First-Touch vs. Last-Touch Attribution bei Paid Ads: Welches Modell verzerrt Ihren ROAS?

Wenn sich Ihre Paid-Ads-ROAS-Reports inkonsistent anfühlen — verschiedene Kanäle beanspruchen dieselben Conversions, Budget-Debatten, die nie zu einem Ergebnis kommen, Meta und Google bestehen beide darauf, mehr Credit zu verdienen — ist die Ursache fast immer die Wahl des Attributionsmodells. First-Touch vs. Last-Touch Attribution im Paid-Ads-Reporting sind die beiden Extreme eines Spektrums, und beide verzerren Ihre Zahlen auf vorhersehbare, entgegengesetzte Weise. Dieser Leitfaden erklärt, wie jedes Modell Ihren Funnel falsch darstellt, welche Szenarien es jeweils besser abbildet und welcher Weg zu datengetriebener Attribution führt, sobald ein Team bereit ist, über Single-Touch-Modelle hinauszugehen.

Warum Attribution wichtiger ist als der ROAS selbst

Der ROAS ist ein Verhältnis: Umsatz geteilt durch Werbeausgaben. Ändern Sie das Attributionsmodell, ändern Sie den Umsatzzähler für jeden Kanal, ohne die tatsächlichen Ausgaben anzufassen. Ein Kanal mit 3,5× ROAS unter Last-Touch kann unter First-Touch 1,8× zeigen — dieselbe reale Performance, gemeldet als fast doppelt so schlecht. Die Wahl des Attributionsmodells kann eine Budget-Umverteilung im sechsstelligen Bereich auslösen, basierend auf nichts anderem als einer Messkonvention.

Genau darum geht es bei der Frage nach dem Attributionsmodell. Sie ist nicht akademisch. Laut dem Nielsen Annual Marketing Report 2024 gaben 65 % der Marketer an, dass es ihnen schwerfällt, Performance über Kanäle hinweg zuzuordnen — und Single-Touch-Modelle sind der Hauptgrund, weil sie Multi-Touchpoint-Journeys in eine einzige Credit-Zuweisung zwingen, mit der niemand zufrieden ist.

First-Touch Attribution: Was sie richtig und was sie falsch macht

First-Touch Attribution schreibt dem Kanal Credit zu, über den der Kunde zum ersten Mal mit Ihrer Marke in Kontakt kam. Die Conversion fand wegen der Anzeige statt, die Aufmerksamkeit erzeugt hat — und diese Anzeige erhält 100 % des Credits, unabhängig von allem, was in den Wochen oder Monaten zwischen diesem ersten Klick und dem späteren Kauf passiert ist.

Wo First-Touch nützlich ist: Um zu bewerten, welche Kanäle neue Kunden im großen Stil einführen, liefert First-Touch ein klares Signal. Wenn Sie wissen wollen, welcher Kanal das höchste Volumen potenzieller Käufer erschließt, ist First-Touch Attribution die richtige Linse. Es identifiziert Prospecting-Kanäle korrekt als Motor des Top-of-Funnel-Volumens.

Wo First-Touch verzerrt: First-Touch Attribution bläht den ROAS von Awareness-Kanälen systematisch auf. Eine Meta-Prospecting-Anzeige, die einen Kunden sechs Monate vor seiner Conversion erreicht hat, erhält 100 % des Umsatz-Credits — selbst wenn der Kunde die Website zwölfmal über die organische Suche besucht und vor dem Kauf drei Retargeting-Anzeigen gesehen hat. Der Awareness-Touchpoint hat Aufmerksamkeit erzeugt — er hat den Verkauf nicht eigenständig abgeschlossen.

Für DTC-Marken und Dropshipper mit kurzen Consideration-Zyklen (72 Stunden oder weniger) ist First-Touch eine vertretbare Vereinfachung, weil zwischen erster und letzter Interaktion nur wenige Touchpoints liegen. Für B2B-Werbetreibende, Subscription-Marken oder hochpreisige Käufe mit Zyklen von 30+ Tagen überschätzt First-Touch den Upper-Funnel-ROAS massiv und führt dazu, dass Sie in Prospecting überinvestieren, während Sie in die Nurture- und Retention-Touchpoints, die den Umsatz tatsächlich abschließen, zu wenig investieren.

Last-Touch Attribution: Was sie richtig und was sie falsch macht

Last-Touch Attribution schreibt der letzten Interaktion vor der Conversion Credit zu — fast immer einer Brand-Suche, einem Direktbesuch oder einer Retargeting-Anzeige. Es ist das Standardmodell der meisten Analytics-Plattformen, einschließlich des historischen Defaults von Google Analytics, und es bildet eine einfache Buyer Journey gut ab, bei der eine Anzeige einen Kauf antreibt.

Wo Last-Touch nützlich ist: Für die Optimierung der Conversion-Stage zeigt Last-Touch Attribution, welche konkreten Anzeigen und Landingpages Deals am effizientesten abschließen. Wenn Sie Ihr Retargeting-Creative oder Ihre Bidding-Strategie für die Brand-Suche optimieren wollen, liefert Last-Touch ein direktes Signal.

Wo Last-Touch verzerrt: Für die Bewertung von Demand-Generation-Kanälen ist Last-Touch Attribution katastrophal. Jede Meta-Prospecting-Kampagne, jedes YouTube-Pre-Roll und jede Display-Impression, die den Kunden überhaupt erst an die Marke herangeführt hat, erhält null Credit — obwohl der Kunde nie nach Ihrer Marke gesucht hätte, wenn diese Upper-Funnel-Touchpoints keine Aufmerksamkeit erzeugt hätten.

Die praktische Konsequenz: Teams, die Last-Touch Attribution nutzen, unterfinanzieren Upper-Funnel-Kanäle konsequent, weil diese Kanäle in den Daten unprofitabel aussehen. Mit der Zeit sinkt das Brand-Suchvolumen, das sie zuvor erzeugt hatten, und das Team fragt sich, warum der Last-Touch-ROAS fällt — ohne die Verbindung zwischen gekürzten Prospecting-Ausgaben und der ausgedünnten Pipeline herzustellen, die die Brand-Suche konvertiert hatte.

Die ROAS-Verzerrung in der Praxis

Um die Verzerrung greifbar zu machen, betrachten Sie eine einzelne Customer Journey:

• Tag 1: Klickt auf eine Meta-Prospecting-Anzeige → besucht die Website → kauft nicht
• Tag 8: Sieht eine Meta-Retargeting-Anzeige → besucht die Website → kauft nicht
• Tag 15: Sucht einen Brand-Begriff bei Google → klickt auf die bezahlte Brand-Suche → kauft für 200 €

Unter Last-Touch erhält Google Ads 100 % des Umsatz-Credits von 200 €. Meta erhält 0 € über zwei Ad-Interaktionen.

Unter First-Touch erhält Meta 100 % des Umsatz-Credits von 200 € (aus dem Prospecting-Klick an Tag 1). Google erhält 0 €, obwohl es den Verkauf abgeschlossen hat.

Unter datengetriebener Attribution werden die 200 € entsprechend ihres statistischen Beitrags über alle drei Touchpoints verteilt — vielleicht erhält Meta Prospecting 35 %, Meta Retargeting 25 % und die Google-Brand-Suche 40 %.

Nur das datengetriebene Modell nähert sich dem tatsächlichen wirtschaftlichen Beitrag jedes Kanals an. Beide Single-Touch-Modelle erzeugen Zahlen, die für mindestens einen der drei Kanäle in dieser Journey zur falschen Budgetentscheidung führen.

Die Analyse reported-roas-vs-true-roas-framework dokumentiert diese Lücke ausführlicher — warum der ROAS, den Ihr Reporting-Tool anzeigt, und der ROAS, den Sie tatsächlich erwirtschaften, allein aufgrund der Modellwahl deutlich auseinanderlaufen können.

Linear, Time-Decay und positionsbasiert: Die Modelle des Mittelwegs

Zwischen First-Touch und Last-Touch existieren drei Modelle des Mittelwegs, die Credit über mehrere Touchpoints verteilen:

Lineare Attribution verteilt den Conversion-Credit gleichmäßig über alle Touchpoints. Jede Interaktion in der Customer Journey erhält denselben Anteil. Im Drei-Touchpoint-Beispiel oben erhält jeder Kanal 33 %. Linear ist einfach und vermeidet die Single-Channel-Verzerrung von First- und Last-Touch, überbewertet aber Touchpoints, die die Entscheidung gar nicht beeinflusst haben (eine Banner-Impression, die der Nutzer womöglich nie gesehen hat).

Time-Decay-Attribution gibt Touchpoints näher an der Conversion mehr Credit und wertet ältere Interaktionen exponentiell ab. In einer 30-Tage-Journey erhält ein Touchpoint 28 Tage vor der Conversion nur einen Bruchteil des Credits, der dem Touchpoint 2 Tage davor zugewiesen wird. Time-Decay passt besser als reines Last-Touch zu langen Consideration-Zyklen, weil es Aktualität belohnt, ohne frühere Awareness-Touchpoints komplett zu ignorieren.

Positionsbasierte (U-förmige) Attribution teilt den Credit zwischen dem ersten und letzten Touchpoint auf, typischerweise je 40 %, und verteilt die verbleibenden 20 % gleichmäßig über die mittleren Interaktionen. Sie erkennt an, dass sowohl die erste Aufmerksamkeit als auch die finale Conversion bedeutsam sind, und gibt zugleich den Mid-Funnel-Touchpoints Credit, die die Journey gestützt haben.

Jedes dieser Modelle bringt andere Verzerrungen mit sich. Die richtige Wahl hängt von Ihrer Funnel-Struktur, der typischen Consideration-Dauer und der konkreten Geschäftsfrage ab, die Sie beantworten wollen.

Datengetriebene Attribution: Voraussetzungen und Grenzen

Datengetriebene Attribution (Data-Driven Attribution, DDA) nutzt Machine Learning, um Ihre realen Conversion-Pfade zu analysieren und Credit-Gewichtungen auf Basis des statistischen Beitrags jedes Touchpoints zur Conversion-Wahrscheinlichkeit zuzuweisen. Statt eine feste Regel anzuwenden, lernt DDA aus Ihren Daten.

DDA ist in Google Analytics 4 nativ für berechtigte Properties verfügbar. Die Voraussetzungen sind substanziell: in der Regel 300+ Conversions pro Monat und Kanal sowie ausreichende Pfad-Diversität, damit das Modell aussagekräftige Muster erkennt. Für Konten unterhalb dieser Schwellenwerte fällt DDA auf Last-Touch zurück — was den Zweck zunichtemacht.

Die Abkehr von starren Single-Touch-Modellen ist branchenweit bereits im Gange. Gartner stellte 2024 fest, dass Multi-Touch-Attribution und Marketing-Mix-Modeling zu den am schnellsten aufsteigenden Prioritäten von Performance-Marketing-Teams gehören, die plattformübergreifende Genauigkeit suchen — eine direkte Reaktion auf das Problem der Budget-Fehlallokation, das First-Touch und Last-Touch erzeugen, sobald Funnels mehrere Plattformen umspannen.

Die Grenzen von DDA sind real. Es ist eine Blackbox — Sie können nicht nachvollziehen, warum ein bestimmter Kanal eine bestimmte Credit-Gewichtung erhalten hat. Es reagiert empfindlich auf die Daten, die es bekommt, was bedeutet: defektes UTM-Tracking oder Lücken in Ihren Conversion-Daten erzeugen unzuverlässige Gewichtungen. Und es kann nur Touchpoints modellieren, die in trackbaren Kanälen stattgefunden haben: Ladenbesuche, Telefonanrufe oder den E-Mail-Newsletter, den ein Kunde las, aber nicht angeklickt hat, kann es nicht gewichten.

Genau deshalb ist die Korrektur der vorgelagerten Datenqualität — konsistente UTMs, sauberes Kampagnen-Naming, zuverlässige Conversions API — die Voraussetzung dafür, dass datengetriebene Attribution funktioniert, und keine optionale Verbesserung.

Das richtige Modell für Ihren Funnel wählen

Das Framework zur Auswahl eines Attributionsmodells beginnt mit zwei Fragen: Wie lang ist Ihr typischer Consideration-Zyklus? und Wie viele Touchpoints hat ein typischer Kunde, bevor er konvertiert?

Für Agenturen, die Konten über mehrere Kunden und Funnels hinweg betreuen, fällt die Antwort je nach Kunde unterschiedlich aus — genau deshalb ist das Framework cross-channel-ad-analytics-fragmented-reporting-fix relevant: Es baut eine Reporting-Schicht, die Unterschiede im Attributionsmodell pro Kunde sichtbar macht, ohne für jedes Konto eine manuelle Abstimmung zu verlangen.

Wie Wevion bei der Attributions-Sichtbarkeit hilft

Wevion unterstützt dabei, die Voraussetzung für jedes funktionierende Attributionsmodell zu schaffen: saubere, konsistente Daten an der Quelle. Der UTM Builder erzwingt eine einheitliche Tagging-Struktur über jede Kampagne hinweg, sodass Analytics-Plattformen einheitliche Inputs erhalten. Die Conversions-API-Integration stellt sicher, dass Metas eigene Attribution ein vollständiges serverseitiges Signal erhält, statt sich allein auf den Browser-Pixel zu verlassen, den iOS- und Browser-Einschränkungen schrittweise abbauen.

Die Cross-Account-Analytics von Wevion machen Performance pro Kampagne und pro Kanal sichtbar, sodass Sie vergleichen können, was das eigene Reporting jeder Plattform behauptet, gegenüber dem, was Ihre Analytics zeigt — die Gap-Analyse, die identifiziert, wo Modellunterschiede zu Budget-Fehlallokationen führen. Die Funktionen helfen dabei, diesen Vergleich vorzubereiten und sichtbar zu machen; die Entscheidung, welchem Modell Sie bei welcher Budgetfrage vertrauen, bleibt bei Ihrem Team.

Da Wevion Kampagnendaten in einem Rhythmus von etwa 15 Minuten synchronisiert, spiegelt die Analytics-Schicht eine nahezu aktuelle Performance wider statt der Zahlen von gestern — was zählt, wenn Sie Performance-Unterschiede auf Modellebene bewerten, die sich mit der Kampagnenoptimierung verschieben.

Ein praktischer Übergangsplan: Von Last-Touch zu Multi-Touch

Wenn Sie aktuell auf reinem Last-Touch fahren und zu einem genaueren Modell wechseln wollen, lässt sich das Übergangsrisiko mit einem Parallelbetrieb beherrschen:

Schritt 1 — UTM-Konsistenz auditieren. Bevor Sie irgendein Modell ändern, prüfen Sie, ob Ihre UTM-Tags über alle Paid-Kanäle hinweg konsistent sind. Inkonsistentes Tagging erzeugt Garbage-Inputs für jedes Multi-Touch-Modell. Der Leitfaden how-to-build-utm-tracking-system-paid-ads liefert die Setup-Checkliste.

Schritt 2 — Ein Multi-Touch-Modell parallel aktivieren. Aktivieren Sie in GA4 datengetriebene Attribution (sofern berechtigt) oder positionsbasiert als Vergleichsmodell. Lassen Sie das aktuelle und das neue Modell 4–6 Wochen gleichzeitig laufen, ohne Budgetentscheidungen auf Basis des neuen Modells zu treffen.

Schritt 3 — Die Credit-Verschiebung quantifizieren. Identifizieren Sie, welche Kanäle unter dem neuen Modell Credit gewinnen und verlieren. Die Kanäle, die unter Multi-Touch Credit gewinnen, sind diejenigen, die Ihr aktuelles Modell unterfinanziert; diejenigen, die Credit verlieren, sind wahrscheinlich überfinanziert.

Schritt 4 — Inkrementelle Budgetanpassungen vornehmen. Verteilen Sie nicht über Nacht 30 % des Budgets auf Basis einer Modelländerung um. Nehmen Sie Verschiebungen von 10–15 % vor, lassen Sie die Performance-Daten über ein oder zwei Reporting-Zyklen einpendeln und justieren Sie dann erneut. Eine schnelle Umverteilung auf Basis eines neuen Modells, bevor dieses an Ihren realen Daten validiert wurde, ist eine häufige Ursache für unnötige Performance-Rückgänge.

Fazit

Bei der Debatte First-Touch vs. Last-Touch Attribution geht es nicht darum, welches Modell korrekt ist — beide sind auf vorhersehbare Weise falsch. First-Touch gibt Awareness zu viel Credit und bläht den Upper-Funnel-ROAS auf. Last-Touch gibt Conversion-Kanälen zu viel Credit und verbirgt den Beitrag der Demand-Generation. Das Ziel ist, das Modell zu wählen, dessen Verzerrungen für Ihren spezifischen Funnel die wenigsten falschen Budgetentscheidungen produzieren.

Für kurzzyklische Impulskäufe reicht Last-Touch oft aus. Für Multi-Touchpoint-Funnels mit Zyklen ab 7 Tagen liefert ein Multi-Touch- oder datengetriebenes Modell eine spürbar bessere Budgetallokation. In jedem Fall ist sauberes vorgelagertes Tracking — konsistente UTMs, vollständige Conversions API — die Voraussetzung dafür, dass irgendein Modell vertrauenswürdige Ergebnisse liefert.

Starten Sie eine 14-tägige Wevion-Testphase — oder bleiben Sie im dauerhaft kostenlosen Plan — und bauen Sie das Datenfundament, das Ihr Attributionsmodell zu einem Instrument macht statt zu einer Quelle der Verwirrung.

Dieser Leitfaden ist Teil unseres Ecosystem-Education-Hubs — entdecken Sie den gesamten Cluster für verwandte Playbooks.