Lineare Attribution
Lineare Attribution ist ein Multi-Touch-Modell, das die Conversion-Gutschrift gleichmäßig auf jeden Kontaktpunkt der Customer Journey aufteilt.
Das Wichtigste in Kürze
- Linear teilt eine Conversion durch die Kontaktzahl und gibt jedem Kontakt denselben Anteil.
- Ein Kanal mit zwei Vorkommen im Pfad erhält doppelt so viel Gutschrift wie mit einem.
- Längere Pfade verkleinern den Anteil je Kontakt und begünstigen kontaktstarke Kanäle.
- Das Modell verwirft die Reihenfolge; umgekehrte Pfade mit gleichen Kanälen berichten identisch.
- Nutzen Sie es als neutrale Basislinie zum Vergleich, nicht als Grundlage der Budgetverteilung.
Im Detail
Die lineare Attribution teilt eine Conversion durch die Anzahl der qualifizierten Kontaktpunkte im Pfad und gibt jeder Zeile denselben Anteil. Ein Pfad mit vier Kontakten erzeugt Viertel-Conversions, einer mit zehn Kontakten Zehntel. Da der Anteil allein von der Anzahl abhängt, erhält ein Kanal, der zweimal im Pfad vorkommt, doppelt so viel Gutschrift wie einer mit einem Vorkommen; das Modell zählt damit ebenso Häufigkeit wie Beitrag. Weder Zeitpunkt noch Position noch Interaktionstyp gehen in die Rechnung ein.
Die Pfadlänge ist der einzige Hebel, der lineare Ergebnisse bewegt. Alles, was Pfade verlängert, etwa das Zählen von Impressionen, ein langes Lookback-Fenster oder fehlende Zusammenfassung von Wiederbesuchen, verkleinert den Anteil je Kontakt und verschiebt Gutschrift zu kontaktstarken Kanälen wie Retargeting und E-Mail. Alles, was Pfade verkürzt, bündelt die Gutschrift wieder auf wenige Quellen. Der Kompromiss lautet Neutralität gegen Realismus: Niemand kann dem Modell eine versteckte Annahme vorwerfen, doch seine einzige Annahme, jeder Kontakt habe gleich viel bewirkt, ist in den meisten Funnels schlicht falsch.
Linear eignet sich besser als Basislinie denn als Entscheidungsmodell. Rechnen Sie es neben einem gewichteten Modell und lesen Sie die Differenz: Kanäle, die unter linear gewinnen, sind die häufigen und günstigen, Kanäle, die verlieren, sind die seltenen und entscheidenden. Es hat zudem politischen Nutzen, weil ein sichtbarer Anteil für jedes Team Diskussionen lange genug entschärft, um über die tatsächlichen Pfade zu sprechen. In einem Quiz-Funnel bekommt der Scorecard-Abschluss denselben Anteil wie ein neun Sekunden kurzer Blogbesuch.
Die Gleichverteilung wird unhaltbar, sobald sich Kontakte in Kosten oder Aufwand stark unterscheiden. Eine programmatische Impression für den Bruchteil eines Cents erhält dasselbe Gewicht wie eine Vertriebsdemo von einer Stunde, weshalb die Kosten je gutgeschriebener Conversion automatisierte Massenkanäle schmeicheln und personalintensive bestrafen. Linear verwirft außerdem die Reihenfolge vollständig: Zwei Pfade mit denselben Kanälen in umgekehrter Reihenfolge ergeben identische Berichte, obwohl der eine die Entdeckung durch einen Fremden und der andere die Reaktivierung eines eingeschlafenen Käufers beschreibt.
Beispiel aus der Praxis
So wird es gemessen
Prüfen Sie zuerst die mittlere Kontaktzahl je konvertierendem Pfad, denn diese Zahl ist der Divisor hinter jeder Zahl im Bericht. Betrachten Sie danach je Kanal die Vorkommen pro Pfad; ein Kanal mit im Schnitt drei Vorkommen kassiert drei Anteile. Veröffentlichen Sie beide Diagnosen neben den gutgeschriebenen Conversions, damit Leser Häufigkeitseffekte von echtem Beitrag trennen können.
Vergleichen Sie je Kanal die lineare Gutschrift mit der Gutschrift unter einem gewichteten Modell und halten Sie die Differenz als eine Zahl fest. Große positive Differenzen kennzeichnen häufigkeitsgetriebene Kanäle, große negative die entscheidenden Kontakte, die Gleichgewichtung abwertet. Verfolgen Sie diese Lücke über die Zeit; wächst sie für einen Kanal, hat sich die Zusammensetzung Ihrer Pfade verändert, auch ohne Kampagnenänderung.
Häufige Fehler
Ein häufiger Fehler ist, linear auf eine Pfaddefinition anzuwenden, die jede Impression enthält. Display und Retargeting erscheinen dann fünf- oder sechsmal je Pfad, nehmen die Mehrheit der gleichen Anteile und der Bericht schließt, Remarketing treibe das Wachstum. Fassen Sie wiederholte Kontakte desselben Kanals vor der Aufteilung zusammen oder beschränken Sie den Pfad auf Klicks. Gleichgewichtung ergibt erst Sinn, wenn jeder Kanal etwa einmal je Reise vorkommt.
Der zweite Fehler ist, linear für den fairen Kompromiss zu halten und dabei stehen zu bleiben. Gleich ist nicht neutral: Das Modell verschiebt Gutschrift aktiv von seltenen, entscheidenden zu häufigen, beiläufigen Kontakten, und das ist selbst eine starke Behauptung über Ihren Funnel. Nutzen Sie es, um die Spannweite gegen ein gewichtetes Modell zu sehen, und wählen Sie dann ein begründbares Modell.
Häufig gestellte Fragen
Wie berechnet die lineare Attribution die Gutschrift?
Sie zählt die qualifizierenden Kontaktpunkte eines Conversion-Pfades und teilt die Gutschrift gleichmäßig auf. Eine Journey mit vier Kontaktpunkten gibt jedem 25 %, unabhängig vom Zeitpunkt.
Wann ist die lineare Attribution eine gute Wahl?
Sie eignet sich für längere, mehrstufige Journeys, in denen jede Phase wirklich beiträgt und Sie eine einfache, verteidigbare Basis wünschen. Sie ist auch ein sinnvoller Ausgangspunkt vor dem Test gewichteter Modelle wie Time-Decay.
Was ist die größte Schwäche der linearen Attribution?
Sie nimmt an, dass alle Kontaktpunkte gleich wichtig sind, was selten zutrifft, und kann so Interaktionen mit geringer Wirkung überbewerten. Wenn einige Schritte klar mehr Wert schaffen, bildet ein gewichtetes Modell die Realität besser ab.
Wie wird lineare Attribution berechnet?
Zählen Sie die qualifizierten Kontaktpunkte eines konvertierenden Pfades und geben Sie jedem denselben Bruchteil der Conversion. Bei fünf Kontakten erhält jeder ein Fünftel. Belegt ein Kanal zwei dieser fünf Zeilen, bekommt er insgesamt zwei Fünftel. Aggregieren Sie die Bruchteile anschließend über alle Pfade je Kanal zu gutgeschriebenen Conversions der Periode.
Wann sollte ich lineare Attribution einsetzen?
Wenn sich keine bestimmte Gewichtung begründen lässt und Sie einen vertretbaren Ausgangspunkt brauchen, oder als Basislinie für den Vergleich gewichteter Modelle. Sie passt auch, wenn die Reise wirklich aus ähnlich großen Anstößen besteht, etwa einer langen E-Mail-Strecke. Schlecht geeignet ist sie, wenn erkennbar ein einzelner Kontakt die Überzeugungsarbeit leistet.
Bevorzugt lineare Attribution bestimmte Kanäle?
Ja, jene mit den häufigsten Kontakten. Retargeting, E-Mail und organische Besuche erscheinen meist mehrfach je Pfad und sammeln entsprechend mehrere gleiche Anteile, während eine einzelne entscheidende Demo nur einen erhält. Die Verzerrung geht zur Häufigkeit statt zur Wirkung, was leicht als Beleg für billigen Wiederholungskontakt missverstanden wird.
Ist lineare Attribution besser als Last-Click?
Sie ist vollständiger, aber nicht genauer. Linear zeigt immerhin jeden beteiligten Kanal, den Last Click vollständig verbirgt. Sie ersetzt eine willkürliche Regel, alles dem Ende zuzuschreiben, durch eine andere, alles gleich zu verteilen. Werten Sie den Wechsel als Sichtbarkeit über den Pfad, nicht als Ermittlung des wahren Beitrags je Kanal.
Wie behandelt lineare Attribution einen Kanal mit zwei Vorkommen?
Standardmäßig wird der Kanal zweimal bezahlt, je Zeile einmal. Ob das richtig ist, hängt von Ihren Kontaktregeln ab. Sind zwei Besuche aus derselben Quelle innerhalb einer Stunde eigentlich eine Interaktion, deduplizieren Sie vor der Aufteilung. Dokumentieren Sie das Fenster, denn es verändert Kanalranglisten stärker, als die meisten erwarten.
Was unterscheidet lineare von Time-Decay-Attribution?
Linear ignoriert den Zeitpunkt und verteilt gleichmäßig; Time-Decay gewichtet nach Aktualität, spätere Kontakte erhalten mehr. Auf kurzen Pfaden liefern beide ähnliche Antworten. Auf langen Pfaden über Monate laufen sie stark auseinander: Time-Decay bündelt Gutschrift nahe der Conversion, linear verteilt sie bis zu den frühesten Besuchen zurück.