Was ist Marketing Attribution?
Marketing Attribution ordnet einer beobachteten Conversion – etwa Kauf, Opportunity oder Vertrag – einen Teil ihres Werts den erfassten Touchpoints zu. Die Zuordnung folgt einer festen Regel oder einem statistischen Modell. Ändert sich das Modell, kann sich der Kredit pro Kanal ändern, obwohl dieselben Kunden dieselben Käufe getätigt haben.
Attribution beantwortet deshalb eine beschreibende Frage: Wie wird der messbare Conversion-Wert unter unseren Regeln verteilt? Sie beantwortet nicht automatisch die kausale Frage: Wie viel dieser Conversion wäre ohne den Kanal nicht entstanden? Kaufabsicht, organische Nachfrage und Selbstselektion können sowohl Touchpoint als auch Abschluss erklären.
Die Kennzahl ist dennoch nützlich. Sie macht Journey-Muster sichtbar, unterstützt operative Diagnose und schafft eine gemeinsame Sprache für Marketing und Revenue. Ihre Aussagekraft endet dort, wo Identität, Consent, Offline-Kontakte oder geschlossene Plattformen Teile der Journey verbergen.
Source-of-Truth-Vertrag
Vor der Modellwahl sollte das Team definieren, welche Conversion und welcher Wert verteilt werden. Ein stabiler Vertrag verhindert, dass eine Tracking- oder Modelländerung als Leistungsänderung erscheint.
Was wird gezählt?
Order, qualifizierte Opportunity, Closed Won, Zahlung oder Renewal. Statuswechsel, Storno und Duplikate folgen klaren Regeln.
Was wird verteilt?
Brutto- oder Nettoumsatz, ARR, Bruttogewinn oder Deckungsbeitrag – mit Währung, Steuern, Rabatten und Retouren.
Wer gehört zusammen?
Cookie, Login, E-Mail, Account oder Haushalt. Merge-Regeln und Grenzen für Cross-Device und mehrere Buying-Committee-Mitglieder.
Welche Kontakte zählen?
Lookback-Fenster, Zeitzone, Conversion-Zeitpunkt und Umgang mit Kontakten nach Opportunity-Erstellung.
Was ist ein Kontakt?
Klick, View, Session, Event, E-Mail, Partner oder Offline-Aktivität. Bot-, interner und nicht einwilligungsfähiger Traffic wird behandelt.
Was ist die Wahrheit?
CRM, Order- oder Billing-System liefert Conversion und Wert; Trackingquellen liefern Touchpoints, nicht jeweils einen neuen Umsatz.
Attributionsmodelle vergleichen
| Modell | Kreditregel | Nützliche Sicht | Messgrenze |
|---|---|---|---|
| First Touch | 100 % an ersten erfassten Touchpoint | Einstieg in die messbare Journey | Ignoriert spätere Kontakte und frühere nicht erfasste Nachfrage |
| Last Touch | 100 % an letzten erfassten Touchpoint | Abschlussnaher Kontakt | Bevorzugt Navigations-, Brand- und Retargeting-Touchpoints |
| Linear | Gleicher Anteil je erfasstem Touchpoint | Breite Journey-Präsenz | Behandelt jeden Kontakt unabhängig von Rolle und Qualität gleich |
| Time Decay | Spätere Kontakte erhalten regelbasiert mehr Kredit | Recency-orientierte Journey-Sicht | Zeitnähe ist keine Kausalität; Zerfallsrate ist eine Annahme |
| Positionsbasiert | Gewicht auf definierte Journey-Positionen | Bewusster First-/Middle-/Last-Kompromiss | Prozentgewichte sind eine Konvention, keine beobachtete Wirkung |
| Datengetrieben | Modellabhängige Gewichte aus beobachteten Daten | Flexible Muster innerhalb der verfügbaren Daten | Black Box, Drift, Datenlücken und Confounding bleiben möglich |
„Datengetrieben“ bedeutet nicht automatisch genauer oder kausal. Ein Modell kann nur aus den Identitäten, Touchpoints und Outcomes lernen, die im Datensatz vorhanden sind. Fehlen Offline-Empfehlungen oder nicht einwilligende Nutzer systematisch, kann ein komplexeres Modell die Lücke nicht wegmodellieren.
Eine Journey, fünf Verteilungen
Ein Account mit 12.000 € definiertem Vertragswert hat fünf erfasste Kontakte: LinkedIn-Anzeige, organischer Fachartikel, Webinar, Brand Search und direkter Besuch. Alle Modelle sehen dieselbe Conversion; nur die Kreditregel ändert sich.
| Modell | Organisch | Webinar | Brand Search | Direkt | |
|---|---|---|---|---|---|
| First Touch | 12.000 € | 0 € | 0 € | 0 € | 0 € |
| Last Touch | 0 € | 0 € | 0 € | 0 € | 12.000 € |
| Linear | 2.400 € | 2.400 € | 2.400 € | 2.400 € | 2.400 € |
| Time Decay, illustrativ | 600 € | 1.200 € | 2.400 € | 3.600 € | 4.200 € |
| Datengetrieben | Vom konkreten Modell und Datensatz bestimmt; keine feste Vorabverteilung | ||||
Die illustrative Time-Decay-Reihe verwendet 5, 10, 20, 30 und 35 % und ist keine Standardgewichtung. Keine Zeile beweist, dass ein Kanal seinen Kredit verursacht hat. Die Rechnung zeigt vielmehr, warum Modellwechsel nicht rückwirkend als Marketing-Performance-Änderung interpretiert werden dürfen.
Conversion-Wert einmal zählen
Interne Multi-Touch-Modelle können jeden Conversion-Wert auf insgesamt 100 % verteilen. Plattformreports lassen sich dagegen nicht einfach addieren: Jede Plattform kann dieselbe Order nach eigener Identität, eigenem Fenster und eigener View-through-Regel beanspruchen.
- Conversion deduplizieren: Stabilen Order-, Opportunity- oder Vertrags-Schlüssel aus dem führenden System verwenden.
- Wert normalisieren: Stornos, Retouren, Rabatte, Steuern, Wechselkurs und Status-Cutoff konsistent anwenden.
- Touchpoints verbinden: Identitätsregeln und Match-Qualität versionieren; unmatched nicht still löschen.
- Fenster anwenden: Kontakte nach dokumentiertem Lookback und Conversion-Zeitpunkt auswählen.
- Kredit verteilen: Modellversion speichern und Summe gegen Source-of-Truth-Wert prüfen.
- Differenzen erklären: Plattform- und interne Werte mit einer Bridge nach Fenster, View-through, Identity und Wertbasis reconciliieren.
Identität, Consent und Walled Gardens
Attribution beobachtet keine vollständige Customer Journey. Browser- und Betriebssystemschutz, verweigerte oder fehlende Einwilligung, Gerätewechsel, gelöschte Speicher, Offline-Kontakte und nicht integrierte Systeme führen zu Lücken. Diese Lücken sind häufig nicht zufällig und können Kanal- oder Segmentvergleiche verzerren.
- Consent: Nur zulässig erhobene Daten dürfen verarbeitet werden. Die technische Verfügbarkeit ersetzt keine Rechtsgrundlage oder gültige Einwilligung.
- Cross-Device und B2B-Identität: Ein Mensch nutzt mehrere Geräte; ein Account umfasst mehrere Menschen. Person- und Account-Journeys dürfen nicht unbemerkt vermischt werden.
- Attributionsfenster: Kurze Fenster verwerfen frühe Kontakte, lange Fenster erhöhen Überschneidung und hängen stärker von Identitätspersistenz ab.
- Walled Gardens: Plattformen sehen eigene Signale und veröffentlichen aggregierte oder modellierte Resultate. Definitionen sind nicht zwingend untereinander oder mit dem CRM vergleichbar.
- Server-seitige Messung: Kann First-Party-Daten zuverlässiger übertragen, rekonstruiert aber keine unbekannte Identität und schafft kein Gegenfaktum.
- Modellierte Conversions: Können Messlücken schätzen. Sie sollten als modelliert gekennzeichnet und nicht wie direkt beobachtete Events behandelt werden.
Änderungen an Consent-Rate, Tagging, Plattformlogik oder Identity Resolution gehören in ein Messänderungsprotokoll. Sonst kann eine bessere Match-Rate wie mehr Nachfrage aussehen, obwohl nur mehr von derselben Nachfrage sichtbar wurde.
Attribution und Incrementality trennen
Attribution verteilt Kredit unter beobachteten Kontakten. Incremental ROAS verwendet dagegen ein Test- oder Kontrollszenario, um zusätzlichen Umsatz oder Deckungsbeitrag zu schätzen. Ein Kanal kann viel Last-Touch-Kredit erhalten und dennoch geringen inkrementellen Lift haben, wenn kaufbereite Nutzer ihn ohnehin kurz vor Abschluss verwenden.
Auch Blended ROAS ist keine kausale Kennzahl. Er setzt Gesamtumsatz zum gesamten Ad Spend ins Verhältnis und kann als Reconciliation- oder Trendsicht dienen, ohne einzelnen Kanälen Kredit zuzuweisen. Attribution, Blended-Sicht und Experimente beantworten unterschiedliche Fragen und sollten nebeneinander statt gegeneinander verwendet werden.
Modell nach Entscheidung wählen
| Entscheidung | Primäre Sicht | Ergänzende Kontrolle |
|---|---|---|
| Welche erfassten Quellen starten Journeys? | First Touch mit stabilem Lookback | Unmatched-Rate und Brand-Nachfrage |
| Welche Kontakte liegen vor dem Abschluss? | Last Touch oder Time Decay | Journey-Länge und Self-Selection |
| Wie verteilen sich beobachtete Journeys? | Linear, positioniert oder datengetrieben | Modellvergleich und Datenabdeckung |
| Stimmt der gesamte Marketingtrend? | Blended-Sicht aus Finanz- und Spenddaten | Mix, Preis, Saisonalität und organische Nachfrage |
| Verursacht zusätzliches Budget mehr Wert? | Randomisierter Holdout oder geeignetes Geo-Design | iROAS, Unsicherheit und Spillover |
| Welche Quelle ist mit gewonnenem Umsatz verbunden? | Revenue Attribution mit CRM/Billing-Wert | Sales-Prozess, Account-Matching und Lags |
Ein guter Attributionsprozess veröffentlicht mehrere Modelle nicht als konkurrierende Wahrheiten, sondern als Sensitivität. Wenn eine Budgetempfehlung nur unter einem einzigen Kreditmodell gilt, ist sie modellabhängig. Das Team sollte dann zusätzliche Daten, ein Experiment oder eine kleinere reversible Entscheidung wählen.
Operativer Attribution-Workflow
- Entscheidung benennen: Awareness-Diagnose, Journey-Verständnis, Revenue-Zuordnung oder kausale Budgetfrage auseinanderhalten.
- Datenvertrag veröffentlichen: Conversion, Wert, Identität, Touchpoint, Fenster, Source of Truth und Modellversion festlegen.
- Qualität messen: Match-, Consent-, Unattributed-, Duplicate- und Storno-Rate nach Segment und Zeit beobachten.
- Reconciliieren: Gesamtwert und interne Kreditverteilung verbinden; Plattformabweichungen als Bridge erklären.
- Modelle vergleichen: First, Last und eine Multi-Touch-Sicht nebeneinander zeigen, um Modellrisiko sichtbar zu machen.
- Entscheidungsgrenze nennen: Dokumentieren, welche nicht beobachteten Kontakte oder Annahmen die Empfehlung ändern könnten.
- Kausalität testen: Große Budgetverschiebungen mit Holdout-, Geo- oder anderem geeignetem kausalem Design validieren.
Häufige Fragen
Was ist Marketing Attribution?
Marketing Attribution ist eine Regel oder ein Modell, das beobachteten Conversions oder ihrem Wert Kredit auf erfasste Marketing-Touchpoints verteilt. Das Ergebnis hängt von Identität, Datenquellen, Lookback-Fenster und Modell ab und beweist nicht, dass ein Touchpoint die Conversion verursacht hat.
Welches Attributionsmodell ist das beste?
Es gibt kein universell bestes Modell. First Touch eignet sich zur Sicht auf erfasste Einstiege, Last Touch zur Sicht auf abschlussnahe Kontakte, lineare oder Time-Decay-Modelle zur regelbasierten Journey-Verteilung. Datengetriebene Modelle können Muster flexibler gewichten, bleiben aber von Datenabdeckung und Modellannahmen abhängig.
Ist datengetriebene Attribution kausal?
Nicht automatisch. Ein datengetriebenes Modell kann statistische Zusammenhänge zwischen beobachteten Touchpoints und Conversions nutzen. Ohne geeignetes Experiment oder kausales Design kann es Selbstselektion, fehlende Touchpoints und bestehende Kaufabsicht nicht sicher von Werbewirkung trennen.
Warum unterscheiden sich Plattform- und interne Attributionswerte?
Plattformen und interne Systeme verwenden oft andere Identitäten, Zeitstempel, Lookback-Fenster, Conversion-Definitionen, Modellierungsverfahren und Regeln für View-through, Cross-Device, Stornos oder Währungen. Mehrere Plattformen können derselben Conversion jeweils Kredit geben.
Wie wirken Consent und technische Datenschutzgrenzen auf Attribution?
Fehlende Einwilligung, Browser- und Betriebssystemschutz, blockierte Speichermechanismen, Cross-Device-Nutzung und geschlossene Plattformen reduzieren die beobachtbare Journey. Server-seitige Daten können Datenqualität verbessern, ersetzen aber weder rechtliche Grundlage noch fehlende Identität oder ein kausales Gegenfaktum.
Was ist der Unterschied zwischen Attribution und Incrementality?
Attribution verteilt beobachteten Conversion-Kredit nach einer Regel oder einem Modell. Incrementality schätzt mit einem Test- oder Kontrollszenario, welcher zusätzliche Wert durch eine Maßnahme verursacht wurde. Attribution hilft bei Beschreibung und Diagnose; Incrementality adressiert die Kausalitätsfrage.