Statische Attributionsmodelle – First Touch, Last Touch, Linear, U-Shape – wenden alle eine einzige feste Regel auf jede Customer Journey an. Genau das ist das Problem.

Nimm eine First-Touch-Interaktion, die vor 60 Tagen stattfand, gefolgt von 50 Tagen völliger Inaktivität, bevor der Kunde wieder aktiv wurde und 10 Tage später konvertierte. Ist dieser erste Touchpoint wirklich für die Conversion verantwortlich? Wahrscheinlich nicht – aber First Touch gibt ihm trotzdem 100 % der Gutschrift.

Stell es dir wie ein Tor beim Fußball vor: Jeder Spieler in der Aktion hatte eine Rolle, aber ihre Beiträge waren nicht gleich – und der Wert jedes Beitrags ändert sich von Tor zu Tor. Statische Modelle ignorieren das. Sie geben einem einzigen Spieler die gesamte Gutschrift oder verteilen sie gleichmäßig, egal was tatsächlich passiert ist.

Data-Driven-Attribution löst das, indem es jeden Touchpoint einzeln bewertet und seine Gewichtung an seinem tatsächlichen Beitrag ausrichtet.

Nimm diese Beispiel-Journey:

TikTok → Facebook Paid → Influencer → Branded Paid Search → Email Automation → Kauf

Data-Driven startet nicht bei null – es startet von einer U-Shape, die das allgemeine Prinzip abbildet, dass der erste und der letzte Touchpoint tendenziell den größten Einfluss auf eine Conversion haben. Das ist der Ausgangspunkt, nicht das Endergebnis.

Für jede Touchpoint-Session schaut Klar, wie viel Zeit der Kunde auf der Seite verbracht hat. Eine Session, in der jemand 10 Minuten lang Produkte durchstöbert hat, wird deutlich höher gewichtet als eine, bei der er sofort abgesprungen ist. Das passt die Baseline-Gewichtung pro Session nach oben oder unten an.

Über die Verweildauer einer Session hinaus schaut Data-Driven auch, wie viel Zeit zwischen den Touchpoints vergangen ist. Ein sehr kurzer Abstand – ein Kunde, der zwei Minuten nach dem Besuch deiner Seite direkt vor dem Checkout auf eine E-Mail klickt – deutet oft auf einen mechanischen Auslöser hin (z. B. ein Rabatt-Pop-up, das er gerade abonniert hat) statt auf einen wirklich überzeugenden Touchpoint und wird daher heruntergewichtet. Ein Touchpoint, auf den eine lange Phase der Inaktivität folgt (z. B. eine Anzeige, die drei Monate vor dem Kauf geklickt wurde, ohne dass dazwischen etwas passiert), wird ebenfalls abgewertet – er hat die kurzfristige Journey, die zum Kauf führte, nie wirklich angestoßen. Ein Touchpoint, der einen ansonsten inaktiven Kunden zum richtigen Zeitpunkt reaktiviert, wird dagegen höher gewichtet.

Verschiedene Kanäle spielen grundlegend unterschiedliche Rollen in einer Customer Journey – grob gesagt erzeugen manche neue Nachfrage, manche verstärken bestehendes Interesse und manche fangen einfach nur Nachfrage ab, die bereits woanders entstanden ist. Data-Driven berücksichtigt das:

Branded Paid Search wird stark heruntergewichtet. Ein Kunde, der deinen Markennamen bei Google eingibt und auf eine Anzeige klickt, kannte deine Marke bereits von woanders. Diese Suche hat die Nachfrage nicht erzeugt – sie hat sie abgefangen. Branded Search die volle Gutschrift zu geben, würde falsch darstellen, wo dein Marketing tatsächlich wirkt.

E-Mail und Owned Channels (z. B. WhatsApp) sind ein gutes Beispiel für die Zeitabstands-Anpassung aus Schritt 3 in der Praxis: Ein Klick zwei Minuten nach einem Seitenbesuch hat wahrscheinlich nur mitten in der Journey einen Willkommensrabatt eingelöst und kaum etwas beigetragen, während eine E-Mail, die einen Kunden nach zwei Monaten Stille zurückholt, deutliche Gutschrift verdient.

Wenn ein Rabattcode in Klar mit einem Kanal verknüpft ist – über das Influencer CRM oder das Influencer Sheet – nutzt Data-Driven ihn als zusätzliches Signal. Zwei Dinge können passieren:

Das ist besonders wichtig für Influencer-Marketing, wo Creator oft Conversions antreiben, die nie einen trackbaren Klick erzeugen.

Wenn ein Kunde eine Post-Purchase-Survey ausfüllt und einen Kanal nennt, nutzt Data-Driven diese Zero-Party-Daten:

So bekommen Kanäle wie Pinterest oder Organic Social – die selten trackbare Klicks erzeugen – trotzdem Gutschrift, wenn Kunden sagen, dass sie dich so gefunden haben.

Für die Journey TikTok → Facebook Paid → Influencer → Branded Paid Search → Email Automation könnte ein typisches Data-Driven-Ergebnis so aussehen:

Im Vergleich zu statischen Modellen oder Last-Click erzeugt Data-Driven typischerweise diese richtungsweisenden Verschiebungen:

Das sind richtungsweisende Muster, keine Benchmarks. Die tatsächliche Umverteilung hängt von deinem Kanalmix, der Länge deiner Customer Journey und davon ab, wie gut deine PPS und Rabattcodes eingerichtet sind.

Data-Driven ist das richtige Modell, wenn du verstehen willst, was innerhalb deiner getrackten Journeys passiert – welche Kanäle beitragen, welche Touchpoints die Arbeit machen und wie sich bestimmte Ads oder Kampagnen schlagen. Für die größere Frage, wie du Budget über Kanäle hinweg verteilst – vor allem, um Nachfrage zu berücksichtigen, die keinen trackbaren Klick erzeugt hat – wechsle zu MMM.

Welches Modell du auch nutzt: Es lohnt sich, das Ergebnis gegen Blended-Metriken oder Incrementality-Tests zu plausibilisieren, bevor du echtes Budget darauf verschiebst.

Data-Driven arbeitet mit den Touchpoints, die Klar beobachten kann. Wenn eine Customer Journey aus einem einzigen Branded-Search-Klick besteht, ohne dass davor etwas passiert ist, schreibt Data-Driven die Conversion trotzdem diesem Klick zu – weil das alles ist, was es sehen kann. Genau hier geht MMM darüber hinaus und modelliert, welche Kanäle diese Nachfrage überhaupt erst erzeugt haben.

Wenn du kanalübergreifende Budgetentscheidungen triffst und ein erheblicher Teil deiner Neukunden-Conversions in Direct oder Branded Search liegt, kann Data-Driven allein die Top-Funnel-Kanäle unterschätzen. Nutze für solche Entscheidungen MMM.

Das ist eine strukturelle Grenze jedes klickbasierten Modells, keine Klar-Eigenart: Kanäle, die Awareness schaffen, ohne einen trackbaren Klick zu erzeugen – Mundpropaganda, ein Teil von Organic Social, Offline-Touchpoints – werden systematisch unterbewertet. Genau diese Lücke soll MMM schließen.

Gehe zu Tracking → Attribution → Attributions Detailansicht. Nutze den Modell-Selektor oben und wähle Data Driven.

Hintergründe dazu, wie Klar überhaupt Besucher trackt und Identitäten auflöst, findest du unter How Klar Attribution Works.