Omnichannel-Attribution: Frameworks & Methodik

Ihr Analytics-Lead kommt mit der einzigen Frage zurück, die zählt, bevor jemand Code schreibt: Shapley-Werte oder ein Markov-Modell mit removal effect, auf welcher Tabelle gerechnet, und woran erkennen wir, dass das Ergebnis stimmt? Die Wahl eines Algorithmus zur Credit-Zuweisung ist eine Entscheidung unter Nebenbedingungen, keine Geschmacksfrage. Die Nebenbedingungen: wie viele Touches Sie pro konvertierendem Pfad tatsächlich erfassen, wie viel Ihres Spends nie in dieser Tabelle landet, und ob Sie ein Experiment fahren kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen, um die Antwort zu prüfen. Bringen Sie die Reihenfolge dieser Bedingungen durcheinander, beauftragen Sie ein Modell, das selbstbewusste Zahlen produziert, die im Budget-Meeting niemand verteidigen kann.

Den Algorithmus an die vorhandenen Touch-Daten anpassen

Zählen Sie vier Dinge in Ihren eigenen Conversion-Daten, bevor Sie eine Modell-Shortlist erstellen.

• Median der Touches pro konvertierendem Pfad und Anteil der Pfade mit genau einem erfassten Touch.
• Anteil des gesamten Media-Spends auf Kanälen, die nie einen Touch auf User-Ebene erzeugen: lineares TV, Out-of-Home, Print, Sponsoring, der Großteil von In-Store Retail Media.
• Conversions pro Monat und Kanal innerhalb des Attributionsfensters, das die Grundlagen-Lektion definiert.
• Anteil der Pfade, bei denen die Identität mittendrin bricht, sodass die Touches davor in einem anderen Profil liegen.

Diese vier Zahlen entscheiden das Modell für Sie. Trägt der Großteil Ihrer konvertierenden Pfade nur einen erfassten Touch, hat MTAMTAEine Methode, die den Conversion-Beitrag auf alle Marketing-Touchpoints der Customer Journey verteilt, statt nur die erste oder letzte Interaktion zu berücksichtigen.Vollständige Definition ansehen → nichts zu verteilen, und jedes Multi-Touch-Modell etikettiert nur Last Click mit zusätzlichen Nachkommastellen neu. Produziert ein Kanal ein paar Dutzend Conversions pro Monat, überfittet ein machine-learned Modell dessen Rauschen; Google Ads verlangte jahrelang in der Größenordnung von Zehntausenden Klicks und Hunderten Conversions in einem 30-Tage-Fenster, bevor überhaupt ein datengetriebenes Modell gefittet wurde, und ließ diese Mindestwerte erst um 2021 fallen. Die Schwellen waren ein vernünftiger statistischer Instinkt, auch wenn die Hürde weg ist.

Und wenn mehr als rund ein Viertel Ihres Spends in Kanälen liegt, die keinen Touch erzeugen, kann kein Modell auf Touch-Ebene Ihr Planungsinstrument sein. Es schreibt den Credit dieses Viertels irgendeinem trackbaren Kanal zu, der zufällig in der Nähe war.

Die vier Modellfamilien und was jede tragen kann

Regelbasierte Logik

Schnell, günstig und auf Annahmen gebaut, die Sie gewählt haben, nicht auf dem, was Ihre Kunden getan haben. Als grober Richtungscheck in Ordnung, nicht als Basis für Allokationen oberhalb von etwa 5 Millionen Dollar. Eine operative Anmerkung, falls Ihr Team in Google Analytics lebt: GA4 hat First Click, linear, Time Decay und positionsbasiert 2023 abgeschafft und Last Click für Cross-Channel-Reporting ebenfalls gestrichen, sodass datengetrieben das einzige angebotene Cross-Channel-Modell ist. Jeder regelbasierte Vergleich, den Ihr Team zitiert, kommt aus einer anderen Quelle, und Sie sollten wissen, aus welcher.

Datengetriebene AttributionAttributionEin Framework, das den Touchpoints, die zu einer Conversion beigetragen haben, Credit zuweist, damit Sie messen können, welche Kanäle und Interaktionen tatsächlich Ergebnisse bringen.Vollständige Definition ansehen →

Zwei Algorithmen dominieren. Der Shapley-Wert behandelt jeden Kanal als Spieler und mittelt dessen marginalen Beitrag über alle Reihenfolgen des Pfads. Markov-Ketten modellieren den Pfad als Zustände und berechnen einen removal effect: Kanal löschen, sehen, wie viel Conversion-Wahrscheinlichkeit aus dem Graphen abfließt. Googles DDA ist im selben Geist kontrafaktisch und vergleicht Pfade mit und ohne Touchpoint. Adobe verkauft das ebenfalls: Attribution IQ im Analysis Workspace rechnet ein algorithmisches Modell parallel zu den regelbasierten auf demselben Datensatz, was der günstigste Weg ist zu sehen, wie stark Ihre Antwort von der Algorithmuswahl abhängt. Wenn Shapley und Markov beim Kanal-Ranking widersprechen, ist der Widerspruch Ihr eigentlicher Befund, und ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → bedeutet meist dünne Pfaddaten statt einer Modellierungsfeinheit.

Media Mix Modelling

Regression auf aggregierten Spend und Ergebnisse über die Zeit, cookiefrei, und in der Lage, TV, Wetter, Preis und Distribution aufzunehmen. Die Restriktion, die unterschätzt wird, sind Freiheitsgrade: Drei Jahre Wochendaten sind rund 156 Beobachtungen, und ein Modell mit einem Dutzend Kanälen plus Saisonalität, Preis und Promotion-Flag hat davon bereits das meiste verbraucht. Die zweite Restriktion ist Multikollinearität. Wenn Ihre Kanäle immer gemeinsam fliegen, hoch in Q4 und runter im Januar, kann die Regression sie nicht trennen und verteilt den Credit zwischen zwei korrelierten Linien nahezu willkürlich. Die Lösung liegt vor dem Modell: Flight-Termine staffeln, Spend regional variieren, die Variation erzeugen, die das Modell braucht. Googles Open-Source-Tool Meridian (das LightweightMMM ersetzt hat) und Metas Robyn sind beide kostenlose Startpunkte, die Ihr Data-Science-Team ohne Blackbox-Einkauf betreiben kann.

IncrementalityIncrementalityDer Anteil der Ergebnisse (Umsatz, Conversions), der nur durch eine Marketingaktion entstanden ist, nicht das, was ohnehin passiert wäre.Vollständige Definition ansehen → Testing

Ihr MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab für alles oben, und die einzige Methode, die eine Zahl liefert, die das Modell nicht schon angenommen hat. Zwei Designfakten entscheiden, ob ein Test funktionieren kann. Erstens ist in einem GeoGeoMarke und Inhalte in KI-generierten Antworten von Tools wie ChatGPT, Gemini und Perplexity sichtbar und zitierbar machen.Vollständige Definition ansehen →-Test die Randomisierungseinheit die Geo, bei 30 Märkten ist Ihre effektive Stichprobe also 30, nicht drei Millionen User. Zweitens skaliert die nötige Stichprobe mit dem Kehrwert des Quadrats des Effekts: den detektierbaren Lift von 20 % auf 10 % zu senken kostet etwa die vierfache Datenmenge, auf 5 % zu kommen das Sechzehnfache. Diese Arithmetik, nicht Enthusiasmus, entscheidet, welche Kanäle Sie dieses Quartal testen können. Wie die Ergebnisse dann das Budget steuern und welche Holdout-Policy Sie darum herum schreiben, ist Thema der Playbook-Lektion.

Validierung: woran Sie erkennen, dass das Modell nicht lügt

Backtest auf zurückgehaltenen Wochen und Vergleich der prognostizierten mit den tatsächlichen Conversions. Dann kalibrieren: Meridian akzeptiert Priors zum Kanal-ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →, die aus Experimentergebnissen stammen, womit aus einem Lift-Test ein Input statt einer separaten Meinung wird. Prüfen Sie die Ranking-Stabilität, indem Sie auf einem anderen Zeitfenster refitten; rutscht ein Kanal drei Plätze, liest das Modell Rauschen. Der Fehlermodus, auf den Sie achten müssen, ist die selbstbestätigende Schleife. Jeder Refit trainiert auf Pfaden, die das Budget des vorherigen Modells erzeugt hat, also sieht ein Modell, das den oberen Funnel unterbewertet, nächstes Quartal weniger Daten aus dem oberen Funnel und bewertet ihn noch weiter herunter. Nur externe Experimente brechen diese Schleife.

Was die Vendor-Stacks tatsächlich für Sie entscheiden

Google

GA4 stellt inzwischen jeden Cross-Channel-Report standardmäßig auf sein datengetriebenes Modell, die Modellwahl wurde für die meisten Teams also 2023 ohne Beschaffungsentscheidung getroffen. Daneben veröffentlicht Google Meridian für MMM und seine GeoX-Methodik für Geo-Experimente, beides kostenlos. Im Hinterkopf behalten sollte man, dass Google die Medien verkauft, die seine Modelle benoten, ein Interessenkonflikt, dessen Schlichtung die Playbook-Lektion beschreibt.

Adobe

Adobe Analytics erlaubt den Modellwechsel innerhalb eines einzigen Reports, und Adobe hat MMM und Attribution auf Touch-Ebene in einer Produktlinie gebündelt. Adobe verkauft Attributionssoftware, behandeln Sie die Modell-Defaults also wie jeden Vendor-Default. Das echte methodische Geschenk ist der Modellwechsel auf einem Datensatz: er macht aus "welches Modell?" statt eines Sechs-Wochen-Projekts einen Nachmittag Sensitivitätsanalyse.

Salesforce

Salesforce (ebenfalls ein Anbieter hier) legt Campaign-Influence-Modelle im CRM-Objektmodell offen, mit Gleichverteilung und individuell gewichteten Optionen sowie einer machine-learned Variante. Methodisch relevant ist das wegen des B2B-Randfalls: Wenn ein Deal neun Monate dauert und sechs Personen in einem Account beteiligt sind, ist Ihre Credit-Einheit die Opportunity, nicht die Bestellung, und jedes Fenster, das kurz genug für E-Commerce ist, schneidet die erste Hälfte des Pfads ab. Modellieren Sie auf Account-Ebene, verlängern Sie das Fenster auf Ihren tatsächlichen Sales Cycle, und akzeptieren Sie, dass MTA Kanäle danach rankt, wie gut sie spät in einem langen Kaufprozess auftauchen, solange Sie nicht dagegen korrigieren.

CMO-Maßnahmen

• Führen Sie die vier diagnostischen Zählungen oben in den nächsten 30 Tagen durch und schreiben Sie die Antworten auf: Median der Touches pro Pfad, Anteil Single-Touch, Anteil ungetrackter Spend, Conversions pro Kanal und Monat. Diese eine Seite bestimmt Ihr Modell, und ein Analyst braucht dafür zwei Tage.
• Beauftragen Sie dieses Quartal einen Incrementality-Test auf einem Kanal, der mehr als 20 % des Digital-Spends bindet. Rechnen Sie vorher die Power durch: Wenn das Design keinen Lift unter 40 % erkennen kann, gestalten Sie es neu oder wählen Sie einen anderen Kanal, statt einen Test zu fahren, der nur "nicht eindeutig" liefern kann.
• Schreiben Sie ein Measurement-Architecture-Dokument, das festlegt, welche Methode welche Entscheidung beantwortet: DDA für wöchentliche Kampagnenoptimierung, MMM für die Quartalsplanung, Experimente für die jährliche Kanalstrategie und zur Kalibrierung der beiden anderen. Benennen Sie den Owner jedes Modells und die Refit-Kadenz.

Häufige Fehler, die Ergebnisse zunichtemachen

Den Algorithmus wählen, bevor die Pfade gezählt sind. Teams kaufen Shapley-basiertes Tooling und stellen dann fest, dass die meisten konvertierenden Pfade einen Touch enthalten, das teure Modell also Last Click reproduziert und die Anbieterrechnung ein falsches Gefühl von Strenge finanziert.

MMM-Output als präzise statt als richtungsweisend behandeln. Ein Modell sagt Ihnen vielleicht, TV treibe 23 % des Umsatzes, während das Intervall von 15 % bis 35 % reicht. Nutzen Sie MMM für Richtung und Größenordnung der Veränderung, und lesen Sie das Intervall, bevor Sie neunstellige Beträge verschieben.

MMM auf synchronisiertem Spend fitten. Wenn jeder Kanal gemeinsam steigt und fällt, sind die Koeffizienten instabil und wechseln zwischen Refits das Vorzeichen. Variieren Sie den Mediaplan bewusst, nach Geografie oder Flight-Timing, damit das Modell etwas zu lernen hat.

Experimente in anormalen Zeiträumen fahren. Ein Geo-Holdout, der über eine große Promotion oder einen Stock-out läuft, vermischt Ihren Treatment-Effekt mit Bedingungen, die die beiden Gruppen nicht geteilt haben. Testen Sie im Steady State und protokollieren Sie jede Ausnahme, damit der nächste Refit weiß, diesen Wochen zu misstrauen.

Die wichtigsten Erkenntnisse

• Das Modell wird von Ihren Daten gewählt, nicht von Ihrer Präferenz: Single-Touch-Anteil, Anteil ungetrackter Spend und Conversion-Volumen pro Kanal entscheiden, was Sie legitim fitten können.
• Shapley und Markov sind die beiden gängigen MTA-Algorithmen. Widersprechen sie sich beim Kanal-Ranking, ist das ein Signal für dünne Daten, das mehr wert ist als jeder der beiden Outputs.
• MMM steht und fällt mit Variation und Freiheitsgraden. 156 Wochenzeilen und ein Dutzend kollineare Kanäle tragen keine belastbare Antwort, egal was das Anbieterdeck sagt.
• Validieren Sie mit zurückgehaltenen Wochen, Refit-Stabilität und Experiment-Kalibrierung. Meridian nimmt experimentgestützte Priors auf, der sauberste Weg, einen Lift-Test Ihr MMM verbessern zu lassen, statt mit ihm zu streiten.
• Achten Sie auf die selbstbestätigende Schleife: Modelle, die auf Budgets nachtrainiert werden, die sie selbst geformt haben, geben sich fortlaufend recht. Externe Experimente sind der einzige Bruch in diesem Kreislauf.