Attribution Modelling (Forschung)

Definition: Attribution Modelling (Attributionsmodellierung) bezeichnet den methodischen Rahmen, mit dem der ursächliche Beitrag verschiedener Marketingkontaktpunkte – Kanäle, Kampagnen, Creatives und Touchpoints – auf dem Weg eines Nutzers zu einer gewünschten Handlung (Conversion) quantifiziert und auf diese Berührungspunkte verteilt wird. Das Ziel ist eine möglichst faire, kausal belastbare Bewertung der Wirksamkeit jedes Kanals und jeder Maßnahme, um Budgetentscheidungen auf einer soliden empirischen Grundlage treffen zu können. Da Konsumenten vor einer Kaufentscheidung typischerweise mehrere Touchpoints durchlaufen – eine Google-Suche, ein Display-Banner, ein Retargeting-Ad und schliesslich ein direkter Website-Besuch –, ist die Frage nach dem richtigen Zurechnungsschlüssel fundamental für jede evidenzbasierte Marketingsteuerung. Die wissenschaftliche Auseinandersetzung mit dem Attributionsproblem hat sich seit den 2000er-Jahren durch die Verfügbarkeit digitaler Trackingdaten rasant entwickelt; Forscher wie Shao und Li (2011) sowie Dalessandro et al. (2012) legten wichtige algorithmische Grundlagen.

Erläuterung

Die Attributionsmodellierung lässt sich grob in regelbasierte und datengetriebene Ansätze unterteilen. Regelbasierte Modelle weisen den Kanal-Beitrag nach vorab festgelegten, heuristischen Regeln zu, ohne die tatsächlichen Conversion-Pfade statistisch zu analysieren. Datengetriebene Modelle hingegen lernen aus historischen Daten, welche Touchpoint-Kombinationen tatsächlich kausal zu Conversions führen.

Unter den regelbasierten Modellen ist das Last-Click-Modell historisch am weitesten verbreitet: Es schreibt 100 % der Conversion dem letzten Kontaktpunkt vor der Conversion zu und ignoriert alle vorgelagerten Touchpoints vollständig. Es begünstigt systematisch Performance-Kanäle wie Branded Search, die oft am Ende einer langen Entscheidungsreise stehen, und unterbewertet Awareness-Kanäle wie Display oder Influencer-Marketing. Das First-Click-Modell kehrt diese Logik um und prämiert den ersten Kontaktpunkt. Das lineare Modell verteilt die Gutschrift gleichmässig über alle Touchpoints. Das Time-Decay-Modell gewichtet zeitlich nähere Touchpoints stärker. Das positions-basierte U-Shape-Modell vergibt je 40 % an den ersten und letzten Kontaktpunkt und verteilt 20 % auf alle mittleren Touchpoints.

Datengetriebene Attribution (Data-Driven Attribution, DDA) nutzt algorithmische Verfahren – häufig Shapley-Werte aus der kooperativen Spieltheorie (Shapley 1953) oder logistische Regressionsmodelle –, um den marginalen Beitrag jedes Touchpoints auf Basis tatsächlicher Conversion-Pfade zu berechnen. Google Ads und GA4 bieten seit 2021 standardmässig datengetriebene Attribution für ausreichend grosse Datensätze an. Der fundamentale Schwachpunkt aller pfadbasierter Attribution: Sie misst Korrelationen, keine Kausalität. Kanäle, die häufig kurz vor Conversions erscheinen, erhalten hohe Credits – ohne dass damit bewiesen ist, dass sie die Conversion verursacht haben.

In der Post-Cookie-Welt nach der Abschaffung von Third-Party-Cookies (Google Chrome-Abkündigungspläne ab 2024/2025) verliert pfadbasierte Attribution an Verlässlichkeit. Aggregierte Methoden wie Marketing Mix Modeling (MMM) und Incrementality Testing gewinnen daher stark an Bedeutung, da sie keine User-Identifikation über Sitzungen hinweg benötigen.

Regelbasierte vs. datengetriebene Modelle

Last-Click: Einfach implementierbar, bevorzugt Performance-Kanäle; systematisch verzerrt zuungunsten von Awareness-Medien.
First-Click: Beleuchtet Awareness-Kanäle, ignoriert aber die nachgelagerte Entscheidungsreise vollständig.
Linear: Demokratisch, aber unrealistisch – nicht alle Touchpoints tragen gleich viel zur Entscheidung bei.
Time Decay: Plausibel für Produkte mit kurzen Entscheidungszyklen; unterschätzt Branding-Massnahmen mit langfristiger Wirkung.
Datengetrieben (Shapley/ML): Empirisch am solidesten, erfordert aber grosse Datenmengen und ist weniger interpretierbar.

Grenzen und neuere Ansätze

Kausalitätsproblem: Pfadbasierte Attributionsmodelle messen Korrelation, nicht Kausalität; ein Nutzer hätte auch ohne das letzte Ad konvertiert.
Incrementality Testing: Geo-Experimente oder randomisierte Kontrollgruppen messen den echten kausalen Uplift eines Kanals und ergänzen oder ersetzen Attribution zunehmend.
Marketing Mix Modeling (MMM): Aggregierte Zeitreihenanalyse, die Umsatz- und Konversionsdaten auf Medienausgaben, Saisonalität und externe Faktoren regressiert, ohne individuelle Nutzerpfade zu benötigen.
Unified Measurement: Viele grosse Werbetreibende kombinieren MMM, datengetriebene Attribution und Incrementality Tests zu einem integrierten Messrahmen (Meta, Google und Unilever haben entsprechende Frameworks publiziert).

Praxistipp: Verlassen Sie sich nicht auf ein einziges Attributionsmodell, sondern vergleichen Sie mehrere Modelle in GA4 (Modellvergleich-Tool) und beobachten Sie, welche Kanäle je nach Modell stark auf- oder abgewertet werden. Ergänzen Sie die pfadbasierte Attribution durch mindestens ein Incrementality-Experiment pro Quartal – nur so erhalten Sie einen kausalen Belastbarkeitscheck. In datenschutzsensiblen Umfeldern oder bei steigendem Cookie-Loss empfiehlt sich der parallele Aufbau eines Marketing Mix Models, das vollständig ohne User-Tracking auskommt.