Attribution ist die Methode, eine Conversion den Marketing-Kanälen und Touchpoints zuzuordnen, die dazu beigetragen haben. Ein Nutzer sieht eine Display-Anzeige, klickt eine Woche später auf eine Google Ads-Anzeige, besucht daraufhin die Website über eine organische Suche und konvertiert schließlich nach dem Klick auf einen Newsletter-Link. Welcher Kanal verdient den Credit für diese Conversion? Die Antwort darauf bestimmt, wie Marketing-Budgets verteilt werden – und ob diese Verteilung profitabel ist oder nicht.
Welche Attribution-Modelle gibt es?
Attribution-Modelle definieren die Regeln, nach denen Credit auf Touchpoints verteilt wird. Sie lassen sich in zwei Kategorien einteilen: Single-Touch-Modelle und Multi-Touch-Modelle.
Single-Touch-Modelle
Last-Click-Attribution: Der letzte Touchpoint vor der Conversion erhält 100 Prozent des Credits. Im Beispiel oben wäre das der Newsletter. Dieses Modell ist einfach zu implementieren und zu verstehen, benachteiligt aber systematisch alle Kanäle, die zur Awareness und Consideration beigetragen haben. Last-Click war lange der Standard in der Web-Analyse – und ist es in vielen Unternehmen noch immer.
First-Click-Attribution: Der erste Touchpoint erhält den gesamten Credit. In unserem Beispiel wäre das die Display-Anzeige. Dieses Modell eignet sich, um zu verstehen, welche Kanäle neue Nutzer auf die Marke aufmerksam machen. Es ignoriert aber alles, was nach dem Erstkontakt zur Conversion beigetragen hat.
Multi-Touch-Modelle
Lineare Attribution: Alle Touchpoints erhalten den gleichen Anteil. Bei vier Touchpoints bekommt jeder 25 Prozent. Einfach und fair, aber undifferenziert – ein Touchpoint, der entscheidend zur Kaufentscheidung beigetragen hat, wird genauso gewichtet wie ein beiläufiger Kontakt.
Time-Decay-Attribution: Touchpoints, die zeitlich näher an der Conversion liegen, erhalten mehr Credit. Die Logik: Je näher am Kauf, desto wahrscheinlicher hat der Touchpoint die Entscheidung beeinflusst. Dieses Modell ist realistischer als lineares, unterschätzt aber weiterhin den Wert von Awareness-Kanälen.
Position-Based (U-förmig): Der erste und der letzte Touchpoint erhalten jeweils 40 Prozent, die restlichen 20 Prozent werden gleichmäßig auf die mittleren Touchpoints verteilt. Dieses Modell würdigt sowohl die Awareness-Leistung als auch den abschließenden Conversion-Impuls – und ist für viele Szenarien ein guter Kompromiss.
Data-Driven-Attribution: Ein algorithmisches Modell, das auf maschinellem Lernen basiert. Es analysiert alle verfügbaren Conversion-Pfade und berechnet den tatsächlichen Beitrag jedes Touchpoints anhand statistischer Muster. Data-Driven-Attribution ist das genaueste Modell, benötigt aber ausreichend Conversion-Daten, um zuverlässig zu funktionieren.
Wie funktioniert Attribution in Google Analytics 4?
Google Analytics 4 hat Data-Driven-Attribution als Standard-Modell etabliert. Das System analysiert die Conversion-Pfade aller Nutzer und berechnet auf Basis von Wahrscheinlichkeiten, welchen Anteil jeder Touchpoint an der Conversion hat. Dabei berücksichtigt es Faktoren wie die Reihenfolge der Touchpoints, die Zeit zwischen den Kontakten und die Art der Interaktion.
Der Vorteil gegenüber regelbasierten Modellen: Data-Driven passt sich an das spezifische Nutzerverhalten der jeweiligen Website an. Ein Touchpoint, der bei einem E-Commerce-Shop eine starke Conversion-Wirkung hat, kann bei einem B2B-SaaS-Unternehmen eine ganz andere Rolle spielen. Das Modell erkennt diese Unterschiede automatisch.
Die Einschränkung: Für zuverlässige Ergebnisse benötigt Data-Driven-Attribution ein Mindestvolumen an Conversions. Bei sehr wenigen Conversions pro Monat fehlt die Datenbasis für statistische Aussagen, und die Ergebnisse können schwanken.
Welche Herausforderungen gibt es beim Cross-Device-Tracking?
Ein Nutzer recherchiert morgens auf dem Smartphone, vergleicht abends auf dem Tablet und kauft am nächsten Tag am Laptop. Ohne Cross-Device-Tracking sieht das Analyse-System drei verschiedene Nutzer statt einer zusammenhängenden Customer Journey.
Google löst dieses Problem teilweise über eingeloggte Nutzer (Google-Konto) und statistische Modelle, die Geräte anonymisiert verknüpfen. Aber die Datenbasis wird durch Browser-Einschränkungen, Cookie-Consent-Anforderungen und Adblocker zunehmend lückenhaft. Die Attribution basiert damit auf unvollständigen Daten – und je mehr Touchpoints offline stattfinden (Beratungsgespräche, Events, Printwerbung), desto größer wird die Lücke.
Was ist Incrementality Testing?
Incrementality Testing geht einen Schritt weiter als klassische Attribution. Statt zu fragen „Welcher Kanal hat zur Conversion beigetragen?”, fragt es: „Hätte die Conversion auch ohne diesen Kanal stattgefunden?”
Das Prinzip funktioniert wie ein A/B-Test auf Kanalebene: Eine Testgruppe sieht die Werbung, eine Kontrollgruppe nicht. Der Unterschied in den Conversion-Raten zwischen beiden Gruppen zeigt den inkrementellen Beitrag des Kanals. Ein Retargeting-Kanal, der laut Last-Click-Attribution für viele Conversions verantwortlich ist, zeigt im Incrementality Test möglicherweise nur einen geringen inkrementellen Beitrag – weil die Nutzer auch ohne Retargeting konvertiert hätten.
Was ist Marketing Mix Modeling?
Marketing Mix Modeling (MMM) ist ein statistischer Ansatz, der den Beitrag verschiedener Marketing-Kanäle zum Gesamtergebnis auf aggregierter Ebene analysiert. Statt einzelne Nutzer-Journeys zu verfolgen, korreliert MMM Marketing-Ausgaben pro Kanal mit Geschäftsergebnissen über einen längeren Zeitraum.
Der Vorteil: MMM funktioniert ohne User-Level-Tracking und kann auch Offline-Kanäle wie TV, Radio und Print einbeziehen. Der Nachteil: Die Ergebnisse sind weniger granular und reagieren langsamer auf Veränderungen. MMM eignet sich daher besonders für die strategische Budgetallokation auf Kanalebene, während klassische Attribution die operative Optimierung innerhalb der Kanäle unterstützt.
Wie funktioniert es in der Praxis?
Ein typisches Attribution-Projekt beginnt mit der Bestandsaufnahme: Welche Kanäle werden bespielt? Welche Tracking-Infrastruktur ist vorhanden? Wie werden aktuell Entscheidungen über Budget-Verteilung getroffen?
Der erste Schritt ist ein sauberes Tracking-Setup. Web Analytics muss alle relevanten Touchpoints erfassen: bezahlte Anzeigen über UTM-Parameter, organische Suche, Referral-Traffic, E-Mail-Kampagnen und direkte Zugriffe. Conversion-Tracking muss sowohl Macro-Conversions (Käufe, qualifizierte Leads) als auch Micro-Conversions (Content-Downloads, Formularstarts) abbilden.
Im nächsten Schritt werden die Attribution-Berichte in Google Analytics 4 konfiguriert. Die Model-Comparison-Reports zeigen, wie sich die Kanalleistung unter verschiedenen Modellen verändert. Kanäle, die unter Last-Click schwach aussehen aber unter Data-Driven stark, verdienen eine Budget-Erhöhung. Kanäle, die unter allen Modellen schwach performen, sind Kandidaten für eine Reduzierung.
Die Ergebnisse werden dann mit dem Marketing Funnel abgeglichen. Awareness-Kanäle werden nach Assisted Conversions bewertet, nicht nach Last-Click. Closing-Kanäle werden nach Conversion-Effizienz bewertet. Die Budget-Verteilung wird schrittweise angepasst und die Ergebnisse über mehrere Zyklen gemessen.
Häufige Fehler
Nur auf Last-Click-Attribution vertrauen: Wer ausschließlich Last-Click-Daten für Budget-Entscheidungen nutzt, investiert systematisch zu wenig in Awareness-Kanäle und zu viel in Kanäle, die am Ende der Journey stehen. Das Ergebnis: Der Funnel trocknet oben aus, und langfristig sinken auch die Conversions am Ende.
Assisted Conversions ignorieren: Ein Kanal, der selten den letzten Klick liefert, kann trotzdem entscheidend zum Conversion-Pfad beitragen. Display Advertising und Programmatic Advertising erzeugen häufig den Erstkontakt, der spätere Conversions überhaupt erst ermöglicht. Ohne die Assisted-Conversion-Berichte bleibt dieser Beitrag unsichtbar.
Offline-Touchpoints nicht berücksichtigen: Beratungsgespräche, Messen, Empfehlungen und Printwerbung existieren in der digitalen Attribution nicht. Wer diese Kanäle ignoriert, verzerrt das Gesamtbild. Offline-Touchpoints können über CRM-Daten, Befragungen oder dedizierte Tracking-URLs teilweise erfasst werden.
Zu kurzes Lookback-Window: Ein Lookback-Window von sieben Tagen mag für einen E-Commerce-Impulskauf reichen. Bei B2B-Entscheidungen mit Wochen oder Monaten Vorlauf gehen wichtige Touchpoints verloren. Das Window muss zum typischen Sales-Cycle des Geschäftsmodells passen.
Plattform-ROAS blind vertrauen: Google Ads, Meta und LinkedIn melden jeweils ihre eigenen Conversions – und zählen dabei großzügig. Ein Nutzer, der sowohl eine Google-Ad als auch eine Meta-Ad gesehen hat, wird von beiden Plattformen als eigene Conversion reklamiert. Die Summe der plattform-reporteten Conversions kann deutlich über der tatsächlichen Zahl liegen. Nur ein unabhängiges Analytics-System liefert die neutrale Wahrheit.
Attribution mit Think11
Think11 aus Osnabrück implementiert fortgeschrittene Attribution als Grundlage für datengestützte Budget-Entscheidungen. Als Google Premium Partner arbeiten wir mit Google Analytics 4 und ergänzenden Analyse-Tools, um den tatsächlichen Beitrag jedes Kanals sichtbar zu machen. Von der Tracking-Infrastruktur über die Modellauswahl bis zur operativen Budget-Optimierung begleiten wir den Prozess. In über 3.000 Projekten haben wir Web Analytics und Attribution als Fundament profitabler Online-Marketing- und Programmatic-Advertising-Strategien etabliert.
