Was sind modellierte Conversions

Ein Werbebericht beruht auf einer einfachen Idee: Jemand klickt, jemand kauft, und das System verbindet beides über eine Kennung. Diese Kette reißt jedes Mal, wenn die Erlaubnis fehlt oder die Kennung fehlt. Lehnt der Besucher Werbe-Cookies ab, löscht der Browser die Kennung, bevor der Kauf zustande kommt, oder passiert der Klick auf dem Handy und die Bestellung wird am Laptop abgeschlossen, dann existiert der Verkauf, aber das System sieht ihn nicht.

Modellierte Conversions sind Googles Antwort auf diese Lücke. Statt das Feld leer zu lassen, berechnet die Plattform, wie viele Conversions im nicht beobachtbaren Teil des Traffics wahrscheinlich stattgefunden haben, und addiert sie zum Bericht. Es sind keine einzelnen Datensätze, die später nachgereicht werden. Es ist eine aggregierte Zahl, aufgebaut aus dem Verhalten jenes Traffics, der sich messen lässt.

Der praktische Unterschied lautet so: Hinter einer gemessenen Conversion steht ein konkretes Ereignis mit Zeitstempel, hinter einer modellierten Conversion steht eine Wahrscheinlichkeitsrechnung. Beide erscheinen gemeinsam in derselben Spalte des Berichts, ohne jede Kennzeichnung, die sie trennt, und genau diese stille Vermischung verwirrt die meisten Teams.

Google erfindet die Zahlen nicht, sondern leitet sie aus vergleichbaren Traffic-Abschnitten ab. Die Dokumentation beschreibt das Verfahren als Nutzung von „beobachtbaren Teilmengen“, deren Verhalten dem des nicht messbaren Abschnitts ähnelt. Ist in einem Browser mit erteilter Einwilligung die Conversion-Rate einer Kampagne bekannt, dient dieses Muster als Grundlage für die Schätzung dessen, was in einem Browser passiert, der die Messung blockiert.

Das Modell stützt sich nicht auf einen einzigen Faktor. Zu den Signalen, die in die Berechnung eingehen, zählen Gerätetyp, Tageszeit, geografischer Standort und Betriebssystem, dazu die eigene Conversion-Historie des Kontos. Je ähnlicher sich gemessener und geschätzter Abschnitt sind, desto belastbarer ist die Hochrechnung.

Es gibt Mindestbedingungen. Google wendet Konfidenzschwellen an und veröffentlicht modellierte Conversions nur, wenn es sehr wahrscheinlich ist, dass diese Conversions tatsächlich stattgefunden haben. Ein Konto mit sehr wenigen wöchentlichen Conversions bekommt bestimmte Arten der Modellierung möglicherweise gar nicht, schlicht weil die beobachtbare Basis fehlt. In Google Analytics 4 sind die Schwellen veröffentlicht: Die Verhaltensmodellierung verlangt mindestens 1.000 tägliche Ereignisse mit analytics_storage='denied' über sieben Tage und mindestens 1.000 tägliche Nutzer mit erteilter Einwilligung an sieben der vorangegangenen 28 Tage. Selbst wenn ein Konto sie erfüllt, legt das Modell eigene Qualitätskriterien an und springt womöglich nicht an.

Auch die Berechnung selbst ist nicht sofort fertig. Die Zahlen brauchen bis zu fünf Tage, um verarbeitet und stabil zu sein, weshalb der Wert von gestern fast nie der endgültige Wert ist.

Der Punkt, an dem es wehtut, ist nicht theoretisch. Eine modellierte Conversion ist eine aggregierte Schätzung und lässt sich nicht bis zu einem einzelnen Klick zurückverfolgen. Es gibt keine Datensatzzeile, keine Klick-Kennung, keinen Nutzer. Es gibt nur eine Wahrscheinlichkeit, dass in diesem Traffic-Abschnitt n Conversions stattgefunden haben.

Wenn jemand die Conversion-Spalte nimmt, in der gemessene und modellierte Werte bereits zusammenliegen, und sie gegen die Kosten einer Kampagne rechnet, arbeitet er mit zwei verschiedenen Größen innerhalb derselben Zahl. Ein Teil stammt aus Ereignissen, die stattgefunden haben und erfasst wurden, der andere aus einer statistischen Rechnung, deren Fehlerspanne nirgends im Bericht auftaucht. Der resultierende ROAS sieht aus wie eine exakte Zahl und ist keine.

Auf tieferen Ebenen verschärft sich der Effekt. Je feiner segmentiert wird (nach Kampagne, nach Anzeigengruppe, nach Keyword), desto weniger Volumen bleibt je Zelle und desto mehr relatives Gewicht hat der geschätzte Anteil. Genau auf dieser Ebene fallen die Entscheidungen über Pausieren oder Aufstocken, und dort genügt ein Unterschied in der Größenordnung der Modellunsicherheit, um die Reihenfolge zweier Kampagnen umzudrehen.

• Halte fest, welcher Teil deiner Messung von Modellierung abhängt, bevor über Ergebnisse diskutiert wird. Ohne diesen Kontext vermischt jeder Monatsvergleich echte Geschäftsveränderungen mit Veränderungen der Messabdeckung.
• Setze den Einwilligungsmodus korrekt und stabil um. Die Modellierung braucht konsistente Einwilligungssignale, und eine falsch konfigurierte CMP verschlechtert die Schätzung, statt sie zu verbessern.
• Stärke den beobachtbaren Teil mit eigenen Daten: Erweiterte Conversions, serverseitige Messung und saubere Kampagnenparameter verkleinern die Lücke, die das Modell füllen muss.
• Gleiche immer gegen eine unabhängige Quelle ab, in der Regel die Bestellungen aus Warenwirtschaft oder CRM, und arbeite mit der bekannten Abweichung, statt so zu tun, als gäbe es sie nicht.
• Warte mindestens fünf Tage, bevor du aus einem aktuellen Zeitraum Schlüsse ziehst, denn die Zahlen konsolidieren sich noch.
• Entscheide über Budgets anhand breiter Zeitfenster und ausreichender Mengen, nicht anhand der Tagesansicht einer kleinen Anzeigengruppe.

• Einen ROAS je Kampagne aus der Conversion-Spalte rechnen, wie sie ist, und ihn als buchhalterische Zahl präsentieren, ohne darauf hinzuweisen, dass Schätzungen enthalten sind.
• Den Anstieg der Conversions nach Aktivierung des Einwilligungsmodus als Leistungsverbesserung deuten, obwohl sich die Abdeckung der Messung geändert hat.
• Dem Kunden versprechen, die Conversions der Plattform ließen sich bis zur letzten Nachkommastelle mit den Bestellungen im Backend abgleichen, ein Ziel, das die Modellierung von vornherein unmöglich macht.
• Den Einwilligungsmodus abschalten oder Signale blockieren, um „nur echte Daten zu sehen“, wodurch auch das Signal wegfällt, das die automatische Gebotssteuerung speist.
• Winzige Segmente auswerten, in denen das gemessene Volumen so gering ist, dass die Schätzung das Ergebnis dominiert und jede Schlussfolgerung Rauschen ist.