Attribution

Was macht Attribution?

Sie helfen Nutzern, die schwierigste Frage im Marketing zu beantworten: Welche meiner Bemühungen haben tatsächlich zu dieser Conversion und diesem Umsatz geführt? Attribution ist der Bereich, in dem Vermarkter am meisten Geld verlieren – an Kanäle, die in einem Dashboard gut und in einem anderen schlecht aussehen, an „direkte“ und „Marken-Suche“, die die wahre Quelle verbergen, und an Modelle, die leise eine Meinung als Tatsache kodieren.

Diese Skill hat zwei Säulen. Wissen Sie, welche der Nutzer benötigt, bevor Sie eintauchen:

• (A) Interpretation – Auswahl eines Attributionsmodells, Auswahl eines Messansatzes und Abgleich widersprüchlicher Zahlen, die Ihre Tools melden. Dies gilt für alle, auch ohne Programmierkenntnisse.
• (B) Eigene Attribution (First-Party) – Instrumentierung und Verknüpfung der Attribution selbst, wenn Sie die Website/App kontrollieren. Dies ist der Build-Track. Verwenden Sie ihn, wenn der Nutzer sagt „Ich möchte das selbst verfolgen“ oder eine Conversion auf einer Domain stattfindet, die ihm nicht gehört.

Die meisten Anfragen beginnen mit (A). Greifen Sie nur dann zu (B), wenn der Nutzer die Oberfläche kontrolliert und bauen möchte.

Produktkontext: Prüfen Sie auf .agents/product-marketing.md und lesen Sie es, falls vorhanden – Geschäftstyp, Verkaufszyklus und primäre Conversion beeinflussen fast jede Empfehlung hier.

Grenzen – was diese Skill NICHT abdeckt

Stellen Sie dies von Anfang an klar, damit Sie nicht benachbarte Skills neu aufbauen:

• Allgemeines Event-Tracking, Tracking-Pläne, UTM-Setup, GA4/GTM → Analytics. Attribution setzt Tracking voraus. Die Grenze: Analytics = „welche Events und wie sie ausgelöst werden“; Attribution = „wie Touches zu Conversions zusammengeführt werden und bis zum Umsatz überleben.“
• Ad-Plattform-Pixel, CAPI, serverseitiges Conversion-Tracking → Ads (references/conversion-tracking.md). Attribution konsumiert plattformgemeldete Zahlen und korrigiert ihre Verzerrung; sie richtet die Pixel nicht ein.
• Pipeline-Stufen, Lead-Lebenszyklus, CRM-Umsatz-Dashboards → RevOps. Attribution versorgt Pipeline-Daten; sie definiert keine Stufen.
• Sichtbarkeit/Messung in KI-Suche → Ai-SEO. Attribution benennt KI-Traffic nur als blinden Fleck.

---

Säule A – Interpretation

1. Was Attribution Ihnen sagen kann und was nicht

Setzen Sie Erwartungen, bevor Sie eine Zahl anfassen:

• Attribution ist richtungsweisend, nicht die Wahrheit. Es ist ein Modell der Kausalität, das auf unvollständigen Daten basiert (Cookies laufen ab, Sitzungen fragmentieren, Offline-Touches verschwinden, Menschen recherchieren auf einem Gerät und kaufen auf einem anderen). Behandeln Sie es als starken Hinweis, niemals als Urteil.
• Jedes Modell ist eine Meinung. „First-Touch“ sagt, die erste Anzeige bekommt die ganze Anerkennung; „Last-Touch“ sagt, der abschließende Klick macht es. Beide sind in entgegengesetzte Richtungen falsch. Ein Modell zu wählen bedeutet, eine Geschichte auszuwählen, der man glaubt – sagen Sie das laut.
• Die Attributionslücke ist normal. Die Summe der kanalberichteten Conversions übersteigt fast immer die tatsächlichen Conversions, weil jede Plattform die Anerkennung für denselben Verkauf beansprucht. Ihre Aufgabe ist es, die Lücke zu verkleinern und zu erklären, nicht die Zahlen perfekt zur Deckung zu bringen. Das werden sie nicht.

Wenn ein Nutzer eine einzige wahre Zahl verlangt, formulieren Sie um: „Wir können Ihnen eine vertretbare, konsistente Zahl und eine Einschätzung geben, welche Kanäle im Trend liegen. Eine einzige objektive Wahrheit gibt es nicht – hier ist der Grund und warum wir trotzdem Entscheidungen treffen.“

2. Attributionsmodelle

Die sechs Standardmodelle und wann jedes lügt:

Modell	Anerkennungsregel	Am besten geeignet für	Wie es lügt
First-Touch	100 % dem ersten bekannten Touch	Bewertung von Top-of-Funnel / Demand-Gen; kurze Zyklen	Ignoriert alles, was den Deal abgeschlossen hat; überschätzt Awareness-Kanäle
Last-Touch	100 % dem letzten Touch vor der Conversion	Direktmarketing, schneller E-Commerce	Überschätzt unteren Funnel + Marken-Suche/Direktzugriff; ignoriert, was Nachfrage erzeugt hat
Last Non-Direct	100 % dem letzten Touch, unter Überspringen von „Direkt“	Ein billiger Fix für direkte Verschmutzung	Immer noch Ein-Touch; verschiebt nur den blinden Fleck
Linear	Gleiche Anerkennung für jeden Touch	Lange Multi-Touch-Journeys, bei denen jeder Schritt zählt	Behandelt einen einmaligen Besuch wie eine Demo; schmeichelt hochfrequenten Kanälen
Time-Decay	Mehr Anerkennung für Touches näher an der Conversion	Längere Zyklen, bei denen Aktualität wichtig ist	Unterschätzt den oberen Funnel; immer noch eine Annahme, keine Messung
Positionsbasiert (U-förmig)	40 % erster, 40 % letzter, 20 % mittlerer Touch	B2B mit klaren „erstellt“ + „abgeschlossen“-Momenten	Die 40/40/20-Aufteilung ist willkürlich; mittlere Touches werden benachteiligt
Datengesteuert (algorithmisch/Shapley)	Anerkennung aus modelliertem marginalem Beitrag	Hohe Volumenkonten mit genügend Conversions	Eine Blackbox; benötigt Volumen; kann Offline-/dunkle Touches, die es nie bekommen hat, nicht sehen

Faustregeln:

• Berichten Sie nie ein einzelnes Modell isoliert für einen langen Verkaufszyklus. Zeigen Sie First-Touch und Last-Touch nebeneinander – die Wahrheit liegt zwischen ihnen, und die Lücke zwischen ihnen ist die Erkenntnis.
• Datengesteuerte Attribution benötigt Volumen (Google Ads hat es historisch hinter ~3.000 Ad-Interaktionen und ~300 Conversions in 30 Tagen versteckt; es hat die Mindestanforderungen inzwischen gelockert und DDA zum Standard gemacht, aber bei niedrigem Volumen ist es immer noch Rauschen, das als Wissenschaft verkleidet ist). Verwenden Sie stattdessen positionsbasiert, wenn Sie dünn aufgestellt sind.
• Das Modell ist weit weniger wichtig als Konsistenz und die Kombination mit einem modellunabhängigen Realitätscheck (Säule A §4, selbstberichtet).

Für die Mathematik der Modelle, durchgerechnete Beispiele einer Journey mit sechs Bewertungen und Shapley einfach erklärt, siehe references/attribution-models.md.

3. Die drei Messparadigmen

Modelle teilen die Anerkennung innerhalb Ihrer getrackten Daten auf. Paradigmen sind, wie Sie an Kausalität herankommen – zunehmend streng, zunehmend teuer:

Paradigma	Was es ist	Beantwortet	Benötigt	Achtung
MTA (Multi-Touch-Attribution)	Benutzerebene-Touches zusammenführen, ein Modell anwenden	„Welche Touchpoints erscheinen auf konvertierenden Journeys?“	Sauberes geräteübergreifendes Tracking auf Benutzerebene	Cookie-Verlust + Datenschutz haben Daten auf Benutzerebene dezimiert; es misst leise zu wenig
MMM (Media/Marketing-Mix-Modellierung)	Top-Down-Regression von Ausgaben vs. Ergebnissen über die Zeit	„Was ist der aggregierte Beitrag jedes Kanals, einschließlich Offline/Marke?“	2–3 Jahre wöchentliche Daten, Ausgabenvariation	Korrelational; langsam in der Reaktion; benötigt echte Budgetschwankungen, um zu lernen
Inkrementalität (Geo-Holdout, PSA, Ghost Ads, An/Aus)	Kontrolliertes Experiment: ausgesetzt vs. nicht ausgesetzt	„Hat dieser Kanal tatsächlich einen Lift verursacht, den ich nicht ohnehin bekommen hätte?“	Fähigkeit, etwas auszusetzen; genug Volumen für Signifikanz	Der Goldstandard, aber Sie können nur wenige Dinge gleichzeitig testen

Wie Sie wählen: kleines Budget / kurzer Zyklus → gutes UTM + Last-Non-Direct + eine selbstberichtete Umfrage schlägt ein ausgefallenes Modell. Mittleres Budget, mehrere Kanäle → MTA für den Alltag + regelmäßige Inkrementalitätstests auf Ihren größten Posten. Großes Budget, Offline + Markenausgaben → MMM für das Portfolio + Inkrementalität zur Validierung der MMM-Koeffizienten. Inkrementalität ist der Tiebreaker, wenn zwei Kanäle beide dieselben Conversions beanspruchen.

Entscheidungstabelle nach Budget × Verkaufszyklus × Kanalanzahl und wie man einen Geo-Holdout / PSA-Test liest (kein Statistik-Tutorial), in references/measurement-paradigms.md.

4. Selbstberichtete Attribution

Das am meisten unterschätzte Signal und oft das ehrlichste für lange Zyklen und Dark Social. Eine Post-Conversion-Umfrage „Wie haben Sie von uns erfahren?“ erfasst, was Tracking strukturell nicht kann: Podcasts, Mundpropaganda, Slack-Communities, der Tweet eines Gründers, „ein Freund hat es mir gesagt.“

• Wann es Tracking schlägt: lange Überlegungszyklen, hohe Mundpropaganda, marken-/community-getrieben oder starkes Dark Social (siehe §5). Wenn ein großer Teil Ihrer Journeys „direkt“ ist, haben Sie ein selbstberichtetes Loch.
• Fragen Sie im Moment der Conversion (Anmeldung, erster Kauf, Demo-Anfrage) – höchste Erinnerungsrate, bevor die Erinnerung verblasst.
• Formulierung: Offene Frage („Wie haben Sie zum ersten Mal von uns gehört?“) erfasst Dark Social; eine kurze Auswahlliste ist einfacher zu quantifizieren, verzerrt aber die Antwort vor. Beste Praxis: Auswahlliste Ihrer bekannten Kanäle plus ein Freitextfeld „Sonstiges/Erzählen Sie uns mehr.“
• Behandeln Sie es als Triangulationsinput, nicht als Evangelium – die Erinnerung ist verschwommen, und die Leute schreiben dem einprägsamen Touch die Anerkennung zu, nicht dem ersten. Es ist der modellunabhängige Check, der Ihre getrackten Modelle ehrlich hält.
• Auf der Build-Seite ist dies ein Formularfeld, das als Personenmerkmal an Ihr CRM/Analytics geschrieben wird – siehe Säule B und references/first-party-tracking.md.

5. Abgleich widersprüchlicher Quellen

Die Anfrage hinter den meisten Attributionsarbeiten: „Google sagt 50, Meta sagt 40, GA sagt 60, mein CRM sagt 35 – wer hat recht?“ Niemand. Hier ist der Rahmen.

Warum jede Quelle systematisch lügt:

Quelle	Verzerrt zu	Weil
Werbeplattformen (Google/Meta/LinkedIn)	Überschätzt sich selbst	Beansprucht View-through + Click-Conversions im eigenen Fenster; jede Plattform zählt denselben Verkauf; motiviert, gut auszusehen
GA / Web-Analyse	Letzter Nicht-Direkt-Klick	Verliert geräteübergreifend, verliert Cookie-blockierte Nutzer, wirft das Unbekannte in Direkt
CRM	Was der Vertriebsmitarbeiter eingegeben / das Formular erfasst hat	Menschliche Eingabe, Lead-Quelle-Überschreibungen, Offline-Deals ohne digitale Spur
Selbstberichtete Umfrage	Den einprägsamen Touch	Erinnerungsverzerrung; unterschätzt langweilige, aber reale Touches wie Retargeting

So triangulieren Sie:

1. Wählen Sie eine Quelle der Wahrheit für die Conversion-Anzahl – normalerweise Ihr CRM oder Backend (das System, in dem Geld real ist). Alles andere erklärt, woher diese kamen, sie dürfen nicht neu definieren, wie viele.
2. Summieren Sie niemals über Plattformen hinweg. Wenn Google und Meta beide eine Conversion beanspruchen, haben Sie eine Conversion mit zwei Anspruchsberechtigten, nicht zwei Conversions. Deduplizieren Sie gegen die Quell-der-Wahrheit-Gesamtsumme.
3. Lesen Sie richtungsweisende Übereinstimmung, nicht absolute Übereinstimmung. Wenn jede Quelle sagt, dass die bezahlte Suche steigt und die organische Suche in diesem Quartal fällt, ist dieser Trend vertrauenswürdig, auch wenn keine zwei Zahlen übereinstimmen.
4. Verwenden Sie selbstberichtet als Tiebreaker, wenn Plattformen um dieselben Conversions kämpfen, und Inkrementalität, wenn die Einsätze einen Test rechtfertigen.
5. Erwarten und budgetieren Sie die Lücke. Berichten Sie „Plattformen beanspruchen N; wir können M verifizieren; die Differenz ist Überbeanspruchung + View-through + Nicht-Getracktes – hier ist unsere beste Zuordnung.“

Das Ergebnis ist eine ehrliche Zuordnung mit Konfidenzniveaus, keine falsche Angleichung auf die Dezimalstelle.

6. Die blinden Flecken

Wo Conversions sich verstecken und echte Kanäle schwach aussehen lassen:

• Direkt – die Schublade für alles. Lesezeichen und getippte URLs, ja, aber auch entfernte Referrer, App-zu-Web, Dark Social und jeder Touch, den Ihr Tracking fallen gelassen hat. Ein großer Direktanteil ist ein Messproblem, kein Kanal.
• Marken-Suche – Leute, die Sie woanders entdeckt und Ihren Namen gegoogelt haben. Last-Touch gibt die Anerkennung für die bezahlte/organische Marken-Suche; der wahre Treiber war das, was sie zur Suche bewogen hat. Segmentieren Sie Marken- vs. Nicht-Marken-Suche, sonst entziehen Sie dem oberen Funnel Gelder.
• Dark Social – Teilen, das keinen Referrer überträgt: DMs, Slack/Discord, Podcasts, Newsletter, Screenshots. Strukturell unsichtbar für Tracking; selbstberichtet ist der einzige Weg, es zu sehen (§4).
• KI-Traffic – Assistenten und KI-Suche beeinflussen zunehmend Käufer, schicken sie dann über Marken-Suche oder Direkt, sodass der KI-Touch in Analysetools unsichtbar ist. Benennen Sie es und übergeben Sie tiefergehende Arbeit an KI-SEO.

Der rote Faden: wenn „direkt“ und „Marken-Suche“ dominieren, funktioniert Ihr oberer Funnel und Ihre Attribution versteckt ihn. Sagen Sie das explizit – es ist der häufigste Fehlinterpretation im Marketing.

7. Verzweigung nach Geschäftstyp

Standardwerte unterscheiden sich stark. Zusammenfassung hier; vollständige Playbooks in references/by-business-type.md.

• B2B SaaS (langer Zyklus, vertriebsunterstützt): Journeys erstrecken sich über Wochen–Monate und mehrere Personen, daher führen Ein-Touch-Modelle stark in die Irre. Verankern Sie das CRM als Quelle der Wahrheit, verwenden Sie First-Touch + positionsbasiert nebeneinander, setzen Sie stark auf selbstberichtet bei Demo/Anmeldung und behandeln Sie Pipeline/Umsatz-Attribution (→ RevOps) als die eigentliche Anzeigetafel. Offline-Touches (Events, Vertriebsgespräche) machen MTA am schwächsten und selbstberichtet hier am stärksten.
• E-Commerce / DTC (kurzer Zyklus, Self-Service): schnelle Journeys, hohes Volumen, Ausgaben konzentriert auf bezahlte soziale + Suche. Verankern Sie auf Plattform-ROAS, aber misstrauen Sie ihm (iOS/CAPI-Inflation), validieren Sie mit MMM, sobald die Ausgaben materiell sind, und Inkrementalität/Geo-Holdouts auf Ihren größten Kanälen, und verwenden Sie eine Post-Purchase-Umfrage, um zu erfassen, was Pixel verpassen. Last-Touch ist für schnelle SKUs vertretbar; MMM+Inkrementalität ist, wie Sie das echte Budget zuweisen.

---

Säule B – Eigene Attribution (First-Party)

Verwenden Sie dies, wenn der Nutzer die Website/App kontrolliert und die Attribution selbst instrumentieren möchte – insbesondere für eine Conversion, die auf einer Domain stattfindet, die ihm nicht gehört (eine SavvyCal/Calendly/Cal.com-Buchung, eine Stripe Checkout-Seite). Diese Säule basiert auf echten Produktions-Builds; das vollständige Runbook mit Code-Mustern finden Sie in references/first-party-tracking.md. Das Wesentliche:

Der Identitätsgraph

First-Party-Attribution beruht auf einer Idee: anonymes Browsen mit der endgültigen Conversion verbinden.

1. Ein Besucher kommt anonym an; Ihr Analysetool weist eine anonyme distinct_id zu und stempelt First-Touch-Eigenschaften ($initial_referrer, $initial_utm_*) auf seine Ereignisse.
2. Bei der Conversion (Anmeldung, Buchung, Kauf) rufen Sie identify() mit einer stabilen ID (E-Mail oder Benutzer-UUID) auf. Dies führt die anonyme Historie mit einer bekannten Person zusammen – First-Touch überlebt jetzt bis zur Conversion.
3. Jedes Conversion-Ereignis kann jetzt nach dem First-Touch-Kanal aufgeschlüsselt werden. Das ist das ganze Spiel.

Die identify()-Lücke schließen

Der häufigste First-Party-Fehler: Es wird nie identify() aufgerufen, sodass Conversions nie mit dem Browserverlauf verbunden werden und jeder Kunde aussieht, als wäre er aus dem Nichts aufgetaucht. (Rahmen angepasst an Tessa Kriesels PostHog-Ansatz.) Die Lösung ist, identify bei jeder echten Conversion aufzurufen. Auditieren Sie zuerst – viele SaaS-Apps identifizieren bereits bei der Anmeldung; bauen Sie nicht neu, was funktioniert. Finden Sie die spezifischen nicht instrumentierten Conversions und schließen Sie nur diese.

Zusammenführen von Conversions auf einer Drittanbieter-Domain

Der eine Fall, der echte Mechanik erfordert: eine Conversion, die auf einer Domain stattfindet, die Sie nicht kontrollieren (z. B. ein Buchungs-Widget, ein externer Checkout). Dafür gibt es zwei Muster – Same-Tab-Weiterleitung und Webhook-basiert. Beide sind in der Referenz dokumentiert (mit Code), aber die Kurzfassung: Sie übergeben die anonyme ID per URL-Parameter an die Drittanbieter-Domain, diese leitet sie bei der Conversion an Sie zurück, und Sie rufen identify() auf, um die Touches zu verbinden.

Der finale Zustand

Sobald identify() funktioniert: Ihre Attributionsdaten sind konsistent und überleben alle Plattform-Updates. Sie verwenden weiterhin dasselbe Modell für Entscheidungen, aber jetzt mit dem Vertrauen, dass Ihre Daten vollständig und nicht durch externe Verzerrungen verfälscht sind.

---

Referenzen

• references/attribution-models.md – Modellmathematik, durchgerechnete Beispiele, Shapley erklärt
• references/measurement-paradigms.md – Entscheidungstabelle für MTA/MMM/Inkrementalität
• references/by-business-type.md – Spielbücher nach B2B SaaS / E-Commerce
• references/first-party-tracking.md – Vollständiges Runbook für First-Party-Attribution
• references/conversion-tracking.md – Serverseitiges Conversion-Tracking (für Ads-Skill)
• .agents/product-marketing.md – Produktkontext (lesen, falls vorhanden)