+80 XP

Omnichannel-Attribution: Grundlagen & Kernkonzepte

Eine Kundin sieht Sonntagabend ein Produkt in einem TikTok-Video und klickt nicht. Am Dienstag sucht sie Ihren Markennamen und landet auf der Website. Donnerstag öffnet sie eine Werbe-E-Mail. Samstag kauft sie den Artikel im Laden. Ein Verkauf, vier Kontakte, drei Systeme, die jeweils ein Fragment erfasst haben, und kein System, das das Ganze erfasst hat. Zu entscheiden, welcher dieser Kontakte den Umsatz verdient hat, ist Attribution. Diese Entscheidung ist keine akademische Buchhaltung: Die Zahl, die Sie veröffentlichen, bestimmt, welche Kanäle im nächsten Quartal Budget bekommen und welche gestrichen werden. Diese Lektion beschreibt den Gegenstand selbst, die Modelle, die Credit verteilen, die Zeitfenster, die die Frage begrenzen, und die Identitätsgrenzen, die jede Antwort zu einer Annäherung machen.

Was Attribution tatsächlich bedeutet

Attribution ordnet den Credit für eine Conversion den Touchpoints zu, die ihr vorausgegangen sind. Ein Touchpoint ist jede erfasste Interaktion zwischen einer Person und Ihrem Marketing: ein bezahlter Klick, eine ausgelieferte, aber nie geklickte Ad Impression, ein E-Mail-Öffnen, ein Store-Besuch, der über eine Loyalty-Karte erfasst wurde, ein eingehender Anruf. Eine Conversion ist das Ereignis, dem Sie Wert zugeschrieben haben, meist ein Kauf, ein qualifizierter Lead oder ein Abo-Start. Attribution beantwortet zwei Fragen zu einer Menge von Touchpoints: welche bekommen Credit, und wie viel bekommt jeder.

Drei Begriffe werden unscharf verwendet und sollten auseinandergehalten werden:

  • Touchpoint: eine erfasste Interaktion, mit Zeitstempel und Kanal.
  • Path: die geordnete Folge von Touchpoints, die an eine einzelne Identität gebunden ist und entweder in einer Conversion endet oder in nichts.
  • Credit: der Bruchteil des Werts einer Conversion, der einem Touchpoint zugeordnet wird.

Die dritte Definition trägt das ganze Thema. Credit wird von einem Modell erzeugt. Er wird nie beobachtet. Ihre Logs zeigen, dass eine Person einigen Dingen ausgesetzt war und später etwas gekauft hat. Sie zeigen nicht, was die Person andernfalls getan hätte. Jede Attributionszahl, die Sie je lesen werden, ist die Meinung eines Modells über den kausalen Anteil, verkleidet als Zahl.

Omnichannel-Attribution ist Attribution über Touchpoints hinweg, die digitale und physische Umgebungen umfassen, und über Geräte und Plattformen, die keinen gemeinsamen Identifier haben. Sie ist schwieriger als rein digitale Attribution, aus einem praktischen Grund mehr als aus einem konzeptionellen: Offline- und App-Store-Events kommen spät an, in Batches, an etwas anderes als ein Browser-Cookie gebunden, und manchmal gar nicht.

Teilkonzept 1: Attributionsmodelle

Ein Attributionsmodell ist die Regel oder der Algorithmus, der den Credit einer Conversion über die Touchpoints des Path verteilt. Es gibt zwei Familien.

Regelbasierte Modelle wenden eine feste Formel an, unabhängig davon, was die Daten sagen:

  • Last Click gibt 100 % des Credits an den letzten Touchpoint. Google Analytics hat jahrelang standardmäßig so berichtet, weshalb ein großer Teil der Intuition der Branche darauf aufbaut. Es begünstigt Brand Search, Retargeting und Coupon-Affiliates, weil die am nächsten an der Kasse sitzen.
  • First Click gibt 100 % an den ersten Touchpoint und bläht Prospecting und Display auf.
  • Linear verteilt den Credit gleichmäßig und behandelt ein übersprungenes Pre-Roll und einen Produktseitenbesuch als gleichwertig.
  • Time Decay gewichtet Touchpoints näher an der Conversion stärker, auf einer Abklingkurve, die Sie wählen.
  • Positionsbasiert, oft 40/40/20, gibt 40 % dem ersten Touch, 40 % dem letzten und verteilt 20 % auf die Mitte.

Keines davon ist aus Evidenz abgeleitet. Es sind Konventionen, und ihre Popularität kommt daher, dass sie billig zu berechnen und in einem Meeting leicht zu erklären sind.

Data-Driven Attribution (DDA) schätzt den Credit aus Ihren eigenen Conversion-Daten, vergleicht Paths, die konvertiert haben, mit solchen, die es nicht taten, und weist jedem Touchpoint einen Anteil auf Basis seines gemessenen marginalen Beitrags zu. Google hat DDA 2021 zum Standard in Google Ads gemacht und bis 2023 die meisten regelbasierten Optionen vollständig aus dem Reporting entfernt. DDA ist eine bessere Antwort als 40/40/20, bleibt aber ein Modell: Es braucht stabiles Conversion-Volumen, und es kann nur Touchpoints gewichten, die sein eigenes Tracking sieht. Ein Kanal, der für den Tracker unsichtbar ist, erhält null, was nicht dasselbe ist wie nichts beizutragen.

Teilkonzept 2: Attributionsfenster

Ein Attributionsfenster (oder Lookback Window) ist der Zeitraum vor einer Conversion, in dem ein Touchpoint für Credit in Frage kommt. Außerhalb des Fensters wird der Touchpoint behandelt, als hätte er nie stattgefunden.

Fenster gibt es in zwei Arten. Ein Click-Through-Fenster zählt Touchpoints, die die Person aktiv geklickt hat. Ein View-Through-Fenster zählt Impressions, die ohne Klick ausgeliefert wurden, und es ist fast immer deutlich kürzer. Der TikTok Ads Manager etwa hat standardmäßig ein 7-Tage-Klick- und ein 1-Tage-View-Fenster, mit Klickoptionen bis zu 28 Tagen.

Zwei Konsequenzen sind relevant. Erstens: Das Fenster zu ändern verändert Ihre berichteten Conversions, ohne dass sich in der realen Welt etwas ändert. Eine Erweiterung von 7 auf 28 Tage hebt die scheinbare Performance eines Kanals über Nacht. Zweitens: Ein Fenster, das kürzer ist als Ihr tatsächlicher Entscheidungszyklus, löscht stillschweigend den oberen Teil des Funnels. Wenn Leute fünf Wochen brauchen, um eine Matratze zu kaufen, und Ihr Fenster sieben Tage beträgt, wird die Awareness-Arbeit in jedem Report wertlos aussehen.

Ein Begriff, den man hier behalten sollte: Eine selbst attribuierte Conversion ist eine, die eine Plattform mit ihrem eigenen Tracking und ihrem eigenen Fenster in ihrem eigenen Interface für sich beansprucht. Jede Plattform wendet das nur auf Touchpoints an, die sie sehen kann, weshalb die von Plattformen berichteten Conversions, zusammengezählt, regelmäßig die Zahl der tatsächlich gemachten Verkäufe übersteigen.

Teilkonzept 3: das Problem der Identity Resolution

Bevor Sie überhaupt etwas kanalübergreifend attribuieren können, müssen Sie feststellen, dass die Person, die die E-Mail geöffnet hat, und die Person, die an der Kasse bezahlt hat, dieselbe Person sind. Das ist Identity Resolution, und ohne sie ist Omnichannel-Attribution Rechnen mit unverbundenen Zeilen.

Deterministisches Matching verknüpft Touchpoints über einen bekannten Identifier, den die Person angegeben hat: ein eingeloggtes Konto, eine Loyalty-Nummer, eine gehashte E-Mail-Adresse, eine Bestellbestätigung. Die Match Rates sind hier hoch, üblicherweise über 90 % für den Traffic, der tatsächlich eingeloggt ist. Probabilistisches Matching schließt aus gemeinsamen Signalen wie IP-Adresse, Geräteeigenschaften und Verhaltens-Timing, dass zwei anonyme Datensätze zu einer Person gehören. Die Genauigkeit ist deutlich niedriger, typischerweise im Bereich von 60 bis 80 %, und die Fehler sind nicht zufällig: Sie häufen sich in gemeinsamen Haushalten und gemeinsamen Netzwerken.

Die Einschränkung hat sich von beiden Seiten verschärft. Third-Party-Cookies sind in Safari und Firefox seit Jahren eingeschränkt, und Chromes Zeitplan hat sich mehrfach verschoben. Auf Mobile hat Apples App Tracking Transparency, ausgeliefert mit iOS 14.5 im April 2021, den Zugriff auf die IDFA zu einem expliziten Opt-in-Prompt gemacht, und die meisten Nutzer haben abgelehnt. Der praktische Effekt: Ein großer Teil Ihrer Paths sind überhaupt keine Paths. Sie sind unverbundene Fragmente, und das Modell attribuiert jedes Fragment stillschweigend so, als wäre es ein ganzer Kunde.

Marketing Attribution Explained

Watch on YouTube

Teilkonzept 4: Messung auf User-Ebene und auf Aggregatebene

Zwei Messebenen stecken unter demselben Wort, und sie zu verwechseln verursacht echte Verwirrung.

Multi-Touch-Attribution (MTA) arbeitet auf User-Ebene. Sie braucht einen Path pro Person, erbt also jede der oben genannten Identitätsgrenzen, und sie ist blind für Media, die sie nicht taggen kann.

Marketing-Mix-Modelling (MMM) arbeitet auf Aggregatebene. Es regressiert Ergebnisse wie Wochenumsätze gegen Spend, Preis, Saisonalität, Distribution und andere Treiber. Es braucht keine personenbezogenen Daten, kann also TV, Out-of-Home, Sponsoring und Preiseffekte einbeziehen, aber es braucht Jahre an Historie und sagt Ihnen nichts über eine einzelne Person.

Beide sind Schätzungen derselben zugrunde liegenden Größe aus entgegengesetzten Richtungen. Die Wahl zwischen ihnen und die Validierung des Gewählten ist Methodenarbeit, die später kommt. Für jetzt genügt der Hinweis, dass MTA und MMM unterschiedlich geformte Fragen beantworten und nicht übereinstimmen werden.

Fälle aus der Praxis

Apples ATT-Rollout ist das klarste Beispiel dafür, wie Identitätsbeschränkungen neu definieren, was Attribution sein kann. Als der IDFA-Zugriff Opt-in wurde, wechselten iOS-App-Werbetreibende zu SKAdNetwork, das Install-Daten auf Kampagnenebene mit einem grobem Conversion Value, einer randomisierten Verzögerung und Unterdrückung von allem unterhalb einer Mindestgruppengröße zurückgibt. Paths auf User-Ebene existierten auf diesem Inventar einfach nicht mehr, und die Messung verlagerte sich vom Zählen einzelner Journeys zum Lesen von Aggregaten. Erwähnenswert: Apple verkauft über Apple Search Ads selbst Werbung und definiert die Messregeln für alle anderen auf der Plattform, ist also keine neutrale Partei in diesem Design.

TikTok zeigt das Fensterproblem in Reinform. Ein großer Teil des Einflusses der Plattform ist View-Through: Leute schauen, klicken nicht und kommen Tage später über eine Brand Search oder durch Eintippen der URL zurück. Bei einem 1-Tage-View-Fenster und Last-Click-Logik wird dieser Verkauf der Suche zugeschrieben. TikToks eigenes Attributions-Reporting zählt, was sein Fenster sehen kann, und wie bei jeder Plattform, die sowohl die Media als auch die Messung verkauft, sind die Zahlen selbst attribuiert und nicht unabhängig verifiziert.

CMO-Maßnahmen

  • Schreiben Sie auf einer Seite auf, welches Modell und welche Fenster Ihre Reports aktuell verwenden, pro Kanal. Wenn niemand sie benennen kann, wird Ihr Budget von einer Standardkonfiguration verteilt, die vor Jahren jemand akzeptiert hat.
  • Verfolgen Sie Ihre deterministische Match Rate als monatliche Metrik: den Anteil des Umsatzes, der auf eine bekannte Kunden-ID fällt. Dieser eine Prozentsatz begrenzt, wie viel Omnichannel-Attribution Ihnen überhaupt zur Verfügung steht.
  • Kartieren Sie die zwei oder drei häufigsten echten Kaufpfade für Ihr Topprodukt, inklusive Offline-Schritten, bevor Sie über Credit streiten. Sie können keinen Path modellieren, den Sie nie beschrieben haben.

Häufige Fehler, die Ergebnisse zerstören

  • Modell-Output als kausale Tatsache lesen. Ein Kanal, der auf vielen konvertierenden Paths auftaucht, hat Präsenz gezeigt, nicht Einfluss.
  • Zahlen vergleichen oder addieren, die auf verschiedenen Fenstern und verschiedenen Identity Graphs beruhen. Dass zwei Plattformen denselben Verkauf für sich beanspruchen, ist der Normalfall und kein Fehler, der durch Summieren zu bereinigen ist.
  • Das Fenster am Reporting-Kalender statt am Kaufzyklus ausrichten, wodurch überlegte Käufe wie Impulskäufe aussehen.
  • Die Modellwahl als technische Einstellung behandeln. Sie ist eine Budgetentscheidung und wird üblicherweise in einem Einstellungsbildschirm von jemandem getroffen, dem das nie gesagt wurde.

Ressourcen

  • 🔗
    Google Analytics Attribution Modeling Overview

    Googles offizielle Dokumentation dazu, wie Data-Driven Attribution in GA4 funktioniert und wie sie sich von regelbasierten Modellen unterscheidet, mit Hinweisen zum Wechsel Ihres Standardmodells.

  • 🔗
    Meta Conversions API Implementation Guide

    Technische und strategische Dokumentation zur Implementierung von serverseitigem Tracking, um nach iOS 14.5 verlorene Messgenauigkeit wiederherzustellen, direkt relevant für jede Marke mit Paid Social.