Zuerst ein kurzer Disclaimer: Jede Art, Attribution zu betrachten, ist fehlerbehaftet. Wer behauptet, die perfekte Lösung zu haben, lügt im Grunde. Aber manche Ansätze sind deutlich weniger fehlerbehaftet als andere — und dieser Unterschied ist entscheidend.

E-Com-Brands geben typischerweise 20–30 % ihres Top-Line-Umsatzes für Marketing aus. Das macht es zu einer der größten Kostenpositionen im Unternehmen. Schon eine moderate Verbesserung darin, wie du dieses Budget verteilst, kann einen erheblichen Einfluss auf die Profitabilität haben.

Zwei Szenarien zur Veranschaulichung des Hebels:

Szenario A — Ineffizientes Budget streichen: Eine Brand mit 1 Mio. € Umsatz, 45 % DB2 und 25 % Marketingausgaben (250 k€) hat einen DB3 von 200 k€. Streiche die unteren 15 % der Marketingkampagnen → der Umsatz sinkt auf 900 k€, aber die Gesamtprofitabilität steigt um 15 %, weil die unprofitablen Ausgaben weg sind.

Szenario B — Budget umschichten: Statt zu streichen, verlagere Budget von schwachen Kampagnen zu besseren. Der Umsatz springt um 20 % nach oben, während die Ausgaben gleich bleiben → Profitabilität +20 %. Keines der Szenarien erfordert drastische Änderungen — nur bessere Sichtbarkeit.

Plattformdaten haben drei strukturelle Probleme:

1. Sie korrelieren nicht mit den tatsächlichen Geschäftsergebnissen.

Auf Werbekonto-Ebene sieht meist alles gut aus — Meta ist grün, Google ist grün, TikTok ist grün. Aber zoome auf die Unternehmensebene heraus, und das Bild sieht anders aus. Ein Beispiel aus der Praxis: Eine Brand skalierte deutlich, während ihr Facebook-ROAS leicht von ~3,5 auf ~2 fiel. Das klingt beherrschbar. Aber im selben Zeitraum explodierten die Kundenakquisekosten von den 20ern auf 75–80 €. Keine Korrelation zwischen Plattform-ROAS und tatsächlicher Geschäftsperformance.

2. Sie sind nicht plattformübergreifend konsistent, du kannst sie also nicht vergleichen.

Jede Plattform misst Attribution anders, je nach eingesetztem Tracking. Manche Kanäle — Pinterest ist ein häufiges Beispiel — sehen im eigenen Reporting immer großartig aus. Das heißt aber nicht, dass sie tatsächlich inkrementellen Umsatz treiben. Weil die Messmethoden sich unterscheiden, vergleichst du über Kanäle hinweg keine Äpfel mit Äpfeln.

3. Sie schaffen fehlgeleitete Anreize.

Media-Buyer optimieren auf das, was im Plattform-Dashboard gut aussieht — nicht auf tatsächliche Geschäftsergebnisse. Lange View-Attributionsfenster oder ausgedehnte Click-Back-Fenster lassen die Plattformzahlen stark aussehen — optimieren aber auf Conversions mit geringer Inkrementalität. Eine Conversion, die nach einem 7-Tage-View zugeordnet wird, ist sehr wenig wert, wird aber genauso gezählt wie ein Klick mit direkter Intention. Das Management sieht Grün, aber das zugrunde liegende Geschäft driftet womöglich ab.

Das Ergebnis:

45 % der Neukunden-Conversions landen oft bei Branded Paid Search und Direct — Kanälen, die vor allem bestehende Nachfrage abgreifen, statt sie zu erzeugen. Ohne kanalübergreifende Sicht hast du keine Transparenz darüber, welche Push-Kanäle diese Nachfrage überhaupt erst erzeugen.

Keine Lookback-Fenster-Grenzen

Plattformen wie Meta begrenzen ihr Attributions-Lookback auf 7 Tage. Klar hat keine solche Grenze — du kannst 2 Wochen, einen Monat oder länger zurückblicken. Das bedeutet: Kampagnen, die Kunden früh in einer längeren Entscheidungsreise beeinflussen, bekommen die Anerkennung, die sie verdienen — nicht nur die Retargeting-Anzeige, die den Verkauf abgeschlossen hat.

Vollständige Customer Journey statt Last Touch

Plattform-Attribution schreibt den Erfolg tendenziell dem letzten Touchpoint zu — typischerweise einer Dynamic Product Ad (DPA) am Ende des Funnels. Klar weist jedem Touchpoint über die gesamte Journey Wert zu, inklusive der ersten Anzeige, die den Kunden überhaupt gebracht hat. Das gibt Top-of-Funnel-Kampagnen (TikTok, Influencer, Awareness-Meta-Kampagnen) ein deutlich genaueres Bild ihres Beitrags.

Nettoumsatz und Profitabilität statt nur Bruttoumsatz

Werbeplattformen sehen nur Bruttoumsatz — vor Retouren und Steuern. Für Fashion-Brands mit Retourenquoten von 20–40 % ist das eine erhebliche Verzerrung. Klar integriert sich mit deinem Shop-System, um Nettoumsatz zu zeigen, und kann bis auf DB2-Ebene heruntergehen. Wenn du unterschiedliche Produkte mit sehr verschiedenen Retourenquoten pushst, brauchst du das, um zu wissen, was du tatsächlich behältst.

Neukundenakquise und CLV

Klar lässt dich die Attribution gezielt auf Neukunden fokussieren — das kurzfristige Ergebnis, auf das die meisten Brands optimieren wollen. Und du kannst noch einen Schritt weiter gehen: Betrachte das CLV/CAC-Verhältnis 60 Tage nach der Akquise. Anzeigen, die beim ROAS identisch aussehen, können dramatisch unterschiedliche langfristige Profitabilitätsprofile haben. Die Anzeige, die auf den ersten Blick am besten aussieht, ist oft nicht die, die die wertvollsten Kunden akquiriert.