tl;dr
Statische Modelle (Last Touch, First Touch, Linear, U-Shape) wenden feste Regeln an – sie passen sich nicht daran an, wie eine Journey tatsächlich verlief
Unique ist das einzige statische Modell, das sich regelmäßig lohnt – für die tägliche Creator-Optimierung
Data-Driven passt den Wert dynamisch an – basierend auf Session-Qualität, Kanaltyp, Zeitabständen, Rabattcodes und PPS-Antworten
Marketing Mix Model baut auf Data-Driven auf und verteilt Branded-/Direct-Conversions zurück auf den Kanal, der die Nachfrage tatsächlich erzeugt hat
Für die Budgetverteilung nutze Data-Driven + MMM – das ist das vollständigste Bild davon, was Conversions antreibt
Die Beispiel-Journey
Alle Modelle unten werden anhand dieser Customer Journey veranschaulicht:
TikTok → Facebook Paid → Influencer → Branded Paid Search → Email Automation → Kauf
Statische Attributionsmodelle
Statische Modelle weisen Touchpoints Wert nach einer festen Regel zu – unabhängig davon, was in der Journey tatsächlich passiert ist.
Last Touch gibt 100% des Werts dem letzten Touchpoint vor dem Kauf. In dieser Journey bekommt Email Automation alles. Die meisten Marketer kennen das aus Google Analytics.
First Touch gibt 100% dem ersten Touchpoint. Hier bekommt TikTok alles – die Idee: Der Kanal, der den Kunden gebracht hat, verdient die meiste Gutschrift.
Linear verteilt den Wert gleichmäßig auf alle Touchpoints. Bei fünf Touchpoints bekommt jeder 20%.
U-Shape gewichtet den ersten und letzten Touchpoint stärker, der Rest wird gleichmäßig auf die Mitte verteilt. In dieser Journey: ~30% TikTok, je ~13% für Facebook, Influencer und Branded Paid Search, ~30% Email Automation.
Unique gibt jedem Kanal, der einen Touchpoint hatte, 100% des Werts – TikTok, Facebook, Influencer, Branded Paid Search und Email Automation bekommen alle 100%. Das entspricht der Art, wie Ad-Plattformen selbst Conversions auf Basis der Klick-Attribution ausweisen.
Das Problem mit statischen Modellen
Statische Regeln berücksichtigen nicht, wie eine Journey tatsächlich verlaufen ist. Angenommen, der First Touch war vor 60 Tagen, der Kunde tat 50 Tage lang nichts und wurde dann 10 Tage vor der Conversion wieder aktiv. Ist dieser 60 Tage alte Touchpoint wirklich so wichtig? Wahrscheinlich nicht. Aber ein statisches First-Touch-Modell kümmert das nicht – es behandelt jeden First Touch gleich.
Deshalb sind statische Modelle für Budgetentscheidungen grundsätzlich nicht zu empfehlen. Die Ausnahme ist Unique – es ist nützlich für die tägliche Creative-Optimierung, weil es dir zeigt, welche Creatives überhaupt irgendeinen Touchpoint in einer Conversion-Journey hatten.
Data-Driven-Modell
Statt einer festen Regel startet das Data-Driven-Modell von einer Baseline (U-Shape) und passt den Wert dann dynamisch an das an, was in jeder Journey tatsächlich passiert ist.
Anpassungen, die das Modell vornimmt
Verweildauer auf der Seite – eine Session, in der jemand 10 Minuten gestöbert hat, ist mehr wert als ein Absprung. Das Modell erhöht die Gewichtung von Sessions mit hohem Engagement entsprechend.
Kanaltyp – nicht alle Kanäle erzeugen Nachfrage gleichermaßen:
Branded Paid Search wird heruntergewichtet. Es erzeugt keine Intent – es fängt nur bereits vorhandene Intent ab.
E-Mail und Owned Channels (WhatsApp usw.) werden im Kontext bewertet. Klickt ein Kunde zwei Minuten nach seiner letzten Session auf eine E-Mail, bekommt die E-Mail wenig Wert – er war ohnehin auf dem Rückweg. Holt die E-Mail jemanden nach zwei Monaten Inaktivität zurück, bekommt sie hohen Wert.
Rabattcodes – wenn ein Rabattcode in Klar mit einem Kanal verknüpft ist (über das Influencer CRM oder das Influencer Sheet), können zwei Dinge passieren:
Hat dieser Kanal bereits einen Touchpoint in der Journey → wird er verstärkt
Gibt es keinen Touchpoint für diesen Kanal → wird ein neuer Touchpoint eingefügt (bei Influencern am Last Touch)
Post-Purchase-Survey-Antworten – hier gilt dieselbe Logik. Sagt der Kunde „TikTok" und es existiert ein TikTok-Touchpoint → verstärke ihn. Sagt er „Pinterest" und es gibt keinen Pinterest-Touchpoint → füge einen ein.
Das Ergebnis ist ein Modell, das die tatsächliche Qualität und den Kontext jedes Touchpoints widerspiegelt, nicht nur seine Position in einer Abfolge.
Marketing Mix Model
Selbst das beste klickbasierte Modell hat einen blinden Fleck: Journeys mit sehr wenigen getrackten Touchpoints. Ein Neukunde mit einem einzigen Branded-Paid-Search-Touchpoint vor dem Kauf ist keine realistische User Journey – er kannte deine Marke von irgendwoher, er hat nur keine trackbare Anzeige geklickt.
Das Marketing Mix Model (MMM) baut auf dem Data-Driven-Modell auf, um genau das zu lösen. Es nutzt Machine Learning, um zu verstehen, was diese Conversions tatsächlich angetrieben hat, und betrachtet dafür:
Post-Purchase-Survey-Antworten – besonders bei kurzen Journeys geben PPS-Daten ein direktes Signal für die vom Kunden wahrgenommene Quelle
Korrelation zwischen Spend, Impressions und Engagement und dem resultierenden Branded-/Direct-Traffic – wenn du 10.000 € mehr auf Meta ausgibst und die Branded-Paid-Search-Sessions um 5.000 steigen, sollten diese Branded-Conversions Meta zugeordnet werden, nicht Branded Search oder Direct
Das Ergebnis: Branded- und Direct-Traffic wird auf die Kanäle umverteilt, die die Nachfrage tatsächlich erzeugt haben. Außerdem taucht Word of Mouth als eigenständiger Kanal auf – bei manchen Marken macht das 50–60% der Post-Purchase-Survey-Antworten aus. Alle Conversions bezahlten Kanälen zuzuordnen, obwohl ein erheblicher Teil Mundpropaganda ist, führt zu völlig falschen Budgetentscheidungen.
Was sich mit MMM ändert
Verglichen mit einem Last-Click-Ausgangspunkt sieht eine typische Verschiebung etwa so aus:
Meta bekommt deutlich mehr Conversions zugeordnet (oft 100–200% Uplift), da Branded-/Direct-Traffic auf Meta-Kampagnen zurückgeführt wird
TikTok, das stark Top-of-Funnel ist und per Klick schwerer zu tracken, sieht oft den größten relativen Uplift
Influencer sieht moderaten Uplift, wenn bereits Rabattcodes genutzt werden (dann schon gut getrackt), sonst weniger
Branded Paid Search und Direct werden reduziert – sie wurden in klickbasierten Modellen überzählt
Word of Mouth erscheint als neuer Kanal, der die organische Markenstärke widerspiegelt
Wann du welches Modell nutzt
Unique – für die tägliche Creative- und Influencer-Optimierung. Zeigt dir, welche Assets überhaupt Einfluss auf eine Conversion hatten, ohne dich um die Wertverteilung zu kümmern.
Data-Driven – als deine Standard-Attributionsansicht. Es ist das genaueste Bild davon, welche Touchpoints wie viel beigetragen haben, basierend auf echten Session-Daten und Zero-Party-Inputs.
Data-Driven + MMM – für die Budgetverteilung. Dieses Modell berücksichtigt, was getrackt ist, was über Korrelation beobachtbar ist und was Kunden selbst angeben. Es gibt dir den vollständigsten Blick auf den echten Kanalbeitrag – inklusive Kanälen, die nie einen trackbaren Klick erzeugen, wie TV oder Mundpropaganda.
Warum dynamische Modelle wichtig sind – eine kurze Analogie
Denk daran, wie beim Fußball ein Tor fällt. Wenn du nur den Spieler betrachtest, der den Ball ins Netz gesetzt hat (Last Touch), verpasst du alles, was das Tor möglich gemacht hat. Wenn du nur dem Torwart die Gutschrift gibst, der den Konter eingeleitet hat (First Touch), ist das genauso unvollständig. Jeder Spieler in der Aktion hat beigetragen – und der Wert jedes Beitrags hängt davon ab, was er tatsächlich getan hat, nicht nur davon, wo er in der Abfolge stand. Manche Spieler haben den Ball nie berührt, aber den Raum geschaffen, der das Tor möglich gemacht hat. Das sind Word of Mouth und TV in deiner Attribution – echte Wirkung, kein trackbarer Touch.