Multi-Touch Attribution für DACH-E-Commerce

Worum es geht, und warum ein Sale fast nie aus einem Klick entsteht

Attribution ist die Zuordnung eines Verkaufs zu den Marketing-Kanälen, die ihn ermöglicht haben. Klingt simpel, ist es aber nicht, sobald eine Customer Journey mehr als einen Schritt hat. Und das ist im DACH-E-Commerce die Regel, nicht die Ausnahme. Jemand sieht eine Meta-Anzeige im Feed, denkt sich erst einmal nichts dabei, stolpert ein paar Tage später über einen Preisvergleich, liest eine Bewertung, sucht schließlich gezielt nach deinem Shop-Namen und kauft. Vier Touchpoints, ein Umsatz. Die Frage ist: Welcher Kanal hat den Sale verdient?

Das ist kein konstruierter Sonderfall. In den Shops, die unser Website-Audit prüft, ist die Mehrheit der Bestellungen Mehr-Channel: Sie entstehen über mehrere Klicks und Kanäle, nicht über einen einzigen. Wer trotzdem nur den letzten Klick zählt, blendet damit den Normalfall aus.

Die bequeme Antwort lautet Last-Click. Der letzte Klick vor dem Kauf bekommt den gesamten Umsatz, alles davor wird ignoriert. Das ist die Standard-Logik der meisten Reporting-Setups, weil sie deterministisch und leicht zu erklären ist. Sie hat aber einen teuren Nebeneffekt: Sie belohnt die Kanäle am Ende der Journey, vor allem die Marken-Suche, und bestraft alles, was weiter oben Nachfrage erzeugt. Wer sein Budget nach Last-Click steuert, schiebt Geld in die Kanäle, die ohnehin geerntet hätten, und kürzt die, die gesät haben.

Multi-Touch Attribution dreht diese Logik um. Statt nur den letzten Touchpoint zu zählen, verteilt sie den Umsatz auf die beteiligten Stationen. Wie genau verteilt wird, bestimmt das gewählte Attributionsmodell. Genau darum geht es in diesem Leitfaden: nicht um Hype, sondern um eine nüchterne Einordnung, welches Modell welche Frage beantwortet und wann es seinen Aufwand wert ist.

Adressiert ist der Text an Shop-Betreiber, Performance-Marketer und Geschäftsführungen, die ihr Budget besser verteilen wollen, ohne sich in Tool-Marketing zu verlieren. Die technischen Detail-Themen, etwa Customer-Journey-Tracking oder die Mechanik datengetriebener Modelle, vertiefen die Cluster-Artikel, die am Ende verlinkt sind.

Vertiefung im Glossar: Attribution, Attributionsmodell, Touchpoint, Customer Journey.

Warum Last-Click dein Budget falsch verteilt

Der Schaden von Last-Click ist kein theoretisches Problem, er lässt sich an einem Beispiel zeigen. Die folgenden Zahlen sind bewusst illustrativ gewählt, sie stehen für das Muster, nicht für eine Messung.

Eine Beispiel-Journey

Nimm an, ein Kunde durchläuft vor dem Kauf eines Produkts für 200 Euro vier Touchpoints. Zuerst eine Meta-Anzeige, die ihn überhaupt erst auf die Marke aufmerksam macht. Dann, zwei Tage später, ein Klick über einen Preisvergleich. Am vierten Tag ein Besuch über einen Affiliate-Gutschein-Link. Am fünften Tag tippt er den Shop-Namen direkt in Google und kauft über eine Brand-Search-Anzeige. Vier Stationen, ein Umsatz von 200 Euro.

Last-Click schreibt die vollen 200 Euro der Brand-Search-Anzeige zu. Die Meta-Anzeige, die die Journey gestartet hat, bekommt null. Der Preisvergleich bekommt null. Der Affiliate bekommt null. Im Reporting sieht es so aus, als hätte allein die Marken-Suche den Sale gebracht, also fließt mehr Budget dorthin. Genau das ist die Falle: Brand-Search erntet Nachfrage, die andere Kanäle erzeugt haben. Wer die Awareness-Kanäle kürzt, weil sie auf dem Papier null Umsatz bringen, trocknet die Quelle der eigenen Brand-Suchen aus.

Wie ein Multi-Touch-Modell dieselbe Journey bewertet

Ein Position-Based-Modell, das ersten und letzten Touchpoint je 40 Prozent und den mittleren zusammen 20 Prozent gibt, verteilt die 200 Euro anders: 80 Euro auf die Meta-Anzeige, je 20 Euro auf Preisvergleich und Affiliate, 80 Euro auf die Brand-Search. Ein lineares Modell gäbe jedem der vier Touchpoints 50 Euro. Time-Decay würde die späteren Touchpoints stärker gewichten als die frühen, aber den ersten Kontakt nicht komplett auf null setzen.

Welches dieser Modelle richtig ist, hängt von deinem Geschäft ab. Der Punkt ist ein anderer: Jedes Multi-Touch-Modell zeigt, dass die Meta-Anzeige einen Beitrag geleistet hat. Last-Click zeigt das nie. Wer Budget-Entscheidungen über mehrere Kanäle trifft, braucht ein Modell, das die ganze Journey sieht, nicht nur ihren letzten Schritt.

Modelle live an einer Journey durchrechnen: der Attribution-Rechner.

Die gängigen Attributionsmodelle im Überblick

Es gibt eine Handvoll etablierter Modelle. Sie unterscheiden sich darin, wie sie den Umsatz auf die Touchpoints verteilen. Hier die nüchterne Einordnung, ohne ein Modell zum Heilsbringer zu erklären.

First-Click

Der erste Touchpoint bekommt den gesamten Umsatz. Das Modell betont die Nachfrage-Erzeugung und beantwortet die Frage, welcher Kanal neue Kunden überhaupt anzieht. Es ignoriert dafür alles, was danach passiert, und überschätzt die Awareness-Kanäle. Sinnvoll vor allem für die Frage nach der Top-of-Funnel-Wirkung, nicht als alleinige Steuerungsgröße.

Last-Click

Der letzte Touchpoint bekommt alles. Einfach, deterministisch, der Standard vieler Plattform-Reports. Der Preis ist die systematische Bevorzugung der Kanäle am Ende der Journey, allen voran Brand-Search. Als grobe Orientierung für sehr kurze Journeys brauchbar, als Budget-Logik über mehrere Kanäle gefährlich.

Linear

Jeder Touchpoint bekommt den gleichen Anteil. Das Modell macht keine Annahme darüber, welche Station wichtiger ist, und ist deshalb fair, aber auch unscharf. Es eignet sich als neutraler Startpunkt, wenn du noch kein Gefühl für die Gewichtung in deiner Journey hast, und als Kontrast zu Last-Click, um den Verzerrungseffekt sichtbar zu machen.

Time-Decay

Spätere Touchpoints werden stärker gewichtet als frühe, der Beitrag nimmt mit dem zeitlichen Abstand zum Kauf ab. Die Logik dahinter: Was näher an der Conversion liegt, hat den Abschluss stärker beeinflusst. Passt gut zu Journeys mit klarer Beschleunigung zum Kaufzeitpunkt, etwa Promotions oder zeitlich begrenzten Angeboten.

Position-Based (U-förmig)

Erster und letzter Touchpoint bekommen den größten Anteil, häufig je 40 Prozent, die mittleren teilen sich den Rest. Das Modell würdigt sowohl die Nachfrage-Erzeugung als auch den Abschluss und entwertet die Mitte bewusst. Ein guter Kompromiss für die meisten E-Commerce-Journeys mit klarem Anfang und Ende.

Datengetrieben (Data-Driven)

Statt einer festen Regel lernt das Modell die Gewichte aus den eigenen Daten, indem es Journeys mit und ohne bestimmte Touchpoints vergleicht und so deren tatsächlichen Beitrag schätzt. Das ist im Prinzip das ehrlichste Modell, weil es die Realität des eigenen Shops abbildet statt einer Annahme. Es setzt aber eine Mindestmenge an Conversions voraus und ist weniger transparent als die regelbasierten Modelle. Mehr dazu im nächsten Abschnitt.

Im Glossar: Attributionsmodell, Multi-Touch-Attribution. Neun Modelle inklusive Custom-Logik im Produkt: Multi-Touch Attribution in DataFirst Track.

Datengetriebene vs. regelbasierte Attribution

Die Modelle aus dem letzten Abschnitt zerfallen in zwei Lager. Regelbasiert sind First-Click, Last-Click, Linear, Time-Decay und Position-Based: Sie folgen einer festen, von dir gewählten Regel. Datengetrieben ist alles, was die Gewichte aus den eigenen Conversion-Daten lernt. Beide haben ihre Berechtigung, die Wahl ist keine Glaubensfrage, sondern eine Frage von Datenlage und Komplexität.

Was regelbasierte Modelle stark macht

Regelbasierte Modelle sind transparent. Jeder im Team versteht, warum ein Touchpoint wie viel bekommt, und kann die Zahl gegenprüfen. Sie funktionieren auch bei wenig Volumen, weil sie keine Lernphase brauchen. Und sie sind stabil: Die Gewichtung ändert sich nicht von selbst, was Budget-Entscheidungen nachvollziehbar hält. Der Nachteil ist, dass die Regel eine Annahme bleibt. Wenn deine echte Journey nicht zur Annahme passt, misst du konsequent falsch, nur eben konsistent falsch.

Wann datengetrieben sich lohnt

Datengetriebene Attribution braucht Futter. Sie vergleicht Journeys, in denen ein Touchpoint vorkam, mit solchen, in denen er fehlte, und leitet daraus den Beitrag ab. Dafür braucht es genug Conversions, damit die Unterschiede statistisch belastbar werden. Bei dünnem Volumen lernt das Modell Rauschen und wirkt dadurch präziser, als es ist. Lohnenswert wird es, wenn zwei Dinge zusammenkommen: ausreichend Conversion- Volumen pro Monat und ein Kanalmix, der komplex genug ist, dass keine feste Regel ihn sauber abbildet.

Die Grenzen, die oft verschwiegen werden

Datengetriebene Modelle sind weniger transparent. Warum ein Kanal in einem Monat mehr Gewicht bekommt als im nächsten, ist nicht immer leicht erklärbar, was die Akzeptanz im Team senken kann. Hinzu kommt, dass die datengetriebenen Modelle der großen Plattformen jeweils nur ihre eigene Welt sehen: Googles Modell kennt die Meta-Touchpoints nicht, Metas Modell kennt die Google-Touchpoints nicht. Wer kanalübergreifend datengetrieben attribuieren will, kommt um eine zentrale Schicht nicht herum, die alle Touchpoints zusammenführt, bevor ein Modell darüber rechnet.

Die zentrale Schicht in der Praxis: Multi-Channel Attribution.

Multi-Touch im DSGVO-Kontext: ohne saubere Daten keine saubere Attribution

Attribution ist nur so gut wie die Daten, auf denen sie aufsetzt. Und genau hier verbindet sich dieses Thema mit dem DSGVO-Leitfaden. Jeder Touchpoint, den du attribuieren willst, muss erst einmal sauber und rechtskonform erfasst sein. Fehlt die Einwilligung, fehlt der Datenpunkt, und das Modell rekonstruiert eine Journey mit Löchern.

In Deutschland sind Einwilligungs-Raten branchenübergreifend nicht hoch. Wenn ein spürbarer Teil der Touchpoints im Tracking fehlt, sieht jedes Attributionsmodell nur einen Ausschnitt der Wahrheit. Besonders betroffen sind die frühen, awareness-nahen Touchpoints, weil Nutzer früh in der Journey seltener eingewilligt haben. Das verstärkt ausgerechnet die Verzerrung, die Multi-Touch eigentlich beheben soll.

Wie groß diese Lücke real ist, zeigt sich in unseren Website-Audits: Bei den geprüften Shops bleibt regelmäßig ein erheblicher Teil der Bestellungen, oft über ein Drittel, ohne sauber erkannten Channel. Das ist genau der Teil, den ein Attributionsmodell nicht zuordnen kann, weil die Daten dahinter fehlen.

Die Gegenmittel sind dieselben wie bei jedem konformen Tracking-Setup. Consent sauber einholen, damit überhaupt eine Rechtsgrundlage besteht. Consent Mode v2 nutzen, damit das Modeling die ohne Einwilligung fehlenden Conversions statistisch zurückrechnet. Und serverseitig tracken, damit Browser-Restriktionen wie ITP und iOS-Tracking-Prevention weniger Touchpoints kosten. Erst auf dieser Basis liefert Multi-Touch Attribution Zahlen, denen du trauen kannst.

Anders gesagt: Wer Attribution verbessern will, ohne vorher das einwilligungskonforme Tracking-Fundament zu legen, optimiert ein Modell auf lückenhaften Daten. Die beiden Themen gehören zusammen, und genau deshalb verweisen wir hier auf den ersten Leitfaden.

Das Fundament: DSGVO-konformes Tracking. Im Glossar: Consent Mode v2, Server-Side Tracking, Cookieless Tracking.

Attribution vs. Marketing Mix Modeling

Mit dem Schwund deterministischer Cookie-Daten gewinnt ein zweiter Ansatz an Relevanz: Marketing Mix Modeling, kurz MMM. Es wird gern als Konkurrenz zur Attribution dargestellt, ist aber eher ihr Gegenstück. Beide messen Wirkung, nur von zwei verschiedenen Seiten.

Bottom-up vs. top-down

Attribution arbeitet bottom-up. Sie setzt auf Ebene einzelner Nutzer-Journeys an und ordnet konkrete Conversions konkreten Touchpoints zu. Das ist granular und schnell, hängt aber an erfassbaren, einwilligungskonformen Einzeldaten. Marketing Mix Modeling arbeitet top-down. Es nimmt aggregierte Zeitreihen von Spend und Umsatz und schätzt mit statistischen Modellen, welcher Kanal über Wochen und Monate welchen Beitrag geliefert hat. Dabei kann es auch Effekte einfangen, die Attribution gar nicht sieht, etwa Offline-Werbung, Saisonalität oder langfristige Markeneffekte.

Warum MMM im DACH-Markt zurückkommt

MMM braucht keine personenbezogenen Daten, weil es auf Aggregaten rechnet. Genau das macht es robust gegen Cookie-Verlust, Consent-Lücken und Plattform-Restriktionen. Der Ansatz ist nicht neu, er stammt aus der klassischen Markenwerbung, erlebt aber im Cookieless-Zeitalter eine Renaissance, auch bei kleineren DACH-Shops, die früher rein klickbasiert gesteuert haben.

Wann du was nutzt

Für die kurzfristige Steuerung und Optimierung einzelner Kampagnen ist Attribution das schärfere Werkzeug. Für die strategische Budget-Verteilung über Kanäle hinweg, gerade wenn Offline und Brand eine Rolle spielen, liefert MMM die robustere Perspektive. In der Praxis ergibt die Kombination Sinn: Attribution für das tägliche Steuern, MMM als Korrektiv für die großen Budget-Fragen. Wer beides nebeneinander liest, erkennt Verzerrungen schneller als mit nur einer Methode.

Modell auswählen in fünf Schritten

Das passende Modell ergibt sich nicht aus einer Tabelle, sondern aus deinem Geschäft. Diese fünf Schritte führen zu einer begründeten Entscheidung, statt das Default-Modell einfach zu übernehmen.

Schritt 1: Journey-Länge bestimmen

Schau dir an, wie viele Touchpoints zwischen erstem Kontakt und Kauf typischerweise liegen. Sind es überwiegend ein bis zwei, ist der Verzerrungs-Spielraum klein und ein einfaches Modell reicht. Sind es regelmäßig drei oder mehr über verschiedene Kanäle, lohnt Multi-Touch sofort, weil Last-Click hier am meisten Schaden anrichtet.

Schritt 2: Kanalmix einordnen

Je mehr Kanäle mit unterschiedlichen Rollen beteiligt sind, desto wichtiger wird ein Modell, das Anfang und Ende getrennt würdigt. Ein Shop, der fast nur über Brand-Search und Direktzugriffe verkauft, hat ein anderes Attributionsproblem als einer, der stark in Meta-Awareness und Affiliate investiert. Halte fest, welche Kanäle eher Nachfrage erzeugen und welche eher ernten.

Schritt 3: Datenvolumen prüfen

Zähle deine Conversions pro Monat. Bei niedrigem Volumen bleib bei einem regelbasierten Modell, weil datengetriebene Ansätze hier instabil werden. Bei hohem Volumen und komplexem Mix wird datengetrieben eine ernsthafte Option. Dieser Schritt verhindert, dass du ein Modell wählst, das deine Datenlage gar nicht trägt.

Schritt 4: Ein Modell als Standard, eines als Kontrast

Lege ein primäres Modell für die Steuerung fest, etwa Position-Based oder Time-Decay, und betrachte daneben dauerhaft ein Kontrast-Modell, oft Last-Click. Die Differenz zwischen beiden zeigt, welche Kanäle Last-Click systematisch unterschätzt. Diese Lücke ist die eigentlich wertvolle Erkenntnis, nicht der absolute Wert eines einzelnen Modells.

Schritt 5: Konsistent anwenden und gegen die Realität prüfen

Wende das gewählte Modell konsistent über alle Kanäle an, nicht je Plattform ein anderes. Und gleiche die Ergebnisse regelmäßig mit der Realität ab, etwa über einen MMM-Blick oder über Geo- und Holdout-Tests. Ein Modell ist ein Werkzeug, kein Orakel: Es wird besser, wenn du seine Aussagen gegen unabhängige Signale hältst.

Modelle vergleichen: Attribution-Rechner. Eigene Tracking- und Attribution-Architektur prüfen: kostenloses Website-Audit.