Attribution Multi-Touch: Warum Last-Click lügt

Zusammenfassung

• Last-Click-Attribution weist 100 Prozent des Erfolgs der letzten Anzeige vor dem Kauf zu, ignoriert aber alle vorherigen Berührungspunkte.
• Multi-Touch-Modelle verteilen den Erfolg auf alle bekannten Touchpoints, was vor allem den oberen Funnel (Display, Branding, Content) sichtbar macht.
• Eine sinnvolle Attribution kombiniert datengetriebene Modelle (Markov, Shapley) mit Plausibilitäts-Checks und MMM (Marketing Mix Modeling) auf höherer Ebene.

Warum die Diskussion 2026 noch immer aktuell ist

Die Attribution-Debatte ist nicht neu. Google sprach schon vor Jahren von datengetriebener Attribution und stellte 2024 die Default-Methode in Google Ads auf "data-driven" um. Trotzdem arbeiten viele Marketing-Reports heute noch mit Last-Click oder Last-Non-Direct-Click. Der Grund ist nicht Unwissen, sondern Vereinfachung: Last-Click ist nachvollziehbar, Multi-Touch ist eine Modellrechnung, die intern Diskussionen auslöst.

Die Konsequenz von Last-Click ist seit Jahren beobachtbar: Performance-Kanäle (Brand-Search, Retargeting) sehen großartig aus, Branding-Kanäle (Display, Influencer, YouTube) sehen schlecht aus, weil ihre Wirkung nicht im letzten Klick landet. Wer aufgrund dieser Verzerrung Brand-Budgets kürzt, kann mittelfristig die Pipeline austrocknen.

Wie Last-Click verzerrt

Beispielhafte Customer Journey eines B2B-Käufers:

1. Tag 1: liest LinkedIn-Post (organisch) eines Mitarbeiters
2. Tag 4: sieht YouTube-Anzeige zum Produkt
3. Tag 8: klickt Display-Banner auf einer Fachseite, kommt auf Landingpage, schließt aber nicht ab
4. Tag 12: liest Whitepaper, lädt es per E-Mail-Formular herunter
5. Tag 18: bekommt Nurturing-Mail mit Case Study
6. Tag 25: googelt Markenname, klickt Brand-Search-Anzeige, schließt 5.000-Euro-Abo ab

Last-Click weist 100 Prozent (5.000 Euro Umsatz) dem Brand-Search zu. Die Kosten dafür sind oft minimal (vielleicht 2 Euro CPC), der ROAS wirkt astronomisch. Display, YouTube, Content und E-Mail bekommen null Umsatz zugewiesen.

Folge: Im nächsten Reporting steht Brand-Search als der profitabelste Kanal. Die Marketingleitung kürzt YouTube und Display, weil die ROAS dort schlecht aussehen. Drei Monate später bricht die Brand-Suche ein, weil keine neuen Interessenten mehr in den Funnel kommen.

Die wichtigsten Multi-Touch-Modelle

Es gibt sechs gängige Modelle, die Erfolge auf mehrere Touchpoints verteilen:

Modell	Logik	Stärke	Schwäche
Last-Click	100 Prozent letzter Touch	einfach, nachvollziehbar	überschätzt Bottom-Funnel
First-Click	100 Prozent erster Touch	zeigt Lead-Generierung	ignoriert Conversion-Treiber
Linear	gleichmäßig verteilt	neutral	ignoriert Bedeutungs-Unterschiede
Time-Decay	spätere Touches höher gewichtet	bevorzugt Conversion-nahe Kanäle	weniger Gewichtung für Awareness
U-förmig (Position-based)	erster + letzter Touch je 40 %, mittlere 20 % verteilt	erkennt Lead-Generierung und Conversion	mittlere Touches unterbewertet
Datengetrieben (Shapley, Markov)	algorithmisch basierend auf Conversion-Pfaden	präzise, datengetrieben	benötigt Datenmenge, Black Box

Datengetriebene Modelle nutzen probabilistische Verfahren. Markov-Ketten modellieren die Wahrscheinlichkeit, dass ein Pfad zur Conversion führt, und berechnen für jeden Kanal seinen Beitrag durch "removal effect" (was passiert, wenn dieser Kanal fehlt). Shapley-Values verteilen den Wert auf Touchpoints nach einem spieltheoretischen Prinzip.

Rechenbeispiel 1: Vergleich der Modelle

Ein Onlineshop hat im Mai 1.200 Conversions gemessen, mit 350.000 Euro Umsatz. Die Touchpoints verteilen sich wie folgt:

• Google Search: 1.800 Touches (60 Prozent als letzter Klick)
• Meta Ads: 2.400 Touches (15 Prozent als letzter Klick)
• E-Mail-Newsletter: 800 Touches (10 Prozent als letzter Klick)
• Direct Traffic: 500 Touches (15 Prozent als letzter Klick)
• Display: 3.500 Touches (selten letzter Klick)

Last-Click-Verteilung des Umsatzes:

• Google Search: 210.000 Euro
• Meta Ads: 52.500 Euro
• E-Mail: 35.000 Euro
• Direct: 52.500 Euro
• Display: 0 Euro

Datengetriebene Verteilung (Beispiel mit Markov-Modell):

• Google Search: 122.500 Euro
• Meta Ads: 84.000 Euro
• E-Mail: 35.000 Euro
• Direct: 35.000 Euro
• Display: 73.500 Euro

Display bewegt sich von null auf 73.500 Euro, weil das Modell erkennt, dass viele Conversion-Pfade ohne Display nicht zustandekommen würden. Brand-Search verliert relativ, weil die Conversion auch ohne Brand-Suche stattgefunden hätte (User wäre dann direct gekommen).

Die strategische Konsequenz: Display darf nicht gekürzt werden, Brand-Search ist überbewertet.

Rechenbeispiel 2: Wirkung einer Display-Kürzung

Ein DTC-Modeunternehmen kürzt Display-Werbung um 50 Prozent (von 40.000 Euro auf 20.000 Euro pro Monat) basierend auf Last-Click-Reporting, das Display null ROAS zuwies.

Nach drei Monaten:

• Display-Touches: -50 Prozent (von 18.000 auf 9.000 pro Monat)
• Brand-Search-Volumen: -20 Prozent (von 5.000 auf 4.000 Searches pro Monat)
• Organische Direct-Visits: -15 Prozent
• Gesamtumsatz: -12 Prozent (von 300.000 auf 264.000 Euro pro Monat)

Einsparung Display: 20.000 Euro pro Monat. Umsatzverlust: 36.000 Euro pro Monat. Bei 40 Prozent Marge ergibt das einen Deckungsbeitragsverlust von 14.400 Euro pro Monat, abzüglich 20.000 Euro Einsparung: netto -5.600 Euro Schaden pro Monat.

Die Last-Click-Optimierung hat das Unternehmen monatlich 5.600 Euro gekostet. Ein datengetriebenes Modell hätte den Display-Beitrag korrekt eingeordnet und vor der Kürzung gewarnt.

Marketing Mix Modeling als Ergänzung

Multi-Touch-Attribution arbeitet auf Klick-Ebene und braucht User-Tracking (Cookies, IDs, Fingerprinting). Mit Wegfall des Third-Party-Cookies und steigendem Datenschutz wird das schwieriger. Eine Alternative ist Marketing Mix Modeling (MMM): eine statistische Regression auf aggregierter Ebene.

MMM braucht keine User-Daten. Es modelliert, wie sich Werbespend, Saisonalität, Wetter, Preisaktionen und Brand-Index auf Umsatz auswirken. Vorteile:

• Datenschutzkonform
• Funktioniert auch für Offline-Kanäle (TV, Print, Plakat)
• Sieht langfristige Branding-Wirkung

Nachteile:

• Braucht 2 bis 3 Jahre Datenhistorie
• Aktualisierung nur monatlich oder quartalsweise
• Keine Echtzeit-Steuerung

Eine moderne Marketing-Organisation kombiniert MTA (Echtzeit, Pfadebene) mit MMM (Gesamtbild, aggregierte Beurteilung).

Inkrementelle Messung als Goldstandard

Über alle Attributions-Modelle hinaus ist die inkrementelle Messung der Goldstandard. Sie misst den tatsächlichen Beitrag einer Kampagne durch ein Test-Kontroll-Design: Eine Zielgruppe sieht die Kampagne (Test), eine vergleichbare Zielgruppe nicht (Kontrolle). Die Differenz in Conversion-Verhalten ist der inkrementelle Beitrag.

Dieses Vorgehen ist methodisch sauber, im operativen Marketing aber schwer durchführbar. Voraussetzungen:

• Ausreichend große Stichprobe (Test und Kontrolle je mindestens 10.000 Personen)
• Sauberer Sample-Split ohne Cross-Contamination
• Lange Beobachtungsperiode, vor allem im B2B
• Statistische Signifikanz-Berechnung

In der Praxis bieten große Plattformen (Google, Meta) Inkrementalitäts-Tests für größere Budgets an. Externe Tools wie INCRMNTAL oder Northbeam berechnen Inkrementalität auf Basis kontinuierlicher Messung.

Die Erkenntnis dieser Tests überrascht oft: viele Kampagnen erreichen Personen, die sowieso konvertiert hätten. Echte Inkrementalität liegt bei 30 bis 70 Prozent der attribuierten Conversions, der Rest ist "Cannibalization" oder "Capturing existing intent".

Praktische Umsetzung in 4 Schritten

1. Standardmodell wechseln: In Google Analytics 4 von Last-Click auf datengetrieben umstellen (Default seit 2024)
2. Ad-Plattformen kalibrieren: Conversion-Tracking auf Server-Side, Enhanced Conversions, Conversion API für Meta. Damit bekommen die Plattformen Daten, um eigene datengetriebene Modelle zu bauen.
3. Customer Data Platform: Eine CDP (Segment, Tealium, Salesforce CDP) verbindet Touchpoints über Kanäle und Sessions. Vorbedingung für eigene Multi-Touch-Auswertungen.
4. Quartalsweise MMM-Validierung: Marketing-Mix-Modell als Plausibilitäts-Anker. Wenn MTA und MMM in dieselbe Richtung zeigen, ist die Entscheidung sicher.

Datenschutz als treibender Faktor

Die Attribution-Diskussion wird 2026 stark vom Datenschutz geprägt. Drei Entwicklungen verändern das Bild:

1. Third-Party-Cookies sind quasi tot: Safari und Firefox blockieren sie seit Jahren, Chrome hat die Abschaffung mehrfach verschoben, plant aber den Wegfall. Wer noch auf Third-Party-Cookies basierte Attribution baut, hat ein strukturelles Problem.
2. Tracking-Einschränkungen auf iOS: Die App-Tracking-Transparency-Initiative von Apple führt dazu, dass nur ein kleiner Teil der iOS-Nutzer Tracking erlaubt. In manchen Branchen reduziert das die Conversion-Datenmenge um 40 bis 60 Prozent.
3. Server-Side-Tracking und Conversion APIs: Plattformen wie Meta und Google bieten Server-zu-Server-Schnittstellen, die unabhängig von Browser-Restriktionen funktionieren. Diese Setups sind aufwendiger, dafür stabiler.

Eine moderne Attribution-Architektur kombiniert First-Party-Daten (eigene CRM- und Tracking-Systeme), Server-Side-Tagging und plattformspezifische Conversion APIs. Wer 2026 noch ausschließlich mit Pixel-basiertem Tracking arbeitet, wird in den nächsten 12 bis 24 Monaten messbare Lücken sehen.

Häufige Einwände

Einwand 1: "Multi-Touch ist zu komplex für unser Geschäft."

Für kleinere B2B-Geschäfte mit klarer Funnel-Struktur (LinkedIn -> Webinar -> SDR-Call -> Deal) reicht oft das U-förmige Modell, das ohne komplexe Datenwissenschaft auskommt.

Einwand 2: "Wir haben nicht genug Daten."

Datengetriebene Modelle in Google Ads brauchen mindestens 300 Conversions in 30 Tagen pro Property. Bei weniger reicht ein Time-Decay-Modell als Annäherung.

Einwand 3: "Tracking ist mit Cookie-Banner kaputt."

Server-Side-Tracking, Conversion APIs und First-Party-Datenstrategien lösen das größtenteils. Wer auf Third-Party-Cookies basiert, hat tatsächlich ein Datenproblem, das aber strukturell anders zu lösen ist.

Was ein gutes Attribution-Reporting enthält

Ein belastbares monatliches Reporting hat folgende Elemente:

• Conversion-Volumen pro Kanal nach Last-Click (für Vergleichbarkeit mit Vorperioden)
• Conversion-Volumen pro Kanal nach datengetriebenem Modell (für Steuerung)
• Anteil multi-Touch-Pfade vs. Single-Touch-Pfade
• Top-5 häufigste Conversion-Pfade
• Touchpoint-Heatmap: welche Kanäle erscheinen wo im Funnel
• MMM-Vergleichswert vom letzten Quartal als Sanity-Check

Wer mit dieser Datenbasis arbeitet, kann Budget-Entscheidungen begründen, ohne blind einem einzigen Modell zu vertrauen.

Fazit

Last-Click-Attribution ist nicht falsch, sie ist nur unvollständig. Wer Performance-Marketing rein nach Last-Click optimiert, kürzt die Brand-Kanäle, die mittelfristig den Funnel füllen. Eine sinnvolle Attribution-Strategie kombiniert datengetriebene Multi-Touch-Modelle mit Marketing Mix Modeling auf höherer Ebene. Das kostet Aufwand und ein paar interne Diskussionen, zahlt sich aber in besseren Budget-Entscheidungen aus. Wer noch mit Last-Click reportet, sollte 2026 spätestens auf datengetriebene Attribution wechseln, allein um nicht systematisch die falschen Schlüsse zu ziehen.

Quellen

• Google, Datengetriebene Attribution: https://support.google.com/google-ads/answer/6394265
• Meta, Conversion API Best Practices: https://www.facebook.com/business/help/2041148702652965
• BVDW, Whitepaper Marketing-Attribution: https://www.bvdw.org/

Disclaimer

Dieser Artikel beschreibt Attribution-Methodik. Die Wahl des konkreten Modells und der Tool-Stack hängen von Unternehmensgröße, Datenlage und Branche ab. Die Beispielzahlen sind illustrativ.