Der Verlust der Attribution

Die vorherigen Artikel dieser Serie haben die strukturelle Verschiebung beschrieben. Dieser Artikel wechselt die Perspektive und betrachtet dieselbe Erosion von der technischen Seite, denn dort zeigt sich, dass sie sich in konkreten, dokumentierbaren Brüchen durch die gesamte Attribution-Infrastruktur zieht.

Die Frage lautet: Wo bricht die Kette technisch, und warum verschieben die gängigen Reparaturversuche das Problem, ohne es zu lösen?

Wo Attribution heute technisch bricht

Attribution setzt voraus, dass sich eine Abfolge von Kontaktpunkten einer einzelnen Person zuordnen lässt. Was einfach klingt, ist in der Praxis an eine ganze Reihe technischer Bedingungen gebunden, die in den vergangenen Jahren nacheinander weggefallen sind.

Der folgenreichste Einschnitt war die Einführung von Apples App Tracking Transparency im April 2021. Seit iOS 14.5 müssen Apps eine explizite Erlaubnis einholen, bevor sie das Verhalten eines Nutzers über andere Apps und Websites hinweg verfolgen dürfen. Die Opt-in-Raten liegen global bei etwa 15 bis 25 Prozent, was bedeutet, dass zwischen 50 und 65 Prozent aller iOS-Conversions für pixelbasierte Tracking-Systeme unsichtbar geworden sind.¹

Die Auswirkungen waren unmittelbar und weitreichend. Meta meldete in der Folge Umsatzeinbußen von mehreren Milliarden Dollar, nicht weil weniger Conversions stattfanden, sondern weil weniger Conversions den Kampagnen zugeordnet werden konnten, die sie ausgelöst hatten.² Der reportete ROAS brach bei vielen Advertisern um 30 bis 50 Prozent ein, obwohl sich an der tatsächlichen Performance nichts Vergleichbares verändert hatte.

Die zweite tektonische Verschiebung betrifft das Ende der Third-Party-Cookies. Chrome, das mit einem globalen Marktanteil von rund 65 Prozent den Browser-Markt dominiert, hat den vollständigen Phase-out mehrfach verschoben und gleichzeitig die technische Infrastruktur für Cross-Site-Tracking zunehmend eingeschränkt.³ Safari und Firefox blockieren Third-Party-Cookies bereits seit Jahren. Das Ergebnis ist eine Landschaft, in der geräte- und sitzungsübergreifende Zuordnungen nur noch für einen Teil der Nutzer möglich sind, und dieser Teil wird kleiner.

Das GA4-Problem

Google Analytics 4 hat 2023 mit dem Wechsel auf Data-Driven Attribution ein Modell eingeführt, das Conversions algorithmisch auf Touchpoints verteilt, statt einem festen Schema zu folgen. Die Idee war, die Realität besser abzubilden als Last-Click oder regelbasierte Modelle.

In der Praxis hat sich ein bemerkenswerter Nebeneffekt eingestellt. Zahlreiche Betreiber berichten, dass der Google Ads zugeschriebene Umsatz in GA4 innerhalb eines Jahres um 50 bis 100 Prozent gestiegen ist, unabhängig davon, ob die tatsächlichen Verkäufe in vergleichbarem Umfang zugenommen haben.⁴ Die Erklärung liegt in der Mechanik des Modells, das tendenziell jenen Kanälen mehr Credit zuweist, für die es über die engste Datenverbindung verfügt, und das ist naturgemäß das hauseigene Werbesystem.

Gleichzeitig wächst in GA4 der Anteil von Traffic, der als "(not set)" oder "Unassigned" klassifiziert wird. Diese Kategorien sind keine Randerscheinungen. Sie repräsentieren Nutzerströme, die das System nicht mehr zuordnen kann, sei es aufgrund fehlender Cookies, blockierter Referrer-Informationen oder unterbrochener Sitzungsketten. In manchen Konten machen sie mittlerweile 15 bis 30 Prozent des gesamten Traffics aus.

Cross-Device und die Identitätslücke

Ein weiterer struktureller Bruch verläuft entlang der Gerätegrenzen. Eine Nutzerin, die abends auf dem Smartphone ein Produkt recherchiert und am nächsten Morgen am Desktop-Rechner bestellt, erscheint in den meisten Systemen als zwei verschiedene Personen, sofern sie nicht in beiden Kontexten eingeloggt ist.

GA4 versucht, dieses Problem über Google Signals und User-ID zu lösen, setzt dabei jedoch entweder ein Google-Login oder eine eigene Authentifizierung voraus. Für einen typischen E-Commerce-Shop, in dem ein Großteil der Besucher als nicht eingeloggte Nutzer unterwegs ist, bleibt die Cross-Device-Zuordnung bestenfalls fragmentarisch. Die Folge ist, dass die Customer Journey in den Daten kürzer und einfacher aussieht, als sie tatsächlich war, weil die Berührungspunkte auf verschiedene anonyme Profile verteilt werden, die das System nicht zusammenführen kann.

AI-Suchmaschinen und der neue Referrer-Blindspot

Die jüngste und in ihren Konsequenzen vermutlich folgenreichste Erosion der Attribution betrifft die zunehmende Nutzung von AI-Suchmaschinen bei der Produktrecherche. ChatGPT, Perplexity, Google AI Overviews und vergleichbare Systeme verändern nicht nur, wie Nutzer Informationen finden, sondern entziehen einen wachsenden Teil des Entscheidungsprozesses systematisch der Messung.

Die Zahlen deuten auf eine Verschiebung hin, deren Ausmaß in den meisten Analytics-Setups noch nicht abgebildet wird. AI-Referral-Traffic wuchs 2025 um rund 700 Prozent im Jahresvergleich.⁵ Eine Analyse von Visibility Labs über 94 E-Commerce-Shops zeigt, dass Besuche von ChatGPT allein um 1.079 Prozent stiegen. ChatGPT dominiert mit einem Anteil von 87 Prozent den gesamten messbaren AI-Referral-Traffic. Und Nutzer, die über ChatGPT in einen Shop gelangen, konvertieren 31 Prozent besser als nicht-markengebundener organischer Traffic, was auf eine bereits weitgehend abgeschlossene Entscheidung vor dem Klick hindeutet.⁶

Doch diese Zahlen beschreiben nur den sichtbaren Teil des Phänomens, und genau darin liegt das Problem.

Der Zero-Click-Effekt. Google AI Overviews beantworten Produktfragen zunehmend direkt in den Suchergebnissen. Eine Studie von Seer Interactive über 3.119 Suchbegriffe bei 42 Unternehmen dokumentiert einen Rückgang der organischen Klickraten um 61 Prozent bei Queries, die AI Overviews auslösen.⁷ Die Zero-Click-Rate bei Google liegt in Q1 2026 bei über 65 Prozent.⁸ Nutzer recherchieren, vergleichen und bilden sich eine Meinung, ohne je eine Shop-Seite aufzurufen. Wenn sie anschließend kaufen, fehlt die gesamte Recherchephase in jedem Analytics-System.

Die Referrer-Lücke. Wenn ein Nutzer in ChatGPT fragt, welcher Laufschuh bei Überpronation unter 150 Euro empfehlenswert ist, und anschließend den empfohlenen Shop aufruft, erscheint dieser Besuch bestenfalls als Referral von "chatgpt.com". Welche Frage gestellt wurde, welche Alternativen die AI verworfen hat und warum gerade dieses Produkt empfohlen wurde, bleibt unsichtbar. In vielen Fällen geht selbst die Referrer-Information verloren, und der Besuch landet als Direct Traffic oder "(not set)" in GA4.

Der Umweg über Branded Search. Die vielleicht wichtigste Attribution-Verzerrung betrifft einen Mechanismus, der in den Daten kaum zu identifizieren ist: Nutzer erhalten eine Produktempfehlung in einer AI-Suchmaschine, suchen den Markennamen oder das Produkt anschließend bei Google und kaufen dort. In GA4 erscheint diese Conversion als "Organic Search" oder "Branded Search". Die tatsächliche Ursache, die AI-Empfehlung, ist vollständig unsichtbar. Visibility Labs weist explizit darauf hin, dass dieser Effekt den tatsächlichen Einfluss von AI-Suchmaschinen auf E-Commerce-Umsätze systematisch unterschätzt.⁶

Die Pre-Selection bleibt unsichtbar. Was AI-Suchmaschinen von klassischen Suchmaschinen unterscheidet, ist nicht nur der fehlende Referrer, sondern die Tatsache, dass die AI bereits gefiltert, priorisiert und bewertet hat, bevor der Nutzer überhaupt einen Shop erreicht. Die Entscheidung, welche drei von 200 möglichen Produkten einem Nutzer präsentiert werden, fällt innerhalb der AI, nicht innerhalb des Shops. Der Händler sieht den Klick, aber nicht die Kuratierung, die zu ihm geführt hat. Er sieht die Conversion, aber nicht die 197 Alternativen, die bereits ausgeschlossen wurden.

Die drei Wahrheiten eines einzelnen Monats

Wo der technische Bruch besonders sichtbar wird, ist im Vergleich zwischen verschiedenen Systemen, die denselben Zeitraum abbilden.

Ein mittelgroßer Online-Shop betreibt Meta-Kampagnen, nutzt GA4 für die Webanalyse und zieht zur Umsatzkontrolle sein Shop-Backend heran. Am Monatsende zeigen die drei Systeme deutlich abweichende Zahlen. Meta Ads Manager reportet 420 Conversions, die den eigenen Kampagnen zugeordnet werden. GA4 weist 310 Conversions der Quelle "Paid Social" zu. Das Shop-Backend verzeichnet 380 Bestellungen, die in einem zeitlichen Zusammenhang mit den Kampagnen stehen.

Keines der drei Systeme lügt im eigentlichen Sinne. Meta zählt View-Through-Conversions mit, die GA4 nicht erfasst. GA4 verliert einen Teil der iOS-Nutzer, die den Tracking-Consent verweigert haben. Das Shop-Backend wiederum hat keinen Einblick in die Werbemittelinteraktion und kann lediglich zeitliche Korrelationen herstellen.

Das Ergebnis sind drei konsistente, aber widersprüchliche Wahrheiten über denselben Geschäftsvorfall. Und die eigentliche Frage, nämlich wie viele dieser Käufe tatsächlich durch die Kampagne ausgelöst und nicht nur von ihr berührt wurden, lässt sich aus keinem der drei Systeme beantworten.

Server-Side Tracking als Teillösung

Die verbreitetste technische Antwort auf den Datenverlust ist Server-Side Tracking. Statt sich auf Browser-Pixel zu verlassen, die von Ad-Blockern, Cookie-Einschränkungen und ITP-Mechanismen betroffen sind, werden Conversion-Daten direkt vom Server an die Werbeplattformen übermittelt. Metas Conversions API (CAPI) ist das bekannteste Beispiel.

Die Zahlen zeigen, dass Server-Side Tracking tatsächlich einen signifikanten Teil der verlorenen Daten zurückgewinnt. Implementierungen berichten von einer Steigerung der erfassbaren Conversions um 20 bis 40 Prozent im Vergleich zu reinem Pixel-Tracking. In optimalen Konfigurationen lässt sich die Erfassungsrate von 60 bis 70 Prozent auf 95 Prozent anheben.⁹

Allerdings löst auch Server-Side Tracking nur einen bestimmten Teil des Problems. Es verbessert die technische Erfassung innerhalb der Kette, also die Zuordnung eines Kaufs zu einem Klick oder einer Impression. Was es nicht leisten kann, ist die Erfassung jener Einflüsse, die außerhalb der Kette stattgefunden haben. Ein Nutzer, der sich in einer Slack-Community von Peers beraten ließ, anschließend eine Branded Search durchführte und direkt kaufte, wird durch Server-Side Tracking präziser erfasst, aber der entscheidende Impuls bleibt unsichtbar. Die Genauigkeit der Messung steigt, aber ihr Erklärungsbereich bleibt derselbe.

Dark Social und die Verkleidung von Einfluss

Ein besonderer Fall technisch unsichtbarer Attribution betrifft das, was in der Branche als Dark Social bezeichnet wird: Empfehlungen und Links, die über private Kanäle geteilt werden, etwa WhatsApp-Nachrichten, Slack-Gruppen, E-Mails oder Direktnachrichten auf sozialen Plattformen.

Wenn jemand einen Produktlink aus einer WhatsApp-Nachricht heraus öffnet, erscheint dieser Besuch in den meisten Analytics-Systemen als Direct Traffic, weil die Referrer-Information beim Wechsel aus der App in den Browser verloren geht. Dasselbe gilt für Links, die in geschlossenen Facebook-Gruppen, Discord-Servern oder privaten Instagram-Nachrichten geteilt werden.

Aktuelle Schätzungen gehen davon aus, dass bis zu 80 Prozent aller Social Shares über diese dunklen Kanäle stattfinden.¹⁰ Was das für die Attribution bedeutet, ist erheblich. Ein Händler, der einen Anstieg seines Direct Traffics beobachtet, sieht möglicherweise nicht die Wirkung seiner SEO-Strategie oder seiner Markenbekanntheit, sondern das Echo einer viralen Empfehlung in privaten Netzwerken, die sein Tracking-System als quellenlos klassifiziert.

Warum Reparatur allein nicht reicht

Die Summe dieser technischen Brüche erzeugt eine Situation, in der jedes einzelne System innerhalb seines Rahmens plausible Ergebnisse liefert, während das Gesamtbild zunehmend unvollständig wird.

Die gängigen Reparaturversuche, Server-Side Tracking, Consent Mode v2, Enhanced Conversions, Data-Driven Attribution, adressieren jeweils einen spezifischen Aspekt des Datenverlusts und können innerhalb ihres Wirkungsbereichs tatsächlich Verbesserungen erzielen. Was sie nicht leisten können, ist die Rekonstruktion eines Prozesses, dessen entscheidende Phasen sich grundsätzlich außerhalb jeder technischen Erfassung abspielen.

Die Unterscheidung ist wesentlich. Das eine ist ein Problem der technischen Präzision, das sich durch bessere Implementierung lösen lässt. Das andere ist ein Problem des Geltungsbereichs, das mit den Mitteln der bestehenden Infrastruktur nicht zu beheben ist, weil die relevanten Informationen nie in ein messbares System eingetreten sind.

Was daraus folgt

Die bisherigen Artikel dieser Serie haben die Verschiebung aus der Perspektive des Nutzerverhaltens beschrieben. Dieser Artikel hat gezeigt, dass sich dieselbe Verschiebung parallel auf der technischen Ebene vollzieht, unabhängig davon und zusätzlich dazu.

iOS-Restriktionen, Cookie-Deprecation, Cross-Device-Lücken, Dark Social und der wachsende Einfluss von AI-Suchmaschinen sind keine vorübergehenden Störungen, die sich durch technische Updates beseitigen lassen. Sie sind Ausdruck einer dauerhaften Verschiebung, in der die Annahme vollständiger Messbarkeit, auf der klassische Attribution beruht, strukturell nicht mehr gegeben ist.

Die Frage, die sich daraus ergibt, betrifft nicht die nächste technische Optimierung, sondern eine grundsätzlichere Überlegung: Wenn sich der Rahmen der Messbarkeit dauerhaft verengt hat, welche neuen Metriken und Bewertungsansätze sind dann geeignet, um unter diesen Bedingungen fundierte Entscheidungen zu treffen?

Der nächste Artikel, Neue Entscheidungsmetriken, geht genau dieser Frage nach und untersucht, was ein Händler heute tatsächlich messen kann, wenn KI-Suchmaschinen Traffic in seinen Shop leiten, und wo die Grenze zwischen belastbarer Messung und unvermeidlicher Interpretation verläuft.

Quellen

¹ Flurry Analytics: iOS ATT Opt-in Rates, fortlaufend aktualisiert. Die globalen Opt-in-Raten schwanken je nach Region und App-Kategorie zwischen 15 und 25 Prozent.

² Meta Platforms: Earnings Call Q4 2021 und Q1 2022. Meta bezifferte den geschätzten Umsatzverlust durch ATT auf rund 10 Milliarden Dollar für das Jahr 2022.

³ StatCounter: Browser Market Share Worldwide, Stand Q1 2026.

⁴ Zahlreiche Practitioner-Berichte und Analysen, u. a. auf Measure School, Analytics Mania und in GA4-Fachforen dokumentiert. Die Inflation der Google-Ads-Attribution durch Data-Driven Attribution ist ein wiederkehrendes Thema in der Fach-Community.

⁵ Semrush: "AI Search Revolution", 2025. Die Studie dokumentiert das Wachstum von AI-Referral-Traffic über mehrere Branchen hinweg.

⁶ Visibility Labs: "ChatGPT E-Commerce Traffic Study", 2025/2026. Analyse über 94 E-Commerce-Shops und 12 Monate GA4-Daten.

⁷ Seer Interactive: "The Impact of AI Overviews on Organic CTR", 2025. Studie über 3.119 Suchbegriffe bei 42 Unternehmen.

⁸ SparkToro/Datos: Zero-Click Search Study, fortlaufend aktualisiert. Die Zero-Click-Rate umfasst alle Suchanfragen, die ohne Klick auf ein organisches Ergebnis enden.

⁹ Meta: Conversions API (CAPI) Performance Benchmarks, dokumentiert in der Meta Business Help Center-Dokumentation und durch unabhängige Implementierungsberichte bestätigt.

¹⁰ RadiumOne/GetSocial: "The Dark Social Report". Die 80-Prozent-Schätzung wird von mehreren unabhängigen Analysen gestützt und bezieht sich auf den Anteil privater Kanäle am gesamten Social Sharing.

Dieser Artikel ist Teil der Serie Decision Journey Analytics, die untersucht, wie sich E-Commerce-Entscheidungen jenseits des klassischen Funnels entwickeln.