AI-marketingattributie · van last-click naar predictive attribution

Last-click attribution geeft 100% credit aan het laatste klikbare touchpoint. In een wereld waarin een lead je merk voor het eerst tegenkomt via een ChatGPT-antwoord, drie weken later een LinkedIn-post ziet, een podcast beluistert waarin je genoemd wordt, en pas dan via een brand-search converteert, ziet last-click alleen die brand-search. Google Ads krijgt 100% credit voor een deal die feitelijk gebouwd is op AI-vindbaarheid en thought leadership. Onderzoek van Google en Meta wijst uit dat last-click top-funnel-kanalen met 30–70% onderschat. Wie er nog steeds op stuurt, verplaatst budget structureel naar de verkeerde plek.

Generatie 1 (regelgebaseerd): last-click, first-click, linear, time-decay, position-based. Simpel, transparant, maar arbitrair. Generatie 2 (data-driven): Shapley-waarden op basis van historische conversies (GA4, Adobe). Objectief, maar backward-looking. Generatie 3 (predictive/AI): machine-learning modellen die de conversiekans per lead voorspellen en credit toewijzen op basis van uplift. Forward-looking, direct bruikbaar voor budget-allocatie. Generatie 4 (unified measurement): combineert multi-touch attribution, media mix modeling (MMM) en incrementality-tests in één framework. Dit is waar enterprise-marketing in 2026 naartoe beweegt.

In GA4 is data-driven attribution het standaardmodel. Het gebruikt Shapley-waarden — een game-theory-concept — om credit te verdelen op basis van hoeveel elke combinatie van touchpoints bijdraagt aan de conversiekans. Voordelen: geen arbitraire regels, houdt rekening met interactie-effecten tussen kanalen, werkt met beperkte data (vanaf 300 conversies per maand per kanaal). Nadelen: het model is een black box, moeilijk uit te leggen aan directie, en werkt alleen binnen het GA4-conversiepad (mist offline en dark funnel). Voor MKB is DDA in GA4 + een Looker Studio dashboard vaak voldoende als eerste stap.

Predictive attribution modellen voorspellen: 'gegeven deze lead met deze historie, wat is de kans op conversie in de komende 30 dagen en welke acties verhogen die kans het meest?' In plaats van te rapporteren wat gebeurd is, sturen ze wat te doen. Tools als Dreamdata (B2B), Rockerbox en Northbeam bouwen deze modellen op basis van CRM-, ad-platform- en CDP-data. Toepassingen: budget shiften naar kanalen met de hoogste marginale uplift, leads scoren op waarschijnlijkheid van conversie, retargeting-audiences bouwen op basis van voorspelde intent in plaats van gedrag uit het verleden.

Third-party cookies verdwijnen, iOS beperkt cross-app tracking, consent-rates dalen. Klassieke deterministic tracking wordt onbetrouwbaar. AI-attributie werkt hier juist beter dan regelgebaseerd, omdat ML-modellen goed omgaan met ontbrekende data. Praktisch: (1) implementeer server-side tracking via GTM Server of Segment, (2) gebruik Consent Mode v2 voor geanonimiseerde signalen bij no-consent, (3) koppel first-party data uit CRM en CDP aan je attributie, (4) gebruik probabilistische matching op segmentniveau in plaats van user-level. Deze stack levert 60–85% dataherstel bij gemiddelde consent-rates van 45%.

MMM was tien jaar geleden alleen voor grote adverteerders met TV-budgetten. Nu is het toegankelijk voor mid-market dankzij open-source tools: Meta Robyn en Google Meridian. MMM is econometrisch: het modelleert wekelijkse of maandelijkse omzet als functie van mediabestedingen, seizoenseffecten, prijs en macro-variabelen. Sterk punt: MMM heeft geen cookies of tracking nodig, ziet TV, out-of-home, podcast en zelfs AI-vindbaarheid. Zwak punt: het is aggregaat (geen individuele lead), heeft 18–24 maanden data nodig en werkt niet voor snelle A/B-beslissingen. Best practice: MMM voor strategische budget-verdeling (kwartaal), multi-touch attribution voor tactische optimalisatie (week).

Een citaat in ChatGPT of een AI Overview levert geen klik, maar wel impact. Hoe modelleer je dat? Drie werkende methoden: (1) Share of Citation als leading indicator koppelen aan brand-search-lift met een time-lag van 2–8 weken. (2) Directe traffic-lift analyseren na een piek in AI-citaties — dark traffic is vaak dark AI-verwijzing. (3) Incrementality-tests: pauzeer of intensiveer GEO in een testregio en meet het effect op branded traffic en conversies. Voor de volledige methode zie ons artikel over GEO ROI meten. Grote takeaway: behandel AI-citaties als een top-funnel media-investering, niet als organisch verkeer.

MKB (<€5M omzet): GA4 met data-driven attribution, Looker Studio dashboard, CRM-export naar Google Sheets voor deal-level attributie. Kosten: €0–500/mnd. Mid-market (€5–50M): GA4 + Dreamdata (B2B) of Triple Whale (e-commerce), server-side GTM, CDP zoals Segment of RudderStack, MMM via Robyn voor kwartaalreview. Kosten: €2.000–8.000/mnd. Enterprise (€50M+): unified measurement stack met Adobe Analytics of Google Analytics 360, custom MMM via Meridian, incrementality-tests via geo-experiments, dedicated data-science-team. Kosten: €25.000+/mnd. Ga niet groter dan nodig — een enterprise-stack in een MKB-context levert vooral overhead.

Dag 0–15: audit huidige tracking, activeer data-driven attribution in GA4, documenteer datagaten (missing conversions, cross-domain, offline deals). Dag 15–45: implementeer server-side GTM en Consent Mode v2, koppel CRM-conversies terug naar GA4 via Measurement Protocol, bouw eerste dashboard met kanaal- en campagne-attributie. Dag 45–75: voeg AI-vindbaarheidsmetrics toe (Share of Citation, brand-search-lift), start eerste incrementality-test op één kanaal, valideer modeluitkomsten met sales-data. Dag 75–90: presenteer eerste kwartaalreview aan directie met attributie + MMM-signalen, verschuif eerste 10–20% budget op basis van inzichten, plan volgende kwartaal.

Eén: één model als 'de waarheid' zien. Elk model heeft blind spots — gebruik minstens twee (DDA + MMM) en kijk waar ze afwijken. Twee: attribueren zonder incrementality-tests. Correlatie is geen causaliteit; test regelmatig of een kanaal echt incrementele omzet levert. Drie: dark funnel negeren. AI-citaties, podcasts, communities en direct traffic zijn 20–40% van de journey — modelleer ze, negeer ze niet. Vier: te snel budget verschuiven op basis van vroege attributie-signalen. Geef modellen 3 maanden om te stabiliseren. Vijf: alleen conversies meten, geen customer lifetime value. Een kanaal met lage conversion rate maar hoge LTV verdient meer budget dan een kanaal met hoge conversie en lage LTV.