Attributionsmodelle vergleichen

Was ist ein Vergleich von Attributionsmodellen, und wer braucht ihn?

Wer Attributionsmodelle vergleicht, sieht, wie dieselben Conversions anders zählen, sobald sich die Regel für die Credits ändert. Bei Last Click gewinnt der Kanal, der den Verkauf abschließt. Bei First Click gewinnt der Kanal, der die Tür geöffnet hat. Dieses Tool übernimmt den Vergleich. Sie fügen Ihre GA4 Conversion Pfade ein, und es berechnet First Click, linear, Zeitverfall, positionsbasiert und Markov neben Last Click neu.

Teams, die Budget auf Kanäle verteilen, profitieren am meisten. Zum Beispiel schließt eine Markenkampagne in der Suche oft Verkäufe ab, die eine Social Anzeige Wochen zuvor angestoßen hat. Last Click allein zeigt das nicht. Nebeneinander sehen Sie, welche Kanäle Journeys starten, welche sie abschließen und welche beides leisten.

Alles läuft in Ihrem Browser, Ihre Pfade verlassen Ihr Gerät nicht. Eine Warnung vorab: Kein Attributionsmodell beweist Inkrementalität. Darauf kommen wir weiter unten zurück, und unser Marketing Mix Modeling Tool deckt den nächsten Schritt ab.

Welche Attributionsmodelle hat Google entfernt, und was bleibt in GA4?

Google kündigte im April 2023 an, vier regelbasierte Modelle abzuschaffen: First Click, linear, Zeitverfall und positionsbasiert. Conversion Aktionen, die sie noch nutzten, wechselten im September 2023 zur datengestützten Attribution. Laut GA4 Hilfeseite sind die vier Modelle seit November 2023 nicht mehr verfügbar.

Was bleibt also? GA4 bietet drei Berichtsmodelle. Die datengestützte Attribution nutzt maschinelles Lernen auf konvertierenden und nicht konvertierenden Pfaden. Last Click für bezahlte und organische Kanäle gibt den gesamten Credit an den letzten Kanal, auf den der Kunde geklickt hat. Last Click für Google Paid Kanäle tut dasselbe, aber nur für Google Ads Kanäle.

Eine weitere Regel ist wichtig. Alle GA4 Modelle schließen direkte Besuche vom Credit aus, solange der Pfad nicht komplett aus direkten Besuchen besteht. Unser Tool übernimmt diese Regel standardmäßig, damit Sie Gleiches mit Gleichem vergleichen.

Warum schmerzt der Verlust? Weil die vier alten Modelle verschiedene Fragen beantworteten. First Click zeigte die Entdeckung, die anderen drei verteilten den Credit über die Journey. Ohne sie bleiben ein Modell des maschinellen Lernens, in das Sie nicht hineinsehen, und eine Last Click Sicht. Unsere GA4 Übersicht erklärt, was die Plattform weiterhin gut kann.

Wie funktioniert dieses Tool für den Vergleich der Attributionsmodelle?

Das Tool macht aus einem GA4 Pfadexport in vier Schritten eine Kanaltabelle. Zunächst fügen Sie den Export in das Feld Conversion Pfade ein oder nutzen CSV hochladen. Danach liest das Tool jede Zeile als Pfad mit Conversion Zahl und, falls vorhanden, Umsatz und Zahl der nicht konvertierenden Pfade.

Die lästigen Teile übernimmt es für Sie:

• Kopfzeile und Spalten: Es erkennt beides, auch bei abweichender Reihenfolge.
• Trennzeichen: >, → und » funktionieren zwischen den Kontaktpunkten.
• Wiederholte Kontakte: Paid Search ×2 wird zu zwei Kontaktpunkten.
• Kommentarzeilen: Es überspringt GA4 Zeilen, die mit # beginnen.

Danach wendet es fünf regelbasierte Modelle und die Markov Kette auf jeden Pfad an. Dann summiert es den Credit pro Kanal und zeigt Karten für Pfade, Conversions, Kanäle und durchschnittliche Kontaktpunkte. Enthält der Export eine Umsatzspalte, schalten Sie die Kreditbasis auf Umsatz um.

Saubere Kanalnamen ergeben bessere Pfade. Sind Ihre Kampagnen uneinheitlich getaggt, korrigieren Sie das zuerst mit unserem UTM Generator. Die Berechnung läuft im Browser, deshalb gelangt kein Datensatz auf einen Server.

Wie unterscheiden sich die regelbasierten Modelle, und wann passt welches?

Die Beispieltabelle oben zeigt denselben Pfad mit vier Kontaktpunkten unter jeder Regel. Die Unterschiede sind groß, daher verändert die Modellwahl die Geschichte, die Sie erzählen. Jedes Modell passt zu einer anderen Frage:

• Last Click belohnt den Abschließer. Nutzen Sie es, um zu sehen, welcher Kanal Verkäufe beendet.
• First Click belohnt den Starter. Nutzen Sie es, um zu sehen, welcher Kanal Journeys eröffnet.
• Linear behandelt jeden Kontaktpunkt gleich. Es passt zu langen Journeys ohne herausragenden Schritt.
• Zeitverfall bevorzugt jüngere Kontakte. Es passt zu kurzen Kaufzyklen und Aktionsverkäufen.
• Positionsbasiert gibt dem ersten und letzten Kontakt den größten Anteil. Es passt, wenn Entdeckung und Abschluss zählen.

In der Praxis gibt es kein einzig richtiges Modell. Das nützliche Signal ist die Lücke zwischen den Modellen. Ein Kanal mit viel mehr Credit bei First Click als bei Last Click startet Journeys. Ein Kanal mit dem umgekehrten Muster schließt sie ab.

Drei Einstellungen stehen zur Wahl. Die Halbwertszeit steuert, wie schnell der Zeitverfall abklingt. Die Anteile für ersten und letzten Kontakt bestimmen die positionsbasierte Verteilung, Standard sind 40, 40 und 20. Schließlich entscheidet die Regel für Direct, ob Direct überhaupt Credit erhält.

Wie funktioniert das Markov Modell, und warum gibt es kein Shapley?

Das Markov Modell lernt aus Ihren Pfaden, statt eine feste Regel anzuwenden. Es behandelt jeden Kanal als Zustand und zählt, wie oft Kunden von einem Zustand zum nächsten, zu einer Conversion oder in eine Sackgasse wechseln. Aus diesen Zählungen werden Übergangswahrscheinlichkeiten.

Dann folgt der Entfernungseffekt. Das Tool nimmt einen Kanal heraus, schickt seinen Verkehr in die Sackgasse und berechnet die Gesamtchance auf eine Conversion neu. Ein größerer Rückgang bedeutet, dass die Journey stärker von diesem Kanal abhängt. Zuletzt skaliert das Tool die Effekte so, dass sie Ihre Gesamtzahl an Conversions ergeben.

Eine wichtige Grenze gibt es. Für die volle Rechnung brauchen Sie nicht konvertierende Pfade, die Sie als optionale vierte Spalte ergänzen. Der GA4 Pfadbericht deckt nur konvertierende Pfade ab, daher können Sie die zusätzlichen Zahlen aus einer anderen Quelle ziehen, etwa einem Export aus Ihrem Data Warehouse. Fehlt die Spalte, läuft das Tool trotzdem, warnt Sie aber. Dann zeigt das Ergebnis eher, wie oft ein Kanal in konvertierenden Pfaden vorkommt, als wie stark er überzeugt.

Shapley haben wir bewusst weggelassen. Mit ausschließlich konvertierenden Pfaden läuft es auf eine lineare Verteilung hinaus. Ein schickerer Name brächte keine neue Erkenntnis, also wollen wir nichts vortäuschen.

Beweist ein Attributionsmodell die Inkrementalität?

Nein. Attribution verteilt Credit für Kontakte, die stattgefunden haben. Was ohne diese Kontakte passiert wäre, kann sie nicht wissen. Zum Beispiel schließt eine Markenanzeige in der Suche oft Menschen ab, die ohnehin kamen. In jedem Modell sieht sie großartig aus, bringt aber vielleicht wenig zusätzlichen Umsatz.

Inkrementalität stellt eine andere Frage: Wie viele Conversions gibt es nur wegen der Anzeigen? Dafür brauchen Sie ein Experiment. Holdout Tests, Geo Experimente und Conversion Lift Studien bilden eine Kontrollgruppe, die Attribution nie hat. Danach zeigt ein Marketing Mix Modell, wie sich das gesamte Budget über die Zeit verhält.

Auch Datenlücken begrenzen Ihre Sicht. Besucher ohne Einwilligung, mit Gerätewechsel ohne Anmeldung oder mit reinem Anzeigenkontakt erreichen den Export nicht vollständig. Lesen Sie jedes Ergebnis deshalb als Richtung, nicht als Beweis. Unser Beitrag zu Meta Attributionsfenstern zeigt, wie stark allein die Fensterwahl die Zahlen verschiebt.

Trotzdem lohnt sich der Vergleich. Er sagt Ihnen, wo Sie hinsehen und welchen Test Sie zuerst machen sollten.

Wie machen Sie aus dem Vergleich der Attributionsmodelle eine Budgetentscheidung?

Beginnen Sie mit drei Ansichten. Vergleichen Sie erstens für jeden Kanal den Credit bei First Click und Last Click. Lesen Sie zweitens die Assist Quote, die den alten Bericht zu unterstützten Conversions aus Universal Analytics ersetzt. Öffnen Sie drittens das Diagramm mit der prozentualen Abweichung jedes Modells von Last Click.

Ordnen Sie die Kanäle dann nach Rollen. Ein Starter erhält bei First Click deutlich mehr Credit und hat eine Quote über 1. Der Abschließer hält den Großteil seines Credits bei Last Click. Ein Kanal, der beides leistet, bleibt meist unangetastet.

Handeln Sie vorsichtig, denn die Daten zeigen Credit und keine Ursachen. Bevor Sie einen Starter kürzen, testen Sie die Kürzung mit einem Holdout oder Geo Experiment. Bevor Sie einen Abschließer ausbauen, prüfen Sie, ob seine Conversions ohnehin gekommen wären. Verschieben Sie das Budget dann in kleinen Schritten und beobachten Sie einige Wochen.

Wünschen Sie ein zweites Paar Augen? Unser Team für die Google Ads Verwaltung liest solche Tabellen jede Woche mit Kunden. Um die Rentabilität nach der Credit Verteilung zu prüfen, nutzen Sie den ROAS Rechner.