Attribution

Einfach erklärt

Attribution beantwortet die Frage: Welcher Marketing-Kanal hat die Conversion verursacht? Das klingt einfach, ist aber komplex – denn Kunden interagieren oft mit vielen Touchpoints, bevor sie kaufen.

Das Problem:

Ein Kunde sieht eine Instagram-Ad, googelt später die Marke, klickt auf eine Google-Ad, liest einen Blog-Artikel und kauft schließlich über einen Newsletter-Link. Wer bekommt den Credit?

Die Attributionsmodelle:

Modell	Verteilung	Wann sinnvoll?
Last Click	100% letzter Touchpoint	Conversion-fokussierte Kampagnen
First Click	100% erster Touchpoint	Awareness-Bewertung
Linear	Gleichmäßig verteilt	Alle Touchpoints gleich wichtig
Time Decay	Mehr Credit näher an Conversion	Kurze Sales Cycles
U-Shaped	40% First, 40% Last, 20% Mitte	B2B mit klarem Funnel
Data-Driven	ML-basierte Gewichtung	Genug Daten vorhanden

Warum ist das wichtig?

Falsches Attributionsmodell = falsche Budget-Entscheidungen. Wenn Last-Click alles dem Newsletter zuschreibt, unterschätzt du den Wert der Instagram-Ads, die den Kunden überhaupt erst aufmerksam gemacht haben.

Technischer Deep Dive

Multi-Touch Attribution Models

Linear Attribution:

Touchpoints: Instagram → Google Search → Blog → Newsletter
Credit:      25%         25%            25%    25%

• Einfach zu verstehen
• Ignoriert unterschiedliche Touchpoint-Wirkung

U-Shaped (Position-Based):

Touchpoints: Instagram → Google Search → Blog → Newsletter
Credit:      40%         10%            10%    40%

• Betont Awareness (First) und Conversion (Last)
• Gut für B2B mit längeren Sales Cycles

Time Decay:

Touchpoints: Instagram → Google Search → Blog → Newsletter
Credit:      10%         15%            25%    50%

• Neuere Touchpoints bekommen mehr Credit
• Sinnvoll bei kurzen Entscheidungszyklen

W-Shaped:

Touchpoints: Instagram → Lead Form → Nurturing → Demo → Purchase
Credit:      30%         30%         10%        30%    -

• Betont First Touch, Lead Creation und Opportunity Creation
• Speziell für B2B mit definierten Funnel-Stufen

Data-Driven Attribution (DDA)

Google Analytics 4 nutzt Machine Learning für Attribution:

Wie es funktioniert:

1. Analysiert alle Conversion-Pfade
2. Vergleicht konvertierende vs. nicht-konvertierende Pfade
3. Berechnet den inkrementellen Beitrag jedes Touchpoints
4. Gewichtet basierend auf tatsächlicher Wirkung

Voraussetzungen in GA4:

• Mindestens 400 Conversions pro Conversion-Typ in 30 Tagen
• Mindestens 10.000 Pfade im Reporting-Zeitraum

Vorteile:

• Keine Annahmen, sondern datenbasierte Gewichtung
• Passt sich automatisch an Veränderungen an
• Berücksichtigt Interaktionen zwischen Kanälen

Attribution Challenges

Cross-Device-Tracking:

• Nutzer wechseln zwischen Geräten
• Lösung: User-ID, Google Signals, probabilistisches Matching

Walled Gardens:

• Facebook, Google, Amazon haben eigene Attribution
• Jeder beansprucht mehr Credit als verdient
• Lösung: Unabhängige Attribution-Plattform oder Incrementality Testing

Cookie-Decline:

• Third-Party-Cookies werden blockiert
• Lösung: First-Party-Data, Server-Side-Tracking, Consent Mode

View-Through vs. Click-Through:

• Soll ein gesehener (nicht geklickter) Banner Credit bekommen?
• View-Through-Window: Typisch 1-7 Tage
• Vorsicht: Kann Attribution aufblähen

Incrementality Testing

Attribution zeigt Korrelation, nicht Kausalität. Incrementality Testing beweist echte Wirkung:

Methode:

1. Zufällige Aufteilung in Test- und Kontrollgruppe
2. Testgruppe sieht Ads, Kontrollgruppe nicht
3. Conversion-Differenz = inkrementeller Lift

Incrementality = (Conversion Rate Test - Conversion Rate Control) / Conversion Rate Control

Wann nutzen:

• Bei Zweifeln an Attribution-Daten
• Für große Budget-Entscheidungen
• Zur Validierung von Attributionsmodellen