Datengetriebene Attribution
Die datengetriebene Attribution nutzt maschinelles Lernen, um jedem Kontaktpunkt Konversionsanteile nach seinem gemessenen Beitrag zuzuweisen, statt eine feste Regel wie First-Touch oder U-förmig anzuwenden.
Das Wichtigste in Kürze
- Der Algorithmus vergleicht konvertierende und nicht konvertierende Pfade und schätzt den Grenzbeitrag jedes Kontakts.
- Die Gewichte stammen aus Ihren Daten, derselbe Kanal schneidet in anderen Accounts anders ab.
- Kanäle, die stets gemeinsam laufen, lassen sich durch keinen Algorithmus voneinander trennen.
- Plattformmodelle sehen nur die Kontakte der eigenen Plattform und bleiben für alles andere blind.
- Wird ein Kanal ergänzt oder pausiert, verschiebt sich die Gutschrift aller übrigen Kanäle.
Im Detail
Statt fester Prozentsätze vergleicht der Algorithmus Pfade, die konvertiert haben, mit solchen, die es nicht taten, und schätzt, wie stark die Anwesenheit jedes Kontaktpunkts die Konversionswahrscheinlichkeit verändert hat. Verfahren im Umfeld der Shapley-Werte mitteln dazu den Grenzbeitrag eines Kanals über viele mögliche Reihenfolgen der Kontakte, in denen er vorkommt. Die entstehenden Gewichte stammen aus Ihren eigenen Daten statt aus einer Konvention, weshalb derselbe Kanal in einer Gruppe von Reisen viel und in einer anderen fast nichts verdient.
Menge und Vielfalt zählen gleichermaßen. Der Algorithmus braucht genug konvertierende Pfade, um ein Muster zu erkennen, und genug nicht konvertierende zum Vergleich, außerdem Kanäle, die auch einmal ohne einander auftreten. Laufen alle Kampagnen dauerhaft gegen dieselbe Zielgruppe, kann das Modell den Beitrag einzelner nicht trennen, und die Gewichte legen sich um das, was am stärksten korreliert. Ein neuer oder pausierter Kanal verschiebt die Gutschrift aller anderen, weil sich die Vergleichsmenge selbst ändert und das Modell die Pfade danach neu bewertet.
Die meisten Teams begegnen datengetriebener Attribution als Voreinstellung einer Plattform und nicht als bewusster Bauentscheidung, das Modell ist also auf die Teilsicht dieser Plattform angepasst und sieht den Rest nicht. Nutzen Sie es für Gebots- und Creative-Entscheidungen innerhalb der Plattform und behalten Sie eine regelbasierte kanalübergreifende Sicht für die Budgetverteilung. Erzeugt ein Scorecard-Quiz genügend Abschlüsse, kann ein algorithmisches Modell zeigen, welcher Schritt im Funnel tatsächlich die Überzeugungsarbeit trägt und welcher lediglich zeitlich vor der Conversion steht.
Das Ergebnis lässt sich von Menschen nicht prüfen. Sie sehen die Gewichte, aber nicht die Begründung, und weder Sie noch der Anbieter können rekonstruieren, warum ein Kanal im Vormonat zehn Prozent seiner Gutschrift verloren hat. Geringe Mengen erzeugen instabile Gewichte, die sich ohne Kampagnenänderung bewegen, und das Modell misst weiterhin Korrelation innerhalb aufgezeichneter Pfade, ungetrackte Kanäle bleiben also genauso unsichtbar wie unter einfachen Regeln. Datengetriebene Attribution liefert damit eine bessere Schätzung des Beitrags, aber keinen Beleg für Kausalität.
Beispiel aus der Praxis
So wird es gemessen
Beobachten Sie die Stabilität der Gewichte, bevor Sie der Rangfolge trauen. Erfassen Sie den gutgeschriebenen Anteil je Kanal wöchentlich und sehen Sie, wie weit er sich in Phasen ohne Budgetänderung bewegt. Stark schwankende Gewichte bedeuten, dass das Modell Rauschen abbildet, meist weil die Conversion-Menge für die Zahl der verglichenen Kanäle und Kampagnen zu dünn ist.
Prüfen Sie danach gegen etwas, das der Algorithmus nicht sehen kann. Vergleichen Sie seine Kanalrangfolge mit einem einfachen Paar aus First und Last Touch und setzen Sie bei Abweichungen einen Ausgaben-Holdout auf den strittigen Kanal an. Datengetriebene Gutschrift, die einen Holdout übersteht, taugt für Budgetentscheidungen. Verschwindet die Gutschrift, sobald die Ausgaben pausieren, war sie Korrelation, die das Modell nicht vom Beitrag trennen konnte.
Häufige Fehler
Teams stellen eine Plattform mitten im Quartal auf datengetriebene Attribution um und lesen die veränderten Conversion-Zahlen als Leistungsveränderung. Nicht die Kampagnen haben sich bewegt, sondern die Verrechnung. Frieren Sie das Modell für eine volle Berichtsperiode ein, lassen Sie das vorherige Modell parallel laufen, wo das Werkzeug es erlaubt, und markieren Sie das Umstellungsdatum in jeder Grafik, die diesen Zeitpunkt überspannt.
Der zweite Fehler ist, den Algorithmus als Antwort auf das Warum zu behandeln. Da sich das Modell nicht erklären kann, erfinden Teams Erklärungen für veränderte Gewichte und handeln dann danach. Bewegt sich die Gutschrift eines Kanals stark, prüfen Sie zuerst, ob sich Conversion-Menge, Kampagnenmix oder das Tracking geändert haben. Nur wenn alle drei stabil blieben, lohnt die Suche nach echter Verhaltensänderung.
Häufig gestellte Fragen
Wie unterscheidet sich die datengetriebene von regelbasierten Modellen?
Regelbasierte Modelle wie die U-förmige Attribution wenden feste Prozentsätze auf jede Reise an, während die datengetriebene Attribution das Gewicht jedes Kontaktpunkts aus Ihren echten Konversionsdaten lernt. Die Gewichtung kann daher von Pfad zu Pfad variieren.
Ist die datengetriebene Attribution in Google Analytics verfügbar?
Ja, GA4 und Google Ads bieten die datengetriebene Attribution und nutzen sie für viele Konten als Standardmodell. Sie wendet maschinelles Lernen automatisch auf Ihre erfassten Kontaktpunkte an.
Wie entscheidet datengetriebene Attribution über die Gutschrift eines Kontaktpunkts?
Indem sie konvertierte Reisen mit ähnlichen nicht konvertierten vergleicht und schätzt, wie stark die Anwesenheit dieses Kontakts die Konversionswahrscheinlichkeit erhöht hat. Die Gutschrift spiegelt den Grenzbeitrag über viele beobachtete Pfadkombinationen wider, nicht eine Position oder ein Datum. Kanäle, die in konvertierenden Pfaden häufig und in gescheiterten selten vorkommen, sammeln das meiste Gewicht.
Wie viele Conversions braucht datengetriebene Attribution?
So viele, dass jeder Kanal in zahlreichen konvertierenden und nicht konvertierenden Pfaden erscheint, praktisch also Hunderte Conversions pro Monat statt Dutzende. Plattformen setzen eigene Mindestschwellen und fallen darunter auf ein einfacheres Modell zurück. Unterhalb dieser Grenze ist ein Paar aus First und Last Touch ehrlicher als ein instabiler Algorithmus.
Warum ändern sich meine Zahlen, obwohl ich nichts geändert habe?
Weil das Modell mit neuen Daten neu angepasst wird und die Gutschrift eines Kanals vom Pfadmix im aktuellen Zeitfenster abhängt. Aktivität von Wettbewerbern, saisonale Verschiebungen oder schlicht eine dünnere Woche bewegen die Gewichte. Vergleichen Sie rollierende Zeiträume statt einzelner Wochen und behandeln Sie kleine Bewegungen als Rauschen.
Ist datengetriebene Attribution genauer als regelbasierte Modelle?
Sie ist meist die bessere Schätzung, weil die Gewichte aus beobachteten Mustern statt aus einer Konvention stammen. Automatisch richtiger ist sie nicht, denn sie sieht weiterhin nur erfasste Kontakte und misst weiterhin Korrelation. Stimmen beide Ansätze überein, handeln Sie beherzt; weichen sie ab, klären Sie es mit einem Holdout.
Kann ich ein datengetriebenes Ergebnis prüfen oder erklären?
Nur teilweise. Sie sehen die Gewichte, die zugrunde liegenden Pfaddaten und die Veränderung der Verteilung über die Zeit, aber keine Erklärung je Entscheidung. Braucht ein Stakeholder eine reproduzierbare Regel, führen Sie ein regelbasiertes Modell parallel für das Reporting und nutzen Sie die algorithmische Ausgabe zur Optimierung.
Plattformmodell nutzen oder ein eigenes bauen?
Nutzen Sie die Plattformvariante für Entscheidungen innerhalb dieser Plattform, etwa Gebote und Creatives, wo die Teilsicht genügt. Bauen Sie ein eigenes Modell auf einer Pfadtabelle im Warehouse, sobald die Frage mehrere Kanäle umfasst, Offline-Schritte einschließt oder bis zu CRM-Ergebnissen reichen soll. Beide beantworten verschiedene Fragen und können nebeneinander bestehen.