Kurz gesagt
- Verschiedene Modelle verteilen denselben Umsatz unterschiedlich, keines ist „wahr“
- Wähle das Modell, dessen Credit-Verteilung dazu passt, wie deine Sales-Motion tatsächlich funktioniert
- Die meiste Über-Attribution entsteht durch das blinde Aufsummieren von In-Platform-Modellen (jede Plattform nutzt ihr eigenes)
- Reife Teams reporten parallel auf 2 bis 3 Modelle, um Abweichungen zu sehen und zu triangulieren
Warum die Modellwahl zählt
Jedes Attributionsmodell nimmt denselben Input (das Touchpoint-Log) und erzeugt eine andere Umsatzverteilung. Eine Kampagne, die unter Last-Click profitabel aussieht, kann unter Data-Driven unprofitabel wirken. Das Modell ist kein technisches Detail, es ist eine strategische Entscheidung darüber, welche Kanäle Budget bekommen.
Gängige Attributionsmodelle
| Modell | Wie es funktioniert | Wann du es nutzt |
|---|---|---|
| Last-Click | 100 % Credit für den letzten Touchpoint vor der Conversion | Bottom-Funnel-lastige Businesses. Schnelle Richtungswerte |
| First-Click | 100 % Credit für den ersten Touchpoint | Top-of-Funnel-getriebene Marken. Awareness-Messung |
| Linear | Gleicher Credit für alle Touchpoints | Einfacher, ausgewogener Default. Schwach bei langen Journeys |
| Time-Decay | Jüngere Touchpoints stärker gewichtet | Der Großteil des kurzzyklischen E-Commerce |
| U-förmig (positionsbasiert) | 40 % erster, 40 % letzter, 20 % Mitte | Marken, bei denen Entdeckung und Conversion die zwei großen Momente sind |
| Data-Driven | Der Algorithmus lernt die Gewichte aus Conversion-Daten (meist Shapley-Werte) | Businesses mit hohem Volumen und sauberem Tracking |
| Custom Rules | Von Hand justierte Verteilungen mit Business-Logik (z. B. den Brand-Search-Kanal immer abwerten) | Reife Teams mit klaren Meinungen zu bestimmten Kanälen |
In-Platform vs. unabhängig
Ein entscheidender Unterschied: Jede Ad-Plattform wendet ihr EIGENES Attributionsmodell an und meldet das Ergebnis. Metas Modell „7-Tage-Klick + 1-Tag-View“ schreibt Meta-Touchpoints großzügig Credit zu. Googles „datengetriebenes“ Modell schreibt Google-Touchpoints großzügig zu. Die beiden lassen sich nie in Einklang bringen.
Ein unabhängiger Attributions-Layer, der Daten aus allen Quellen einliest und ein einziges konsistentes Modell anwendet, ist der einzige Weg zu einer vergleichbaren Cross-Channel-Sicht. Ohne ihn bedeutet „ROAS“ von einem Report zum nächsten nicht dasselbe.
Eine dedizierte Marketing Attribution Platform ist der Ort, an dem dieser unabhängige Layer lebt, sie wendet ein Modell über alle Kanäle an, sodass die Zahlen endlich zusammenpassen.
Wie du wählst
Drei Fragen, die du stellen solltest:
- Wie sieht deine Sales-Motion tatsächlich aus? Lange, awareness-lastige Journeys sprechen für First-Click oder U-förmig. Direct-Response-Funnels sprechen für Last-Click oder Time-Decay.
- Wie viele Daten hast du? Data-Driven-Modelle brauchen Volumen, typischerweise mehr als 10.000 Conversions pro Monat pro modelliertem Segment.
- Welche Entscheidungen treibt die Zahl? Ein Modell für die Budgetverteilung kann sich von einem Modell zur Kampagnenbewertung unterscheiden. Es spricht nichts dagegen, beide zu betreiben.
Häufige Fehler
- „Modelle wechseln“ ohne Versionierung. Den Last-Click-ROAS von gestern mit dem Data-Driven-ROAS von heute zu vergleichen, ist Äpfel mit Birnen. Tracke die Modellversion pro Report.
- Dem Modell die Tracking-Lücken anlasten. Fehlen deine Touchpoints, rettet dich kein Modell.
- Das Modell als universell behandeln. Was für Prospecting-Kampagnen funktioniert, muss für Retention nicht funktionieren.
FAQ zu Attributionsmodell
Was ist das gängigste Attributionsmodell?
Last-Click ist das gängigste und das am stärksten verzerrte, es gibt 100 % des Credits an den letzten Touchpoint, meist Branded Search oder Direct. Multi-Touch-Modelle verteilen den Credit fairer.
Welches Attributionsmodell sollte ich nutzen?
Das richtige Modell passt dazu, wie deine Sales-Motion funktioniert. Lange, awareness-getriebene Journeys sprechen für First-Click oder U-förmig. Direct-Response-Funnels sprechen für Last-Click oder Time-Decay. Reife Teams vergleichen zwei oder drei parallel.
Was ist datengetriebene Attribution?
Datengetriebene Attribution lernt die Credit-Gewichte aus deinen Conversion-Daten, typischerweise über Shapley-Werte. Sie braucht ausreichend Volumen (mehr als ~10.000 Conversions pro modelliertem Segment und Monat), um zu konvergieren.