Social & Performance

Attribution

Die Zuordnung von Erfolgen zu den Kanälen, die sie ausgelöst haben.

Attribution beschreibt die Frage, welchem Marketingkanal oder welcher Berührung der Verdienst für eine Conversion zugeschrieben wird. Da Kunden vor einem Kauf oft mehrere Kanäle durchlaufen - etwa erst eine Anzeige sehen, später über Google suchen und schließlich über einen Newsletter kaufen - ist es nicht trivial, den Erfolg fair zu verteilen. Verschiedene Attributionsmodelle gewichten diese Kontaktpunkte unterschiedlich. Eine durchdachte Attribution ist die Grundlage dafür, Budgets auf die wirklich wirksamen Kanäle zu lenken.

Das Grundproblem: Wer hat die Conversion verdient

Kaum ein Kunde kauft beim ersten Kontakt. Stattdessen entsteht eine Reise: Jemand sieht eine Social-Media-Anzeige, sucht Tage später über Google, liest einen Ratgeber, klickt einen Newsletter und kauft schließlich. Die Attribution beantwortet die heikle Frage, welcher dieser Schritte den Verkauf ausgelöst hat - und damit, welcher Kanal die Investition wert war. Das Problem ist real: Schreibst du den gesamten Verdienst dem letzten Klick zu, sehen Kanäle am Ende des Funnels künstlich gut aus, während die Kanäle, die das Interesse überhaupt erst geweckt haben, unterbewertet bleiben. Wer auf dieser verzerrten Basis Budgets verteilt, kürzt womöglich genau die Kampagnen, die früh im Kaufprozess wichtige Arbeit leisten. Genau deshalb ist Attribution mehr als eine technische Frage - sie entscheidet, wohin dein Geld fließt.

Die wichtigsten Attributionsmodelle

Die einfachsten Modelle sind Single-Touch: Bei der Last-Click-Attribution bekommt der letzte Kontaktpunkt den vollen Verdienst, bei First-Click der erste. Beide sind leicht zu verstehen, blenden aber den Rest der Reise aus. Multi-Touch-Modelle verteilen den Erfolg dagegen über mehrere Berührungen. Das lineare Modell gewichtet alle Kontaktpunkte gleich, das zeitbasierte Modell stärker die jüngsten, und das positionsbasierte Modell gibt erstem und letztem Kontakt das meiste Gewicht. Datengetriebene Attribution geht noch weiter und ermittelt anhand echter Verlaufsdaten, welche Kontaktpunkte tatsächlich den Unterschied gemacht haben. Es gibt kein objektiv richtiges Modell - jedes legt eine andere Brille auf dieselben Daten. Entscheidend ist, dass du bewusst eines wählst, das zu deinem Geschäft passt, und es konsequent für Vergleiche nutzt.

Warum Attribution heute schwieriger wird

Die saubere Nachverfolgung von Kontaktpunkten wird zunehmend anspruchsvoller. Strengere Datenschutzregeln, das Ende der Third-Party-Cookies, die Einwilligungspflicht über Cookie-Banner und der Wechsel zwischen mehreren Geräten reißen Lücken in die Datenketten. Ein Kunde, der mittags am Handy klickt und abends am Laptop kauft, ist ohne Login kaum als dieselbe Person erkennbar. Dazu kommen Plattformen, die Conversions in geschlossenen Systemen melden und sich gegenseitig denselben Verkauf gutschreiben. In der Praxis bedeutet das: Perfekte Attribution gibt es nicht mehr, und wer sie verspricht, übertreibt. Realistischer ist ein Mix aus modellierten Daten, sauberer Kennzeichnung über UTM-Parameter und gelegentlichen Tests, bei denen ein Kanal bewusst pausiert wird, um seinen echten Beitrag zu messen. Die Richtung zählt mehr als die zweite Nachkommastelle.

Attribution richtig für Entscheidungen nutzen

Attribution ist kein Selbstzweck, sondern soll bessere Budgetentscheidungen ermöglichen. Der wichtigste Grundsatz dabei: Nutze über alle Kanäle dasselbe Modell, sonst vergleichst du Äpfel mit Birnen. Verlass dich außerdem nicht blind auf die Zahlen der einzelnen Werbeplattformen, denn jede schreibt sich gern selbst den Erfolg zu. Eine neutrale Quelle wie ein zentrales Analytics-Tool liefert ein ehrlicheres Gesamtbild. Ergänze die Modellrechnung mit gesundem Menschenverstand und gelegentlichen Experimenten: Schaltest du einen Kanal ab und der Gesamtumsatz bricht ein, war er wertvoller, als das Last-Click-Modell vermuten ließ. So wird aus Attribution ein praktisches Steuerungswerkzeug statt einer akademischen Übung. Im Zweifel gilt: lieber eine robuste, leicht ungenaue Entscheidungsgrundlage als eine scheinpräzise Zahl, die in die Irre führt.