Attribution bedeutet, Conversions den Kanälen zuzuschreiben. Die Last-Click-Attribution schreibt den Erfolg dem letzten Kanal vor der Conversion zu. Die First-Click-Attribution schreibt ihn dem ersten Kanal zu. In der Realität ist es komplexer: Mehrere Kanäle haben zur Entscheidung beigetragen. Kanalübergreifende Attributionsmodelle wollen den Erfolg fair auf alle beteiligten Kanäle verteilen. Dieses Kapitel erklärt die verschiedenen Modelle und wann du welches einsetzt.
Attributionsmodelle erklärt
Last-Click-Attribution
Der Kanal des letzten Kontakts vor der Conversion bekommt 100 % des Erfolgs. Beispiel: organische Suche → E-Mail → bezahlte Anzeigen → Conversion = die bezahlten Anzeigen bekommen 100 %.
Vorteil: einfach, leicht umzusetzen, begünstigt Kanäle am Ende des Funnels. Nachteil: ignoriert unterstützende Rollen und unterschätzt Kanäle für Aufmerksamkeit.
First-Click-Attribution
Der Kanal des ersten Kontakts bekommt 100 % des Erfolgs. Beispiel: organische Suche → E-Mail → bezahlte Anzeigen → Conversion = die organische Suche bekommt 100 %.
Vorteil: begünstigt Kanäle für Aufmerksamkeit, leicht umzusetzen. Nachteil: ignoriert die Rollen von Pflege und Abschluss und überbewertet frühe Kontakte.
Lineare Attribution
Der Erfolg wird gleichmäßig auf alle Kontakte verteilt. Beispiel: organische Suche → E-Mail → bezahlte Anzeigen → Conversion = jeder bekommt 33 %.
Vorteil: fair gegenüber allen Kanälen, berücksichtigt mehrere Kontakte. Nachteil: berücksichtigt nicht, welche Kontakte am wichtigsten sind.
Time-Decay-Attribution
Neuere Kontakte bekommen mehr Anteil als ältere. Beispiel: organische Suche (vor 30 Tagen) bekommt 20 %, E-Mail (vor 10 Tagen) 30 %, bezahlte Anzeigen (vor 1 Tag) 50 %. Zusammen 100 %.
Vorteil: realistisch (neuere Kontakte wirken meist am stärksten), gleicht Aufmerksamkeit und Conversion aus. Nachteil: aufwendiger umzusetzen.
Individuelle und algorithmische Attribution
Der Erfolg wird anhand historischer Daten verteilt. Maschinelles Lernen findet heraus, welche Kontakte eine Conversion am besten vorhersagen. Beispiel: Die Daten zeigen, dass die Conversion-Rate um 15 % höher ist, wenn E-Mail in der Abfolge vorkommt. E-Mail bekommt zusätzlichen Anteil.
Vorteil: am genauesten, berücksichtigt Wechselwirkungen. Nachteil: braucht Daten und technisches Know-how.
Ein Attributionsmodell auswählen
Frühe Phase (du fängst gerade an): nimm Last-Click. Einfach und sofort umsetzbar. Es unterschätzt Aufmerksamkeit, ist aber ein guter Start.
Wachsendes Unternehmen: nimm Time-Decay. Genauer als Last-Click, berücksichtigt mehrere Kontakte und ist relativ einfach.
Etabliertes Unternehmen: nimm ein individuelles oder algorithmisches Modell. Du hast genug Daten und ein Team, das fortgeschrittene Modelle umsetzen kann.
Bewährte Praxis: verfolge mehrere Modelle gleichzeitig. Berichte der Geschäftsführung Last-Click (einfach), nutze Time-Decay für die Strategie (ausgewogen) und First-Click für Kennzahlen zur Aufmerksamkeit. So bekommst du ein vollständiges Bild.
Attributionsmodelle umsetzen
Schritt 1: Wähle dein Modell. Starte mit Time-Decay, sofern du keinen Grund für etwas anderes hast.
Schritt 2: Lege dein Attributionsfenster fest. Wie viele Tage vor der Conversion verfolgst du Kontakte? 7, 14, 30, 90? Nimm 30 als Standard.
Schritt 3: Richte es in deinem Analytics-Tool ein. Die meisten Tools unterstützen mehrere Attributionsmodelle. Google Analytics und die meisten Produkt-Analytics-Plattformen haben native Unterstützung.
Schritt 4: Vergleiche die Modelle. Lass alle Modelle auf deine Daten laufen und vergleiche die Ergebnisse. Wo weichen sie ab? Ändert das deine Strategie? Wenn verschiedene Modelle unterschiedliche Kanalprioritäten nahelegen, geh der Ursache auf den Grund.
Herausforderungen bei der kanalübergreifenden Attribution
Kanal-Kannibalisierung: Wenn du für dasselbe Keyword organische und bezahlte Suche betreibst, welcher Kanal bekommt den Erfolg? Beide können die Conversion für sich beanspruchen. Lösung: Lege klare Regeln fest (erster Klick = organisch, letzter Klick = bezahlt) und wende sie konsequent an.
Fehlende Daten: Offline-Kontakte (Telefonate, persönliche Treffen) werden in den Analysen nicht erfasst. Lösung: Importiere Offline-Conversions in die Analysen, wenn es möglich ist. Akzeptiere, dass bei manchen Conversions Attributionsdaten fehlen.
Datenschutz und Tracking-Grenzen: Datenschutzänderungen bei iOS, Werbeblocker und Datenschutz-Tools schränken das Tracking ein. Manche Nutzerwege sind nur teilweise sichtbar. Lösung: Nutze wo möglich First-Party-Daten und weise in deinen Berichten auf die Grenzen des Trackings hin.
Welches Attributionsmodell sollte ich für mein Unternehmen nutzen?
Time-Decay ist für die meisten Unternehmen der beste Standard. Ist dein Verkaufszyklus kurz (1 bis 2 Tage), nimm Last-Click. Ist er lang (30 Tage und mehr), nimm First-Click oder linear. Teste deine drei wichtigsten Modelle einen Monat lang und schau, ob sich die Empfehlungen ändern. Wenn nicht, bleib beim einfachsten (Last-Click). Wenn ja, nimm das Modell, das zu deinem Geschäft am besten passt.
Wie erkläre ich Attributionsmodelle Kolleginnen und Kollegen ohne technischen Hintergrund?
Nimm ein Beispiel: „Drei Personen haben geholfen, einen Auftrag über 10.000 $ abzuschließen: Person A hat uns vorgestellt (Aufmerksamkeit), Person B hat Fragen beantwortet (Abwägung), Person C hat den Vertrag unterschrieben (Entscheidung). Last-Click gibt Person C alle 10.000 $ (unfair). First-Click gibt alles Person A (ignoriert B und C). Time-Decay gibt A 20 %, B 30 % und C 50 % (realistisch).“ Damit erklärst du, warum Time-Decay fairer ist.
Soll ich für verschiedene Kanäle verschiedene Attributionsmodelle nutzen?
Nein, bleib bei einem Modell für alle Kanäle, damit sie vergleichbar sind. Unterschiedliche Modelle für unterschiedliche Kanäle führen zu Widersprüchen. Nutze ein Modell konsequent und analysiere innerhalb dieses Modells: Rolle der organischen Suche gegenüber der Rolle von E-Mail und so weiter. Brauchst du für verschiedene Zwecke verschiedene Modelle, führe sie getrennt aus (Berichte und Strategie) und mische sie nicht.
Wie passe ich mein Attributionsmodell an, wenn sich mein Verkaufszyklus ändert?
Analysiere deine Daten neu: Wie lang ist der durchschnittliche Verkaufszyklus? Ist er von 15 auf 45 Tage gestiegen, schneidet dein 30-Tage-Fenster womöglich wichtige Kontakte ab. Stelle auf 45 bis 60 Tage um, wiederhole die Analyse und prüfe, ob sich die Kanalprioritäten ändern. Passe dein Modell an und dokumentiere die Änderung.
Kann ich mit Attributionsdaten vorhersagen, welche Kampagnen erfolgreich werden?
Teilweise. Die bisherige Attribution zeigt, welche Kanalkombinationen funktionieren. Kamen erfolgreiche Kunden über organisch → E-Mail → bezahlt, sind neue Kampagnen mit diesem Muster wahrscheinlich erfolgreich. Nutze das als Hypothese: Investiere in diese Abfolgen. Aber jede Kampagne ist anders. Teste und miss, statt dich nur auf frühere Muster zu verlassen.
Wie gehe ich in meinem Attributionsmodell mit Offline-Conversions um?
Importiere Offline-Daten in die Analysen: Telefonate, persönliche Treffen, unterschriebene Verträge. Ordne sie über die Kunden-ID (E-Mail, Telefon oder Name) den Web-Sitzungen zu. Die Online-Kontakte erscheinen in der Attribution, die Offline-Conversions sind das Ergebnis. So entsteht ein vollständigeres Bild. Hinweis: Offline-Attribution ist schwieriger, konzentriere dich zuerst auf die größten Offline-Abschlüsse.