Hauptbereich
Agency
sea

Attributionsmodelle verstehen

Redaktion ·

Attributionsmodelle verstehen

Attribution ist die Frage: Welcher Klick bekommt die Conversion gutgeschrieben? Klingt banal, ist es aber nicht. Eine typische Customer Journey besteht aus mehreren Kontaktpunkten — jemand sieht eine Display-Anzeige, sucht später nach deiner Marke, klickt eine Suchanzeige, kommt zwei Tage danach direkt wieder und kauft. Vier Touchpoints, eine Conversion. Das Attributionsmodell entscheidet, wie der Wert dieser einen Conversion auf die Touchpoints verteilt wird.

Das ist keine akademische Spielerei. Die Verteilung steuert direkt zwei Dinge: dein Reporting (welcher Kanal sieht erfolgreich aus) und — viel wichtiger — deine Gebotssteuerung. Smart-Bidding-Strategien lernen aus den attribuierten Conversions. Schreibst du den ganzen Credit dem letzten Klick zu, lernt das System, in den letzten Klick zu investieren und unterschätzt alles, was den Kunden überhaupt erst angewärmt hat.

Wer hier solide aufgestellt ist, baut auf sauberes Conversion-Tracking — ohne korrekte Conversion-Daten ist jedes Attributionsmodell nur Mathematik auf Müll. Eine kompakte Begriffsübersicht liefert das Glossar unter Attributionsmodelle.

Die klassischen Modelle

Über Jahre arbeitete man mit regelbasierten Modellen — feste Regeln, die den Credit nach Schema verteilen:

  • Last Click: Der letzte Klick vor der Conversion bekommt 100 % des Credits. Einfach, nachvollziehbar — und systematisch verzerrt, weil alles davor unsichtbar bleibt. Details im Glossar unter Last-Click-Attribution.
  • First Click: Spiegelbild dazu — der erste Touchpoint bekommt alles. Überschätzt die Akquise-Kanäle, ignoriert den Abschluss.
  • Linear: Jeder Touchpoint bekommt den gleichen Anteil. Fair anmutend, aber praxisfern, weil nicht jeder Kontakt gleich wichtig ist.
  • Time Decay (Zeitverlauf): Je näher am Abschluss, desto mehr Credit. Touchpoints von vor zwei Wochen zählen weniger als der Klick von gestern.
  • Position-Based (positionsbasiert / U-förmig): Erster und letzter Touchpoint bekommen den Löwenanteil (oft je 40 %), der Rest teilt sich die restlichen 20 %.

Allen gemeinsam: Es sind Annahmen, keine Messungen. Niemand weiß, ob “alles dem letzten Klick” oder “je 40 % an Anfang und Ende” der Realität entspricht. Es ist eine Wette auf eine Regel.

Warum Google auf Data-Driven umgestellt hat

Genau deshalb hat Google die regelbasierten Modelle weitgehend abgeschafft. Data-Driven Attribution (DDA) verteilt den Credit nicht per fester Regel, sondern berechnet datenbasiert mit Machine Learning, welchen tatsächlichen Beitrag jeder Touchpoint zur Conversion geleistet hat. Google formuliert es so: DDA “verteilt den Conversion-Credit basierend auf deinen bisherigen Daten für diese Conversion-Aktion” (Quelle: Google Ads-Hilfe, Stand 2026).

Vereinfacht vergleicht das Modell Conversion-Pfade mit und ohne einen bestimmten Touchpoint und schätzt so dessen echten Beitrag — statt ihn per Daumenregel zu setzen.

Der Übergang war kein Vorschlag, sondern eine Abschaltung (Quelle: Google Ads Developer Blog, 2023):

  • Ab Juni 2023 ließen sich First Click, Linear, Time Decay und Position-Based für neue Conversion-Aktionen nicht mehr auswählen.
  • Ab September 2023 stellte Google verbliebene Conversion-Aktionen mit diesen Modellen automatisch auf DDA um.

Was das für Gebote und Reporting heißt

Für Smart Bidding ist DDA der bessere Treibstoff. Weil der Credit realistischer verteilt wird, lernt der Algorithmus, auch frühe und unterstützende Touchpoints zu bewerten — nicht nur den Abschlussklick. Google argumentiert, dass der Wechsel von Last Click zu DDA helfen kann, “zusätzliche Conversions zum gleichen CPA” zu erzielen (Quelle: Google Ads-Hilfe). Das ist eine Hersteller-Aussage, kein Naturgesetz — aber die Richtung ist plausibel: Wer mehr als nur den letzten Klick belohnt, verteilt Budget breiter und sinnvoller.

Fürs Reporting bedeutet die Umstellung vor allem eines: Vergleiche nie Zeiträume mit unterschiedlichen Modellen. Eine Kampagne sieht unter DDA anders aus als unter Last Click — nicht weil sich die Realität geändert hat, sondern weil die Zurechnung anders rechnet. Halte das Modell konstant, wenn du Performance über die Zeit beurteilst.

Die Grenzen jeder Attribution

So gut DDA ist — Attribution misst nur, was sie sehen kann. Und das wird strukturell weniger:

  • Cross-Device: Recherche am Smartphone, Kauf am Laptop. Ohne Login-Verknüpfung bleiben das für die Attribution oft zwei getrennte Nutzer, und ein Teil des Pfads geht verloren.
  • Cookieless / Tracking-Schutz: Mit dem Rückgang von Third-Party-Cookies, ITP in Safari und strengeren Consent-Regeln sieht jedes Tracking nur noch einen Ausschnitt. Lücken werden modelliert (Consent Mode, Conversion-Modellierung) — modelliert heißt geschätzt.
  • Walled Gardens: Was auf anderen Plattformen passiert (Meta, TikTok, YouTube außerhalb von Google Ads), sieht ein Google-Modell nicht. Jede Plattform misst in ihrem eigenen Garten und schreibt sich gern selbst den Erfolg zu.

Heißt: Touchpoint-Attribution (oft als MTA, Multi-Touch-Attribution, bezeichnet) ist gut für die Steuerung innerhalb einer Plattform, aber blind für das Gesamtbild.

Abgrenzung: MTA, MMM und Incrementality

Drei Begriffe, die oft durcheinandergehen:

  • MTA (Multi-Touch-Attribution): Verteilt Credit auf einzelne, getrackte Touchpoints. Das ist alles oben Beschriebene — granular, aber abhängig von lückenlosem Tracking.
  • MMM (Media Mix Modeling): Ein statistisches Top-Down-Verfahren. Statt einzelne Klicks zu verfolgen, korreliert es aggregierte Spendings pro Kanal mit dem Gesamtumsatz über die Zeit. Kommt ohne Cookies aus, ist dafür grob und reagiert langsam. Im cookieless Umfeld erlebt MMM ein Comeback.
  • Incrementality-Tests: Echte Experimente (Geo-Tests, Holdout-Gruppen). Sie messen nicht, wer den Credit “verdient”, sondern die einzig wirklich kausale Frage: Wäre die Conversion ohne diese Werbung auch passiert? Der Goldstandard, aber aufwendig.

Die ehrliche Praxis: DDA für die tägliche Steuerung, MMM für die strategische Budgetverteilung über Kanäle, Incrementality-Tests stichprobenartig zur Realitätskontrolle. Kein Modell allein liefert die Wahrheit.

FAQ

Welches Attributionsmodell soll ich in Google Ads wählen? Für die meisten Konten ist Data-Driven Attribution die richtige Wahl — sie ist nicht ohne Grund der Standard und liefert Smart Bidding die besten Signale. Last Click ist nur dann eine bewusste Alternative, wenn du eine sehr simple, einstufige Customer Journey hast oder aus Vergleichbarkeitsgründen ein altes Reporting fortführen musst.

Kann ich noch First Click oder Time Decay nutzen? Nein. Google hat First Click, Linear, Time Decay und Position-Based abgeschafft. Seit Juni 2023 nicht mehr für neue Conversion-Aktionen auswählbar, seit September 2023 wurden bestehende automatisch auf DDA umgestellt. Es bleiben nur Data-Driven und Last Click.

Wie funktioniert Data-Driven Attribution konkret? DDA nutzt Machine Learning auf deinen eigenen Conversion-Pfaden. Vereinfacht vergleicht es Pfade mit und ohne einen bestimmten Touchpoint und schätzt daraus dessen tatsächlichen Beitrag. Statt einer festen Regel bekommt jeder Touchpoint einen datenbasierten, variablen Anteil.

Warum stimmen Attributions-Zahlen oft nicht mit dem realen Umsatz überein? Wegen der Grenzen jeder Attribution: Cross-Device-Wechsel, fehlende Cookies und Consent, sowie Walled Gardens anderer Plattformen. Attribution sieht nur einen Ausschnitt der Realität und modelliert den Rest. Für das Gesamtbild brauchst du ergänzend MMM und Incrementality-Tests.

Was ist der Unterschied zwischen Attribution und MMM? Attribution (MTA) arbeitet bottom-up auf einzelnen getrackten Touchpoints und ist tracking-abhängig. MMM arbeitet top-down und statistisch auf aggregierten Daten ohne Cookies. Attribution ist granular und schnell, MMM ist grob, aber robust gegen Tracking-Verluste — sie ergänzen sich.

Themenuebersicht

Search Engine AdvertisingAttribution