Jede Plattform schreibt sich die Verkäufe selbst gut — und der Last-Click schreibt sie dem Kanal zu, der zufällig zuletzt dran war. Beides ist Buchhaltung, keine Wahrheit. Was 2026 trägt, ist ein Dreiklang: saubere Datenbasis (Tracking, CAPI), Incrementality-Tests für die Frage „Hat die Werbung etwas verursacht?" und — wenn Budget und Kanalmix es hergeben — Marketing-Mix-Modeling. Für den Mittelstand heißt das: nicht alles auf einmal, sondern ein Lift-Test pro Quartal und der Blick auf den Deckungsbeitrag statt auf den Dashboard-ROAS.
Warum täuscht Last-Click?
Weil er eine einfache Geschichte erzählt, die selten stimmt: Wer zuletzt geklickt hat, hat verkauft. Der Käufer hat aber vorher ein Reel gesehen, einen Test gelesen, die Marke gegoogelt — und klickt am Ende auf die Suchanzeige, die dann den ganzen Erfolg einstreicht. Last-Click belohnt Marken-Suche und Retargeting und bestraft alles, was Nachfrage erst weckt. Wer danach Budget verteilt, kürzt irgendwann genau die Kanäle, die das Geschäft füttern.
Dazu kommt ein Messproblem, das nichts mit dem Modell zu tun hat: Consent-Banner, Safari, iOS und Ad-Blocker lassen Teile der Customer Journey einfach verschwinden. Wo Daten fehlen, entscheidet jedes Modell auf Basis von Lücken (mehr dazu im Artikel Tracking, CAPI und Consent).
Warum ist „datengetrieben" nicht die Lösung?
Google hat 2023 in GA4 und Google Ads die Modelle First-Click, Linear, Time Decay und Positionsbasiert abgeschaltet; übrig sind Last-Click und Data-Driven Attribution (DDA). DDA verteilt die Anteile per Machine Learning anhand deiner tatsächlichen Pfade — das ist besser als Last-Click, hat aber drei Haken: Es sieht nur Klickpfade, die es messen kann, es ist eine Blackbox mit Schwellen an Datenmenge, und es bleibt Attribution. Es verteilt Conversions, die ohnehin stattgefunden haben. Ob die Werbung sie verursacht hat, beantwortet kein Attributionsmodell.
Und die Plattformen rechnen weiter für sich: Meta hat im März 2026 die Zählung verändert — als Klick zählt nur noch ein echter Link-Klick, Likes, Shares und Speichern wandern in eine neue „Engage-Through"-Kategorie mit 1-Tages-Fenster; Click-Through bleibt bei 7 Tagen, View-Through bei 1 Tag. Heißt: Deine gemeldeten Conversions können sich ändern, ohne dass sich im Geschäft irgendetwas ändert. Wer Zahlen aus Plattform A und Plattform B addiert, kommt regelmäßig auf mehr Umsatz, als die Buchhaltung kennt — jeder Kanal reklamiert denselben Kauf für sich.
Was ist Incrementality — und warum ist sie der Goldstandard?
Incrementality fragt etwas völlig anderes: Wie viele Verkäufe wären ohne diese Werbung nicht passiert? Dafür braucht es eine Kontrollgruppe, die die Werbung nicht sieht. Die gängigen Wege:
- Holdout-/Lift-Tests — ein zufälliger Teil der Zielgruppe bekommt die Anzeige nicht. Meta und Google bieten solche Tests direkt in ihren Tools an; Google hat das Mindestbudget für Conversion-Lift-Tests in Google Ads Ende 2025 laut Branchenberichten von rund 100.000 $ auf etwa 5.000 $ gesenkt (je nach Kampagnentyp mit Einschränkungen).
- Geo-Experimente — Regionen werden in Test und Kontrolle geteilt (z. B. Bundesländer oder PLZ-Gebiete). Gut, wenn du Plattform-übergreifend und auch Offline-Effekte messen willst.
- Synthetische Kontrollgruppen — wenn sauberes Randomisieren nicht geht, wird die Kontrolle aus historischen Daten modelliert.
Laut einer Umfrage von EMARKETER und TransUnion (Juli 2025) nutzen rund 52 % der US-Marketer (Marken und Agenturen) Incrementality-Tests; als größte Hürde nennen 44 % die Zweifel an der Verlässlichkeit der Ergebnisse. Fair: Ein Test liefert eine Antwort für diesen Kanal, diese Zeit, dieses Angebot. Er ist kein Dauer-Dashboard, sondern eine Eichung. Laufzeit: meist zwei bis vier Wochen, bei kleinem Volumen oder langen Kaufzyklen länger (Plattform-Lift-Tests mindestens 7, besser 14 Tage) — ohne Aktionen und Budgetsprünge mittendrin.
Und Marketing-Mix-Modeling — Konzern-Spielzeug?
Früher ja. Marketing-Mix-Modeling (MMM) arbeitet mit aggregierten Daten statt mit Nutzerpfaden: Es setzt Umsatz in Beziehung zu Spend je Kanal, Saison, Preis, Aktionen und Wetter und rechnet statistisch aus, was welcher Kanal beigetragen hat. Vorteil: kein Cookie, kein Consent, kein Klick nötig — es funktioniert auch bei Offline, TV, Out-of-Home. Seit Google Meridian (seit Anfang 2025 allgemein verfügbar, wird aktiv ausgebaut) und Meta Robyn (Open Source, die Pflege wurde laut Branchenberichten zuletzt zurückgefahren) frei verfügbar sind, ist die Software kostenlos. Der Haken ist nicht die Lizenz, sondern die Daten und das Know-how: mehrere Kanäle mit relevantem Budget, eine saubere Historie von ein bis zwei Jahren und jemand, der Modelle lesen kann.
Mein Rat für den Mittelstand: MMM lohnt, wenn du ab mittlerem sechsstelligem Jahresbudget auf mehreren Kanälen fährst. Darunter ist ein Lift-Test pro Quartal meist der bessere Hebel pro investierter Stunde.
Was mache ich konkret — in welcher Reihenfolge?
- 1. Datenbasis reparieren. Server-seitiges Tracking, Consent Mode, saubere UTM-Struktur. Ohne diese Basis ist jedes weitere Modell Raten mit Nachkommastellen.
- 2. Eine Steuerzahl festlegen. Nicht „ROAS laut Meta", sondern Umsatz und Deckungsbeitrag aus deinem Shop oder CRM, siehe Deckungsbeitrag statt ROAS. Plattformzahlen sind Indikatoren, keine Buchhaltung.
- 3. Fragen, die eine Antwort brauchen, per Test beantworten. Bringt Prospecting wirklich zusätzliche Käufe? Wie viel des Retargetings wäre ohnehin gekauft worden? Ein Holdout klärt das in wenigen Wochen.
- 4. Erst dann MMM — wenn mehrere Kanäle laufen und du die Tests als Kalibrierung für das Modell nutzen kannst.
Wie KI-Kampagnen in diese Messwelt passen, habe ich im Artikel zu Advantage+ und Andromeda beschrieben: Je mehr die Plattform automatisiert, desto wichtiger ist, dass du unabhängig misst.
Und was ist mit Attribution im Alltag?
Weiter nutzen, aber richtig einordnen. Plattform-Attribution zeigt dir Richtung und Trend (läuft die Anzeige besser als gestern?), nicht den wahren Beitrag. Als Faustregel: Taktische Entscheidungen (Creatives, Gebote) auf Plattformdaten, strategische Entscheidungen (Budget zwischen Kanälen) auf Tests und Deckungsbeitrag. Das ist weniger bequem als ein einzelner Dashboard-Wert — aber es ist die einzige Variante, bei der du nicht Budget in Kanäle schiebst, die nur gut aussehen.
Häufige Fragen
Ist Last-Click-Attribution 2026 wirklich tot?
Als alleinige Entscheidungsgrundlage ja. Last-Click schreibt den Erfolg dem letzten Klick zu und ignoriert alles davor — es belohnt Marke, Retargeting und Suche und unterschätzt Kanäle, die Nachfrage erst wecken. Als Gegenprobe ist sie weiter nützlich, aber sie sollte nicht mehr allein entscheiden, wo dein Budget hingeht.
Was ist der Unterschied zwischen Attribution und Incrementality?
Attribution verteilt Conversions, die ohnehin passiert sind, auf Kanäle. Incrementality fragt: Wie viele davon wären ohne die Werbung nicht passiert? Das lässt sich nur per Experiment mit Kontrollgruppe beantworten, etwa Holdout- oder Geo-Tests. Attribution ist Buchhaltung, Incrementality ist Kausalität.
Brauche ich als Mittelständler Marketing-Mix-Modeling?
Nicht zwingend. MMM lohnt sich, wenn du mehrere Kanäle parallel mit relevantem Budget fährst, auch Offline, und mindestens ein bis zwei Jahre saubere Daten hast. Mit Open-Source-Tools wie Googles Meridian oder Metas Robyn ist der Einstieg lizenzfrei, braucht aber Datenkompetenz. Für viele kleinere Setups reichen zunächst ein sauberes Tracking, ein Lift-Test pro Quartal und der Blick auf den Deckungsbeitrag.
Wie lange sollte ein Incrementality-Test laufen?
Als Faustregel zwei bis vier Wochen mit sauber dimensionierter Kontrollgruppe, bei kleinem Volumen oder langen Kaufzyklen länger — sonst rauscht das Ergebnis. Der Test sollte außerdem nicht von Aktionen, Saison oder Budgetwechseln überlagert werden. Ein Test, der zu früh abgebrochen wird, liefert nur eine hübsche Zufallszahl.
25 Jahre an der Schnittstelle von Marketing, Produkt und KI. Baut Kampagnen, Produkte und eigene Tools — u. a. saatori. Betreut Tracking-, Reporting- und Paid-Social-Setups für D2C-Marken.