Attributionsmodelle: Welcher Kanal bekommt die Conversion?

Was Attributionsmodelle leisten

Eine Person sieht eine Anzeige in einem sozialen Netzwerk, liest Tage später deinen Newsletter, findet dich über die organische Suche wieder und kauft schließlich nach einem Klick auf eine Suchanzeige. Welcher dieser Kontakte bekommt die Conversion? Genau diese Frage beantworten Attributionsmodelle: Sie ordnen einen definierten Erfolg einem oder mehreren Marketingkontakten zu.

Diese Zuordnung ist keine Beobachtung einer Ursache, sondern eine Regel, mit der vorhandene Kontakt- und Conversion-Daten ausgewertet werden. Ein Modell, das nur den letzten Kontakt bewertet, zeichnet deshalb ein anderes Bild als eines, das alle erfassten Kontakte berücksichtigt. Attribution macht Berichte nachvollziehbarer und zeigt, welche Rolle Kanäle im erfassten Verlauf spielen. Dass ein Kanal einen Kauf ausgelöst hat, kann sie allein nicht beweisen.

Die regelbasierten Modelle

Regelbasierte Modelle verteilen den Wert nach einer festen Vorschrift. Keines ist für jeden Zweck das richtige.

Last Click

Der letzte erfasste Kontakt vor der Conversion erhält den gesamten Wert. Das Modell ist leicht zu verstehen und zeigt, welcher Kanal den Abschluss unmittelbar begleitet hat. Seine Schwäche: Frühere Kontakte verschwinden. Der Beitrag oder die Anzeige, die zuerst Interesse geweckt hat, taucht im Bericht nicht auf.

First Click

Der erste erfasste Kontakt erhält alles. So erkennst du Kanäle, die häufig den ersten Besuch vermitteln. Spätere Kontakte zählen dafür gar nicht. Auch hier gilt: Das Modell erzählt einen Ausschnitt, es sagt nicht, dass der erste Kontakt die Conversion allein verursacht hat.

Linear

Alle erfassten Kontakte erhalten denselben Anteil. Das wirkt ausgewogen, unterstellt aber, dass jeder Kontakt gleich viel beigetragen hat. In der Praxis schafft ein Kontakt eher Aufmerksamkeit, ein anderer liefert Informationen, ein dritter erleichtert den Abschluss.

Positionsbasiert

Bestimmte Stellen im Verlauf werden stärker gewichtet, meist der erste und der letzte Kontakt; die Kontakte dazwischen teilen sich den Rest. Einstieg und Abschluss werden sichtbar, ohne dass die Zwischenkontakte ganz verschwinden. Die Gewichtung ist allerdings eine gesetzte Annahme und wird nicht dadurch objektiv, dass mehrere Kontakte vorkommen.

Zeitverfall

Kontakte kurz vor dem Abschluss erhalten mehr Wert als weiter zurückliegende. Das kann für kurze Kaufentscheidungen plausibel sein. Bei langen Entscheidungsphasen bleibt ein früher Kontakt aber oft wichtig. Prüfe, ob die zeitliche Gewichtung zu deinem tatsächlichen Ablauf passt.

Ein Verlauf, fünf Ergebnisse

Wie stark sich die Modelle unterscheiden, zeigt ein durchgerechnetes Beispiel. Der Verlauf ist ausgedacht: vier Kontakte vor einer Conversion im Wert von 100 Euro. Für die positionsbasierte Regel nimmt das Beispiel je 40 % für den ersten und letzten Kontakt an, für den Zeitverfall, dass jeder Kontakt doppelt so viel zählt wie der davor. Beides sind Annahmen für die Veranschaulichung.

# Ausgedachter Verlauf: vier Kontakte vor einer Conversion im Wert von 100 Euro
kontakte = ["Social", "Newsletter", "Organisch", "Suchanzeige"]
wert = 100.0

def last_click(k):
    return [0.0] * (len(k) - 1) + [1.0]

def first_click(k):
    return [1.0] + [0.0] * (len(k) - 1)

def linear(k):
    return [1 / len(k)] * len(k)

def positionsbasiert(k, rand=0.4):
    # Annahme für das Beispiel: je 40 % für ersten und letzten Kontakt, Rest gleichmäßig verteilt
    mitte = (1 - 2 * rand) / (len(k) - 2)
    return [rand] + [mitte] * (len(k) - 2) + [rand]

def zeitverfall(k):
    # Annahme für das Beispiel: Jeder Kontakt zählt doppelt so viel wie der davor
    gewichte = [2 ** i for i in range(len(k))]
    return [g / sum(gewichte) for g in gewichte]

modelle = {
    "Last Click": last_click,
    "First Click": first_click,
    "Linear": linear,
    "Positionsbasiert": positionsbasiert,
    "Zeitverfall": zeitverfall,
}

print(f"{'Modell':<17}" + "".join(f"{name:>13}" for name in kontakte))
for name, modell in modelle.items():
    anteile = modell(kontakte)
    print(f"{name:<17}" + "".join(f"{a * wert:>13.2f}" for a in anteile))

Ausgabe:

Modell                  Social   Newsletter    Organisch  Suchanzeige
Last Click                0.00         0.00         0.00       100.00
First Click             100.00         0.00         0.00         0.00
Linear                   25.00        25.00        25.00        25.00
Positionsbasiert         40.00        10.00        10.00        40.00
Zeitverfall               6.67        13.33        26.67        53.33

Der Social-Kontakt bekommt je nach Regel 0, 6,67, 25, 40 oder 100 Euro zugeschrieben, obwohl sich an der Customer Journey nichts geändert hat. Genau deshalb ist ein Kanalwert ohne Angabe des Modells kaum zu interpretieren. Ob die Kontakte überhaupt richtig ihren Kanälen zugeordnet sind, hängt an einer sauberen Kennzeichnung, etwa mit UTM-Parametern.

Datengetriebene Attribution

Datengetriebene Modelle berechnen die Anteile aus den Interaktions- und Conversion-Daten selbst, statt einer festen Regel zu folgen. Laut Google-Analytics-Hilfe verteilt die datengetriebene Attribution in GA4 den Wert eines Key Events auf Basis der Daten für das jeweilige Key Event; die Google-Ads-Hilfe beschreibt sie entsprechend: Der Wert wird anhand der bisherigen Daten der jeweiligen Conversion-Aktion verteilt. Wie genau gerechnet wird, ist von außen nur begrenzt einsehbar.

Auch ein datengetriebenes Ergebnis hängt von der Datenqualität ab. Fehlen wichtige Kontakte oder sind nur bestimmte Verläufe messbar, ist das Ergebnis verzerrt. Die Bezeichnung „datengetrieben" ist kein Beleg dafür, dass eine Zuordnung kausal oder vollständig ist.

Was GA4 und Google Ads heute anbieten

Wer in älteren Anleitungen liest, GA4 biete alle oben genannten Modelle an, liest einen veralteten Stand. Nach der Google-Analytics-Hilfe gibt es in den Attributionsberichten von GA4 drei Modelle: datengetrieben, „Paid and organic last click" und „Google paid channels last click". First Click, linear, Zeitverfall und positionsbasiert sind seit November 2023 nicht mehr verfügbar. Google Ads unterstützt nach der eigenen Hilfe nur noch Last Click und datengetrieben; Conversion-Aktionen mit den entfernten Modellen wurden auf datengetriebene Attribution umgestellt (Stand: November 2026).

Die regelbasierten Modelle bleiben trotzdem nützlich: als Denkwerkzeug und für eigene Auswertungen, etwa mit einem Skript wie oben auf exportierten Daten.

Wie du ein Modell auswählst

Beginne mit der Frage, welche Entscheidung der Bericht stützen soll. Willst du den Kontakt vor dem Abschluss sehen, den ersten Zugang erkennen oder die ganze erfasste Kontaktfolge betrachten? Danach richtet sich die Perspektive.

• Zweck: Welche konkrete Frage beantwortet der Bericht?
• Kontaktverlauf: Haben Nutzer meist einen oder mehrere messbare Kontakte vor der Conversion?
• Datenbasis: Welche Kanäle und Interaktionen werden tatsächlich erfasst?
• Nachvollziehbarkeit: Kannst du die Regel im Team erklären?
• Vergleichbarkeit: Ist dokumentiert, ab wann welches Modell gilt?

Oft hilft es mehr, zwei Modelle nebeneinanderzulegen, als einem einzigen zu glauben. Erscheint ein Kanal bei First Click stark und bei Last Click schwach, spielt er im erfassten Verlauf eher eine Einstiegsrolle. Über seinen tatsächlichen Wert sagt das noch nichts. Welche Kennzahlen du dafür überhaupt betrachtest, klärt der Artikel zu Marketing-KPIs.

Daten und technische Umsetzung

Ein Modell kann nur mit den Daten arbeiten, die ihm vorliegen. Du brauchst mindestens eine klare Conversion-Definition, Zeitstempel für Kontakte und Abschlüsse und eine Regel, nach der Kontakte zu einem Verlauf zusammengeführt werden. Kanalbezeichnungen müssen einheitlich sein: Erscheint derselbe Ursprung mal als „Newsletter", mal als „E-Mail" und mal als nicht zugeordnet, sind Berichte kaum vergleichbar.

Eine eigene Auswertung lässt sich in drei Schritte teilen:

1. Kontakte und Conversions in eine einheitliche Datenstruktur bringen.
2. Kontakte nach einer festgelegten Regel einem Conversion-Verlauf zuordnen.
3. Den zugeschriebenen Wert je Kanal summieren und die verwendete Regel im Bericht nennen.

Welche Daten du dafür rechtmäßig erheben darfst, hängt vom Einsatz ab; das ist eine Rechtsfrage, die dieser Artikel nicht beantwortet. Wie sich die Datenerhebung technisch verlagern lässt und was sich dadurch nicht ändert, beschreibt der Artikel zu Server-Side-Tracking.

Grenzen der Attribution

Attribution verteilt zugeschriebenen Wert, nicht verursachte Wirkung. Taucht ein Kanal häufig kurz vor der Conversion auf, kann das an seiner Rolle beim Abschluss liegen, oder daran, dass Menschen mit fester Kaufabsicht gezielt über diesen Kanal zurückkehren.

Das Modell kennt zudem nur die Kontakte, die erfasst und miteinander verbunden wurden. Gespräche, Empfehlungen, Kontakte mit Medien, die sich nicht messen lassen, und Gerätewechsel fehlen. Kontakte ohne Einwilligung oder aus einem anderen Browser erscheinen als eigener Verlauf oder gar nicht. Solche Lücken beseitigt kein Modellwechsel. Wo Besucher innerhalb deiner eigenen Website aussteigen, beantwortet ohnehin eine andere Methode, die Funnel-Analyse.

Wichtig: Wenn du wissen musst, ob ein Kanal tatsächlich zusätzliche Conversions bringt, reicht Attribution nicht. Dafür braucht es Methoden, die eine Vergleichsgruppe ohne den Kanal betrachten.

Dein nächster Schritt

Exportiere die Kontaktverläufe einiger Conversions aus deinem Analysewerkzeug und rechne sie mit dem Skript oben nach Last Click und linear durch. Notiere, welche Kanäle sich zwischen den beiden Modellen am stärksten verschieben: Das sind die Kanäle, über deren Rolle du im Team sprechen solltest, bevor du Budgets verschiebst. Weitere Artikel zum Messen findest du im Ressort Online-Marketing.