Attributionsmodelle in Google Ads & Google Analytics 4: Bewertest Du Deine Conversions richtig?

Attributionsmodelle sind ein zentraler Bestandteil im Performance Marketing – und gleichzeitig eine der häufigsten Ursachen für Missverständnisse in der Datenanalyse. Wenn Conversion-Zahlen zwischen Google Ads, Google Analytics 4 (GA4) und internen Systemen abweichen oder Direct-Conversions plötzlich dominieren, steckt dahinter meist kein Nutzerverhalten, sondern ein Verlust von Tracking-Informationen. In meinem Blogbeitrag zeige ich Dir, wie Attributionsmodelle funktionieren und wie Du Deine Conversion-Daten richtig einordnest, bevor Du die falschen Schlüsse ziehst.

Bewertest Du Deine Conversion-Daten richtig? Oder machen Dir die Attributionsmodelle die Interpretation schwer?

Was ist Attribution im Online Marketing?

Stell Dir vor, ein*e Kund*in kauft nach fünf verschiedenen Kontaktpunkten – welcher Kanal hat den Kauf wirklich verdient? Genau das ist die Frage, die Attribution im Online Marketing beantwortet: die Zuordnung von Conversions zu bestimmten Marketingkanälen oder Touchpoints. Welches Attributionsmodell dabei zum Einsatz kommt, entscheidet darüber, wie der Wert einer Conversion auf die einzelnen Kanäle verteilt wird.

In der Praxis verläuft der Weg zur Conversion selten geradlinig. Nutzer*innen kommen meist nicht über einen einzigen Klick zum Kauf oder zur Anfrage, sondern haben mehrere Berührungspunkte mit Deinem Unternehmen. Sie sehen beispielsweise eine Anzeige, informieren sich später über eine organische Suche, klicken vielleicht noch einmal auf eine Remarketing-Anzeige und kehren schließlich direkt auf die Website zurück.

Genau hier setzt Attribution an: Sie bewertet diese einzelnen Touchpoints innerhalb der Customer Journey und verteilt den Wert der Conversion entsprechend. Die zentrale Frage lautet dabei immer: Welcher Kanal bekommt welchen Anteil?

Eine eindeutige Antwort darauf gibt es jedoch selten. Unterschiedliche Modelle gewichten die Verteilung unterschiedlich – und ein Teil der Nutzerinteraktionen lässt sich technisch schlicht nicht lückenlos tracken. Dadurch entsteht zwangsläufig ein gewisser Interpretationsspielraum bei der Bewertung Deiner Marketing-Performance.

Warum sind Attributionsmodelle wichtig?

Attributionsmodelle bestimmen, wie viel Anteil der jeweilige Kanal an der Conversion hatte. Es gibt verschiedene Modelle, die unterschiedliche Ansätze verfolgen.

Attributionsmodelle bilden die Grundlage dafür, wie Du die Leistung Deiner Marketingkanäle bewertest. Je nachdem, welches Modell verwendet wird, kann dieselbe Conversion unterschiedlich bewertet werden – mit direkten Folgen für Deine Entscheidungen:

• Budgets werden dorthin verschoben, wo vermeintlich die besten Ergebnisse erzielt werden.
• Automatisierte Gebotsstrategien orientieren sich an den gemessenen Conversions.
• Kampagnen werden falsch optimiert, wenn die zugrunde liegenden Daten verzerrt sind.

Wichtig dabei: Die Zahlen in Deinen Tools bilden nie die komplette Realität ab, sondern immer nur den Teil, der technisch erfasst und zugeordnet werden konnte. Ein Kanal kann also einen deutlich größeren Einfluss auf die Conversion haben, als es die Daten vermuten lassen.

Ein typisches Warnsignal: Ein auffällig hoher Anteil an Direct Traffic bedeutet meist nicht, dass viele Nutzer*innen direkt auf die Website kommen und dieser Kanal besonders stark performt. In der Praxis werden häufig vorherige Touchpoints nicht mehr erkannt und die Conversions landen fälschlicherweise im Direct-Kanal.

Die wichtigsten Attributionsmodelle einfach erklärt

Damit Conversions entlang der Customer Journey eingeordnet werden können, stehen verschiedene Modelle zur Verfügung. Sie unterscheiden sich darin, welchem Touchpoint wie viel Gewicht gegeben wird.

Ein Überblick über die wichtigsten Attributionsmodelle siehst Du hier. Vor allem Last Click und das datengetriebene Modell sind im Performance Marketing am stärksten vertreten.

Last-Click-Modell

Der letzte Kontakt vor der Conversion erhält die vollständige Zuordnung. Dieses Modell ist einfach verständlich und wird häufig als Ausgangspunkt genutzt. Frühere Berührungspunkte bleiben dabei unberücksichtigt.

First-Click-Modell

Der erste Kontakt erhält die vollständige Zuordnung. Es zeigt, über welchen Kanal Nutzer*innen erstmals mit Deinem Angebot in Berührung kommen. Besonders in frühen Phasen der Customer Journey kann diese Perspektive hilfreich sein.

Lineares Modell

Der Conversion-Wert wird gleichmäßig auf alle erfassten Kontaktpunkte verteilt. Alle Schritte innerhalb der Customer Journey werden berücksichtigt, ohne einzelne besonders hervorzuheben.

Datengetriebenes Modell

Es basiert auf statistischen Auswertungen realer Nutzerdaten. Es analysiert, welche Touchpoints typischerweise zum Abschluss beitragen, und gewichtet diese entsprechend. Damit ist es das differenzierteste – und im Performance Marketing heute empfohlene – Modell.

Wichtig: Jedes Modell beleuchtet die Customer Journey aus einer anderen Perspektive. Welche Sichtweise sinnvoll ist, hängt davon ab, welche Fragestellung im Vordergrund steht.

Google Ads vs. GA4: Warum Deine Zahlen unterschiedlich sind

Wenn Du Conversion-Daten aus Google Ads und GA4 vergleichst, wirst Du fast immer Abweichungen feststellen. Das liegt nicht daran, dass eines der Systeme falsch misst, sondern daran, dass beide unterschiedliche Ansätze verfolgen.

Die Bewertung und Messung von Conversion-Daten kann sich je nach Plattform unterscheiden, wenn diese unterschiedliche Attributionen verwenden.

Google Ads bewertet Conversions aus der Perspektive der Kampagnensteuerung. Zusätzliche Signale und Modellierungen werden einbezogen, um den tatsächlichen Beitrag von Anzeigen möglichst realistisch abzubilden, auch wenn nicht mehr alle Touchpoints eindeutig nachvollziehbar sind.

GA4 arbeitet dagegen stärker auf Basis der tatsächlich erfassten Nutzerdaten. Es ordnet Conversions nur dann eindeutig zu, wenn die entsprechenden Informationen entlang der Customer Journey vorhanden sind. Gehen diese Daten verloren, zum Beispiel durch Cookie-Einschränkungen oder fehlende Parameter, kann die ursprüngliche Quelle nicht mehr erkannt werden.

Das Ergebnis: Während das Attributionsmodell in Google Ads Lücken durch Modellierung schließt, bildet GA4 eher das ab, was technisch messbar ist. Beide Sichtweisen haben ihre Berechtigung, zeigen aber unterschiedliche Ausschnitte derselben Realität.

Abweichungen zwischen den Systemen sind deshalb kein Ausnahmefall, sondern die Regel. Erst im Zusammenspiel beider Perspektiven entsteht ein vollständigeres Bild Deiner Marketing-Performance.

Das eigentliche Problem: Tracking Prevention und Datenverluste

Ungenaue Attribution entsteht oft nicht durch die Modelle selbst, sondern durch eine lückenhafte Datengrundlage. Die Rahmenbedingungen für Tracking haben sich in den letzten Jahren deutlich verändert. Die wichtigsten Ursachen im Überblick:

• Browser-Technologien wie Intelligent Tracking Prevention oder Enhanced Tracking Protection begrenzen die Lebensdauer von Cookies oder blockieren bestimmte Tracking-Mechanismen vollständig. Dadurch gehen Informationen verloren, die für die Zuordnung von Conversions entscheidend sind.
• Consent-Lösungen führen dazu, dass Nutzer*innen aktiv entscheiden, welche Daten gespeichert werden dürfen. Wird das Tracking abgelehnt oder nur teilweise akzeptiert, entstehen Lücken in der Datenerfassung.
• Gerätewechsel zwischen Smartphone und Desktop oder Browsern verhindern, dass einzelne Touchpoints zusammengeführt werden können. Ein erster Kontakt über das Smartphone und eine spätere Conversion am Desktop lassen sich dann nicht mehr verbinden.
• Verlust von Trackingparametern wie dem gclid. Ohne diese Informationen kann ein Klick keinem Kanal, insbesondere Google Ads, eindeutig zugeordnet werden. Ursachen sind z. B. fehlerhafte Weiterleitungen, fehlendes Speichern des Parameters auf der Website oder technische Einschränkungen.
• Die Folge: Einzelne Schritte der Customer Journey sind nicht mehr sichtbar. Je mehr Informationen fehlen, desto schwieriger wird es, den tatsächlichen Beitrag der einzelnen Kanäle korrekt zu bewerten – unabhängig davon, welches Attributionsmodell verwendet wird.

Abweichungen zwischen Google Ads und GA4: Auswirkungen auf Deine SEA-Performance richtig bewerten

Abweichende Zahlen zwischen Google Ads und GA4 sind kein Zufall. Sie haben konkrete Ursachen und können zu folgenreichen Fehlentscheidungen führen. Ein Praxisbeispiel zeigt, wie das passiert.

Wenn Direct Traffic plötzlich dominiert

In GA4 basiert die Standardzuordnung auf dem Last-Non-Direct-Click-Modell. Direct Traffic wird nur dann gewertet, wenn kein anderer Kanal identifiziert werden kann. Steigt der Direct-Anteil deutlich an, fehlt meist ein Teil der Customer Journey. Nicht die Nutzer*innen kommen plötzlich häufiger direkt, sondern vorherige Touchpoints werden nicht mehr erkannt. Kanäle wie Google Ads oder Organic Search verlieren dadurch an Sichtbarkeit, obwohl sie weiterhin einen Beitrag leisten.

Ausgangssituation aus der Praxis

In einem konkreten Fall zeigte sich genau dieses Muster. Die Conversion-Zahlen unterschieden sich stark zwischen der internen Datenbank, GA4 und Google Ads. Während Google Ads eine solide Anzahl an Conversions auswies, lagen die intern gemessenen Anfragen deutlich darunter.

Im Screenshot siehst Du den ungewöhnlich hohen Anteil an Conversions, die über den Kanal „Direkt“ gemessen werden, während SEO (google/organic) und SEA (google/cpc) vergleichsweise geringe Ereignisse messen. Das ist ungewöhnlich.

Parallel dazu fiel ein ungewöhnlich hoher Anteil an Direct-Conversions in GA4 auf. Dieser lag sogar vor anderen Kanälen wie Organic oder Paid. Das ist in der Praxis sehr unwahrscheinlich und deutet auf ein strukturelles Tracking-Problem hin.

Ursache: Verlust von Tracking-Informationen

Die Abweichungen lassen sich in vielen Fällen auf fehlende Daten zurückführen:

• Tracking-Parameter wie der gclid werden nicht korrekt gespeichert.
• Browser schränken das Tracking ein. Cookies werden gelöscht oder gar nicht erst gesetzt.
• Nutzer*innen wechseln zwischen Geräten.
• Ein intern eingesetztes Zuordnungs-Tool erweist sich in der Praxis als fehlerhaft.

Die Conversions werden zwar erfasst, der ursprüngliche Kontaktpunkt jedoch nicht mehr erkannt. Die Anfragen erscheinen dann in der Datenbank oder in GA4 ohne klare Quelle. Häufig werden sie dem Direct-Kanal zugeordnet.

Google Ads kann solche Lücken teilweise durch Modellierungen ausgleichen. Dadurch entstehen weitere Unterschiede zwischen den Systemen.

Auswirkungen auf die Bewertung der Kampagnen

Auf Basis dieser Daten entstand im Beispiel die Annahme, dass Google Ads weniger effektiv ist als gedacht. Der Cost-per-Acquisition wirkte zu hoch, da intern weniger Anfragen sichtbar waren. Die logische Konsequenz schien eine deutliche Senkung des Ziel-CPA zu sein. Diese Einschätzung greift jedoch zu kurz. Ein Teil der tatsächlichen Leistung wurde nicht korrekt erfasst. Die Kampagnen wirkten dadurch schlechter, als sie tatsächlich waren.

Risiko falscher Entscheidungen vermeiden

Eine starke Reduktion des Ziel-CPA hätte direkte Auswirkungen auf die Kampagnensteuerung gehabt:

• Die Gebotsstrategie wäre deutlich restriktiver geworden.
• Weniger Auktionen wären gewonnen worden.
• Die Reichweite wäre gesunken und damit auch das Anfragevolumen.

Gerade bei automatisierten Gebotsstrategien ist eine ausreichende Datenbasis entscheidend. Werden Conversions unterschätzt, fehlt dem System ein Teil der Signale. Das kann die Gesamtperformance verschlechtern.

Der richtige Umgang mit Attributionsproblemen

Attributionsprobleme lassen sich nicht vollständig vermeiden. Du kannst aber lernen, besser damit umzugehen und Deine Daten realistischer zu bewerten.

1. Attributionsmodelle verstehen

Nur wenn klar ist, nach welcher Logik Conversions zugeordnet werden, lassen sich die Zahlen sinnvoll einordnen. Das gilt sowohl für das Attributionsmodell in Google Ads als auch für das Attributionsmodell in Google Analytics 4.

2. Sauberes Tracking-Setup sicherstellen

• Parameter wie gclid oder UTM-Tags müssen korrekt übergeben werden.
• Weiterleitungen sollten auf korrekte Parameterübergabe geprüft werden.
• Consent-Einstellungen sollten regelmäßig kontrolliert werden.
• Regelmäßige Tests helfen, Fehler frühzeitig zu erkennen und Datenverluste zu reduzieren.

Conversion-Aktionen im direkten Vergleich des Google Ads Interface: Schon hier fallen die Unterschiede zwischen beiden Tools auf.

3. Daten nie isoliert betrachten

Google Ads, GA4 und interne Systeme zeigen jeweils unterschiedliche Perspektiven. Erst im Zusammenspiel entsteht ein vollständigeres Bild. Abweichungen sind dabei kein Problem, sondern ein wichtiger Hinweis auf Zusammenhänge.

4. Vorsicht bei schnellen und starken Anpassungen

Änderungen an Ziel-CPA oder Budgets sollten immer schrittweise erfolgen. Gerade bei automatisierten Gebotsstrategien kann eine zu starke Korrektur negative Auswirkungen auf Reichweite und Performance haben.

5. Zusätzliche Tools einsetzen

Wenn die Komplexität steigt, können Attribution- oder Marketing-Mix-Modelle helfen, Daten aus verschiedenen Quellen zusammenzuführen und besser zu bewerten. Sie ersetzen kein Tracking, liefern aber eine stabilere Grundlage für strategische Entscheidungen.

Fazit: Attribution verstehen, statt Zahlen blind zu vertrauen

Attributionsmodelle sind die Grundlage jeder Conversion-Bewertung im Performance Marketing. Ohne grundlegendes Verständnis lassen sich Conversion-Daten nur schwer richtig interpretieren. Gleichzeitig wird das Tracking durch Datenschutzbestimmungen und technische Einschränkungen immer anspruchsvoller.

Datenlücken und Abweichungen gehören zum Alltag. Sie bedeuten nicht, dass Deine Kampagnen nicht funktionieren. Sie zeigen vielmehr die Grenzen der Messbarkeit auf.

Entscheidend ist, wie Du mit diesen Einschränkungen umgehst. Wer Zahlen im Kontext betrachtet, verschiedene Perspektiven einbezieht und nicht vorschnell reagiert, trifft bessere Entscheidungen. Genau darin liegt der Unterschied zwischen reiner Datenauswertung und fundierter Performance-Analyse.

Bildnachweis: Titelbild: wenich/stock.adobe.com; Bild 2: Firman Dasmir/stock.adobe.com; Bild 3: generiert mit ChatGPT/seokratie.de; Bild 4: Amena/stock.adobe.com; Bild 5 & 6: Screenshots aus Google Analytics 4 und Google Ads, eigene Nachbearbeitung/Seokratie