Attribution

Attribution bezeichnet die Zuordnung von Conversions und Verkäufen zu den verschiedenen Touchpoints, die ein Nutzer auf seiner Customer Journey durchlaufen hat. Ein Nutzer interagiert vor einem Kauf meist mit mehreren Kanälen – etwa organischer Suche, Social Media und E-Mail. Attribution beantwortet die Frage, welcher Touchpoint welchen Anteil am Erfolg hat. Für SEO ist das entscheidend, weil organische Suche häufig am Anfang der Journey steht und spätere Conversions über andere Kanäle erst ermöglicht.

Last-Click-Attribution ordnet die gesamte Conversion dem letzten Touchpoint vor dem Kauf zu und ignoriert alle vorherigen Interaktionen. Multi-Touch-Attribution verteilt den Conversion-Wert dagegen auf mehrere Touchpoints entlang der Customer Journey. Last-Click benachteiligt besonders SEO und Content-Marketing, die oft früh in der Journey wichtig sind, aber selten der letzte Klick. Multi-Touch-Modelle wie Linear, Time-Decay oder Position-Based bieten ein realistischeres Bild davon, wie verschiedene Kanäle zusammenwirken.

Die sechs gängigsten Modelle sind: Last-Click (gesamter Wert an den letzten Touchpoint), First-Click (an den ersten), Linear (gleichmäßige Verteilung auf alle), Time-Decay (spätere Touchpoints stärker gewichtet), Position-Based oder U-förmig (erster und letzter Touchpoint erhalten den Großteil) und Data-Driven (maschinelles Lernen berechnet den realen Beitrag jedes Touchpoints aus historischen Daten). Single-Touch-Modelle ordnen alles einem Punkt zu, Multi-Touch-Modelle verteilen den Wert auf mehrere Touchpoints.

Für SEO sind Multi-Touch-Modelle wie Position-Based oder Data-Driven besonders geeignet. Position-Based würdigt sowohl die erste Interaktion, bei der SEO oft stark ist, als auch die finale Conversion. Data-Driven berechnet den tatsächlichen Beitrag jedes Touchpoints per maschinellem Lernen, benötigt aber ausreichend Daten. First-Click kann sinnvoll sein, wenn man gezielt die Lead-Generierungskraft von SEO messen will. Ein universell bestes Modell gibt es nicht – entscheidend sind Geschäftsmodell und Länge des Sales-Zyklus. Last-Click ist für SEO meist ungeeignet.

Google hat 2023 die regelbasierten Modelle First-Click, Linear, Time-Decay und Position-Based aus Google Analytics 4 und Google Ads entfernt – wegen sehr geringer Nutzung. In GA4 verfügbar sind heute nur noch Data-Driven Attribution als empfohlener Standard und Last-Click. Wer in GA4 ein Position-Based- oder Linear-Modell erwartet, findet es dort nicht mehr. Als Konzepte bleiben alle Modelle dennoch relevant, da sie das Verständnis der Customer Journey schärfen und andere Analytics-Tools sie weiterhin anbieten.

Assisted Conversions zeigen, wie oft ein Kanal zur Conversion beigetragen hat, ohne der letzte Touchpoint zu sein. Für SEO sind sie besonders wichtig, weil organische Suche häufig als erster Touchpoint dient und spätere Conversions über andere Kanäle beeinflusst. Ein hoher Anteil assistierter Conversions im Verhältnis zu direkten Conversions ist ein klarer Beleg dafür, dass SEO vor allem früh in der Customer Journey wirkt. Genau das macht deutlich, warum Last-Click-Attribution den Wert von SEO systematisch unterschätzt.

Datenschutz erschwert die Attribution. Safari und Firefox blockieren Third-Party-Cookies seit Jahren standardmäßig. Google hat die geplante Abschaffung in Chrome dagegen 2024 und 2025 eingestellt, sodass sie dort vorerst erhalten bleiben – anders als oft behauptet. Dennoch verlieren Third-Party-Cookies an Wirksamkeit, und Consent-Banner führen zu Datenlücken. Moderne Lösungsansätze sind serverseitiges Tracking, First-Party-Daten, der Google Consent Mode zur Modellierung fehlender Daten sowie Marketing Mix Modeling, das ohne personenbezogene Daten auskommt.

Bei der Single-Touch-Attribution wird die gesamte Conversion einem einzigen Touchpoint zugeordnet – etwa dem ersten (First-Click) oder letzten (Last-Click). Das ist einfach, bildet aber die Komplexität moderner Customer Journeys nicht ab. Multi-Touch-Attribution verteilt den Conversion-Wert dagegen auf mehrere Touchpoints, etwa über Linear-, Time-Decay-, Position-Based- oder Data-Driven-Modelle. Multi-Touch-Modelle sind für SEO meist fairer, weil sie auch frühe Touchpoints würdigen, die zwar nicht der letzte Klick sind, aber den Weg zur Conversion ebnen.

Marketing Mix Modeling (MMM) ist eine statistische Methode, die den Beitrag verschiedener Marketing-Kanäle auf aggregierter Ebene analysiert – ohne personenbezogenes User-Level-Tracking. Dadurch kommt MMM ohne Cookies und ohne individuelle Nutzerdaten aus und ist datenschutzkonform. In einer Welt mit Consent-Lücken und schwindender Wirksamkeit von Third-Party-Cookies erlebt MMM eine Renaissance. Es eignet sich besonders, um den Gesamteffekt von Kanälen über längere Zeiträume zu messen, und ergänzt detailliertere, aber datenschutzkritischere Multi-Touch-Attribution.

Das Lookback-Window ist das Zeitfenster, in dem Touchpoints vor einer Conversion berücksichtigt werden. Liegt ein Touchpoint außerhalb dieses Fensters, fließt er nicht in die Attribution ein. Die richtige Länge hängt vom Geschäftsmodell ab: E-Commerce arbeitet oft mit kürzeren Fenstern, B2B-Unternehmen mit langen Verkaufszyklen brauchen deutlich längere. Ein zu kurzes Lookback-Window ist ein häufiger Fehler, weil es lange Customer Journeys abschneidet und den Beitrag früher Touchpoints wie SEO unterschätzt.

Last-Click-Attribution gibt dem letzten Touchpoint vor der Conversion den gesamten Wert. SEO steht aber oft am Anfang der Customer Journey: Nutzer recherchieren über die organische Suche, kommen später über andere Kanäle zurück und konvertieren. Bei Last-Click erhält SEO in diesem Fall keinen Credit, obwohl es die Journey angestoßen hat. Wer nur den letzten Klick zählt, unterschätzt deshalb den Wert von SEO und Content-Marketing systematisch und trifft falsche Entscheidungen über die Budgetverteilung.

Zu den häufigsten Fehlern zählen: das blinde Vertrauen auf ein einziges Modell statt des Vergleichs mehrerer Modelle, zu kurze Lookback-Windows, die lange Customer Journeys abschneiden, das Vermischen von Brand- und Non-Brand-Suchen, das Ignorieren von Offline-Touchpoints wie Anrufen oder Ladenbesuchen sowie technische Trackingfehler durch fehlende oder falsche UTM-Parameter. Regelmäßige Datenqualitäts-Audits, getrennte Auswertung von Brand und Non-Brand sowie die Einbindung von Offline-Conversions per Call-Tracking helfen, diese Fehler zu vermeiden.