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.
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.