wertlos, weil ihre Touchpoints zu weit zurückliegen. Das Budget fließt dann in Bottom-Funnel-Kanäle, die Performance sinkt, weil die Awareness-Basis ausdünnt – und der Zusammenhang wird erst nach Monaten sichtbar.

MQL und SQL sind nicht klar definiert

Wenn Marketing und Vertrieb unterschiedliche Vorstellungen davon haben, wann ein Lead qualifiziert ist, sind alle darauf aufbauenden Metriken nicht vergleichbar. Die Lösung ist eine dokumentierte, gemeinsam erstellte Definition mit konkreten Kriterien – und eine quartalsweise Überprüfung, ob die Kriterien noch dem entsprechen, was tatsächlich zu Abschlüssen führt.

Offline-Abschlüsse werden nicht erfasst

B2B-Deals werden oft am Telefon oder persönlich besiegelt. Wenn diese Abschlüsse nicht im CRM landen – mit der Information, über welchen Kanal der Lead ursprünglich kam –, bricht die Attribution an genau der Stelle, die am wichtigsten ist. Revenue-Attribution ist nur so vollständig wie die Dateneingabe des Sales-Teams.

Das Score-Modell wird nie angepasst

Ein Lead-Scoring-Modell, das nach dem Einrichten nicht mehr validiert wird, driftet über Zeit. Neue Content-Formate und geänderte Kaufprozesse machen alte Scoring-Regeln obsolet. Mindestens quartalsweise sollte geprüft werden: Welche Kontakte mit hohem Score haben tatsächlich gekauft? Welche Scoring-Regeln haben sich als schlechte Prädiktoren erwiesen?

Wann diese Kennzahlen nicht passen

Die hier beschriebenen Metriken setzen einen strukturierten Marketing-to-Sales-Prozess voraus. Es gibt Konstellationen, in denen das Setup überproportional komplex ist oder die falschen Anreize setzt.

Wenn dein Unternehmen weniger als 20 Neukunden pro Jahr gewinnt, sind statistische Aussagen über Conversion-Raten und Pipeline-Velocity kaum belastbar. Kleine Stichproben erzeugen zu viel Rauschen, um daraus zuverlässige Muster abzuleiten. Qualitatives Tracking ist dann sinnvoller: Dokumentiere für jeden Abschluss, was den Ausschlag gegeben hat, statt Metriken zu berechnen, die keine statistisch tragfähige Basis haben.

Wenn dein Sales-Prozess stark von persönlichen Beziehungen und Netzwerk-Deals abhängt, bildet digitales Tracking die Realität oft nur unvollständig ab. Ein Kontakt, der über ein persönliches Gespräch auf einer Messe gewonnen wurde, erscheint im System vielleicht als letzter Touchpoint "E-Mail-Kampagne" – weil das die letzte digitale Interaktion war. In diesen Konstellationen ist das Scoring-Modell als ergänzender Hinweis zu verstehen, nicht als alleinige Steuerungsgröße.

Wenn das Marketing-Budget unter etwa 30.000 Euro pro Jahr liegt, ist ein vollständiges Multi-Touch-Attributions-Setup in der Regel unverhältnismäßig aufwendig. Dann reichen CPA nach Kanal und MQL-zu-Customer-Rate für fundierte Budget-Entscheidungen – ohne großen technischen Vorlauf.

Häufige Fragen

Was ist der Unterschied zwischen Cost per Lead und Cost per Acquisition?

Cost per Lead misst, was ein einzelner Lead kostet – unabhängig davon, ob er jemals zum Kunden wird. Cost per Acquisition misst, was ein zahlender Kunde tatsächlich kostet. Im B2B liegen diese Werte oft weit auseinander: Bei einer MQL-zu-Customer-Rate von 5% kostet ein Kunde zwanzig Mal so viel wie ein Lead. CPA ist die relevante Steuerungsgröße; Cost per Lead ist allenfalls ein Effizienz-Indikator für einzelne Kampagnen.

Wie lange sollte das Attributionsfenster für B2B-Marketing sein?

Das Lookback-Fenster sollte mindestens so lang sein wie dein durchschnittlicher Sales-Cycle. Bei Sales-Cycles von drei bis sechs Monaten empfehlen sich 180 Tage als Standard-Fenster. Das 30-Tage-Fenster, das viele Tools als Default setzen, unterschätzt bei langen B2B-Cycles den Beitrag von Awareness-Kanälen systematisch und führt zu Budget-Entscheidungen zugunsten von Bottom-Funnel-Kanälen.

Ab wann lohnt sich ein Lead-Scoring-Modell?

Ein Lead-Scoring-Modell lohnt sich, wenn du mehr als 50 neue Kontakte pro Monat erhältst und der Sales-Prozess Zeit kostet, die nicht für schlecht qualifizierte Leads aufgewendet werden soll. Darunter ist manuelles Qualifizieren oft schneller als das Modell aufzusetzen und zu pflegen. Entscheidend außerdem: Das Modell muss regelmäßig anhand echter Abschlüsse validiert werden. Ein ungepflegtes Scoring-Modell liefert schlechtere Signale als gar keines.

Wie berechne ich Pipeline-Velocity in der Praxis?

Multipliziere die Anzahl der aktiven Opportunities mit dem durchschnittlichen Deal-Wert und der historischen Win-Rate. Teile das Ergebnis durch die durchschnittliche Sales-Cycle-Länge in Tagen. Das Ergebnis ist der zu erwartende Umsatz pro Tag aus der aktuellen Pipeline. Diese Berechnung wöchentlich durchzuführen und die Veränderung zu tracken ist aufschlussreicher als der Absolutwert: Ein sinkender Wert zeigt früh, dass Maßnahmen nötig sind, bevor das Quartalsergebnis leidet.

Welches Attribution-Modell passt für B2B?

Für B2B-Sales-Cycles über 30 Tage ist W-förmige Attribution ein verlässlicher Ausgangspunkt: Sie gewichtet den ersten Kontakt, den Lead-Creating-Touchpoint und den Opportunity-Creating-Touchpoint stärker als die Touchpoints dazwischen. Das bildet ab, was in langen B2B-Cycles tatsächlich relevant ist – Awareness, Qualifizierung und konkretes Kaufinteresse. Lineare Attribution ist ein guter Vergleichspunkt, um zu prüfen, ob die W-Gewichtung zu Verzerrungen führt.

Wer den Lead-Qualifizierungsprozess im B2B noch nicht systematisch aufgesetzt hat, sollte damit beginnen, bevor die Messung optimiert wird. Ohne klare Qualifizierungskriterien sind Conversion-Raten und Attribution-Daten nur begrenzt aussagekräftig. Die Messung ist die zweite Aufgabe – die erste ist, einen Prozess zu haben, den es zu messen lohnt.