[GA4] Attribution und Attributionsmodelle

Dieser Artikel richtet sich an Nutzer, die erfahren möchten, wie Anzeigen im Conversion-Pfad zusammenwirken.

Für die Attribution sind in Google Analytics 4-Properties erweiterte Attributionsfunktionen verfügbar. Dazu gehören der umgestaltete Bericht Conversion-Pfade sowie neue Attributionsfunktionen – beispielsweise Attributionsmodelle auf Property-Ebene. Dadurch erhalten Sie umfassendere Einblicke und können noch schneller und effizienter reagieren als bisher.

Themen in diesem Artikel

Überblick über die Attributionsmodelle

Nutzer führen möglicherweise mehrere Suchanfragen durch und klicken auf verschiedene Anzeigen, bevor sie einen Kauf oder eine andere relevante Aktion auf Ihrer Website ausführen. Normalerweise wird der gesamte Wert einer Conversion der Anzeige zugeordnet, auf die zuletzt geklickt wurde. Aber war nur diese Anzeige ausschlaggebend für die Conversion? Was ist mit den anderen Anzeigen, auf die Nutzer vorher geklickt haben?

Mithilfe der Attribution lässt sich feststellen, inwieweit Anzeigen, Klicks und andere Faktoren im Conversion-Pfad des Nutzers zu einer Conversion beigetragen haben. Ein Attributionsmodell kann eine Regel, eine Gruppe von Regeln oder ein datengetriebener Algorithmus sein, über den festgelegt wird, wie Conversions den jeweiligen Touchpoints in Conversion-Pfaden zugeordnet werden.

In den Attributionsberichten in Google Analytics 4-Properties stehen drei Arten von Attributionsmodellen zur Verfügung: channelübergreifende regelbasierte Modelle, das regelbasierte Modell „Letzter Google Ads-Klick bevorzugt“ und die datengetriebene Attribution.

Klicken Sie links auf Werbung, um auf die Attributionsberichte zuzugreifen. Klicken Sie unter Attribution entweder auf Modellvergleich oder auf Conversion-Pfade.

Hinweise:
  • Bei allen Attributionsmodellen wird direkten Besuchen keine Conversion zugeordnet, es sei denn, der Conversion-Pfad besteht ausschließlich aus solchen Besuchen.
  • Die verschiedenen Attributionsmodelle wurden nicht gleichzeitig eingeführt (siehe unten). Wenn Sie also einen Zeitraum auswählen, der vor dem Einführungsdatum eines Modells beginnt, sehen Sie unvollständige Daten.

    • Channelübergreifende regelbasierte Modelle: 14. Juni 2021
    • Channelübergreifende datengetriebene Attribution: 1. November 2021

Datengetriebene Attribution

Datengetrieben: Bei der datengetriebenen Attribution wird der Wert der Conversion anhand der Daten für die einzelnen Conversion-Ereignisse aufgeteilt. Der Unterschied zu den anderen Modellen liegt darin, dass hier anhand der Daten im Konto der tatsächliche Wert jedes Klicks berechnet wird.

Data-driven model iconJedes datengetriebene Modell wird an den jeweiligen Werbetreibenden und das jeweilige Conversion-Ereignis angepasst.

Funktionsweise der datengetriebenen Attribution

Bei der Attribution werden Kaufpfade mit und ohne Conversion anhand von maschinellem Lernen analysiert. Das resultierende datengetriebene Modell lernt, wie sich unterschiedliche Touchpoints auf Conversion-Ergebnisse auswirken. Das Modell berücksichtigt Faktoren wie die Zeit bis zur Conversion, den Gerätetyp, die Anzahl der Anzeigeninteraktionen, die Reihenfolge der Anzeigenpräsenz und die Art der Creative-Assets. Im Rahmen einer kontrafaktischen Analyse werden die tatsächlichen den möglichen Ergebnissen gegenübergestellt, um die Touchpoints mit der höchsten Conversion-Wahrscheinlichkeit zu ermitteln. Basierend auf dieser Wahrscheindlichkeit ordnet das Modell diesen Touchpoints einen Conversion-Beitrag zu.

Hinweis: Für datengetriebene Attributionsmodelle können je nach Datenverfügbarkeit aggregierte Daten aus den Datenfreigabeeinstellungen genutzt werden.

Methodik der datengetriebenen Attribution (erweitert)

Die datengetriebene Attribution besteht im Wesentlichen aus zwei Phasen:

  • Verfügbare Pfaddaten analysieren, um Modelle für die Conversion-Rate für jedes Ihrer Conversion-Ereignisse zu entwickeln
  • Vorhersagen dieser Modelle als Eingabe für einen Algorithmus verwenden, der die Conversion den entsprechenden Anzeigeninteraktionen zuordnet

Modelle für die Conversion-Wahrscheinlichkeit auf Basis aller verfügbaren Pfaddaten erstellen

Bei der datengetriebenen Attribution werden Pfaddaten (einschließlich der Daten von Nutzern, die eine oder keine Conversion ausgeführt haben) verwendet. So erkennen Sie, wie sich bestimmte Marketing-Touchpoints auf die Conversion-Wahrscheinlichkeit der Nutzer auswirken können. Mit den daraus entstehenden Modellen wird bewertet, wie wahrscheinlich es ist, dass ein Nutzer an einem bestimmten Punkt im Conversion-Pfad eine Conversion durchführt, wenn er mit einer Anzeige auf eine bestimmte Weise interagieren soll.

Anhand der Modelle wird die Conversion-Wahrscheinlichkeit der Nutzer, die die Anzeige gesehen haben, mit der Conversion-Wahrscheinlichkeit ähnlicher Nutzer verglichen, die die Anzeige nicht gesehen haben. Es werden damit also die kontrafaktischen Leistungsverbesserungen durch die Präsenz von Google Anzeigen berechnet. Hierzu werden Daten aus randomisierten, kontrollierten Tests verwendet.

Conversions mithilfe eines Algorithmus den Marketing-Touchpoints anteilmäßig zuordnen

Beim datengetriebenen Attributionsmodell erfolgt die Zuordnung einer Conversion je nachdem, wie sich die geschätzte Conversion-Wahrscheinlichkeit ändert, wenn dem Pfad eine Anzeigeninteraktion hinzugefügt wird. Zur Berechnung dieser Zuordnung werden im Algorithmus unter anderem die Zeit zwischen der Anzeigeninteraktion und der Conversion sowie der Formattyp und andere Abfragesignale herangezogen.

Beispiel
 
In der Abbildung unten führt die Kombination aus Anzeigenpräsenz 1 (bezahlte Suche), Anzeigenpräsenz 2 (Soziale Netzwerke), Anzeigenpräsenz 3 (Affiliate) und Anzeigenpräsenz 4 (Suche) zu einer Conversion-Wahrscheinlichkeit von 3 %. Wenn Anzeigenpräsenz 4 nicht auftritt, sinkt die Wahrscheinlichkeit auf 2 %. Anzeigenpräsenz 4 erhöht also die Conversion-Wahrscheinlichkeit um 50 %. Nun werden noch die anderen Kombinationen untersucht und die Ergebnisse als Attributionsgewichtungen verwendet.
 

Channelübergreifende regelbasierte Modelle

Last interaction model icon Letzter Klick (channelübergreifend): Direkte Zugriffe werden ignoriert und 100 % des Conversion-Werts dem letzten Channel zugeordnet, den der Nutzer vor der Conversion durch einen Klick (oder die aktive Wiedergabe auf YouTube) verwendet hat. Beispiele für die Zuordnung von Conversion-Werten:

Beispiele
  1. Displaynetzwerk > Soziale Netzwerke > Bezahlte Suche > Organische Suche → 100 % zur organischen Suche
  2. Displaynetzwerk > Soziale Netzwerke > Bezahlte Suche > E-Mail → 100 % zu E-Mail
  3. Displaynetzwerk > Soziale Netzwerke > Bezahlte Suche > Direkt → 100 % zur bezahlten Suche
Hinweise:
  • Das ist das einzige Modell für den letzten Klick, das Sie nach Google Ads exportieren können. „Letzter Google Ads-Klick bevorzugt“ ist nur für die Berichterstellung verfügbar.
  • Letzter Klick (channelübergreifend) und Letzter indirekter Klick sind beides Namen für dasselbe Attributionsmodell. „Letzter Klick (channelübergreifend)“ wird in Zukunft bevorzugt verwendet.

In folgenden Fällen wird bei der datengetriebenen Attribution eine aktive Wiedergabe gezählt:

  • 30 Sekunden langes Ansehen einer Anzeige (bzw. Abspielen bis zum Ende, wenn sie kürzer als 30 Sekunden ist)
  • Klick auf eine Teaser-Infokarte
  • Klick auf ein Companion-Banner oder eine Videowand
  • Klick auf eine Wortgruppe, die ein Call-to-Action ist
  • Klick auf den Abspann
  • Klick auf einen Link zur Website des Werbetreibenden

First interaction model iconErster Klick (channelübergreifend): Der gesamte Wert der Conversion wird dem ersten Channel zugeordnet, den der Nutzer vor der Conversion durch einen Klick (oder die aktive Wiedergabe auf YouTube) verwendet hat.

Linear model iconLinear (channelübergreifend): Die Conversion wird gleichmäßig allen Channels zugeordnet, die der Nutzer vor der Conversion durch einen Klick (oder die aktive Wiedergabe auf YouTube) verwendet hat.

Time-decay model iconPositionsbasiert (channelübergreifend): Der ersten und der letzten Interaktion werden jeweils 40 % zugeordnet, während die verbleibenden 20 % gleichmäßig auf die dazwischenliegenden Interaktionen verteilt werden.

Position-based model iconZeitverlauf (channelübergreifend): Touchpoints, die zeitlich näher an der Conversion liegen, wird ein größerer Wert zugeordnet. Die Halbwertszeit beträgt dabei 7 Tage. Das heißt konkret, dass einem Klick, der 8 Tage vor der Conversion erfolgte, halb so viel Wert beigemessen wird wie einem Klick am Tag unmittelbar vor der Conversion.

Modell „Letzter Google Ads-Klick bevorzugt“

Last interaction model iconLetzter Google Ads-Klick bevorzugt: Hiermit werden 100 % des Conversion-Werts dem letzten Google Ads-Channel zugeordnet, den der Nutzer vor der Conversion durch einen Klick verwendet hat. Wenn der Pfad keinen Google Ads-Klick enthält (siehe Beispiel 6), wird das Attributionsmodell auf „Letzter Klick (channelübergreifend)“ zurückgesetzt.

Beispiele
  1. Displaynetzwerk > Soziale Netzwerke > Bezahlte Suche > Organische Suche → 100 % zur bezahlten Suche
  2. Displaynetzwerk > Soziale Netzwerke > YouTube-Conversion nach aktiver Wiedergabe (Engaged-View Conversion, EVC) > E-Mail → 100 % zu YouTube
  3. Displaynetzwerk > Soziale Netzwerke > E-Mail > Direkt → 100 % zu E-Mail (Zurücksetzung auf das Modell „Letzter indirekter Klick“)

Attributionseinstellungen im Bereich „Verwaltung“

Nutzer mit der Rolle „Bearbeiter“ für die Property können jetzt ein Attributionsmodell und ein Lookback-Window auf Property-Ebene auswählen und auf mehrere Berichte anwenden. Rufen Sie Verwaltung > Attributionseinstellungen auf, um auf diese Einstellung zuzugreifen. Weitere Informationen

Hinweis: Die Attributionseinstellungen im Bereich „Verwaltung“ haben keine Auswirkungen auf die in Attributionsberichten ausgewählten Modelle.

 

War das hilfreich?
Wie können wir die Seite verbessern?

Benötigen Sie weitere Hilfe?

Anmelden, um weitere Supportoptionen zu erhalten und das Problem schnell zu beheben

false
Suche
Suche löschen
Suche schließen
Google-Apps
Hauptmenü
Suchen in der Hilfe
true
true
false
true
true
69256
false
false