Attributionsmodell auswählen: der Entscheidungsleitfaden

Worum es geht: kein bestes Modell, nur ein passendes

Wer nach dem besten Attributionsmodell sucht, sucht nach etwas, das es nicht gibt. Jedes Modell trifft eine Annahme darüber, wie der Beitrag der einzelnen Touchpoints auf den Umsatz verteilt werden soll. Last-Click nimmt an, dass nur der letzte Schritt zählt. First-Click nimmt das Gegenteil an. Linear behandelt alle Stationen gleich, Time-Decay gewichtet das Ende stärker, Position-Based betont Anfang und Ende. Keine dieser Annahmen ist universell richtig. Richtig ist die, die zu deiner echten Customer Journey passt.

Das verschiebt die Frage. Statt zu fragen, welches Modell das beste ist, fragst du, welches Modell die Realität deines Shops am wenigsten verzerrt. Ein Shop mit kurzen, suchgetriebenen Käufen hat ein anderes passendes Modell als einer, der über Monate Awareness aufbaut, bevor jemand kauft. Beide könnten dasselbe Modell wählen, und nur einer von beiden läge damit richtig.

Genau deshalb ist die Auswahl eine Entscheidung, keine Suche nach der einen Wahrheit. Eine gute Entscheidung folgt nachvollziehbaren Kriterien, lässt sich im Team erklären und bleibt über die Zeit stabil. Eine schlechte Entscheidung übernimmt einfach das, was die jeweilige Plattform standardmäßig anzeigt, ohne zu prüfen, ob es zur eigenen Journey passt. Dieser Leitfaden hilft dir, die erste Variante zu treffen.

Zurück zum Überblick: Multi-Touch Attribution, der vollständige Leitfaden.

Die drei Entscheidungsfaktoren

Die Auswahl lässt sich auf drei Faktoren herunterbrechen. Wenn du diese drei für deinen Shop kennst, ist die Modellfrage zur Hälfte beantwortet.

Faktor 1: Journey-Länge

Die Journey-Länge ist die Zahl der Touchpoints zwischen erstem Kontakt und Bestellung. Sie ist der wichtigste Faktor, weil sie direkt bestimmt, wie viel ein Single-Touch-Modell wie Last-Click überhaupt verzerren kann. Bei einer Journey aus einem einzigen Klick gibt es nichts zu verteilen, Last-Click und Multi-Touch liefern dasselbe Ergebnis. Je länger und vielkanaliger die Journey, desto größer wird die Lücke zwischen beiden, und desto mehr Geld steuerst du mit dem falschen Modell in die falsche Richtung.

Faktor 2: Kanalmix

Der Kanalmix beschreibt, welche Kanäle beteiligt sind und welche Rolle sie spielen. Entscheidend ist die Unterscheidung zwischen Kanälen, die Nachfrage erzeugen, und solchen, die Nachfrage ernten. Display, Social und Affiliate stehen oft am Anfang und erzeugen Aufmerksamkeit. Brand-Search und Direktzugriffe stehen am Ende und ernten, was vorher gesät wurde. Je mehr nachfrageerzeugende Kanäle im Spiel sind, desto wichtiger wird ein Modell, das den Anfang der Journey nicht auf null setzt.

Faktor 3: Datenlage

Die Datenlage entscheidet, ob ein datengetriebenes Modell überhaupt in Frage kommt. Datengetriebene Attribution braucht genug Conversions, um stabile Gewichte zu lernen. Bei niedrigem Volumen lernt sie Zufall und wirkt dadurch präziser, als sie ist. Zur Datenlage gehört auch die Tracking-Qualität: Wenn ein großer Teil der Touchpoints wegen fehlender Einwilligung gar nicht erfasst wird, sieht jedes Modell nur einen Ausschnitt. Erst auf einer sauberen Datenbasis trägt ein anspruchsvolleres Modell.

Die Mechanik und Grenzen des datengetriebenen Ansatzes: Datengetriebene Attribution. Im Glossar: Customer Journey, Channel Mix, Touchpoint.

Entscheidungslogik nach Shop-Profil

Die drei Faktoren lassen sich zu typischen Profilen verdichten. Die folgenden drei Profile decken die meisten DACH-Shops ab. Sie sind als Orientierung gedacht, nicht als starre Schublade: Dein Shop kann zwischen zweien liegen, und dann wählst du das Modell, das deinem dominierenden Muster näher kommt.

Profil 1: Der kleine, suchgetriebene Shop

Hier kommen die meisten Käufe über kurze, gezielte Journeys zustande. Jemand sucht nach einem konkreten Produkt, klickt, kauft. Awareness-Kanäle spielen eine kleine Rolle, der Anteil von Brand- und Generic-Search ist hoch, und das monatliche Conversion-Volumen ist eher niedrig. Für dieses Profil reicht ein einfaches Modell. Last-Click oder Position-Based bilden die kurzen Journeys ausreichend ab, und der Verzerrungsspielraum ist klein, weil wenig zwischen Anfang und Ende liegt. Ein datengetriebenes Modell lohnt sich hier nicht, weil das Volumen es nicht trägt.

Profil 2: Der awareness-lastige Shop

Dieses Profil investiert stark in die obere Funnel-Hälfte: Social, Display, Influencer, Content. Die Journeys sind länger, und ein spürbarer Teil der Nachfrage wird durch Kanäle erzeugt, die selten den letzten Klick liefern. Genau hier richtet Last-Click den größten Schaden an, weil es die nachfrageerzeugenden Kanäle systematisch auf null setzt und das Budget in die erntenden Kanäle umleitet. Für dieses Profil ist Multi-Touch nicht optional. Position-Based oder Time-Decay sind gute regelbasierte Optionen, weil sie den ersten Kontakt würdigen, ohne den Abschluss zu ignorieren.

Profil 3: Der große Multi-Channel-Shop

Dieses Profil hat viele Kanäle mit unterschiedlichen Rollen, lange Journeys über mehrere Geräte und Wochen sowie hohes Conversion-Volumen. Hier stößt jede feste Regel an ihre Grenze, weil die Realität zu komplex ist, um sie mit einer einzigen Gewichtung abzubilden. Für dieses Profil wird ein datengetriebenes Modell zur ernsthaften Option, weil das Volumen stabile Gewichte erlaubt und der Mix komplex genug ist, dass eine feste Regel ihn nicht mehr sauber trifft. Voraussetzung ist eine zentrale Schicht, die alle Kanäle zusammenführt, denn die datengetriebenen Modelle der einzelnen Plattformen sehen jeweils nur ihre eigene Welt.

Die zentrale Schicht in der Praxis: Multi-Channel Attribution. Modelle an einer Beispiel-Journey vergleichen: der Attribution-Rechner.

Das Prinzip: ein Standardmodell plus ein Kontrastmodell

Die wertvollste Erkenntnis aus der Attribution steckt nicht in einer einzelnen Zahl, sondern in einer Differenz. Deshalb wählst du nicht ein Modell, sondern zwei: ein primäres Modell, nach dem du steuerst, und ein Kontrastmodell, das du dauerhaft danebenlegst.

Das Standardmodell ist das, mit dem du Budget-Entscheidungen triffst. Für die meisten Shops mit mehr als ganz kurzen Journeys ist das Position-Based oder Time-Decay, weil beide die volle Journey berücksichtigen und trotzdem nachvollziehbar bleiben. Das Kontrastmodell ist in fast allen Fällen Last-Click, weil es die Logik abbildet, nach der die meisten Plattformen ohnehin reporten, und damit den Vergleichspunkt liefert, den dein Umfeld kennt.

Die Differenz zwischen beiden ist die eigentliche Erkenntnis. Wenn ein Kanal im Standardmodell deutlich mehr Umsatz zugeschrieben bekommt als im Last-Click-Modell, dann ist das ein Kanal, den Last-Click systematisch unterschätzt. Typischerweise sind das die nachfrageerzeugenden Kanäle am Anfang der Journey. Genau diese Kanäle würdest du in einem reinen Last-Click-Reporting kürzen, obwohl sie die Nachfrage erst erzeugen. Umgekehrt zeigt die Differenz, welche Kanäle von Last-Click überbewertet werden, meist die erntenden Kanäle am Ende.

Der Vorteil dieser Methode ist, dass du keine Glaubensfrage entscheiden musst. Du musst nicht beweisen, dass dein Standardmodell exakt richtig ist. Es reicht, dass die Differenz zu Last-Click konsistent dieselben Kanäle als unterschätzt oder überschätzt ausweist. Diese Richtung ist robuster als der absolute Wert eines einzelnen Modells und gibt dir eine belastbare Grundlage für Budget-Verschiebungen.

Der direkte Vergleich beider Welten an konkreten Zahlen: Last-Click vs. Multi-Touch. Im Glossar: Attributionsmodell, Brand-Bidding.

Häufige Fehler bei der Modellauswahl

Bei der Auswahl gibt es drei Fehler, die immer wieder vorkommen und die alle dazu führen, dass die Attribution am Ende mehr verwirrt als hilft.

Fehler 1: je Plattform ein anderes Modell

Der verbreitetste Fehler ist, jede Plattform nach ihrem eigenen Default reporten zu lassen. Google attribuiert dann nach Googles Modell, Meta nach Metas Modell, das Affiliate-Netzwerk nach seinem. Das Problem: Jede Plattform sieht nur ihre eigenen Touchpoints und beansprucht dieselbe Conversion für sich. Addierst du die Zahlen, kommst du auf mehr Conversions, als du tatsächlich hattest. Die Lösung ist ein einheitliches Modell über eine zentrale Schicht, die alle Touchpoints zusammenführt und dedupliziert, bevor ein Modell darüber rechnet.

Fehler 2: blind das Default übernehmen

Jede Plattform hat ein Standardmodell, und dieses Standard ist im Zweifel auf die Interessen der Plattform optimiert, nicht auf deine. Wer das Default ungeprüft übernimmt, hat keine Entscheidung getroffen, sondern eine an die Plattform delegiert. Das Default kann zufällig passen, aber ob es passt, weißt du nur, wenn du es bewusst an deiner Journey-Länge und deinem Kanalmix gespiegelt hast. Der Aufwand, das einmal zu prüfen, ist klein gegenüber dem Budget, das auf Basis des Modells verteilt wird.

Fehler 3: das Modell zu oft wechseln

Wer ständig das Modell wechselt, verliert die Vergleichbarkeit. Nach jedem Wechsel verschieben sich die Gewichte, und du kannst nicht mehr trennen, was am Markt liegt und was am neuen Modell. Attribution lebt von Konstanz: Erst wenn ein Modell über mehrere Monate stabil läuft, lassen sich Trends erkennen und Budget-Entscheidungen gegen die Realität prüfen. Ein Wechsel ist berechtigt, wenn sich dein Geschäft strukturell ändert, nicht weil ein anderes Modell in einem Monat günstigere Zahlen gezeigt hätte.

Warum Plattform-Reports systematisch abweichen: Attribution in Google Ads und Meta vs. unabhängige Messung.

Umsetzungs-Checkliste in Schritten

Mit den Faktoren, Profilen und Fehlern aus den vorherigen Abschnitten lässt sich die Auswahl in konkrete Schritte übersetzen. Diese Reihenfolge führt von der Bestandsaufnahme zur laufenden Steuerung.

• Schritt 1: Journey-Länge bestimmen. Schau dir an, wie viele Touchpoints zwischen erstem Kontakt und Kauf typischerweise liegen. Sind es überwiegend ein bis zwei, ist der Verzerrungsspielraum klein. Sind es regelmäßig drei oder mehr über verschiedene Kanäle, ist Multi-Touch sofort sinnvoll.
• Schritt 2: Kanäle nach Rolle sortieren. Halte fest, welche Kanäle eher Nachfrage erzeugen und welche eher ernten. Je mehr nachfrageerzeugende Kanäle beteiligt sind, desto wichtiger ist ein Modell, das den Anfang der Journey würdigt.
• Schritt 3: Conversion-Volumen prüfen. Zähle deine Conversions pro Monat. Bei niedrigem Volumen bleib bei einem regelbasierten Modell. Erst bei hohem Volumen und komplexem Mix wird ein datengetriebenes Modell zur Option.
• Schritt 4: Standardmodell festlegen. Wähle nach Profil und Datenlage ein primäres Modell, mit dem du steuerst, etwa Position-Based oder Time-Decay für mittlere bis lange Journeys.
• Schritt 5: Kontrastmodell danebenlegen. Lass dauerhaft Last-Click mitlaufen und beobachte die Differenz. Sie zeigt, welche Kanäle unterschätzt und welche überschätzt werden.
• Schritt 6: Einheitlich über alle Kanäle anwenden. Nutze nicht je Plattform ein anderes Modell, sondern führe alle Touchpoints über eine zentrale Schicht zusammen und lege ein Modell darüber.
• Schritt 7: Stabil halten und gegen die Realität prüfen. Behalte das Modell über mehrere Monate bei und gleiche die Ergebnisse mit unabhängigen Signalen ab, etwa über Marketing Mix Modeling oder Geo- und Holdout-Tests.

Modelle live durchrechnen: Attribution-Rechner. Eigene Tracking- und Attribution-Architektur prüfen: kostenloses Website-Audit.