Marketing-Wirkung messen jenseits von Last-Click.

Die meisten Unternehmen verteilen ihr Marketingbudget auf Basis einer Zahl, die systematisch lügt: dem Last-Click. Wer auch immer den letzten Klick vor dem Kauf geliefert hat, bekommt den Umsatz zugeschrieben — und damit das Budget. Das belohnt regelmäßig die falschen Kanäle: die Google-Marken-Suche, die der Kunde ohnehin getätigt hätte, während die Anzeige, die ihn überhaupt erst auf das Produkt aufmerksam gemacht hat, leer ausgeht. Die Folge ist eine schleichende Fehlallokation, bei der gut sichtbare Abschlusskanäle überfinanziert und wirksame Erstkontakt-Kanäle ausgehungert werden. KI-gestützte Attribution verspricht, das zu korrigieren: datengetriebene Modelle, die den Beitrag jedes Touchpoints zur Kaufentscheidung schätzen. Das ist ein echter Fortschritt — aber Attribution bleibt eine Schätzung mit erheblichen Unsicherheiten, und manche Anbieter verkaufen Scheinpräzision. Dieser Beitrag erklärt, wie moderne Attribution funktioniert, was sie realistisch leisten kann, wo ihre Grenzen liegen und warum kein Modell die Frage nach der Kausalität vollständig beantwortet.

Warum Last-Click in die Irre führt.

Last-Click-Attribution schreibt den gesamten Umsatz dem letzten Berührungspunkt vor dem Kauf zu. Das Modell ist einfach, in jedem Analytics-Tool verfügbar — und genau deshalb so verbreitet. Sein Problem ist fundamental: Es ignoriert die gesamte Reise davor.

Eine typische Customer Journey hat mehrere Stationen: Ein Kunde sieht eine Social-Media-Anzeige, liest später einen Blogartikel, klickt eine Display-Werbung, sucht schließlich die Marke bei Google und kauft. Last-Click gibt der Marken-Suche hundert Prozent des Verdienstes — obwohl diese nur die Ernte war, nicht die Saat.

Die Konsequenz: Kanäle, die früh in der Journey wirken (Awareness, Interesse), werden systematisch unterbewertet, weil sie selten den letzten Klick liefern. Abschlussnahe Kanäle werden überbewertet. Wer Budget nach Last-Click steuert, kürzt tendenziell genau dort, wo Nachfrage entsteht, und gießt dort, wo sie nur noch eingesammelt wird.

Die Modelle im Überblick.

Zwischen dem simplen Last-Click und der idealen Wahrheit liegt eine Reihe von Ansätzen mit steigender Aussagekraft und steigendem Aufwand:

Datengetriebene Attribution und MMM ergänzen sich: Ersteres arbeitet auf Nutzerpfaden und ist gut für die Feinsteuerung digitaler Kanäle, Letzteres auf aggregierten Daten und robust gegen den Wegfall von Tracking. Der Goldstandard für echte Wirkung bleibt aber das Experiment — dazu gleich mehr.

Was datengetriebene Attribution konkret tut.

Datengetriebene Attribution nutzt maschinelles Lernen, um aus vielen beobachteten Customer Journeys zu lernen, welche Touchpoint-Kombinationen häufiger zum Kauf führen als andere. Anders als die starren Regelmodelle verteilt sie den Verdienst nicht nach fester Formel, sondern nach gelerntem Muster.

Vereinfacht gefragt: Wie verändert sich die Kaufwahrscheinlichkeit, wenn ein bestimmter Touchpoint in der Journey vorkommt — gegenüber vergleichbaren Journeys ohne ihn? Touchpoints, deren Anwesenheit die Abschlusswahrscheinlichkeit erhöht, bekommen mehr Gewicht.

Das ist deutlich ehrlicher als Last-Click, hat aber eine konzeptionelle Schwäche: Es misst Korrelation, nicht zwingend Kausalität. Ein Kanal, der oft in erfolgreichen Journeys auftaucht, ist nicht automatisch die Ursache des Erfolgs — er könnte auch nur dort sein, wo kaufbereite Kunden ohnehin sind. Diese Unterscheidung ist der Kern aller Attribution und der häufigste blinde Fleck.

Das Tracking-Problem als harte Grenze.

Jede pfadbasierte Attribution steht und fällt mit der Datengrundlage — und die ist in den letzten Jahren brüchiger geworden. Cookie-Einschränkungen, Tracking-Schutz in Browsern, Einwilligungspflichten und die wachsende Zahl an Geräten pro Person reißen Löcher in die Customer Journey.

Konkret heißt das: Ein erheblicher Teil der Touchpoints ist gar nicht sauber einem Nutzer zuzuordnen. Wer auf dem Handy eine Anzeige sieht und am Laptop kauft, erscheint oft als zwei verschiedene Personen. Die Journey, die das Modell sieht, ist lückenhaft — und ein Modell auf lückenhaften Pfaden zieht möglicherweise falsche Schlüsse.

Genau deshalb gewinnt Marketing-Mix-Modeling wieder an Bedeutung: Es arbeitet auf aggregierten Daten (Ausgaben pro Kanal, Umsatz über Zeit) und braucht keine individuelle Nutzerverfolgung. Es ist gröber, aber robuster gegen den Tracking-Verfall. Viele Unternehmen fahren heute zweigleisig: MMM für die grobe Budget-Allokation, datengetriebene Attribution für die digitale Feinsteuerung.

Warum Experimente den Modellen überlegen sind.

Alle bisher genannten Modelle haben ein gemeinsames Problem: Sie beobachten, was passiert ist, und versuchen daraus auf Wirkung zu schließen. Der einzige Weg, Wirkung wirklich zu messen, ist das Experiment — eine Gruppe sieht die Werbung, eine vergleichbare Kontrollgruppe nicht.

In der Praxis funktioniert das über Geo-Tests (eine Region bekommt die Kampagne, eine ähnliche nicht) oder Holdout-Gruppen (ein Teil der Zielgruppe wird bewusst nicht beworben). Der Umsatzunterschied zeigt den echten inkrementellen Effekt — also was die Kampagne zusätzlich bewirkt hat, statt nur einzusammeln, was ohnehin gekommen wäre.

Solche Inkrementalitäts-Tests sind aufwändiger und nicht für jeden Kanal praktikabel, aber sie sind das ehrlichste verfügbare Maß. Eine sinnvolle Strategie nutzt Attributionsmodelle für die laufende Steuerung und validiert ihre wichtigsten Annahmen regelmäßig durch Experimente. Wer nur Modellen vertraut, ohne sie je gegen ein Experiment zu prüfen, weiß nie, ob er einer Illusion folgt.

Die Grenzen ehrlich benannt.

Attribution ist ein Werkzeug zur besseren Entscheidung, kein Orakel. Drei Grenzen gehören klar auf den Tisch. Erstens die schon genannte Kausalitätslücke: Kein rein beobachtendes Modell beweist Wirkung, es legt sie nahe. Anbieter, die exakte Prozentbeiträge je Kanal als harte Wahrheit verkaufen, überzeichnen.

Zweitens die Offline- und Markenwirkung: Mundpropaganda, Messeauftritte, langfristiger Markenaufbau hinterlassen kaum digitale Spuren und werden von pfadbasierten Modellen unterschätzt. Gerade die Wirkung, die am nachhaltigsten ist, ist am schlechtesten messbar — ein systematischer blinder Fleck.

Drittens die Verwechslung von Genauigkeit und Nutzen: Ein Modell muss nicht perfekt sein, um besser zu sein als Last-Click. Schon eine grobe, aber unverzerrte Sicht auf die Kanalwirkung verbessert Budget-Entscheidungen erheblich. Das Ziel ist nicht die perfekte Zahl, sondern die bessere Entscheidung — und das ist eine deutlich erreichbarere Latte.

Einstieg, Kosten und realistischer Nutzen.

Ein pragmatischer Einstieg beginnt nicht mit dem aufwändigsten Modell, sondern mit der ehrlichen Bestandsaufnahme: Welche Daten sind sauber vorhanden, wie sieht die typische Customer Journey aus, wo sind die größten Budgets im Spiel? Daraus ergibt sich, ob datengetriebene Attribution, MMM oder zunächst ein paar gezielte Experimente der richtige Anfang sind.

Die Kosten variieren stark. Datengetriebene Attribution ist in größeren Werbe-Plattformen teils enthalten; ein eigenständiges, kanalübergreifendes Setup mit MMM und Experiment-Design liegt für den ersten Ausbau im Mittelstand eher bei 30.000 bis 100.000 Euro plus laufender Pflege. Sechs bis sechzehn Wochen sind realistisch bis zu ersten belastbaren Erkenntnissen.

Der Nutzen ist selten ein dramatischer Umsatzsprung über Nacht, sondern eine bessere Budget-Allokation: Mittel fließen von überschätzten zu wirksamen Kanälen. Schon eine Umschichtung von wenigen Prozent des Budgets in die richtigen Kanäle kann den Marketing-Return spürbar verbessern. Was bleibt: Attribution ist ein laufender Lernprozess, kein einmaliges Projekt — der Markt, die Kanäle und das Tracking ändern sich, und das Modell muss mitlaufen.

Sie haben den Verdacht, dass Last-Click Ihr Budget in die falschen Kanäle lenkt, und wollen ein ehrlicheres Bild der Kanalwirkung? Unverbindlich anfragen — wir schauen gemeinsam auf Ihre Datenlage, Customer Journeys und Budgets und entwerfen einen Attributions-Ansatz, der zu Ihrer Realität passt und seine Grenzen kennt.