Welcher Marketing-Kanal verdient den Lead — wirklich?

Worum es geht

Dieser Beitrag ist Teil unseres Themen-Clusters Marketing & Performance — eine Übersicht über alle Beiträge zu Online-Marketing, Attribution, Omnichannel und Video-Content für Schweizer KMU.

Multi-Touch-Attribution-Modelle werden in der Kampagnen-Marketing-Analyse genutzt, um den verschiedenen Touchpoints einer Customer Journey Wert zuzuweisen. Es gibt eine Bandbreite an Modellen — und jedes hat seine eigene Logik. Für ein KMU mit knappem Marketing-Budget ist die Wahl des richtigen Modells entscheidend: ohne klare Attribution verteilst du Budget anhand falscher Signale. Damit die Zahlen verlässlich werden, gehört ein sauberes Marketing-Reporting-Setup als Fundament dazu.

Theoretische Verankerung — woher kommen die Attribution-Modelle?

Multi-Touch-Attribution ist seit den späten 2000ern Teil der Digital-Marketing-Lehre. Chaffey, Hemphill und Edmundson-Bird systematisieren in Digital Business and E-Commerce Management (7. Auflage, 2019) die Modelle im Rahmen des E-Commerce-Performance-Trackings und betonen, dass Attribution-Wahl direkt die Marketing-Mix-Optimization beeinflusst — ein Punkt, der in der KMU-Realität oft übersehen wird.

Konkret: wer nur Last-Touch misst, überschätzt Performance-Ads systematisch und unterschätzt Brand- und Content-Aufwand. Wer nur First-Touch misst, macht den umgekehrten Fehler. Die ehrliche Antwort liegt fast immer in einem datengetriebenen oder W-shaped Modell — und genau diese Wahl ist Teil der Control-Phase im SOSTAC-Planungs-Framework.

Die wichtigsten Attribution-Modelle

1. First-Touch-Attribution

Logik: Voller Credit für einen Kauf geht an den ersten Touchpoint, mit dem die Kundin Kontakt hatte.

Wann sinnvoll: Wenn du verstehen willst, welche Marketing-Kanäle zur ersten Aufmerksamkeit führen — Top-of-Funnel-Analyse.

Vorteile:

• Einfach umzusetzen und zu verstehen
• Hebt die initialen Touchpoints hervor
• Wertvolle Insights, wenn dein Ziel ist, das initiale Interesse zu tracken

Nachteile:

• Vereinfacht die Customer Journey zu stark
• Berücksichtigt nicht den Beitrag anderer Marketing-Massnahmen

Beispiel: Kundin sieht Facebook-Ad für einen Lautsprecher, klickt, kauft aber nicht. Später erhält sie eine E-Mail, klickt darauf und kauft. First-Touch: Voller Credit geht an die Facebook-Ad.

2. Last-Touch-Attribution

Logik: Voller Credit geht an den letzten Touchpoint vor dem Kauf.

Wann sinnvoll: Bei einfachen, linearen Sales-Funnels mit klarem Conversion-Pfad.

Vorteile:

• Einfache Implementation
• Klare Conversion-Zuordnung
• Gut für direkte Response-Kampagnen

Nachteile:

• Ignoriert alle früheren Touchpoints
• Bevorteilt Bottom-of-Funnel-Kanäle (z.B. Brand-Search) zu stark
• Verzerrt Investitionsentscheidungen — Awareness-Kanäle verlieren Credit

Beispiel: Selbes Szenario wie oben — Last-Touch: Voller Credit geht an die E-Mail. Die Facebook-Ad bekommt keinen Credit.

3. Linear-Attribution

Logik: Credit wird gleichmässig auf alle Touchpoints verteilt.

Wann sinnvoll: Wenn du davon ausgehst, dass jeder Touchpoint gleichwertig zur Conversion beigetragen hat.

Vorteile:

• Berücksichtigt die gesamte Customer Journey
• Einfach zu erklären

Nachteile:

• Realität ist selten so gleichmässig
• Über-bewertet weniger einflussreiche Touchpoints
• Unter-bewertet entscheidende Touchpoints

4. Time-Decay-Attribution

Logik: Touchpoints näher am Conversion-Zeitpunkt bekommen mehr Credit als frühe Touchpoints.

Wann sinnvoll: Bei längeren Sales-Cycles mit mehreren Touchpoints, wo die Spätphase entscheidender ist.

Vorteile:

• Gewichtet jüngere, kaufentscheidende Touchpoints höher
• Realistisch für B2B mit längeren Sales-Cycles

Nachteile:

• Unter-bewertet weiterhin die initiale Awareness
• Konfigurations-Aufwand (Decay-Rate)

5. Position-Based / U-Shape-Attribution

Logik: Erster und letzter Touchpoint bekommen je 40 %, die mittleren teilen sich die restlichen 20 %.

Wann sinnvoll: Wenn du sowohl Awareness als auch Conversion ehrlich gewichten willst.

Vorteile:

• Balanciert First- und Last-Touch
• Praktisch für KMU als Standard-Modell

Nachteile:

• Statisch — passt nicht in jeden Funnel
• Mittlere Touchpoints werden unterbewertet

6. Data-Driven-Attribution

Logik: Algorithmus lernt aus deinen Daten, welche Touchpoints tatsächlich zur Conversion beigetragen haben. Pro Customer Journey individuell.

Wann sinnvoll: Bei genug Daten (mindestens 600 Conversions / 30 Tage in Google Ads) und komplexen Multi-Channel-Journeys.

Vorteile:

• Pro Touchpoint datenbasierte Gewichtung
• Anpassungsfähig
• Realistisch für komplexe Funnel

Nachteile:

• Black-Box (schwer zu erklären)
• Daten-Anforderungen oft zu hoch für kleine KMU
• Setup-Komplexität

Welches Attribution-Modell für welches KMU?

AI-getriebenes Attribution Modelling

2026 verändert AI Multi-Touch-Attribution grundlegend:

• GA4 Data-Driven Attribution: Google bietet Data-Driven Attribution direkt in GA4 — ohne externe Tools, basierend auf Machine-Learning.
• AI-Agents für Cross-Device-Attribution: Customer Journeys über mehrere Geräte tracken bleibt schwierig — AI-Agents helfen, durch Verhaltens-Muster Cross-Device-Touchpoints zu verbinden.
• Predictive Attribution: Statt nur retrospektiv zu attributieren, sagen AI-Modelle prospektiv voraus, welche Investition welchen Impact haben wird.
• Privacy-Compliant-Attribution: Mit dem Wegfall von 3rd-Party-Cookies und immer strengeren Privacy-Regeln werden privacy-by-design Attribution-Lösungen (z.B. Marketing Mix Modelling, Conversion Modelling) wichtiger. AI ist hier der zentrale Hebel.

Tool-Empfehlung für KMU 2026:

• GA4 mit Data-Driven Attribution (gratis, wenn Daten reichen)
• Triple Whale, Northbeam, Rockerbox für E-Commerce-Attribution
• Custom-Setup via SQL/BigQuery + ChatGPT Code Interpreter für massgeschneiderte KMU-Lösungen

Praxis-Tipp: Mehrere Modelle parallel betrachten

Profis nutzen nicht ein Attribution-Modell, sondern vergleichen mehrere. Pro Kanal zeigen unterschiedliche Modelle unterschiedliche ROI — und die Wahrheit liegt meistens dazwischen. Hilfreich ist, jedes Modell gegen die STDC-Customer-Journey zu spiegeln, um zu sehen, welche Phase es über- oder unterbewertet.

Beispiel-Setup: GA4 Reports mit 3 Attribution-Modellen parallel (First-Touch, Last-Touch, Data-Driven). Pro Kanal vergleichen. Kanäle, die in allen 3 Modellen schlecht abschneiden, sind klar streichbar. Kanäle, die nur in einem Modell glänzen, kritisch hinterfragen.

Q&A — Multi-Touch-Attribution für KMU

Welches Attribution-Modell ist das beste? Es gibt kein "bestes" Modell — nur passende. Hängt von deinem Funnel, Daten-Volumen und strategischen Fragen ab. Position-Based ist ein guter Default für KMU. Eingebettet wird die Modellwahl idealerweise in grössere Digital-Transformations-Programme, die Daten und Strategie zusammenbringen.

Wie viele Daten brauche ich für Data-Driven Attribution? Google Ads Data-Driven Attribution: ab 600 Conversions / 30 Tage und 3'000 Werbe-Interaktionen / 30 Tage. GA4-Attribution ist weniger restriktiv, aber wird unzuverlässig unter ca. 100 Conversions / Monat.

Wie unterscheidet sich Attribution von Marketing Mix Modelling (MMM)? Attribution arbeitet auf User-Level (welche Touchpoints hat diese Kundin gesehen). MMM arbeitet auf aggregierter Ebene (welcher Channel hat in Q3 wie viel Umsatz erzeugt). MMM gewinnt mit dem Wegfall von Cookies an Relevanz. In der praktischen Umsetzung übernimmt zunehmend ein Marketing-Daten-Agent die laufende Auswertung beider Ebenen.

Kann ich Attribution-Modelle wechseln, ohne Daten zu verlieren? Daten bleiben. Aber Wechsel ändert die Interpretation — Kanäle, die unter Last-Touch glänzten, werden plötzlich schwächer unter Position-Based. Sauberen Kommunikations-Prozess mit dem Team aufsetzen. Wie ein externer Blick auf Setup und Kanäle aussieht, zeigt unser VCS-Marketing-Screening.