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 Ihrer Seite, abonniert den Newsletter und tippt eine Woche danach Ihren 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 häufig 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 Ihren 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: Sie können jede Zuordnung von Hand nachrechnen. Ihr Nachteil ist derselbe – die Regel spiegelt eine Annahme über Kaufverhalten wider, keine Beobachtung. Eine Variante 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. Sie bekommen also eine plausiblere Verteilung als bei starren Regeln, müssen dem Verfahren aber ein Stück weit vertrauen, denn die genaue Berechnung ist meist nicht einsehbar.
Rechenbeispiel: eine Conversion, fünf verschiedene Sieger
Wie stark das Modell den Bericht verändert, sehen Sie 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.
Warum Google Ads, Meta und GA4 unterschiedliche Zahlen zeigen
Addieren Sie die Conversions aus allen Werbekonten, kommt häufig mehr heraus, als in Ihrem 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 Ihrer Suchanzeige, Google nichts von der Instagram-Story. Beide ordnen sich denselben Kauf zu, wenn ihre Anzeige beteiligt war.
- Modellierte Werte: Wo Einwilligungen fehlen, ergänzen Plattformen Schätzungen. Die fallen je nach Anbieter unterschiedlich großzügig aus.
Die praktische Konsequenz: Legen Sie eine führende Datenquelle fest – bei Shops das Warenwirtschafts- oder Shopsystem, bei Dienstleistern das CRM – und nutzen Sie Plattformzahlen zum Steuern innerhalb der Plattform, nicht zum Vergleichen zwischen Plattformen. Wie sich das auf den ROAS auswirkt und wie Sie ihn gegenprüfen, zeigt der Ratgeber Meta Ads ROAS ehrlich prüfen.
Welches Attributionsmodell passt zu Ihrem Geschäft?
Das perfekte Modell gibt es nicht. Sinnvoller ist die Frage, welches Modell für Ihre Situation am wenigsten Schaden anrichtet und welche zusätzliche Prüfung Sie daneben brauchen.
| Ihre Situation | Sinnvoller Ansatz | Worauf Sie achten sollten |
|---|---|---|
| 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.
- 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.
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, entscheiden Sie 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 Sie ihn nicht zurückspielen.
- 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 Sie einen Kanal und ein Ziel haben, kommen Sie 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.
Passende Leistungen
- Tracking- und Analytics-Agentur
GA4, Consent Mode, Enhanced Conversions und Offline-Import so aufgesetzt, dass Attributionsberichte auf verlässlichen Daten beruhen.
- Google Ads Agentur
Kampagnen und Gebotsstrategien, die auf echte Abschlüsse lernen und frühe Kontakte nicht vorschnell abschreiben.
Häufige Fragen zu Attributionsmodellen
Was ist datengetriebene Attribution?
Ein Verfahren, das Conversion-Pfade mit und ohne Abschluss vergleicht und jedem Kontakt einen Anteil nach seinem beobachteten Beitrag gibt. Es passt sich Ihren Daten an, ist aber nicht im Detail nachvollziehbar und kennt nur gemessene Kontakte.
Ist Last Click schlecht?
Nicht grundsätzlich. Bei kurzen Kaufentscheidungen mit einem Hauptkanal liefert er brauchbare, stabile Werte. Problematisch wird er, wenn Sie Kanäle bewerten wollen, die Nachfrage wecken, statt sie abzuschließen – die erscheinen dann wertlos.
Warum zeigen Meta und Google mehr Conversions als mein Shop?
Weil jede Plattform sich einen Kauf zuschreibt, sobald ihre Anzeige beteiligt war, teils auch ohne Klick. Dazu kommen unterschiedliche Zeiträume und geschätzte Werte. Die Summe über alle Plattformen ist deshalb häufig höher als die Realität.
Welches Attributionsmodell sollte ich in GA4 einstellen?
Für die meisten Websites ist ein datengetriebenes Modell oder letzter Klick ein vernünftiger Standard. Wichtiger als die Modellwahl sind korrekt definierte Schlüsselereignisse, passende Rückblickzeiträume und ein regelmäßiger Abgleich mit Shop oder CRM.
Was ist der Unterschied zwischen Attribution und Inkrementalität?
Attribution verteilt gemessene Conversions auf Kanäle. Inkrementalität fragt, wie viele Conversions ohne die Werbung ausgeblieben wären. Die zweite Frage lässt sich nur mit Tests wie Holdout-Gruppen oder Regionalvergleichen beantworten.
Brauche ich als kleines Unternehmen ein Marketing-Mix-Modell?
Meist nicht. MMM braucht eine lange Datenhistorie und genügend Schwankung in den Budgets, um belastbar zu rechnen. Für kleinere Budgets bringt ein sauberes Tracking mit Offline-Import und gelegentlichen Tests mehr.