Marketing-Attribution: Modelle, Grenzen der Messung und Inkrementalitätstests
Attribution ordnet Verkäufe Marketingkanälen zu, doch kein Modell zeigt vollständig, welche Maßnahmen den Absatz tatsächlich gesteigert haben. Der Beitrag vergleicht Messansätze, beschreibt ihre Grenzen, rechnet ein Beispiel für einen Inkrementalitätstest durch und zeigt, wie sich Methoden bei Budgetentscheidungen kombinieren lassen.
Beträge und Werte in den Beispielen sind illustrativ und zeigen den Rechenweg. In Projekten arbeiten wir mit den Daten des Kunden.
Dominik Dębski · Lemur Media · · Lesezeit: 4 Min.
Geprüft von Dominik Dębski, 1.11.2026
Was ist Marketing-Attribution?
Marketing-Attribution (Marketing Attribution) ist die Zuordnung einer Conversion, z. B. eines Kaufs oder einer Angebotsanfrage, zu den Marketing-Kontaktpunkten eines Kunden nach einer festgelegten Regel oder einem Modell. In Google Analytics 4 stehen drei Modelle zur Verfügung: datengetriebene Attribution (Data-driven Attribution), letzter Klick bezahlt und organisch sowie letzter Klick in bezahlten Google-Kanälen. Die regelbasierten Modelle wie erster Klick, linear, zeitbasiert (Time Decay) und positionsbasiert hat Google im November 2023 eingestellt. Das datengetriebene Modell vergleicht Pfade mit und ohne Conversion, um den Beitrag einzelner Interaktionen zu schätzen. Attribution beschreibt somit Korrelation in Pfaddaten und beantwortet nicht die Frage nach der Kausalität.
Welche Messansätze gibt es?
Unternehmen kombinieren vier Ansätze: regelbasierte Attribution, datengetriebene Attribution, Inkrementalitätstests und Marketing-Mix-Modellierung. Sie unterscheiden sich darin, was sie messen und welche Daten sie benötigen.
| Ansatz | Was gemessen wird | Grenzen |
|---|---|---|
| Letzter Klick | Der Kanal unmittelbar vor der Conversion | Unterschätzt Kanäle, die Nachfrage aufbauen |
| Datengetriebenes Modell | Anteil der Touchpoints auf Basis der Conversion-Pfade | Sieht nur gemessene Touchpoints; abhängig von Einwilligungen und Nutzeridentifikation |
| Inkrementalitätstests | Umsatzdifferenz zwischen einer Gruppe mit Maßnahme und einer Kontrollgruppe | Erfordern Größe und Zeit; messen jeweils nur eine Maßnahme |
| Marketing-Mix-Modellierung (MMM) | Einfluss der Kanäle auf den Umsatz auf Basis über die Zeit aggregierter Daten | Erfordert eine lange Datenhistorie; liefert Ergebnisse auf Kanalebene |
Ein Beispiel für ein MMM-Werkzeug ist Meridian, ein von Google bereitgestelltes Open-Source-Modell, das Ergebnisse geografischer Experimente als Vorannahmen (Priors) nutzen kann.
Wie sieht ein durchgerechneter Inkrementalitätstest aus?
Ein Inkrementalitätstest vergleicht den Umsatz in einer Gruppe, in der die Maßnahme läuft, mit einer Gruppe, in der sie abgeschaltet wurde, und teilt den Zuwachs durch die der Maßnahme in der Attribution zugeordneten Conversions. Beispiel: eine Kampagne auf Suchanfragen mit dem Markennamen, für 4 Wochen in Testregionen abgeschaltet, deren Nutzerzahl der der Kontrollregionen entspricht.
| Komponente | Wert |
|---|---|
| Conversions in den Kontrollregionen (Kampagne aktiv) | 1 000 |
| Conversions in den Testregionen (Kampagne abgeschaltet) | 940 |
| Inkrementelle Conversions | 60 (6,0%) |
| Der Kampagne in der Attribution zugeordnete Conversions (Kontrollregionen) | 300 |
| Inkrementalitätsfaktor | 0,20 |
| Kampagnenkosten in den Kontrollregionen | 30.000 PLN |
| Kosten pro Conversion laut Attribution | 100 PLN |
| Kosten pro inkrementeller Conversion | 500 PLN |
Die Attribution ordnet der Kampagne 300 Conversions zu, aber nur 60 davon wären ohne sie nicht zustande gekommen. Die tatsächlichen Kosten pro Conversion sind 5-mal höher als im Bericht. Der Faktor 0,20 dient bis zum nächsten Test zur Korrektur der Berichte dieser Kampagne.
Wie kombiniert man Methoden bei Budgetentscheidungen?
Attribution dient der laufenden Optimierung innerhalb eines Kanals, Inkrementalitätstests der Kalibrierung der größten Budgetposten und MMM der Budgetverteilung zwischen den Kanälen.
- Attribution für die laufende Kampagnenoptimierung innerhalb eines Kanals.
- Inkrementalitätstests, z. B. das Abschalten von Kampagnen in ausgewählten Regionen, für die größten Budgetposten ein- bis zweimal pro Jahr.
- Korrektur der in Berichten verwendeten Faktoren auf Basis der Testergebnisse.
- Bei großen Budgets und langer Datenhistorie: MMM zur Budgetverteilung zwischen den Kanälen, kalibriert mit Testergebnissen.
Womit sollten Sie beginnen?
Die Arbeit beginnt mit einem Inkrementalitätstest für den Budgetposten, bei dem das Team am unsichersten ist, und mit der Bereinigung der Conversion-Daten im CRM. Das Testergebnis führt meist zu einer konkreten Entscheidung über eine Budgetverschiebung und zeigt, wie weit man den Attributionsdaten vertrauen kann. Vor dem Test werden Hypothese, Testdauer, Regionsaufteilung und die Mindestdifferenz festgehalten, die eine Budgetänderung rechtfertigt. Parallel werden Kampagnendaten mit den Vertriebsergebnissen im CRM verknüpft, denn im B2B-Vertrieb ist die Conversion ein unterschriebener Vertrag, und ein Kontaktformular ist erst der erste Schritt.
Welche typischen Fehler und Grenzen gibt es?
Der häufigste Fehler besteht darin, den Attributionsanteil als Maß für den Einfluss eines Kanals auf den Umsatz zu behandeln. Kampagnen auf Suchanfragen mit dem Markennamen erhalten meist einen hohen Anteil, obwohl ein Teil der Kunden auch ohne Anzeige gekauft hätte. Fehlende Messeinwilligungen bei einem Teil der Nutzer, die Nutzung mehrerer Geräte und Offline-Verkäufe verursachen Datenlücken.
- Vergleich von Kanälen anhand der Kosten pro Conversion aus der Attribution ohne Korrektur um die Inkrementalität.
- Zu kurze Tests oder Tests mit zu kleinen Gruppen, deren Ergebnis innerhalb der üblichen Umsatzschwankungen liegt.
- Wechsel des Attributionsmodells ohne Hinweis in den Berichten, was Periodenvergleiche verfälscht.
- Vernachlässigung der vom Vertrieb abgeschlossenen Verkäufe, wenn das CRM nicht mit den Kampagnendaten verknüpft ist.