Marketing Attribution: Welches Modell passt zu Ihrem Unternehmen?

Jedes Attributionsmodell hat einen Haken. Last-Click bläht Branded Search auf. First-Click ignoriert alles, was den Abschluss tatsächlich herbeiführt. Und alle Modelle versagen still, sobald ein Nutzer Ihren Cookie-Banner ablehnt.

Wir haben Tracking-Setups in Dutzenden von Unternehmen auditiert. Das Muster ist fast immer dasselbe: Google Ads meldet 40 % mehr Conversions als GA4, das CRM erzählt eine dritte Geschichte, und Budgetentscheidungen werden auf Basis der Zahl getroffen, die gerade am besten passt. Dieser Leitfaden räumt damit auf.

Die fünf Standard-Modelle – nach Nutzen bewertet

Last-Click

100 % der Conversion-Gutschrift gehen an den letzten Touchpoint vor dem Kauf. Das ist der Google-Ads-Standard – und gleichzeitig der schnellste Weg, systematisch zu viel in Branded Search zu investieren, während alle Kanäle verhungern, die vorher Aufmerksamkeit aufgebaut haben.

Sinnvoll nur, wenn Ihr gesamter Funnel aus einem einzigen, impulsgetriebenen Schritt besteht. Also: fast nie.

First-Click

Die gesamte Gutschrift geht an den ersten Touchpoint. Nützlich, um zu verstehen, was initiale Aufmerksamkeit erzeugt – aber eine schlechte Grundlage für Budgetentscheidungen. First-Click für die Budgetplanung zu nutzen ist so, als würde man dem Buchhalter den Abschluss gutschreiben, weil er am ersten Tag im Gebäude war.

Linear

Die Gutschrift wird gleichmäßig auf alle Touchpoints verteilt. Ein vernünftiger Ausgangspunkt, wenn man noch keine Ahnung hat, wie die Customer Journey aussieht – aber „alles gleich behandeln" ist nur eine andere Art zu sagen, dass man noch nicht weiß, was wirklich zählt.

Time-Decay

Touchpoints näher an der Conversion erhalten mehr Gewicht. Besser geeignet für Subscription-Unternehmen mit kurzen Trial-to-Paid-Zyklen. Aber Vorsicht: Aktualität ist nicht dasselbe wie Kausalität.

Positionsbasiert (U-förmig)

40 % für den ersten Touchpoint, 40 % für den letzten, 20 % verteilt auf die Zwischenschritte. Ein pragmatischer Kompromiss, wenn sowohl die Akquisitionsquelle als auch der abschließende Kanal relevant sind. Besonders im B2B-Bereich ist dies ein vernünftiger Ausgangspunkt.

Datengetrieben (Data-Driven)

Maschinelles Lernen verteilt die Gutschriften auf Basis tatsächlicher Conversion-Pfade – das genaueste regelbasierte Modell, vorausgesetzt man hat ausreichend Volumen (Google empfiehlt 300+ Conversions/Monat). Darunter füttert man Rauschen in eine Black Box und nennt es Wissenschaft.

Das Problem, das niemand ansprechen will

Alle diese Modelle versagen in dem Moment, in dem Nutzer nicht mehr vollständig trackbar sind. Und 2026 sind die meisten Nutzer nicht vollständig trackbar.

Die Datenschutz-Ebene

Lehnt ein Nutzer die Einwilligung ab, feuert kein Pixel. GA4 erfasst nichts. Google Ads meldet nichts. Die Conversion hat trotzdem stattgefunden – man weiß nur nicht, welcher Kanal sie ausgelöst hat.

Consent Mode v2 führt modellierte Conversions ein, um diese Lücke teilweise zu schließen. Googles Algorithmus schätzt Conversions für nicht zustimmende Nutzer auf Basis der Muster derer, die zugestimmt haben. Das ist besser als nichts. Es ist nicht dasselbe wie echte Daten.

Server-Side GTM ist die Grundlage

Wer noch rein client-seitiges Tracking betreibt, baut sein Attributionsmodell auf einem Fundament fehlender Events auf. Ad-Blocker, Safaris ITP und Consent-Unterdrückung fressen client-seitige Tags. Server-Side GTM verlagert die Event-Erfassung auf Server-zu-Server-Basis und umgeht damit die meisten dieser Lücken – bei gleichzeitig besserer Datenqualität für GA4, Facebook CAPI und CRM-Syncs.

Das ist keine fortgeschrittene Infrastruktur. Es ist das Mindestmaß, das ein verlässliches Attributionsmodell braucht.

Die Diskrepanz zwischen Google Ads und GA4

Google Ads nutzt standardmäßig View-Through-Conversions, ein anderes Attributionsfenster als GA4 und modellierte Daten, die kein passendes GA4-Event erzeugen. Das Ergebnis: Ein Team, das seine Optimierung auf Google-Ads-Zahlen aufbaut, verfolgt eine Kennzahl, die nicht mit dem übereinstimmt, was tatsächlich passiert ist. Beide Quellen – und das CRM – müssen abgeglichen werden, bevor ein Modell darauf aufgebaut wird.

Marketing Mix Modeling vs. Attribution: Wann welches Modell?

Die meisten Unternehmen ignorieren diesen Unterschied, bis sie über 500.000 € pro Monat ausgeben. Das sollte man nicht abwarten.

Was ist MMM?

Marketing Mix Modeling ist ein regressionsbasiertes Verfahren, das den inkrementellen Umsatzbeitrag jedes Kanals anhand aggregierter historischer Daten misst – ohne User-Level-Tracking, ohne Cookies. Es arbeitet auf Makroebene: Gesamtausgaben in Kanal X, Gesamtumsatz in Zeitraum Y, bereinigt um Saisonalität und externe Faktoren.

Der ehrliche Vergleich

Attribution nutzt man für taktische Entscheidungen – welche Anzeige skalieren, auf welches Keyword bieten. Sie beantwortet: Welche Touchpoints haben die Nutzer, die konvertiert sind, berührt?

MMM nutzt man für strategische Budgetallokation, besonders bei Offline-Ausgaben, hohen DSGVO-Märkten oder Brand-Kampagnen mit mehrmonatiger Wirkung. Sie beantwortet: Was passiert mit dem Umsatz, wenn wir 10.000 € von Paid Search zu Paid Social verschieben?

Unter 100.000 € monatlichem Marketingbudget? Ein sauberes Attribution-Setup mit Server-Side Tracking genügt. Darüber – insbesondere in Subscription-Unternehmen, wo der LTV je nach Kanal stark variiert – braucht man beides.

B2B-Attribution: Eine andere Liga

Standard-Modelle sind für kurze Kaufzyklen konzipiert. Ein B2B-Unternehmen mit 90-tägigem Verkaufszyklus, sechs Entscheidungsträgern und einer Mischung aus LinkedIn, Webinaren, SDR-Outreach und Paid Search wird durch ein Modell, das den letzten Klick vor einem Formular auswertet, schlecht bedient.

Das Multi-Stakeholder-Problem

Der CMO liest einen LinkedIn-Artikel. Der IT-Leiter findet die Preisseite über organische Suche. Der wirtschaftliche Entscheider klickt am Tag vor der Demo auf eine Retargeting-Anzeige. Last-Click schreibt der Retargeting-Anzeige den Erfolg zu. LinkedIn geht leer aus. Das Team kürzt LinkedIn-Budget. Sechs Monate später bricht die Pipeline ein.

Was wirklich funktioniert

Account-basierte Attribution: Touchpoints werden auf Account-Ebene erfasst, nicht auf Einzelpersonenebene, und mit CRM-Deal-Stages verknüpft. In der Praxis bedeutet das, GA4- und Ad-Plattform-Daten in BigQuery mit dem CRM zusammenzuführen – und Kohorten-Analysen zu erstellen, die zeigen, welche Kanalkombi­nationen mit schnelleren Verkaufszyklen und höheren Vertragswerten korrelieren.

Wie Sie Ihr Modell wählen und aufbauen

Schritt 1: Zuerst das Tracking-Fundament reparieren

Kein Modell ist genauer als die Daten, die es speisen. Bevor Sie ein Modell wählen, sollten Sie sicherstellen: Server-Side GTM ist im Einsatz, Consent Mode v2 ist korrekt konfiguriert, GA4- und Google-Ads-Conversion-Aktionen sind abgeglichen, und CRM-Events feuern sauber. Ein anspruchsvolles Modell auf fehlerhafte Tracking-Daten aufzusetzen ist wie ein Präzisionsgerät an einer rissigen Wand zu kalibrieren.

Schritt 2: Die tatsächliche Customer Journey kartieren

Wie viele Touchpoints gehen einer Conversion typischerweise voraus? Wie lang ist die mediane Zeit von der ersten Berührung bis zum Kauf? Bei Subscription-Unternehmen sollte die Analyse über das Conversion-Event hinausgehen – bleiben Kunden aus bestimmten Kanälen länger, upgraden sie häufiger oder kündigen sie schon im zweiten Monat?

Hier wird SQL in BigQuery notwendig. Eine einzige Abfrage, die Akquisitionsquelle mit Subscription-Event-Daten verknüpft, verrät oft mehr als sechs Monate Dashboard-Beobachtung:

SELECT
  first_touch_source,
  COUNT(DISTINCT user_id)   AS customers,
  AVG(ltv_12_month)         AS avg_ltv_12m,
  AVG(months_to_churn)      AS avg_months_retained
FROM `project.analytics.customer_ltv`
WHERE acquisition_date BETWEEN '2024-01-01' AND '2024-12-31'
GROUP BY first_touch_source
ORDER BY avg_ltv_12m DESC

Schritt 3: Modell und Entscheidung aufeinander abstimmen

Schritt 4: Attribution mit LTV verknüpfen

Die meisten Attributionsmodelle enden beim Conversion-Event – und genau hier machen Subscription-Unternehmen ihre größten Fehler. Ein Kanal, der auf CAC-Basis teuer wirkt, kann hervorragend abschneiden, wenn er Kunden mit einer durchschnittlichen Lebensdauer von 24 Monaten akquiriert – gegenüber 8 Monaten beim „günstigeren" Kanal. Man kauft keine Conversions. Man kauft Umsatzströme.

LTV-Kohorten-Analysen nach Akquisitionskanal in BigQuery aufbauen. Sobald man LTV auf Kanal-Kohorten-Ebene modellieren kann, optimiert man nicht mehr für Conversions, sondern für Unternehmenswert.

Schritt 5: Eine einzige Datenquelle als Maßstab definieren

Die meisten Teams nehmen Google Ads als primäre Datenquelle, weil dort das Budget liegt. Das ist die falsche Wahl. Das CRM enthält echte Kunden – keine modellierten. Attributionsberichte sollten auf CRM-Daten aufgebaut werden, mit Ad-Plattform-Daten als Input – nicht umgekehrt.

Fehler, die echtes Geld kosten

• Optimierung auf View-Through-Conversions. Google Ads zählt diese standardmäßig – Nutzer, die eine Anzeige sahen, aber nie klickten, und später trotzdem konvertierten. Für die meisten Unternehmen bläst das den Display-ROI um das 3- bis 5-Fache auf. Gewichtung auf 0,1× setzen oder deaktivieren.
• Die Consent-Lücke ignorieren. In DSGVO-intensiven Märkten können 30–60 % der Conversions für das Modell unsichtbar sein. Prüfen Sie, welcher Anteil Ihres Google-Ads-Conversion-Volumens modelliert vs. gemessen ist, bevor Sie darauf basierend handeln.
• Gleiches Modell für Brand- und Performance-Kampagnen nutzen. Brand-Suche konvertiert unter jedem Modell gut – sie fängt bereits erzeugte Nachfrage ab. Das der Brand-Kampagne gutzuschreiben ist Zirkellogik. Die Analyse trennen.
• Attribution und LTV als getrennte Arbeitsbereiche behandeln. Jede Attributionsentscheidung hat nachgelagerte LTV-Konsequenzen. Die Verknüpfung von Anfang an im Datenmodell aufbauen.