Attribution einfach erklärt: ein Kauf, viele Beteiligte
Kaum jemand bucht, bestellt oder fragt beim allerersten Kontakt an. Typischer ist ein Zickzackweg: Eine Person sieht ein Instagram-Video, googelt ein paar Tage später ein Problem, landet über eine Suchanzeige auf deiner Seite, abonniert den Newsletter und tippt eine Woche danach deinen Firmennamen in die Suche, um endlich anzufragen. Fünf Stationen, eine Anfrage.
Im Bericht muss diese eine Anfrage aber irgendwo landen. Genau diese Zuordnung übernimmt das Attributionsmodell. Es entscheidet, ob das Instagram-Video, die Suchanzeige, der Newsletter oder die Markensuche als Ursache gilt – oder ob alle einen Anteil bekommen. Weil Budgets fast immer dorthin wandern, wo der Bericht Erfolg zeigt, ist das Modell keine technische Nebensache, sondern eine Budgetentscheidung.
- Touchpoint (Berührungspunkt): jeder messbare Kontakt, etwa ein Anzeigenklick, ein organischer Besuch oder ein Klick in einer E-Mail.
- Customer Journey: die zeitliche Abfolge aller Touchpoints bis zur Conversion.
- Rückblickzeitraum (Lookback Window): wie weit ein Modell in die Vergangenheit schaut. Kontakte davor zählen gar nicht.
- Conversion-Pfad: der konkrete Weg einer Person, wie ihn ein Analysetool aufgezeichnet hat – inklusive aller Lücken, die fehlende Einwilligungen oder Gerätewechsel hinterlassen.
Die wichtigsten Attributionsmodelle im Überblick
| Modell | Wem die Conversion zugeschrieben wird | Stärke | Schwäche |
|---|---|---|---|
| Last Click (letzter Klick) | vollständig dem letzten Klick vor der Conversion | einfach, stabil, gut vergleichbar | ignoriert alles, was Nachfrage erst geweckt hat |
| First Click (erster Klick) | vollständig dem ersten erfassten Kontakt | zeigt, welche Kanäle neue Leute bringen | blendet aus, was am Ende überzeugt hat |
| Linear | zu gleichen Teilen allen Kontakten | niemand geht leer aus | ein flüchtiger Kontakt zählt so viel wie der entscheidende |
| Zeitverlauf (Time Decay) | stärker den Kontakten kurz vor der Conversion | passt zu kurzen Kaufentscheidungen | unterschätzt den Einstieg bei langen Zyklen |
| Positionsbasiert (U-förmig) | meist je 40 % an ersten und letzten Kontakt, Rest verteilt auf die Mitte | würdigt Einstieg und Abschluss | die Gewichtung ist gesetzt, nicht gemessen |
| Datengetrieben (Data-driven) | anteilig nach einem Algorithmus, der Pfade mit und ohne Conversion vergleicht | passt sich deinen tatsächlichen Daten an | nicht nachvollziehbar, braucht Datenmenge, sieht nur Gemessenes |
Regelbasierte Modelle
Last Click, First Click, Linear, Zeitverlauf und positionsbasierte Attribution folgen einer festen Regel, die ein Mensch vorab bestimmt hat. Das macht sie transparent: Du kannst jede Zuordnung von Hand nachrechnen. Ihr Nachteil ist derselbe – die Regel spiegelt eine Annahme über Kaufverhalten wider, keine Beobachtung. Eine Variante, die viele noch aus dem alten Universal Analytics kennen, ist Last Non-Direct Click: Direkte Aufrufe werden übersprungen, der Verdienst geht an den letzten Kanal davor.
Datengetriebene Attribution
Datengetriebene Modelle vergleichen Wege, die zu einer Conversion geführt haben, mit Wegen, die ohne Abschluss endeten. Taucht ein bestimmter Kontakt in erfolgreichen Pfaden auffällig häufiger auf, bekommt er mehr Anteil. Google beschreibt das Verfahren als Vergleich von Pfaden mit und ohne einzelne Touchpoints – den genauen Algorithmus legt der Konzern nicht offen. Du bekommst also eine plausiblere Verteilung als bei starren Regeln, musst ihr aber ein Stück weit vertrauen.
Rechenbeispiel: eine Conversion, fünf verschiedene Sieger
Wie stark das Modell den Bericht verändert, siehst du am besten an einem einzigen Kauf. Die Journey besteht aus vier Kontakten, der Auftragswert ist fest. Nur der Verteilungsschlüssel wechselt.
Rechenbeispiel mit fiktiven Zahlen
Auftrag über 1.200 € nach vier Kontakten
- Tag 1: Klick auf eine Meta-Anzeige · Tag 6: Klick auf eine Google-Suchanzeige · Tag 10: Klick im Newsletter · Tag 12: organische Markensuche, dann Kauf
- Last Click: Markensuche 1.200 €, alle anderen 0 €
- First Click: Meta-Anzeige 1.200 €, alle anderen 0 €
- Linear: jeder Kontakt 300 €
- Positionsbasiert (40/20/40): Meta 480 €, Suchanzeige 120 €, Newsletter 120 €, Markensuche 480 €
- Zeitverlauf, vereinfacht mit Gewichten 1 : 2 : 4 : 8: Meta 80 €, Suchanzeige 160 €, Newsletter 320 €, Markensuche 640 €
Je nach Modell ist mal die Meta-Kampagne der Held, mal die kostenlose Markensuche. Wer nur auf Last Click schaut, würde die Meta-Anzeige als wirkungslos abschalten – obwohl ohne sie die ganze Kette womöglich nie begonnen hätte.
Attribution in Google Ads und GA4: was heute noch übrig ist
Google hat 2023 in Google Ads und GA4 die regelbasierten Modelle First Click, Linear, Zeitverlauf und positionsbasiert entfernt. Conversion-Aktionen, die noch eines dieser Modelle nutzten, wurden auf datengetriebene Attribution umgestellt. Seitdem stehen dir im Kern nur noch zwei Modelle zur Wahl: datengetrieben, das für neue Conversion-Aktionen voreingestellt ist, und letzter Klick.
- Google Ads: Das Modell wählst du je Conversion-Aktion. Es beeinflusst nicht nur Berichte, sondern auch Smart Bidding – die Gebotsstrategie lernt aus dem Anteil, den ein Keyword oder eine Kampagne zugeschrieben bekommt.
- Google Ads Conversion-Zeitraum: Je Conversion-Aktion legst du fest, wie viele Tage nach einem Anzeigenkontakt eine Conversion noch gezählt wird.
- GA4: Das Berichtsattributionsmodell und die Rückblickzeiträume stellst du in der Verwaltung unter den Attributionseinstellungen ein. Eine Änderung wirkt auch rückwirkend auf die Berichte.
- GA4-Bereich Werbung: Dort siehst du Conversion-Pfade, also welche Kanäle in welcher Reihenfolge an Abschlüssen beteiligt waren – hilfreich, um die Rolle früher Kontakte zu verstehen, auch wenn das Modell sie nicht würdigt.
Wenn du GA4 frisch aufsetzt oder übernimmst, lohnt ein Blick in unseren Ratgeber GA4 richtig einrichten, bevor du Attributionsberichte für Budgetentscheidungen nutzt. Ein falsch definiertes Schlüsselereignis verzerrt jede Verteilung, egal welches Modell rechnet.
Was datengetriebene Attribution nicht leisten kann
- Sie sieht nur, was gemessen wurde. Messestand, Empfehlung eines Kollegen, Plakat oder Radiospot existieren für das Modell nicht.
- Sie misst Zusammenhänge, keine Ursachen. Wer nach deiner Marke sucht, kauft häufig – aber oft, weil er ohnehin kaufen wollte.
- Lücken durch abgelehnte Einwilligungen, Gerätewechsel und Adblocker fehlen im Datensatz oder werden nur geschätzt.
- Bei wenigen Conversions pro Monat sind die Anteile statistisch wackelig. Kleine Konten sollten Ergebnisse daher über längere Zeiträume lesen.
Warum Google Ads, Meta und GA4 unterschiedliche Zahlen zeigen
Addierst du die Conversions aus allen Werbekonten, kommt fast immer mehr heraus, als in deinem Shop oder CRM tatsächlich eingegangen ist. Das ist kein Betrug, sondern eine Folge davon, dass jede Plattform nur ihre eigene Welt kennt und nach eigenen Regeln zählt.
- Eigene Sicht: Meta weiß nichts von deiner Suchanzeige, Google nichts von der Instagram-Story. Beide ordnen sich denselben Kauf zu, wenn ihre Anzeige beteiligt war.
- Ansichten zählen mit: Meta rechnet in der Standardeinstellung auch Käufe an, die kurz nach dem bloßen Sehen einer Anzeige passieren – ohne Klick. GA4 kann solche Ansichten aus fremden Netzwerken gar nicht erfassen.
- Unterschiedliche Stichtage: Google Ads verbucht eine Conversion am Tag des Anzeigenklicks, GA4 am Tag der Conversion. Monatsberichte weichen dadurch voneinander ab, besonders zum Monatswechsel.
- Andere Rückblickzeiträume: Schaut ein System 30 Tage zurück und das andere 7, landen späte Käufe nur in einem von beiden.
- Modellierte Werte: Wo Einwilligungen fehlen, ergänzen Plattformen Schätzungen. Die fallen je nach Anbieter unterschiedlich großzügig aus.
Die praktische Konsequenz: Lege eine führende Datenquelle fest – bei Shops das Warenwirtschafts- oder Shopsystem, bei Dienstleistern das CRM – und nutze Plattformzahlen zum Steuern innerhalb der Plattform, nicht zum Vergleichen zwischen Plattformen. Wie sich das auf den ROAS auswirkt und wie du ihn gegenprüfst, zeigt der Ratgeber Meta Ads ROAS ehrlich prüfen.
Welches Attributionsmodell passt zu deinem Geschäft?
Das perfekte Modell gibt es nicht. Sinnvoller ist die Frage, welches Modell für deine Situation am wenigsten Schaden anrichtet und welche zusätzliche Prüfung du daneben brauchst.
| Deine Situation | Sinnvoller Ansatz | Worauf du achten solltest |
|---|---|---|
| Kurze Entscheidung, ein Hauptkanal (z. B. Notdienst über Suchanzeigen) | datengetrieben oder letzter Klick, Unterschied meist gering | Markensuche getrennt auswerten |
| Onlineshop mit mehreren bezahlten Kanälen | datengetrieben in GA4 als gemeinsame Sicht, Plattformwerte nur intern | Abgleich mit Shop-Umsatz, Retouren abziehen |
| Lange B2B-Entscheidung mit Abschluss im Vertrieb | Anfragen und Aufträge aus dem CRM als Offline-Conversions zurückspielen | Kontakte vor dem Rückblickzeitraum gehen verloren |
| Größeres Budget, Online- und Offline-Werbung | Klick-Attribution plus Inkrementalitätstests oder Marketing-Mix-Modell | Tests brauchen Planung und ausreichend Volumen |
Gerade im B2B-Marketing entscheiden oft mehrere Personen über Wochen oder Monate. Dort ist die wichtigste Verbesserung selten ein anderes Modell, sondern die Rückkopplung echter Abschlüsse aus dem Vertrieb in die Werbekonten. Erst dann lernt eine Gebotsstrategie den Unterschied zwischen einer Anfrage, aus der ein Auftrag wird, und einer, die im Sande verläuft.
Jenseits der Klick-Attribution: Inkrementalität und Marketing-Mix-Modelling
Jedes Attributionsmodell verteilt Conversions, die ohnehin gemessen wurden. Die eigentlich spannende Frage beantwortet es nicht: Wie viele dieser Käufe wären ohne die Werbung gar nicht passiert? Diesen zusätzlichen Effekt nennt man Inkrementalität, und er lässt sich nur mit Experimenten ermitteln.
- Holdout-Test: Ein zufälliger Teil der Zielgruppe bekommt keine Anzeigen. Der Unterschied in der Kaufquote zwischen beiden Gruppen ist der echte Werbeeffekt.
- Regionaltest: Kampagnen laufen nur in ausgewählten Regionen, vergleichbare Regionen bleiben ohne. Geeignet, wenn Nutzerlisten zu klein oder zu lückenhaft sind.
- Lift-Studien der Plattformen: Google und Meta bieten eigene Studien zur Conversion-Steigerung an. Sie sind bequem, werden aber von der Partei durchgeführt, die das Budget erhält.
- Marketing-Mix-Modelling (MMM): ein statistisches Modell über aggregierte Wochen- oder Tagesdaten aller Kanäle, auch Offline-Werbung. Es braucht keine Cookies, aber eine lange, saubere Datenhistorie. Frei verfügbare Werkzeuge wie Meridian von Google oder Robyn von Meta haben die Einstiegshürde gesenkt.
Rechenbeispiel mit fiktiven Zahlen
Holdout-Test für eine Retargeting-Kampagne
- Zielgruppe: 20.000 frühere Besucher, zufällig geteilt
- Testgruppe mit Anzeigen: 10.000 Personen, 300 Käufe = 3,0 %
- Kontrollgruppe ohne Anzeigen: 10.000 Personen, 240 Käufe = 2,4 %
- zusätzliche Käufe durch die Kampagne = 300 − 240 = 60
Das Werbekonto hätte sich alle 300 Käufe zugeschrieben. Tatsächlich ausgelöst hat die Kampagne nur 60 davon – ein Fünftel. Ob sich das rechnet, entscheidest du anhand der Kosten pro zusätzlichem Kauf.
Gerade Retargeting und Markenkampagnen sehen in Klickmodellen oft glänzend aus, denn ihr Publikum hat sich häufig längst entschieden. Ein Holdout-Test zeigt, wie viel davon wirklich auf die Anzeige zurückgeht.
Häufige Fehler bei der Attribution
- Plattformzahlen addieren und für die Wahrheit halten: So entstehen Budgetpläne auf Basis von Käufen, die es mehrfach nur auf dem Papier gibt.
- Das Modell wechseln und Vorher-nachher vergleichen: Nach einem Modellwechsel verschieben sich Werte zwischen Kampagnen. Das ist keine Leistungsänderung, sondern eine neue Verteilung.
- Obere Kampagnen nach Last Click beurteilen: Video-, Social- oder Display-Kampagnen, die Nachfrage erzeugen, erscheinen dann als Totalausfall und werden gestrichen.
- Offline-Abschlüsse ignorieren: Kommt der Umsatz per Telefon oder im persönlichen Gespräch, sieht kein Modell den eigentlichen Erfolg, solange du ihn nicht zurückspielst.
- Tracking-Lücken mit Modellen überdecken wollen: Fehlende Einwilligungssignale oder doppelt feuernde Tags repariert kein Algorithmus. Stabilere Rohdaten liefert oft Server-Side Tracking – mit sauberem Consent, nicht an ihm vorbei.
Attribution sauber aufsetzen: wann eine Tracking-Agentur hilft
Solange du einen Kanal und ein Ziel hast, kommst du mit den Standardeinstellungen gut zurecht. Unterstützung lohnt sich, sobald mehrere Werbeplattformen parallel laufen, Abschlüsse im Vertrieb statt im Shop passieren oder die Zahlen aus Werbekonto, GA4 und Buchhaltung so weit auseinanderliegen, dass niemand mehr weiß, welcher gilt.
- Bestandsaufnahme: Welche Conversions werden wo gezählt, mit welchem Modell und welchem Zeitraum?
- Führende Datenquelle festlegen und Plattformwerte regelmäßig damit abgleichen.
- Consent Mode, Enhanced Conversions und Offline-Import so einrichten, dass die Werbekonten auf echte Abschlüsse lernen.
- Für größere Budgets einen Inkrementalitätstest planen, bevor Kanäle gestrichen oder hochgefahren werden.
Als Tracking- und Analytics-Agentur bauen wir diese Grundlage auf und verbinden sie mit der Kampagnensteuerung unserer Google Ads Agentur. In der Case Study TRODATEC war der Ausgangspunkt eine Messung, die weder datenschutzrechtlich trug noch zeigte, welche Anzeige eine Anfrage auslöste – erst nach der Reparatur ließ sich das Budget sinnvoll steuern.