Was ist datengetriebene Attribution

Jahrelang war die Verteilung des Conversion-Beitrags eine Entscheidung, die vor dem Blick in die Daten fiel. Der letzte Klick gab alles der letzten Interaktion, der erste Klick der ersten, das lineare Modell verteilte zu gleichen Teilen und das positionsbasierte Modell wies den Rändern feste Prozentsätze zu. Allen war eines gemeinsam: Die Regel wurde zuerst gewählt, die Daten fügten sich danach.

Die datengetriebene Attribution dreht diese Reihenfolge um. Statt eine vorab beschlossene Verteilung anzuwenden, berechnet sie, wie viel jede Interaktion innerhalb der Pfade dieses konkreten Kontos tatsächlich beiträgt. Taucht in deinen Daten die Markensuche fast immer am Ende von Pfaden auf, die ohnehin konvertiert hätten, erhält diese Interaktion weniger Beitrag, als der letzte Klick ihr geben würde.

Der Wechsel ist längst nicht mehr optional. In Google Analytics 4 stehen die Modelle erster Klick, linear, zeitlicher Verlauf und positionsbasiert seit November 2023 nicht mehr zur Verfügung, geblieben sind die datengetriebene Attribution, der letzte Klick über bezahlte und organische Kanäle sowie der letzte Klick über bezahlte Google-Kanäle. In Google Ads bestehen datengetriebene Attribution und letzter Klick nebeneinander, und Conversion-Aktionen, die die entfernten Modelle nutzten, wurden auf die datengetriebene Attribution umgestellt.

Ausgangsmaterial sind die vollständigen Pfade, und zwar nicht nur jene, die in einer Conversion enden. Das Modell betrachtet auch die Pfade, die nicht konvertiert haben, denn erst der Vergleich beider Gruppen erlaubt es, eine Interaktion, die etwas bewegt, von einer zu unterscheiden, die lediglich anwesend war.

Die Berechnung verläuft in zwei Phasen. Zuerst entsteht aus den erfassten Pfaden ein Wahrscheinlichkeitsmodell, danach wird der Beitrag danach zugewiesen, wie stark sich die geschätzte Conversion-Wahrscheinlichkeit ändert, wenn jede einzelne Interaktion dem Pfad hinzugefügt wird. Eine Interaktion, die diese Wahrscheinlichkeit kaum bewegt, bekommt wenig Beitrag, so nah am Ende sie auch liegen mag.

Zu den Signalen, die in die Berechnung eingehen, zählen die seit dem Schlüsselereignis vergangene Zeit, der Gerätetyp, die Anzahl der Anzeigeninteraktionen, die Reihenfolge der Ausspielung und die Art des Creative-Assets. In Google Ads werden Klicks und Video-Interaktionen in Suche, YouTube, Display und Demand Gen berücksichtigt.

Mit Volumen arbeitet das Modell besser. Google empfiehlt mindestens 200 Conversions und 2.000 Anzeigeninteraktionen in unterstützten Netzwerken innerhalb von 30 Tagen, auch wenn Conversion-Aktionen bereits mit weniger Daten infrage kommen. Zu wissen ist außerdem, dass sich die Zahlen nachjustieren: Eine Conversion kann bis zu sieben Tage später neu zugeordnet werden, und Direktzugriffe bleiben von der Verteilung ausgeschlossen, sofern nicht der gesamte Pfad direkt ist.

Hier liegt das Detail, das die Hälfte aller Vergleichsberichte zerlegt: Jedes Modell ist spezifisch für den einzelnen Werbetreibenden und für das einzelne Schlüsselereignis. Es gibt kein allgemeines Modell der datengetriebenen Attribution, das Google auf alle anwendet. Es gibt deines, trainiert mit deinen Pfaden.

Die Folge ist für Agenturen unbequem. Zwei Konten derselben Branche, mit denselben Kampagnen, denselben Anzeigen und ähnlichen Budgets, erhalten unterschiedliche Beitragsverteilungen, und keines von beiden liegt falsch. Jedes beschreibt korrekt das Verhalten des eigenen Traffics. Deshalb hat es keinen Sinn, den Satz „in der Branche bekommt die Marke so und so viel Prozent des Beitrags“ in eine Besprechung zu tragen oder eine beobachtete Verteilung von einem Kunden auf den nächsten zu übertragen.

Innerhalb eines Kontos ist der Vergleich durchaus nützlich, mit einer Einschränkung: Das Modell wird mit neuen Daten nachtrainiert. Eine veränderte Verteilung zwischen zwei Quartalen kann eine echte Veränderung im Kaufverhalten abbilden oder schlicht bedeuten, dass das Modell aus einem anderen Kampagnenmix gelernt hat. Bevor Budget umgeschichtet wird, gehört geprüft, welcher der beiden Fälle vorliegt.

• Definiere das Schlüsselereignis sauber, bevor du auf die Verteilung schaust. Das Modell wird je Ereignis trainiert, sodass fünf verschiedene Conversions von ungleichem Wert fünf Lesarten erzeugen, die sich nicht addieren lassen.
• Sammle genug Volumen, bevor du feine Entscheidungen triffst, mit den 200 Conversions und 2.000 Interaktionen in 30 Tagen als vernünftiger Untergrenze.
• Achte auf die Qualität des Pfades: sauberes Kampagnen-Tagging, korrekt umgesetzte Einwilligung und eigene Daten verkleinern die Lücken, die das Modell überbrücken muss.
• Vergleiche Zeiträume innerhalb desselben Kontos und dokumentiere strukturelle Änderungen (neue Kampagnen, gewechselte Creatives), die eine andere Verteilung erklären können.
• Lass das Fenster von sieben Tagen für die Neuzuordnung verstreichen, bevor du den Bericht eines Zeitraums abschließt.
• Erkläre dem Kunden das Modell, bevor du ihm die Zahlen zeigst, besonders wenn er seine Ergebnisse bisher nach letztem Klick gelesen hat.

• Die Beitragsverteilung zweier Konten vergleichen und schließen, eines davon messe falsch, obwohl beide Modelle für ihre jeweiligen Daten korrekt sind.
• Branchenkennzahlen darüber veröffentlichen, wie viel Beitrag jeder Kanal unter datengetriebener Attribution erhält, ein Wert, der sich nicht von einem Konto auf ein anderes übertragen lässt.
• Die Verteilung als kausale Wahrheit behandeln und das Budget eines Kanals wegen seines Prozentsatzes kürzen, ohne einen kontrollierten Test, der das stützt.
• Einen nach letztem Klick gemessenen Zeitraum gegen einen nach datengetriebener Attribution gemessenen halten und die Differenz Verbesserung oder Einbruch nennen.
• In der Oberfläche nach den Modellen erster Klick, linear, zeitlicher Verlauf oder positionsbasiert suchen, die in Google Analytics 4 seit November 2023 nicht mehr verfügbar sind.