Jedes Attributionsmodell erzählt dir eine andere Geschichte über dieselben Zahlen. Last Click sagt: Die Marken-Suche war's. First Click sagt: Nein, das Display-Banner ganz am Anfang. Linear sagt: alle ein bisschen. Und keines davon lügt – sie messen nur Verschiedenes. Das ist der Punkt, den die meisten unterschätzen: Ein Attributionsmodell ist keine Tatsache, die du abliest. Es ist eine Entscheidung, wem du den Umsatz gutschreibst.
Und diese Entscheidung verschiebt dein Budget. Wenn dein Modell dem letzten Klick alles gutschreibt, kürzt du irgendwann die Kampagnen, die am Anfang der Reise stehen – obwohl genau die den Kunden überhaupt erst auf dich aufmerksam gemacht haben. Bei einem 30-Euro-Produkt verzeihst du das. Bei einem Warenkorb um die 17.000 Euro, der über Wochen reift, kann dich das falsche Modell ein Vermögen kosten.
Ich gehe hier die gängigen Modelle durch, sage dir bei jedem, wo es kippt, und welches sich für teure, erklärungsbedürftige Produkte tatsächlich eignet. Vorweg: Es ist nicht das, das Google dir per Default einschaltet.
Wozu Attributionsmodelle überhaupt da sind
Ein Kunde, der ein erklärungsbedürftiges Produkt kauft, klickt selten einmal und unterschreibt. Er sieht eine Anzeige, klickt, liest, geht wieder. Kommt zwei Wochen später über die Google-Suche zurück, vergleicht, ruft an. Fünf, sechs, manchmal zehn Berührungspunkte über mehrere Wochen. Ein Attributionsmodell beantwortet die simple, aber brutale Frage: Welcher dieser Kontakte hat den 17.000-Euro-Auftrag verdient?
Davon hängt ab, wohin du dein Geld lenkst. Schreibst du den Umsatz dem falschen Kontakt zu, optimierst du auf den falschen Kanal. Du gießt Budget auf etwas, das nur am Ende stand und sowieso passiert wäre, und drehst dem ab, was den Kunden eigentlich gebracht hat. Der Grundüberblick dazu steht im Attributions-Überblick – hier geht es um die Modelle selbst und darum, welches du wählst.
Die Single-Touch-Modelle: ein Kontakt bekommt alles
Last Click – der Standard, der am meisten Schaden anrichtet
Last-Click-Attribution gibt dem letzten Klick vor dem Abschluss hundert Prozent des Umsatzes. Klingt logisch. Ist es nicht. Der letzte Klick ist bei teuren Produkten fast immer die Marken-Suche oder ein direkter Aufruf – also der Moment, in dem der Kunde sich längst entschieden hat und nur noch deinen Namen tippt.
Das Modell belohnt damit systematisch den Abschluss-Kanal und macht alles davor unsichtbar. Die Kampagne, die den Kunden vor drei Wochen zum ersten Mal angelockt hat? Steht mit null da. Du würdest sie streichen. Und damit den Hahn zudrehen, aus dem deine Marken-Suche überhaupt erst gespeist wird. Last Click ist kein Messfehler, es ist eine eingebaute Belohnung für den, der zuletzt im Raum war.
First Click – das Gegenteil, mit demselben Problem
First-Click-Attribution dreht es um: Der erste Kontakt bekommt alles. Das macht den Entdecker-Kanal sichtbar, der bei Last Click untergeht – also genau die Kampagnen, die neue Leute zu dir bringen. Praktisch, wenn du wissen willst, was oben in den Trichter füllt.
Aber es ist derselbe Denkfehler, nur gespiegelt. First Click ignoriert alles, was nach dem ersten Klick passiert. Die Vergleichsphase, die zweite und dritte Anzeige, der Anruf – alles wertlos in diesem Modell. Du würdest Budget in die Spitze des Trichters pumpen und die Kanäle vernachlässigen, die den Kunden über die Ziellinie tragen. Ein einzelner Kontakt kann den ganzen Umsatz nicht erklären. Egal welcher.
Aus der Praxis: Wenn ich bei einem neuen Konto zum ersten Mal die Reports öffne, stelle ich oft als Erstes von Last Click auf ein Modell um, das den ganzen Weg sieht. Allein dieser Wechsel verschiebt die scheinbare Leistung der Kampagnen teils dramatisch – plötzlich steht die Generic-Search-Kampagne, die im Last-Click-Bericht als Verlustbringer galt, ganz vorne. Es wurde nie schlecht gearbeitet. Es wurde nur falsch gezählt. Und auf dieser falschen Zählung wurden Monate an Budget-Entscheidungen getroffen.
Die Multi-Touch-Modelle: der Umsatz wird verteilt
Multi-Touch-Modelle verteilen den Umsatz auf mehrere Kontakte. Das ist näher an der Wirklichkeit, denn so kauft ja auch niemand: über einen einzigen Klick. Drei Varianten sind verbreitet.
- Linear. Jeder Kontakt auf dem Weg bekommt den gleichen Anteil. Fünf Berührungspunkte, jeder kriegt zwanzig Prozent. Ehrlich und einfach – aber es behandelt den flüchtigen Banner-Kontakt wie den entscheidenden Beratungsanruf. Nicht jeder Kontakt ist gleich viel wert, und linear tut so, als wären sie es.
- Zeitverlauf (Time Decay). Je näher ein Kontakt am Abschluss liegt, desto mehr Gewicht. Die Logik: Was kurz vor dem Kauf passiert, ist relevanter. Stimmt oft – aber bei langen Entscheidungswegen unterschätzt das Modell wieder die frühen Kontakte, die den Kunden erst in Bewegung gebracht haben. Ein bisschen Last-Click-Schlagseite, nur abgemildert.
- Positionsbasiert (U-förmig). Erster und letzter Kontakt bekommen je etwa vierzig Prozent, der Rest teilt sich die übrigen zwanzig. Das honoriert beides: den Entdecker und den Abschließer. Für viele Lead-Geschäfte ist das ein vernünftiger, gut erklärbarer Kompromiss – du siehst, was Kunden anzieht und was sie abschließt, ohne dich in einer Blackbox zu verlieren.
Multi-Touch ist klar ehrlicher als die Single-Touch-Modelle. Der Haken: Die Gewichtung – 40/20/40, oder gleichmäßig, oder mit Zeitverlauf – bleibt eine Annahme. Du behauptest, der erste Kontakt sei vierzig Prozent wert. Beweisen kannst du es mit diesen Modellen nicht.
Datengetriebene Attribution: das Modell rechnet selbst
Datengetriebene Attribution (in Google Ads und GA4 als „datengetrieben“ geführt) macht es anders. Statt eine feste Gewichtung vorzugeben, schaut der Algorithmus auf deine echten Daten und vergleicht: Wege, die zum Abschluss führten, gegen Wege, die es nicht taten. Daraus rechnet er aus, welcher Kontakt den Unterschied gemacht hat. Kein 40/20/40 von der Stange, sondern eine Gewichtung aus deinem eigenen Konto.
Das ist auf dem Papier das beste Modell – und für viele Konten in der Praxis auch. Es ist mittlerweile der Standard in GA4 und in Google Ads. Aber es hat zwei Bedingungen, die gerade bei teuren Produkten nicht selbstverständlich sind.
Erstens: Es braucht genug Daten. Der Algorithmus muss Muster finden, und das geht nur mit einer gewissen Menge an Conversions. Wenn du im Monat dreißig ernsthafte Anfragen hast statt dreitausend Shop-Verkäufe, ist die Datenbasis dünn. Das Modell läuft trotzdem, aber seine Sicherheit sinkt. Hier muss man ehrlich sein, statt es als Allheilmittel zu verkaufen.
Zweitens, und das ist der wichtigere Punkt: Es kann nur attribuieren, was es sieht. Und genau da liegt bei erklärungsbedürftigen Produkten das eigentliche Problem – nicht in der Modellwahl, sondern in den Daten, die ins Modell fließen.
Der blinde Fleck, den kein Modell allein löst
Hier wird es unbequem. Du kannst das ausgefeilteste datengetriebene Modell der Welt einschalten – wenn dein Verkauf am Telefon, im Beratungsgespräch oder vor Ort passiert, sieht das Modell den entscheidenden Schritt überhaupt nicht. Der Abschluss findet außerhalb der Website statt. Für das Tracking sieht der Kunde aus wie jemand, der geklickt hat und nie wieder auftauchte.
Das bedeutet: Der ganze schöne Modellvergleich – Last Click gegen positionsbasiert gegen datengetrieben – ist wertlos, solange der wertvollste Touchpoint, der unterschriebene Auftrag, gar nicht in den Daten steckt. Du optimierst die Verteilung eines Umsatzes, den dein System nie registriert hat. Das ist, als würdest du einen Kuchen aufteilen, der nicht im Ofen war.
Deshalb steht vor der Modellwahl immer das Tracking. Erst wenn der Abschluss zurück ins System kommt, hat das Attributionsmodell überhaupt etwas Richtiges zu verteilen.
- Sauberes Fundament. GA4, Tag Manager und Conversion-Tracking richtig aufgesetzt, einwilligungsbasiert, datenschutzkonform. Und wo es sinnvoll ist, serverseitig, damit nicht ein Teil der Klicks durch Adblocker und kurze Cookie-Laufzeiten schon vorher verloren geht. Wenn hier Daten fehlen, fehlen sie in jedem Modell.
- Den Abschluss zurückspielen. Über das Offline-Conversion-Tracking wird der echte Auftrag – inklusive des tatsächlichen Werts – mit dem ursprünglichen Klick verknüpft und an Google Ads zurückgegeben. Der Weg dahin: GCLID beim ersten Klick speichern, ins CRM mitschleppen, beim unterschriebenen Auftrag den Wert zurück an Google Ads geben. Jetzt steht im Konto nicht „Anfrage“, sondern „17.000 Euro Auftrag“.
- Erst jetzt das Modell wählen. Mit vollständigen Daten und echten Auftragswerten kannst du sinnvoll datengetrieben oder positionsbasiert attribuieren. Vorher misst du Schatten.
Welches Attributionsmodell solltest du also nehmen?
Für teure, erklärungsbedürftige Produkte mit langen Entscheidungswegen lautet meine ehrliche Antwort: in der Regel datengetrieben, sobald die Datenbasis es trägt – und solange der Offline-Abschluss wirklich im System landet. Hast du zu wenig Conversions, ist ein positionsbasiertes Modell der robustere, besser erklärbare Kompromiss. Beide schlagen Last Click um Längen.
Aber wichtiger als die Wahl zwischen diesen beiden ist die Reihenfolge. Das beste Modell auf lückenhaften Daten ist schlechter als ein simples Modell auf vollständigen. Wer dir verspricht, ein bestimmtes Attributionsmodell sei „die Lösung“, ohne vorher über dein Tracking und deinen Offline-Verkauf zu reden, hat den Kern nicht verstanden.
Und ein letzter Punkt zur Erwartung: Attribution ist eine Annäherung, keine Wahrheit mit Nachkommastellen. Niemand kann dir den Umsatz eines Sechs-Wochen-Wegs auf den Cent dem richtigen Klick zuordnen. Das Ziel ist nicht Perfektion, sondern eine Sicht, die gut genug ist, um Budget begründet zu verschieben statt aus dem Bauch. Das ist erreichbar. Das Versprechen totaler Genauigkeit ist es nicht.
Ich bin Sergej, Google-Ads-Freelancer aus Rheine. Seit über zehn Jahren baue ich Marketing, Tracking und Attribution für teure, erklärungsbedürftige Produkte mit Warenkörben zwischen 10.000 und 20.000 Euro – und habe damit über 25 Millionen Euro Umsatz für Kunden mitverursacht. Wenn du wissen willst, welches Attributionsmodell zu deinem Geschäft passt und ob deine Daten es überhaupt hergeben, hol dir eine kostenlose Potenzialanalyse. Ich schaue mir an, womit du gerade misst, und sage dir ehrlich, wo dein Modell dich in die Irre führt. Wenn dein Setup passt, sage ich dir auch das.