Attributionsmodelle im Marketing: Welcher Kanal hat den Lead wirklich gebracht?

Welcher Kanal hat den Lead gebracht? Die ehrliche Antwort lautet häufig: nicht eindeutig. Das CRM zeigt organische Suche, der Vertrieb erinnert sich an ein LinkedIn-Gespräch, und der Interessent schreibt ins Formular: "Empfehlung eines Kollegen." Alle drei Angaben können stimmen. Attributionsmodelle sind der Versuch, diese Frage systematisch zu beantworten: Sie legen fest, welchem Berührungspunkt der Wert einer Conversion zugerechnet wird. Dieser Artikel zeigt, wie die gängigen Modelle funktionieren, wo sie strukturell blind bleiben, und wie ein pragmatischer Mix aus Analytics-Daten und direkter Kundenbefragung mehr Klarheit schafft als jedes einzelne Modell.

Was ist ein Attributionsmodell?

Ein Attributionsmodell ist eine Regel, die festlegt, wie der Wert einer Conversion auf die Berührungspunkte (Touchpoints) verteilt wird, die ein Nutzer vor der Conversion durchlaufen hat. Ein Lead kommt selten über einen einzigen Kanal: Zwischen erstem Kontakt und Formular-Eingang liegt oft eine Kette aus Anzeigenklick, organischem Suchergebnis, direktem Websitebesuch und erneutem Paid-Click.

Das Modell entscheidet, wem dieser Abschluss gutgeschrieben wird, und das hat direkte Konsequenzen für Budgetentscheidungen. Ein Kanal, der in einem Modell unterbewertet wird, bekommt weniger Budget, obwohl er zur Conversion beigetragen hat. Ein Kanal, der überbewertet wird, skaliert weiter, obwohl er den tatsächlichen Unterschied nicht gemacht hat.

Die klassischen Attributionsmodelle im Überblick

Die gängigen Modelle lassen sich auf einem Spektrum von einfacher Regel bis hin zu algorithmischer Auswertung anordnen. Jedes bildet die Customer Journey anders ab, keines bildet sie vollständig ab.

Last Click schreibt 100 Prozent des Conversion-Werts dem letzten Touchpoint vor der Conversion zu. Das Modell ist einfach zu interpretieren und war lange der Standard in vielen Analytics-Tools. Es vernachlässigt aber alles, was zuvor zur Entscheidung beigetragen hat, was bei längeren Sales Cycles systematisch zu falschen Schlüssen führt.

First Click kehrt diese Logik um: Der erste Kanal erhält den gesamten Credit. Sinnvoll, wenn gemessen werden soll, welcher Kanal neue Kontakte erstmals auf das Angebot aufmerksam macht, etwa im Kontext von Markenaufbau oder Neukundenakquise.

Lineare Attribution verteilt den Conversion-Wert gleichmäßig auf alle beteiligten Touchpoints. Sie bildet die gesamte Journey ab, behandelt aber jeden Kontaktpunkt als gleichwertig, unabhängig davon, ob er eine kurze Anzeigeneinblendung oder ein intensiv genutztes Whitepaper war.

Zeitverfall (Time Decay) gewichtet Touchpoints näher am Conversion-Zeitpunkt stärker. Der Gedanke dahinter: Wer kurz vor der Entscheidung noch einmal aktiv war, hat wahrscheinlich mehr zum Abschluss beigetragen als ein erster Kontakt, der Wochen zurückliegt.

Positionsbasiert (U-förmig) verteilt je 40 Prozent des Credits auf den ersten und den letzten Touchpoint; die restlichen 20 Prozent werden auf die mittleren Berührungspunkte aufgeteilt. Für B2B-Unternehmen mit längeren Sales Cycles, in denen sowohl der erste Kontakt als auch der finale Impuls strategisch relevant sind, ist dieses Modell ein pragmatischer Ausgangspunkt.

Datengetriebene Attribution in GA4 und Google Ads

Seit Google seine Analytics- und Ads-Produkte 2023 auf datengetriebene Attribution als Standard umgestellt hat, steht kein festes Regelwerk mehr im Vordergrund, sondern ein Machine-Learning-Modell. Es analysiert historische Konversionspfade und schätzt, welchen inkrementellen Beitrag jeder Touchpoint tatsächlich geleistet hat, anstatt einen Anteil nach einer starren Formel zu vergeben.

Der praktische Vorteil liegt auf der Hand: Das Modell passt sich an die eigenen Daten an, statt eine generische Regel anzuwenden. Zwei Einschränkungen sind für die Praxis allerdings relevant.

Erstens setzt das Modell ein Mindestvolumen an Conversions voraus. Google Ads dokumentiert diese Mindestschwellenwerte in der eigenen Hilfe (Quelle: Google, support.google.com/google-ads/answer/6259715). Accounts mit wenigen monatlichen Conversions erhalten ein Modell, das auf einer dünnen Datenbasis rechnet, und dessen Ergebnisse entsprechend wenig belastbar sind.

Zweitens ist datengetriebene Attribution eine Black Box. Das System zeigt das Ergebnis (welche Kanäle wie viel Credit erhalten), legt aber die Methodik nicht offen. Das macht die Ausgabe schwer zu hinterfragen. Eine weitere Überlegung, die Analysten zunehmend diskutieren: Googles Modell trainiert auf Daten, die Google-eigene Kanäle bevorzugt aufzeichnen. Ob das zu einer systematischen Bevorteilung von Google-Kanälen führt, lässt sich von außen nicht überprüfen.

Wo Attributionsmodelle blind werden: Consent und Dark Social

Jedes Attributionsmodell ist nur so gut wie die Daten, auf denen es aufbaut. Zwei strukturelle Probleme begrenzen diese Datenbasis erheblich, und kein besseres Modell löst sie.

Consent-Lücken. Unter der DSGVO und dem deutschen TTDSG ist Analytics-Tracking an die Einwilligung der Nutzer gebunden. Wer Cookies ablehnt, hinterlässt keine Spur in den Tracking-Tools. Je nach Consent-Rate eines Webauftritts bleibt ein Teil der tatsächlichen User Journeys schlicht unsichtbar. Das Attributionsergebnis bezieht sich damit auf eine Teilmenge der Besucher, nicht auf alle.

Dark Social. Dieser Begriff beschreibt Traffic, der ohne auswertbaren Referrer auf einer Website ankommt: Links, die über Messenger-Dienste wie WhatsApp oder Telegram weitergegeben werden, Inhalte aus Slack-Kanälen, weitergeleitete E-Mails oder URLs, die direkt in die Browserzeile kopiert werden. Diese Besuche erscheinen in Analytics als "Direkt", obwohl im Hintergrund eine Empfehlung, ein Gespräch oder ein geteilter Artikel der eigentliche Auslöser war. Im B2B-Umfeld, wo Kaufentscheidungen häufig in geschlossenen Kommunikationskanälen vorbereitet werden, kann Dark Social einen nennenswerten Anteil des als "Direkt" ausgewiesenen Traffics ausmachen.

Beide Probleme lassen sich durch ein besseres Attributionsmodell nicht beheben. Es sind Datenverfügbarkeitsprobleme, die dazu führen, dass bestimmte Kanäle systematisch unterschätzt werden, während "Direkt" oder der letzte messbare Kanal überproportional viel Credit erhält.

Call-Tracking: der unsichtbare Lead-Kanal

Für viele Dienstleistungsunternehmen kommt ein erheblicher Teil der Leads per Telefon. In einem Standard-Analytics-Setup werden Anrufe nicht erfasst. Das bedeutet: Entweder verschwinden diese Leads aus der Attribution vollständig, oder sie tauchen als "Direkt" auf, weil der Anrufer zuvor die Website besucht hat.

Call-Tracking schließt diese Lücke. Das Prinzip: Verschiedenen Kanälen oder Kampagnen werden eindeutige Telefonnummern zugewiesen. Kommt ein Anruf auf der Nummer ein, die einer bestimmten Suchanfrage oder Kampagne zugeordnet ist, wird die Conversion erfasst und dem richtigen Kanal gutgeschrieben. Das Ergebnis fließt wie ein Formular-Submit in die Analytics-Daten ein und erlaubt einen direkten Vergleich zwischen Kanälen.

Für Branchen, in denen Anrufe der primäre Eingangskanal sind (Kanzleien, Handwerk, Arztpraxen, beratungsintensive Dienstleistungen), ist das Weglassen von Call-Tracking gleichbedeutend damit, einen ganzen Lead-Kanal nicht zu messen. Der Kanal, der die meisten Anfragen bringt, erscheint im Reporting dann als irrelevant oder gar nicht.

Selbst-berichtete Attribution: Einfach fragen

Die direkteste Attributionsmethode besteht darin, Interessenten selbst zu fragen. Ein Freitextfeld am Ende eines Kontaktformulars oder eine kurze Frage beim ersten Gespräch ("Wie sind Sie auf uns aufmerksam geworden?") liefert etwas, das kein Analytics-Tool replizieren kann: die bewusste Einschätzung des Kunden darüber, was ihn zum Kontakt bewegt hat.

Selbst-berichtete Attribution ersetzt Tool-Daten nicht. Erinnerungen sind selektiv, und Befragte nennen häufig den letzten Berührungspunkt statt der gesamten Journey. Was sie bietet, ist ein anderer Typ von Signal: der Kanal oder Touchpoint, den der Kunde mit seiner Entscheidung bewusst verbindet.

In der Praxis tauchen dabei regelmäßig Kanäle auf, die in digitalen Tools grundsätzlich nicht erscheinen: Empfehlungen aus dem Netzwerk, Gespräche auf Veranstaltungen, Podcast-Erwähnungen, LinkedIn-Posts ohne Klick, Offline-Mundpropaganda. Die Kombination aus Analytics-Daten und Formular-Antworten gibt ein vollständigeres Bild als jede einzelne Quelle allein.

Die operative Umsetzung ist gering: ein kurzes Freitextfeld im Kontaktformular (kein Dropdown, damit Kunden in eigenen Worten antworten können) und dieselbe Frage im ersten Vertriebsgespräch für alle Leads, die nicht über ein Web-Formular kommen. Eine monatliche Durchsicht der Antworten reicht, um Muster zu erkennen.

Welches Attributionsmodell passt zu Ihrem Fall?

Kein Modell ist in jedem Kontext das richtige. Die folgende Entscheidungshilfe ordnet häufige Situationen dem jeweils passenden Ansatz zu und nennt den Grund für die Empfehlung.

SituationEmpfohlener AnsatzGrundKurze Sales Cycles, einfache Kaufentscheidung (z. B. E-Commerce, einfache Dienstleistungen)Last Click (non-direct)Letzter Kanal oft tatsächlich ausschlaggebend; einfach interpretierbar und auswertbarMessung von Neukundengewinnung und MarkenaufbauFirst ClickZeigt, welcher Kanal erstmals Aufmerksamkeit für das Angebot erzeugt hatLanger B2B-Sales-Cycle mit mehreren Touchpoints über WochenPositionsbasiert (U-förmig)Würdigt den ersten Kontakt und den finalen Conversion-Trigger gleichwertigAusreichendes Datenvolumen (laut Google-Hilfe: Mindestschwellenwerte für Conversions erfüllt)Datengetrieben (GA4 / Google Ads)Inkrementellen Beitrag aus realen Konversionspfaden ableiten, statt Regeln anzuwendenViele Leads kommen per Telefon (Kanzleien, Handwerk, Beratung)Last Click + Call-Tracking-IntegrationOhne Call-Tracking sind Anrufe komplett unsichtbar in AnalyticsGeringe Consent-Rate oder hoher "Direkt"-Anteil (Dark Social verdächtig)Analytics-Daten + selbst-berichtete Attribution ergänzendTool-Daten zu lückenhaft für belastbare Budgetentscheidungen alleinZu wenig Conversions für datengetriebene AttributionPositionsbasiert oder LinearStabile Regelmodelle funktionieren auch bei kleinem Datenvolumen; algorithmische Modelle wären unzuverlässig

Die pragmatische Kombination: Tool-Daten und Kundenbefragung

Für die meisten kleinen und mittleren Unternehmen liefert kein einzelnes Modell ein vollständiges Bild. Ein praxistauglicher Ansatz kombiniert drei Inputs, die sich gegenseitig ergänzen.

Erstens: Die Daten aus GA4 oder Google Ads als Basisauswertung. Sie zeigen, welche digital messbaren Kanäle in der verfolgbaren Journey aktiv waren. Das Modell ist dabei zweitrangig gegenüber der Frage, ob die Datenbasis überhaupt vollständig genug ist, um darauf zu vertrauen.

Zweitens: Das Freitextfeld im Kontaktformular. Es erfasst Touchpoints, die in digitalen Tools systematisch unsichtbar sind, und liefert das direkteste verfügbare Signal über die wahrgenommenen Kontaktpunkte.

Drittens: Call-Tracking für alle Unternehmen, bei denen Anrufe als Eingangskanal relevant sind. Ohne es fehlt ein ganzer Ast im Attributionsbild, und die Daten verzerren jede Budgetentscheidung.

Wenn diese drei Datenpunkte übereinstimmen, steigt die Verlässlichkeit des Attributionsergebnisses. Wenn sie auseinandergehen, ist die Abweichung selbst informativ: Etwas passiert außerhalb der gemessenen Kanäle. Eine konsistente Messung ist die Grundlage jeder belastbaren Online-Marketing-Strategie. Wer nicht weiß, was tatsächlich Leads bringt, optimiert auf einer Grundlage, die möglicherweise systematisch verzerrt ist.

Fazit

Attributionsmodelle helfen dabei, zu verstehen, welche Kanäle zu Conversions beitragen, aber sie arbeiten innerhalb der Grenzen der verfügbaren Daten. Last Click vereinfacht zu stark. Datengetriebene Attribution braucht Volumen und liefert keine transparente Methodik. Consent-Lücken und Dark Social erzeugen blinde Flecken, die kein Modell schließen kann. Und Telefonanrufe tauchen ohne Call-Tracking im Analytics-Bericht schlicht nicht auf.

Der verlässlichste Ansatz ist eine pragmatische Kombination: Analytics-Attribution als Basis, Call-Tracking dort, wo Anrufe als Eingangskanal zählen, und die direkte Frage an Kunden, wie sie auf das Angebot gestoßen sind. Das Freitextfeld im Kontaktformular kostet nichts in der Implementierung und liefert regelmäßig präzisere Hinweise als der Modellvergleich in GA4.