First-Click- vs. Last-Click-Attribution

Was First-Click- und Last-Click-Attribution sind

Die meisten Kunden haben mehrere Kontakte mit einer Marke, bevor sie konvertieren. Sie sehen vielleicht eine Social Ad, klicken später auf ein Suchergebnis, kehren eine Woche danach über eine E-Mail zurück und kaufen schließlich. Attributionsmodelle entscheiden, welchem dieser Touchpoints die resultierende Conversion angerechnet wird. Die First-Click-Attribution schreibt den gesamten Erfolg dem allerersten Touchpoint im Pfad zu. Die Last-Click-Attribution schreibt den gesamten Erfolg dem Touchpoint unmittelbar vor der Conversion zu.

Beide sind Single-Touch-Modelle: Sie weisen 100 % des Verdienstes einer einzigen Interaktion zu und ignorieren alles andere im Pfad, selbst wenn erkennbar mehrere Kanäle beigetragen haben.

Wie jedes Modell funktioniert

Die First-Click-Attribution beantwortet die Frage “was hat diese Person überhaupt erst interessiert”. Wenn jemand eine Marke über eine Meta-Ad entdeckt und drei Wochen später nach einem Direktbesuch konvertiert, schreibt First-Click der ursprünglichen Meta-Ad den Erfolg zu, da sie der Einstiegspunkt in die Beziehung war.

Die Last-Click-Attribution beantwortet die Frage “was hat den Ausschlag gegeben”. Im gleichen Beispiel würde Last-Click dem Direktbesuch den Erfolg zuschreiben, da er der Touchpoint unmittelbar vor dem Kauf war, obwohl die Meta-Ad die Kundin oder den Kunden überhaupt erst eingeführt hat.

Keines der beiden Modelle betrachtet die Touchpoints dazwischen. Ein Modell wie die lineare Attribution verteilt den Erfolg gleichmäßig auf jeden Touchpoint im Pfad, und Time-Decay-Attribution gewichtet spätere Touchpoints stärker als frühere, aber First-Click und Last-Click bleiben die beiden einfachsten und gängigsten Referenzpunkte.

Warum es wichtig ist

Die Wahl des Modells ändert, welche Kanäle wertvoll aussehen, mitunter drastisch. Kanäle, die besonders gut darin sind, neue Kunden einzuführen, etwa breite Prospecting-Kampagnen, sehen unter First-Click stark und unter Last-Click schwach aus, da sie selten der letzte Touchpoint sind. Kanäle, die besonders gut darin sind, einen bereits interessierten Kunden abzuschließen, etwa Retargeting oder Branded Search, sehen unter Last-Click stark und unter First-Click schwach aus.

Keine der beiden Sichtweisen ist für sich genommen falsch, aber sich nur auf eine zu verlassen, ergibt ein unvollständiges und mitunter irreführendes Bild dessen, was die Ergebnisse tatsächlich treibt. Ein Unternehmen, das nur auf Last-Click-Daten schaut, riskiert, jene Prospecting-Aktivität zu unterfinanzieren, die überhaupt erst die Kundenpipeline erzeugt, da Prospecting unter diesem Modell selten Anerkennung erhält.

Wie Sie darauf reagieren

Betrachten Sie mehr als ein Attributionsmodell nebeneinander, statt sich auf ein einziges Standardmodell festzulegen und es als endgültige Antwort zu behandeln. Der Vergleich von First-Click- und Last-Click-Sichten auf denselben Conversion-Pfad zeigt, welche Kanäle die Einführungsarbeit leisten und welche die Abschlussarbeit, was auch ohne ein perfektes kombiniertes Modell nützliche Informationen liefert.

Bevorzugen Sie, wo möglich, Multi-Touch-Modelle wie lineare oder datengetriebene Attribution für die übergreifende Budgetplanung, und heben Sie First-Click- oder Last-Click-Sichten für konkrete Fragen auf, etwa wo neue Kundenbeziehungen entstehen versus was den Abschluss bringt. Inkrementalitätstests bleiben die beste Kontrolle für die Schlussfolgerungen jedes Attributionsmodells, da Attribution eine Korrelation entlang eines Pfads beschreibt, keine Kausalität.

Häufige Fehler

Last-Click als alleinigen Maßstab für den Kanalwert zu wählen, unterschätzt systematisch Prospecting- und Awareness-Aktivitäten. Die Annahme, First-Click erfasse die “wahre” Quelle einer Conversion, ignoriert, dass spätere Touchpoints erhebliche Arbeit geleistet haben können, um echtes Interesse in einen Verkauf umzuwandeln. Kampagnen zu vergleichen, die unter unterschiedlichen Attributionseinstellungen bewertet wurden, ohne das verwendete Modell zu vermerken, ergibt Zahlen, die eigentlich nicht vergleichbar sind. Ein einzelnes Single-Touch-Modell als Ersatz für echte Inkrementalitätstests zu behandeln, vermischt Korrelation entlang eines Klickpfads mit Kausalität.