Attribution nach dem Cookie-Tod

Attribution war nie wirklich gelöst — aber sie war lange handhabbar. Solange Third-Party-Cookies universell funktionierten und Nutzer überwiegend auf einem Gerät surften, lieferten Last-Click und First-Click zumindest eine Orientierung: roh, verzerrt, aber reproduzierbar. Dieser Komfort ist vorbei.

Google Chrome hat den Support für Third-Party-Cookies schrittweise eingeschränkt und die Privacy Sandbox als Nachfolger positioniert. Safari und Firefox blockieren sie seit Jahren standardmäßig. iOS 14.5 hat mit App Tracking Transparency den mobilen Messhorizont radikal verändert. Was bleibt, sind Messpfade mit strukturellen Lücken — und Attributionsmodelle, die so tun, als existierten diese Lücken nicht.

Das eigentliche Problem ist nicht der fehlende Cookie. Das Problem ist, dass First-Click und Last-Click auf einer Annahme basieren, die schon vor dem Cookie-Tod nicht gestimmt hat: dass eine einzelne Berührung kausal für eine Konversion verantwortlich ist. In einem durchschnittlichen B2B-Kaufprozess im DACH-Mittelstand liegen zwischen erstem Touchpoint und Abschluss oft 30 bis 90 Tage, sieben bis zwölf Kanalkontakte und mindestens zwei bis drei entscheidende Personen. Last-Click schreibt all das dem letzten Google-Ad zu. First-Click dem ersten organischen Treffer. Beide Modelle lügen auf ihre eigene Art.

Bevor man über Attributionsmodelle diskutiert, muss das Datenfundament stimmen. Der häufigste Fehler, den ich in Audits sehe: Unternehmen versuchen, sophistizierte Attributionslogik auf korrupte oder unvollständige Rohdaten anzuwenden. Das Ergebnis ist präziser Unsinn.

First-Party-Daten sind das Fundament. Damit meine ich Daten, die direkt aus eigenen Systemen stammen: CRM-Einträge, Login-Ereignisse, Transaktionsdaten aus dem eigenen Backend, Newsletter-Abonnements mit Opt-In. Diese Daten gehören dem Unternehmen, unterliegen dessen Datenschutzpraktiken und sind nicht von Browser-Restriktionen abhängig. Sie sind auch stabiler: Ein CRM-Eintrag verschwindet nicht, weil ein Nutzer seinen Cache leert.

Server-Side-Tagging ergänzt dieses Fundament auf der Messebene. Statt Event-Daten ausschließlich im Browser zu erfassen — wo Ad-Blocker, ITP und Browser-Policies eingreifen — wird die Datenerhebung auf einen kontrollierten Server verlagert. Google Tag Manager Server-Side, Meta's Conversions API und ähnliche Implementierungen senden Ereignisse direkt vom Server an die Werbeplattformen. In meiner Praxis zeigen Server-Side-Setups regelmäßig 15 bis 35 Prozent mehr gemessene Konversionsereignisse als rein browser-basierte Implementierungen — nicht weil mehr passiert, sondern weil weniger verloren geht.

Die dritte Komponente ist ein sauberer Identity Graph: die Verknüpfung von anonymen Sitzungen mit identifizierten Nutzern über First-Party-Identifikatoren wie E-Mail-Hashes oder Customer-IDs. Ohne diesen Graph bleibt jede Attribution eine Sammlung von isolierten Sitzungsfragmenten.

Datengetriebene Attribution (DDA) ist kein Buzzword. Es ist ein statistisches Verfahren — ursprünglich auf Shapley-Werten aus der Spieltheorie basierend — das den marginalen Beitrag jedes Touchpoints anhand tatsächlicher Konversionspfade berechnet. Nicht weil ein Modell so definiert wurde, sondern weil die Daten es nahelegen.

Google Ads bietet DDA für Konten mit ausreichendem Datenvolumen an. Das Modell analysiert, welche Touchpoint-Kombinationen zu Konversionen führen und welche nicht, und gewichtet entsprechend. Das ist deutlich robuster als regelbasierte Modelle — mit einem wichtigen Vorbehalt: DDA innerhalb einer Plattform ist plattform-agnostisch nur innerhalb dieser Plattform. Google DDA sieht keine Meta-Touchpoints, keine organischen Suchanfragen, keinen E-Mail-Klick.

Probabilistische Attribution auf plattformübergreifender Ebene löst dieses Problem konzeptionell — sie ist aber technisch aufwendig. Die Logik: Wenn ein Nutzer anonym bleibt, werden auf Basis statistischer Mustererkennung Wahrscheinlichkeiten für Kanalzugehörigkeit und Konversionsbeitrag berechnet. Tools wie Northbeam, Triple Whale (für E-Commerce) oder Rockerbox setzen auf diesen Ansatz. Für B2B-Unternehmen mit langen Zyklen und kleinen Fallzahlen stoßen diese Modelle allerdings schnell an Grenzen: Die statistischen Grundgesamtheiten sind zu klein für robuste probabilistische Aussagen.

Meine Einschätzung für den DACH-Mittelstand: DDA innerhalb von Google Ads und Meta ist ein sinnvoller erster Schritt, der sofort umsetzbar ist und keine zusätzliche Tool-Investition erfordert. Plattformübergreifende probabilistische Modelle sind für Unternehmen mit mehr als 500 monatlichen Konversionen und stabilen First-Party-Datenpipelines relevant. Darunter ist inkrementelle Messung das zuverlässigere Instrument.

Inkrementelle Messung ist konzeptionell einfach und methodisch robust: Sie fragt nicht 'welcher Kanal hat die Konversion gemessen', sondern 'wie viele zusätzliche Konversionen entstehen, wenn dieser Kanal aktiv ist'. Der Unterschied ist fundamental. Attribution beschreibt Korrelation. Inkrementalität misst kausale Wirkung.

Geo-Lift-Tests sind die praktikabelste Form für den Mittelstand. Die Logik: Zwei geografisch vergleichbare Regionen werden definiert — eine Test-Region, eine Kontroll-Region. In der Test-Region wird ein Kanal oder eine Kampagne aktiviert oder erhöht. In der Kontroll-Region bleibt alles konstant. Der Unterschied in der Konversionsrate zwischen beiden Regionen ist das inkrementelle Signal des Kanals.

Meta bietet ein eigenes Geo-Lift-Test-Framework an. Google hat Causal Impact als Open-Source-Bibliothek verfügbar gemacht, die auf Bayesianischer Zeitreihenanalyse basiert. Für Unternehmen, die weder die technischen Ressourcen noch das Datenvolumen für eigene Geo-Lift-Tests haben, bieten Marketing-Mix-Modelle (MMM) eine aggregierte Alternative: Sie modellieren auf Basis historischer Ausgaben- und Umsatzdaten, welche Kanalgewichte zu den beobachteten Ergebnissen geführt haben.

Marketing-Mix-Modelle hatten in der Vergangenheit den Ruf, teuer, langsam und beratungsabhängig zu sein. Das hat sich verändert. Meridian (Google, Open Source, veröffentlicht 2024) und Robyn (Meta, Open Source) machen MMM für technische Teams zugänglich. Die Modelle sind nicht trivial einzurichten, aber sie sind keine exklusive Unternehmensberatungsleistung mehr.

Für B2B-Unternehmen mit langen Sales-Zyklen empfehle ich einen kombinierten Ansatz: Geo-Lift-Tests für die 2-3 größten Mediakanäle, quartalsweise MMM-Läufe für strategische Budgetallokation, und DDA innerhalb der Plattformen für taktische Optimierung. Kein einzelnes Instrument liefert die vollständige Wahrheit — aber drei komplementäre Instrumente nähern sich ihr an.

Theorie ist nützlich. Umsetzung ist entscheidend. Der folgende Framework ist nicht akademisch — er basiert auf dem, was in realen Projekten mit begrenzten Ressourcen funktioniert.

Schritt eins ist die Daten-Hygiene. Bevor irgendein Attributionsmodell Sinn macht, muss das Tracking sauber sein. Das bedeutet: Server-Side-Tagging für die Top-3-Konversionsereignisse, Enhanced Conversions / CAPI aktiviert, eine definierte Konversionshierarchie (Makro-Konversionen mit Umsatzwert, Mikro-Konversionen als Lead-Qualitätssignale), und ein Identity-Graph-Konzept, das mindestens E-Mail-Hashes aus CRM und Newsletter-System verknüpft.

Schritt zwei ist die Plattform-interne DDA. Sobald das Datenvolumen es erlaubt — Google empfiehlt 300 Konversionen pro Monat als Untergrenze — sollte DDA als Standard-Attributionsmodell in Google Ads und Meta gesetzt werden. Das ist keine Wunderwaffe, aber es ist besser als Last-Click und kostet keine zusätzliche Investition.

Schritt drei ist das erste Geo-Lift-Experiment. Nicht für alle Kanäle gleichzeitig, sondern für den Kanal, über dessen ROI am meisten Unsicherheit besteht — häufig Brand-Awareness-Kampagnen oder Upper-Funnel-Video. Ein sauberes Geo-Lift-Experiment dauert 4 bis 8 Wochen und liefert eine kausale Antwort auf eine Frage, die regelbasierte Attribution nie beantworten kann.

Schritt vier, für Unternehmen mit ausreichendem Datenhistorie, ist das erste MMM. Mindestens 24 Monate wöchentliche Kanal-Ausgaben und Umsatzdaten sind nötig. Meridian oder Robyn können von einem technischen Analysten implementiert werden. Das Ergebnis ist eine Grundlage für die strategische Budgetallokation, die nicht von Plattform-eigenen Attribution-Reports abhängt — die strukturell plattformparteiisch sind.

Was dieser Framework nicht liefert: Echtzeit-Attribution auf Einzelnutzer-Ebene. Das ist in der Post-Cookie-Welt für die meisten Unternehmen nicht mehr möglich und auch nicht notwendig. Budgetentscheidungen brauchen keine Einzelpfad-Sicht — sie brauchen aggregierte kausale Signale. Dahin führt dieser Framework.

Attribution ist kein Mess-Problem — es ist ein Entscheidungsproblem. Die Frage ist nicht, ob man Attribution perfekt lösen kann. Die Frage ist, ob die Entscheidungen über Budgetallokation, Kanal-Mix und Kampagnenoptimierung auf dem bestmöglichen verfügbaren Signal basieren.

Wer 2026 noch ausschließlich Last-Click-Reports aus Google Analytics zur Budgetsteuerung nutzt, trifft Entscheidungen auf Basis eines Modells, das strukturell Performance-Kanäle begünstigt und Awareness- sowie Mid-Funnel-Maßnahmen systematisch unterbewertet. Das führt zu einem Optimierungsparadox: Die Kanäle, die am leichtesten messbar erscheinen, bekommen mehr Budget — nicht weil sie kausal wirksamer sind, sondern weil sie im Last-Click-Modell sichtbarer sind.

Der Übergang zu einem tragfähigen Framework ist keine einmalige technische Implementierung. Es ist eine organisatorische Entscheidung, wie Messung und Entscheidungsfindung im Marketing-Team strukturiert sind. Das bedeutet: Akzeptanz von Unsicherheit, Abkehr von der Illusion tages-aktueller Kausalaussagen, und der Aufbau von Messroutinen, die längere Zyklen akzeptieren.

Das ist unbequem. Es ist auch notwendig. Die Alternative — an Messmodellen festzuhalten, die die Realität der Post-Cookie-Welt ignorieren — ist keine neutrale Entscheidung. Sie ist eine Entscheidung für systematisch falsch gelenktes Budget.

Die folgenden Quellen bilden die methodische Grundlage dieses Artikels. Sie sind frei zugänglich und für technisch interessierte Marketing-Entscheider direkt relevant.