Attribution ist das am häufigsten politisierte Thema im Marketing. Jede Abteilung will ihren Beitrag zur Conversion sehen, jedes Modell liefert andere Zahlen, und kein Modell ist objektiv. Dieser Cluster trennt die Messlogik von der Politik — und zeigt, was in 2026 pragmatisch funktioniert.
Was Attribution leisten kann — und was nicht
Kann: Tendenzen zeigen, Trends über Zeit vergleichen, Budget-Umverteilung begründen, schlecht performende Kanäle identifizieren.
Kann nicht: Eine einzelne Conversion eindeutig einem Kanal zuordnen. Kausale Wirkung von Kampagnen beweisen. „Die Wahrheit" liefern, die alle Stakeholder akzeptieren.
Wer Attribution als Kausalitäts-Beweis nutzt, verwendet das Werkzeug falsch. Attribution ist ein Kompass, nicht ein GPS.
Die gängigen Modelle
Last-Click-Attribution. Die Conversion wird dem letzten Klick vor dem Kauf zugerechnet. Einfach, aber falsch — überbewertet Bottom-of-Funnel-Kanäle (oft Brand-Search), unterbewertet Top-of-Funnel-Aktivitäten (z. B. Display).
First-Click-Attribution. Die Conversion wird dem ersten Kontakt zugerechnet. Umgekehrter Bias.
Linear-Attribution. Alle Touchpoints bekommen gleichen Anteil. Simpel, aber ignoriert, dass nicht alle Touchpoints gleich wichtig sind.
Position-Based (U-Shape). 40-40-20: Erster und letzter Touchpoint bekommen je 40 Prozent, der Rest 20 Prozent verteilt. Heuristisch, aber oft brauchbar.
Zeit-Decay. Nähere Touchpoints bekommen mehr Gewicht. Reasonable für Produkte mit kurzer Betrachtungszeit.
Data-Driven Attribution (DDA). Algorithmisches Modell (typisch Shapley-Value-basiert), das aus historischen Conversion-Pfaden Gewichte lernt. Googles Default. Vorteil: adaptiv. Nachteil: Blackbox.
Marketing Mix Modeling (MMM). Statistisch-ökonometrisches Modell, das auf aggregierten Daten arbeitet (nicht auf Einzelprofilen). Unabhängig von Cookies, deshalb in 2026 wieder stark im Aufwind. Teurer, braucht längere Zeithorizonte.
Welches Modell wann
Last-Click: Für einfache, kurze Customer-Journeys (reiner Performance-Kanal-Mix). Niemals als einziges Modell.
Data-Driven Attribution: Als Default für Paid-Media-Budget-Entscheidungen, wenn ausreichend Conversion-Daten vorliegen (Google verlangt 300+ Conversions pro Monat).
MMM: Für strategische Budget-Allokation über große Kanäle (TV, Radio, Digital, Print). Auch für Incrementality-Fragen.
Mehrere Modelle parallel: Für alle ernsthaften Attribution-Setups. Delta-Analyse zwischen den Modellen ist oft informativer als ein einzelner Modell-Wert.
Das Cookie-Ende und was es bedeutet
Third-Party-Cookies sind in Safari und Firefox schon weg, Chrome folgt. Classic-Multi-Touch-Attribution, die auf Cross-Site-Identifier angewiesen war, verliert jedes Jahr mehr Datenbasis.
Die Antworten der Branche:
- Server-side-Tracking: First-Party-Cookies, direkt beim Advertiser. Weniger Datenverlust bei Consent.
- Modellierte Conversions: Google Ads und Meta modellieren fehlende Conversions statistisch, statt sie zu messen.
- Conversion-API: Server-to-Server-Übertragung von Conversion-Signalen an Werbeplattformen.
- Holdout-Tests: Geo-Experimente, A/B-Tests auf Kampagnen-Ebene. Objektiver als Attribution.
- MMM-Revival: Statistische Modelle, die nicht auf Cookies angewiesen sind.
Praktisch heißt das: Reine Cookie-basierte Attribution wird unzuverlässiger. Ein Mix aus First-Party-Tracking + Holdout-Tests + MMM ist die 2026-pragmatische Antwort.
Incrementality als Kalibrierungs-Anker
Attribution beantwortet: „Woher kam diese Conversion?". Incrementality beantwortet: „Wäre sie ohne unsere Kampagne auch passiert?". Das sind verschiedene Fragen, und für Budget-Entscheidungen ist Incrementality oft die wertvollere.
Wie man Incrementality misst:
- Geo-Experimente: Eine Region bekommt die Kampagne, eine vergleichbare nicht.
- Holdout-Gruppen: Ein zufälliger Prozentsatz der Kunden wird von einer Kampagne ausgeschlossen.
- Match-Market-Tests: Paarweise Vergleichsmärkte mit und ohne Kampagne.
Jede seriöse Attribution-Arbeit sollte mindestens zweimal pro Jahr mit Incrementality-Tests kalibriert werden. Ohne dieses Kalibrierungs-Anker driften Attribution-Modelle — manchmal massiv.
Politik und Governance
Attribution ist nie nur technisch. Jedes Modell hat politische Konsequenzen: Wenn Last-Click auf Data-Driven Attribution gewechselt wird, schrumpft oft der Anteil der Paid-Search-Abteilung — und wächst der von Display/Video. Das erzeugt Widerstand, unabhängig davon, ob der Wechsel inhaltlich richtig ist.
Governance-Empfehlungen:
- Modell-Wechsel ankündigen, nicht überraschen. Drei Monate Vorlauf, betroffene Stakeholder einbinden.
- Side-by-side-Berichte. Altes und neues Modell parallel für 6 Monate, damit Stakeholder den Shift verstehen.
- Methoden-Transparenz. Jeder soll wissen, welches Modell verwendet wird und was seine Annahmen sind.
- Kalibrierungs-Zyklen dokumentieren. Welche Incrementality-Tests wurden wann gemacht, mit welchen Ergebnissen?
Häufige Fehler
Fehler 1 — Ein einziges Modell als Wahrheit. Führt zu politischen Kämpfen und Misstrauen.
Fehler 2 — Kein Cross-Check mit Incrementality. Attribution ohne Kalibrierung driftet unerkannt.
Fehler 3 — Überkomplexe Modelle als Schutzschild. Manche Teams wählen komplexe Modelle, damit niemand sie hinterfragen kann. Das ist keine Qualität, das ist Verschleierung.
Fehler 4 — Attribution ohne Budget-Konsequenz. Wenn die Modell-Ergebnisse nicht in Budget-Entscheidungen einfließen, ist der ganze Aufwand umsonst.
Querverweise: Execute-Phase für die operativen Daten, die Attribution füttern. Omnichannel für die Kanal-übergreifende Sicht. 5-Phasen-Prozess als Framework-Kontext.