Google Analytics wird vier Attributionsmodelle abschaffen. Die datengetriebene Attribution ersetzt jetzt die alten Modelle. Hier ist der Zeitplan:
- Mai 2023: Lineare, First-Click-, Zeitverlauf- und positionsbasierte Modelle für neue Conversion-Aktionen werden für Google Analytics 4-Properties nicht verfügbar sein.
- Juni 2023: Für Google Ads-Konten werden lineare, First-Click-, Zeitverlauf- und positionsbasierte Modelle für neue Conversion-Aktionen nicht mehr verfügbar sein.
- September 2023: Google wird die vier Attributionsmodelle in Google Analytics 4 und Google Ads abschaffen.
Was passiert also mit Conversion-Aktionen, die die auslaufenden Modelle verwenden? Laut Google wird jede solche Conversion-Aktion automatisch auf das datengetriebene Attributionsmodell umgestellt.
Werbetreibende können das aktuelle Last-Click-Attributionsmodell verwenden, aber jede Conversion-Aktion muss manuell geändert werden.
Betroffen ist jeder, der weiterhin die veralteten Modelle in Google Ads verwendet. Die datengetriebene Attributionsformel jedes Werbetreibenden ist individuell und nicht sichtbar. Deshalb ist es viel schwieriger, alles andere als den letzten Klick zu tracken.
In diesem Artikel erklären wir mehr über Attributionsmodelle in der Analytics. Wir diskutieren auch die von Google propagierte, datengetriebene Attribution. Sie erfahren, welche Probleme dabei auftauchen und warum Sie verschiedene Attributionsmodelle vergleichen sollten.
Was ist Attribution?
Attributionsmodelle sind Regeln oder Algorithmen, die entscheiden, welchen Touchpoints auf Conversion-Pfaden die Conversions zugewiesen werden. Als Conversion rechnen einzelne Klicks, Anzeigen oder andere Faktoren im Conversion-Pfad des Nutzers. Es gibt zwei Modelle für die Attribution:
- Regelbasierte Attribution – schreibt den einzelnen Touchpoints einen Wert zu, der von ihrer relativen Bedeutung im Prozess abhängt. Wir unterscheiden zwischen Single-Touch- oder Multi-Touch-Attribution.
- Datengetriebene Attribution – bestimmt, wie viele Conversions und Nutzerpfade zu einem Verkauf beigetragen haben. Aus diesem Grund kann sich das resultierende Modell erheblich von einfachen, regelbasierten Ansätzen unterscheiden.
Die Attribution hilft uns zu verstehen, welche Touchpoints auf dem Conversion-Pfad eine wichtige Rolle spielen. Sie raten nicht mehr und sind in der Lage, die richtigen Quellen zu nennen.
Beispiel: der Conversion-Pfad eines Nutzers, der auf der Website konvertiert.
- Ein Nutzer sucht bei Google nach „Attributionsmodelle in GA4“ und klickt auf Ihren Blogbeitrag.
- Der Nutzer kehrt am nächsten Tag zu demselben Blog zurück und navigiert von dort zu Ihrem YouTube-Kanal.
- Nach ein paar Tagen besucht der Nutzer direkt Ihre Website und meldet sich für Ihren Newsletter an, weil er ihn für eine bessere Lernoption hält.
Drei Quellen trugen zu diesem Conversion-Pfad bei: die organische Suche von Google, YouTube-Videos und direkter Traffic.
Welcher weisen Sie also den Beitrag für die Conversion zu? Es begann mit der organischen Suche, richtig? Oder überzeugte vielleicht das YouTube-Video den Nutzer, sich zu registrieren? Könnte es die direkte Quelle sein, da er sich dann entschieden hat? Warum nicht alle drei, weil sie alle dazu beigetragen haben? An dieser Stelle kommen die Attributionsmodelle ins Spiel.
Jedes Modell wird auf demselben Conversion-Pfad unterschiedliche Ergebnisse liefern. Es kann mehrere Touchpoints geben. Die Abfolge der Conversion kann auch für jeden Nutzer unterschiedlich aussehen.
Mehr dazu hier: Wie die Multi-Kanal Attribution in Piwik PRO funktioniert
Gängige Attributionsmodelle
Verschiedene Attributionsmodelle geben an, wie der Wert der Conversion zugewiesen wird. Die Standardmodelle für die regelbasierte Attribution sind:
- Erster Klick (First Click): Der gesamte Beitrag geht zur ersten Interaktion. Ein Besucher betritt Ihre Website über Google Ads, sieht sich um und verlässt sie wieder. Später kommt er über einen organischen Google-Suchlink zurück und füllt ein Formular aus. Es kommt zur Conversion. Dieser letzte Besuch über die organische Suche wird überhaupt nicht gezählt. Die erste Interaktion über Google Ads erhält den 100 %-Wert der Conversion.
- Letzter Klick (Last Click): Hier wird der letzte Klick vor der Conversion angerechnet. Bei diesem Modell würde zum Beispiel der gesamte Beitrag an die organische Suche gehen, falls eine organische Suche auf Google-Ad-Klicks folgt.
- Letzter indirekter Klick (Last-Non-Direct-Click): Diese Modelle berücksichtigen keine direkten Besuche. Sie ordnen 100 % der Conversion dem letzten bekannten indirekten Klick, der letzten bekannten Traffic-Quelle oder dem letzten bekannten Verweis zu. Dies ist eine Variante des Last-Click-Modells.
- Zeitverlauf (Time Decay): Hier wird die Zeit zwischen den Interaktionen angerechnet. Das Modell weist jedem Touchpoint einen Wert zu. Je näher der Touchpoint an einer endgültigen Transaktion oder dem Erreichen eines Ziels liegt, desto größer der Beitrag.
- Positionsbasiert (position-based): Das Modell weist bestimmten Schritten auf dem Conversion-Pfad einen Beitrag zu. In der Regel sind es der erste und der letzte Schritt. Es schreibt X % des Werts dem ersten Touchpoint zu, Y % dem letzten Touchpoint und Z % allen anderen Touchpoints.
- Linear: Das Modell wertet jeden Schritt des Conversion-Pfads gleich. Der Erfolg wird jedem Verweis und jedem Besuch gleichermaßen zugeschrieben. Bei drei Touchpoints – z. B. Google-Ads, organische Google-Suche und ein direkter Besuch – erhält jeder Touchpoint ein Drittel des Wertes für die Conversion.
- Datengetrieben (data-driven): Es verwendet Daten, um den Attribution-Beitrag zu bestimmen. Das Modell passt sich dem individuellen Pfad an.
Viele Werbetreibende verlassen sich nur auf den letzten Klick. An diesem Modell ist nichts auszusetzen, aber es lässt Touchpoints außer Acht, die eine wichtige Rolle bei einer Conversion spielen können. Alle Modelle mit einem Alles-oder-Nichts-Ansatz, wie der erste, letzte oder letzte indirekte Klick, leiden unter dieser Schwäche.
Die Stärke der anderen drei Modelle – linear, positionsbasiert und Zeitverlauf – besteht darin, dass sie mehrere Touchpoints berücksichtigen. Das bedeutet nicht, dass sie besser für die Modellierung von Conversion-Funneln geeignet sind. Dennoch lohnt es sich, mehr als einen einzigen Kontaktpunkt den Wert zuzuweisen.
Bei der Multi-Channel-Attribution werden Conversions in einer Customer Journey, die sich über mehrere Kanäle erstreckt, angerechnet.
Warum Sie verschiedene Attributionsmodelle vergleichen sollten
Kein Attributionsmodel gilt universell. Je nach Situation reicht es vielleicht aus, ein Attributionsmodell zu verwenden. Jedes Unternehmen ist jedoch anders, nutzt unterschiedliche Touchpoints und kommuniziert anders.
Sie investieren wahrscheinlich in Dutzende Kanäle – soziale Medien, Suchmaschinenwerbung, E-Mail, Blogging usw. Ihre Customer Journey ist fragmentiert. Der Übergang vom ersten Kontakt zur Conversion erfolgt selten innerhalb einer einzigen Browsing-Sitzung. Der Prozess erstreckt sich über viele Kanäle und Touchpoints und geschieht nicht über Nacht. Die Multi-Channel-Attributionsanalyse ist kompliziert, aber die Attributionsberichte werden Ihnen im Laufe der Zeit viele Hinweise geben, wenn Sie sie mit ausgeklügelten Experimenten kombinieren.
Alle Attributionsmodelle haben ihre Vor- und Nachteile. Es geht also nicht darum, auf Anhieb das beste Modell zu wählen. Ein Erfolgsrezept: Das grobe Ergebnis nehmen, Änderungen vornehmen, die Effekte beobachten (in der Regel über Wochen oder Monate), Einsichten gewinnen und mit der Zeit genauer werden.
Das Testen mehrerer Modelle, einschließlich benutzerdefinierter Modelle, ist der beste Weg, das geeignete Attributionsmodell zu finden.
Multi-Channel-Attributionsbericht hilft Ihnen bei der Analyse, welche Kanäle die Besucher genutzt haben, bevor sie das Ziel Ihrer Website erreicht oder Ihr Produkt gekauft haben. Im Gegensatz zu einfachen Akquisitionsberichten zeigt dieser Bericht verschiedene Attributionsmodelle und Conversion-Pfade. Damit stellen Sie fest, welche Touchpoints den wertvollsten Traffic auf Ihrer Website generieren. Mit diesem Wissen weisen Sie Ihr Marketingbudget besser zu.
Mit dem Modellvergleichstool, das im Bericht verfügbar ist, vergleichen Sie Attributionsmodelle wie letzter Klick, positionsbasiert, erster Klick, letzter indirekter Klick, Zeitverlauf, linear und benutzerdefinierte Modelle.
Alles in allem hilft Ihnen der Vergleich der Attributionsmodelle dabei, zu verstehen, wie Ihre Marketingmaßnahmen zu Conversions führen.
Experts opinion
Gründer und Chef-Content-Ersteller bei Deepskydata
Die Marketing-Attribution ist eines der komplexesten Themen in der Marketing-Analytik. Deshalb sollten Sie sie untersuchen und testen. Behandeln Sie sie nicht als die ganze Wahrheit. Die Attribution ist immer ein einfaches Modell einer komplexen Welt.
Der entscheidende Einblick liegt jedoch darin, die verschiedenen Touchpoints kennenzulernen, die Ihre Kunden vor dem Kauf durchlaufen müssen. Sie sollten sich zunächst die Conversion-Pfade ansehen, um zu verstehen, was 80 % Ihrer Kunden tun. Finden Sie auch heraus, welche Kombinationen am häufigsten vorkommen. Vergleichen Sie dann die verschiedenen Modelle und sehen Sie, wie sich die Conversion Raten für bestimmte Kanäle ändern. Besprechen Sie die Daten mit Ihrem Marketingteam und fragen Sie sie, welches Modell für sie am sinnvollsten ist. Sie würden fragen: Moment, was? Welches Modell für sie am sinnvollsten ist? Ja, da Attributionsmodelle versuchen, eine komplexe Welt zu modellieren, kann das Marketingteam Feedback dazu geben, welches Modell aufgrund seiner Erfahrungen am sinnvollsten erscheint.
Attribution in Google Analytics 4 (GA4)
Das Standard-Attributionsmodell von GA4 ist datengetrieben. Es verwendet Algorithmen des maschinellen Lernens, um die Daten Ihres Google Analytics-Kontos zu analysieren. Es weist verschiedenen Touchpoints einen Wert zu, basierend auf ihrem tatsächlichen Einfluss auf die Conversions.
GA4 lehnt Attributionsmodelle ab, die nicht auf Regeln des letzten Klicks basieren, wie erster Klick, Linear, positionsbasiert und Zeitverlauf in Google Ads und GA4. Die kanalübergreifende datengetriebene Attribution, der kanalübergreifende letzte Klick und „letzter Google Ads-Klick bevorzugt“ sind jedoch weiterhin verfügbar.
| Modelle | Basis | Regeln |
|---|---|---|
| Datengetrieben | Algorithmus | – |
| Channelübergreifend und regelbasiert | Regeln | Letzter Klick |
| Google Ads bevorzugt | Regeln | Letzter Klick |
Wenn Sie die auslaufenden Attributionsmodelle verwenden, gehen Sie das Problem auf folgende Weise um. Google Analytics 4 ermöglicht Ihnen den Export von Ereignisdaten in Google BigQuery. So erstellen Sie Ihre Erster-Klick-, linearen, Zeitverlauf- und andere regelbasierte Marketing-Attributionsmodelle mit Ihrer eigenen Logik. Dies kostet jedoch zusätzliche Zeit und Ressourcen.
Es ist zu beachten, dass der Einsatz von Attributionsmodellen auch ein Lookback-Fenster erfordert.
Mithilfe von Lookback-Fenstern (Attribution-Fenstern) stellen Sie fest, welche Anzeigen im angegebenen Zeitraum zu Conversions geführt haben. Sie wählen auch damit, wie weit Sie die Besuche Ihrer Benutzer auf Ihrer Website zurückverfolgen möchten. Wenn Sie beispielsweise ein Lookback-Fenster von 30 Tagen verwenden, berücksichtigt GA nur Nutzerbesuche innerhalb von 30 Tagen vor der Conversion.
Standardmäßig nutzt GA4 ein 30-tägiges Lookback-Fenster für Akquisitions-Conversion-Ereignisse und ein 90-tägiges Lookback-Fenster für andere Conversion-Ereignisse. Ebenso bedeutet ein 90-tägiges Lookback-Fenster, dass Touchpoints bis zu 90 Tage lang ab dem Tag ihrer Entstehung für einen Conversion-Beitrag qualifiziert werden können. Universal Analytics hat ein Lookback-Fenster von sechs Monaten.
Dieser Unterschied führt manchmal zu Datendiskrepanzen zwischen Google Analytics 4 und Universal Analytics. Wenn etwa ein Nutzer heute über einen Social-Media-Link auf Ihre Website klickt, diese in vier Monaten erneut besucht und eine Conversion ausführt, ordnet Universal Analytics den Conversion-Beitrag dem Social-Klick zu. Google Analytics 4 vergibt den Conversion-Wert an Direct. Dies kann Migrationsprobleme und Datendiskrepanzen verursachen.
Lesen Sie auch dazu: Migration zu Google Analytics 4: Probleme und Alternativen
Das Problem mit der datengetriebenen Attribution
Seit einigen Jahren führen große Werbeplattformen schrittweise die datengetriebene Attribution in die Conversion-Messung ein. Dahinter steht der Wunsch, ihre Leistung weiterhin zu zeigen. Die Plattformen müssen ihren Wert unter Beweis stellen, wenn traditionelle Tracking-Methoden mit dem Abschied von Third-Party-Cookies verloren gehen.
Die datengetriebene Attribution bietet einige Vorteile gegenüber regelbasierten Modellen. Durch den Einsatz von Google AI werden etwa menschliche Vorurteile aus der Verbraucher-Touchpoint-Analyse entfernt. Es hilft, Muster zu erkennen, die zu Conversions führen. Und das Modell passt die Attributionsgewichte automatisch an, wenn sich Ihr Marketingumfeld ändert.
Es ist jedoch wichtig zu beachten, dass ein Marketing-Attributionsmodell, das die Gewichtung von E-Mail-Marketing-Interaktionen von einem Jahr zum anderen ändert, Vergleichsberichte nutzlos machen kann. Sie werden nie wissen, ob der Anstieg der diesem Kanal zugeordneten Conversions auf Ihre erhöhten Ausgaben oder auf die von Google vorgenommene Änderung der Attribution zurückzuführen ist.
Laut Google ist das datengesteuerte Attributionsmodell das am weitesten verbreitete Conversion-Modell bei automatisierten Geboten. Die vier veralteten Modelle machen weniger als 3 % der Google-Web-Conversions aus. Google behauptet, die Entfernung der unbeliebten Attributionsmodelle vereinfacht und konsolidiert die Analyse.
Google Ads
Da steckt noch mehr dahinter. Ein datengetriebenes Attributionsmodell kann Google Ads-Kampagnen mehr Conversions zuschreiben als anderen Kanälen. Daher sind Werbetreibende vorsichtig. Wenn es die Messung oder Rechtfertigung anderer bezahlter Medienkanäle erschwert, könnten Marketer dazu veranlasst werden, mehr von ihrem Marketingbudget in Google Ads zu investieren.
Nehmen wir an, ein Kunde klickt auf eine E-Mail, sucht nach Ihrer Marke und sieht sich ein YouTube-Video an. Dann klickt er auf Facebook und geht auf die Website, um zu kaufen.
In diesem Szenario vergibt Google Werte nur an Google-Properties. Dies kann dazu führen, dass Ihre Conversion-Tags oder Analytics Plattformen eine Conversion überbewerten oder doppelt zählen.
Andere Probleme mit datengetriebener Attribution
Die Nachricht über den Abschied von Attributionsmodellen hat bei Marketern und Werbetreibenden für viele Diskussionen gesorgt. Ohne diese Modelle entgehen den Marketern wichtige Einblicke, dank deren sie fundiertere Entscheidungen treffen. Viele argumentieren, dass sie zwar mit der datengesteuerten Attribution ihre Arbeit optimieren, aber wirklich wertvolle Einsichten gewinnen sie durch den Ergebnisvergleich verschiedener Modelle.
Lassen Sie uns einige andere Probleme der datengetriebenen Attribution besprechen.
Genauigkeit
Das Attribution Modelling stützt sich auf kleinere Datensätze. Wenn statistische Modelle auf einem kleinen Datensatz aufbauen, sind sie weniger zuverlässig. Die tatsächlichen Zahlen können erheblich von den modellierten Daten abweichen. Weitere Conversion-Berichte werden auf der Modellierung nicht verfolgter Daten basieren. Trotz aller Mühe treffen Marketer aufgrund unzuverlässiger Tools Bauchentscheidungen.
Keine Einsicht in das Modellierungschema
Das Modell berücksichtigt Faktoren wie Gerätetypen, die Anzahl der Interaktionen mit Anzeigen, die Reihenfolge der Anzeigenpräsentation, die Art der kreativen Elemente und die Zeit ab der Conversion.
Es verwendet einen kontrafaktischen/ungenauen Ansatz in Bezug auf das, was hätte passieren können, im Vergleich zu dem, was tatsächlich passiert ist, um zu bestimmen, welche Touchpoints am ehesten zu Conversions führen. Basierend auf dieser Conversion-Wahrscheinlichkeit vergibt es dann den Wert für jede Conversion. Google macht keine Angaben dazu, wie die datengetriebene Attribution einzelnen Kanälen einen Beitrag zuweist.
Im Vergleich zu anderen Modellen ist es etwas schwierig zu verstehen, was sich hinter dem Algorithmus verbirgt. Werbetreibende müssen den Informationen vertrauen, die Google Ads ihnen liefert, ohne Einblick in den Prozess zu nehmen. Es ist notwendig, ein gewisses Maß an Unsicherheit zu akzeptieren, wenn man datengetriebene Attribution verwendet.
Grenzwerte
Das datengetriebene Attributionsmodell von Google hat einen großen Nachteil. Für einige Arten von Conversion-Aktionen sind innerhalb von 30 Tagen mindestens 300 Conversions und 3.000 Anzeigeninteraktionen in unterstützten Netzwerken erforderlich. Wenn Ihre Daten innerhalb von 30 Tagen unter 2.000 Anzeigeninteraktionen in unterstützten Werbenetzwerken oder 200 Conversions für die Conversion-Aktion fallen, können Sie die datengetriebene Attribution für diese Conversion-Aktionen nicht mehr nutzen.
Leider ist diese Messlatte für viele Unternehmen zu hoch angesetzt.
Die datengetriebene Attribution ist eine Blackbox. Sie sehen nicht, wie die Attribution modelliert wird und wie das Model jedem Kanal einen Beitrag zuweist. Der Einsatz maschinellen Lernens ist nicht schlecht, aber der Mangel an Transparenz beunruhigt. Viele Werbetreibende verwenden verschiedene Attributionsmodelle und vergleichen sie regelmäßig. So erhalten sie Einblicke in potenzielle Probleme und treffen bessere Annahmen über den relativen Einfluss der verschiedenen Kanäle.
Experts opinion
Mikko Piippo
Berater für digitale Analyse
Das Hauptproblem bei der datengetriebenen Attribution (DGA) von Google Analytics ist, dass wir beim Einsatz von DGA unser Werbebudget und die Attribution demselben Unternehmen anvertrauen, ohne zu sehen, was in der Blackbox passiert. Je mehr unsere Analysedaten auf Modellierung (statt auf Messung) beruhen, desto schwieriger wird es, die Modelle, Methoden und Einschränkungen zu verstehen. DGA ist in mancher Hinsicht hilfreich. Sie vereinfacht die Analyse und liefert Marketern Ergebnisse, die sie aus ihren begrenzten Daten nicht so einfach ableiten. Aber sie sollten den Daten nicht blind vertrauen, insbesondere wenn Unternehmen, die große Werbeplattformen betreiben, diese bereitstellen.
Fazit
Angesichts des Google-Plans, Attributionsmodelle abzuschaffen, müssen Marketer nach Alternativen suchen, um datengestützte Entscheidungen sicherzustellen.
Dies wird sich auf Werbetreibende auswirken, die immer noch auslaufende Modelle verwenden. Andere Modelle als der letzte Klick werden schwer zu tracken sein, da die datengetriebene Formel kontospezifisch und unklar ist. Wir sehen nicht, wie es funktioniert, welche Regeln es befolgt oder warum es bestimmte Maßnahmen ergreift.
Einen Ausweg aus diesem Dilemma bieten Plattformen wie Piwik PRO. Sie beinhaltet fortschrittliche Multi-Channel-Attribution-Tools, mit denen Sie analysieren, welcher Kanal oder Touchpoint für Conversions angerechnet werden sollte. Neben vordefinierten Attributionsmodellen erhalten Sie benutzerdefinierte Modelle, die Ihrem geschäftlichen Bedarf entsprechen. Und mit dem Vergleichstool können Sie verschiedene Attributionsmodelle miteinander vergleichen.
Nicht zuletzt erfordert eine genaue Attribution die Erhebung personenbezogener Daten. Das Aufkommen immer strengerer Vorschriften wie die DSGVO, das TTDSG, revDSG oder der CCPA macht dies zu einem heiklen Vorgang. Daher ist ein integrierter Consent Manager für Ihre Attribution-Toolbox unerlässlich. Mit immer rigorosen Datenschutzregeln weltweit wird es noch kritischer.
Hier finden Sie Produktvergleiche, die Ihnen bei der Auswahl der richtigen Webanalytics-Software helfen. Wir besprechen die wesentlichen Merkmale aller Produkte aus rechtlicher, technischer und praktischer Sicht:
