Das Werbekonto meldet einen Rekordmonat, im Shop ist kein Unterschied zu sehen. Die Kampagne für ein Produkt, das sich „nicht verkauft“, schneidet in den Ergebnissen erstaunlich gut ab. Hinter beiden Phänomenen steckt dasselbe: Konversionen und Attribution funktionieren anders, als die Werbekonten nahelegen. Dieser Leitfaden ordnet, was über Verkaufsquellen sicher bekannt ist, was kein System weiß und wie man trotzdem gute Budgetentscheidungen trifft.
Begriffe
Was Konversion und Attribution im E-Commerce bedeuten
Beide Begriffe klingen technisch, entscheiden aber darüber, wie jeder Bericht zu lesen ist:
Definitionen
Konversion ist ein Ereignis, das ein bestimmtes Messsystem nach seinen eigenen Regeln zählt: Zeitfenster, Zählweise und Einwilligungsanforderungen. Eine Konversion im Werbekonto und eine bezahlte Bestellung im Shop sind zwei verschiedene Dinge, oft mit unterschiedlichen Zahlen für denselben Zeitraum.
Attribution ist eine vereinbarte Methode, den Verdienst an einer Konversion auf die Kontaktpunkte mit dem Kunden zu verteilen. Vereinbart deshalb, weil niemand die vollständige Journey sieht: Jedes System kennt nur seinen eigenen Ausschnitt.
Aus diesen Definitionen ergibt sich eine praktische Regel für das Lesen von Berichten. Die Zahl der Konversionen beantwortet die Frage „Was hat dieses System gezählt?“ und nicht „Wie viel hat der Shop verkauft?“. Attribution beantwortet die Frage „Wie haben wir vereinbart, den Verdienst zu verteilen?“ und nicht „Welcher Kanal hat den Kauf tatsächlich ausgelöst?“. Wer Werbekonten mit diesem Bewusstsein liest, vermeidet die meisten teuren Missverständnisse.
Shop-Datenbank
Was das Shopsystem über Verkaufsquellen nicht speichert
Die Shop-Datenbank führt ein Bestellregister, keine Historie des Kunden im Internet. Bevor die Bestellung entstand, hat der Kunde vielleicht eine Videoanzeige gesehen, auf eine Produktanzeige geklickt, ist über den Newsletter zurückgekehrt und hat erst beim x-ten Besuch gekauft. So sieht eine typische Journey aus und das bleibt davon im Shop übrig:
Der Shop hat Nummer, Betrag, Produkte und Datum gespeichert. Die drei früheren Kontakte liegen in drei verschiedenen Systemen: Jedes sieht nur seinen Ausschnitt, keines das Ganze.
Was die Shop-Datenbank konkret speichert und was darin fehlt:
| Der Shop speichert | Der Shop speichert nicht |
|---|---|
| Bestellungen: Beträge, Status, Produkte, Kunde | frühere Sitzungen und Besuche ohne Kauf |
| Bestellpositionen: Mengen, Preise, Rabatte und Einstandskosten der Produkte | Einstiegskanal und -kampagne sowie die vollständige geräteübergreifende Journey |
| Neu- oder Bestandskunde (anhand der Bestellhistorie) | Anzeigenimpressionen und Kontakte ohne Klick |
| Gutscheincodes, Zahlungs- und Versandarten | Werbekosten und Kampagnendaten |
Merke
Kanal und Kampagne eines Kaufs kennen GA4 und die Werbekonten, jeweils nach eigenen Regeln. Diese Zuordnung ist eine nützliche Schätzung für Vergleiche zwischen Kanälen, sofern überall derselbe Maßstab gilt; wer sie mit der Ursache des Kaufs verwechselt, unterschätzt systematisch die Kanäle, die am Anfang der Journey arbeiten.
Messlücken
Consent, Cookies und Tags: wo Konversionen verloren gehen
x
Bei so ausgedünnten Daten belassen es die Plattformen nicht: Fehlende Conversions werden statistisch modelliert, Käufe nach einer bloßen Anzeigenimpression hinzugerechnet und eigene Zeitfenster angewendet. Deshalb kann die Zahl im Werbekonto gleichzeitig höher sein als die Zahl der Bestellungen (Modellierung, Zeitfenster, Doppelzählungen zwischen Plattformen) und echte Transaktionen vermissen lassen (Einwilligungen, Blocker). Die Mechanismen hinter diesen Abweichungen zerlegt ein eigener Leitfaden: automatisierte E-Commerce-Analyse.
Die Bestellung hält die Wirkung fest. Die Ursache verteilt sich auf Werbekonten, Browser und Einwilligungen. Keine Datenbank speichert sie vollständig.
Warenkorbeffekt
Die Anzeige für Produkt A verkauft auch B und C
Eine Produktanzeige führt Kunden in den Shop, nicht mit einem einzigen Produkt zur Kasse. Ein Kunde klickt auf eine Kaffeeanzeige und legt danach einen zweiten Kaffee und Filter in den Warenkorb. Markenanzeigen tun dasselbe für den gesamten Katalog: Sie verkaufen „irgendetwas“, weil sie Menschen bringen, die erst im Shop entscheiden, was sie kaufen.
Produktanzeige
Kaffee Äthiopien, ganze Bohne 1 kg Kosten pro Klick: 0,50 €Bestellung #10482
Kaffee Äthiopien 1 kg22,25
Kaffee Brasilien 250 g6,00
Papierfilter ×1003,00
Summe31,25 €
Ein Klick für 0,50 €, drei Positionen auf dem Beleg. Welcher Position sind die Kosten zuzuordnen? Und wenn der Kunde auf die Kaffeeanzeige geklickt, aber nur Filter gekauft hat: Hat die Kaffeekampagne versagt oder funktioniert?
Deshalb führt die Rechnung „Werbekosten für Produkt A geteilt durch den Umsatz mit Produkt A“ in beide Richtungen in die Irre. Sie unterschätzt Kampagnen, deren Klicks im Kauf anderer Produkte enden, und überschätzt Produkte, die in fremden Warenkörben mitverkauft werden. Selbst Google Shopping, die einzige Plattform mit Kosten auf Produktebene, kennt nur die Werbekosten des angeklickten Produkts. Über den Inhalt des daraus entstandenen Warenkorbs sagt es nichts.
Reales Risiko
Kampagnen auf Basis einer falschen Rechnung pro Produkt abzuschalten, kostet den Umsatz des ganzen Warenkorbs. Eine Kampagne für ein Lockprodukt kann gemessen am Lockprodukt allein miserabel abschneiden und auf Ebene der Bestellungen, die sie auslöst, hervorragend. Bewertet wird auf Kampagnenebene: der Conversion-Wert ganzer Warenkörbe laut GA4 oder Werbekonto, die Rentabilität insgesamt über den MER aus dem Shop-Umsatz.
Grenzen der Daten
Eine lückenlose Verknüpfung von Ausgaben und Bestellungen gibt es nicht
Die drei vorherigen Abschnitte ergeben eine technische Schlussfolgerung. Der Shop speichert Ergebnisse ohne Pfade, Messsysteme sehen Pfade mit Lücken, und der Warenkorb trennt den beworbenen vom gekauften Artikel. Es gibt also keine Methode, die jeden ausgegebenen Euro einer konkreten Bestellung zuordnet, bei niemandem und in keinem Tool. Statt eine solche Verknüpfung zu suchen, lohnt es sich, drei Sicherheitsstufen der Daten zu kennen:
Harte Daten
- Bezahlte Bestellungen: Beträge, Produkte, Marge (übereinstimmend mit der Buchhaltung)
- Werbeausgaben pro Plattform, Kampagne und Tag
- MER: Umsatz geteilt durch die gesamten Werbeausgaben. Keine Attribution kann ihn verzerren
Näherungswerte (nützlich bei einer einheitlichen Regel)
- Aufteilung des Umsatzes auf Kanäle laut GA4, mit einem Modell für alle Kanäle, als Schätzung
- ROAS von Kanälen und Kampagnen laut GA4 oder Werbekonten, immer mit Quellenangabe und nur innerhalb einer Quelle verglichen
- Datengetriebene Attribution in GA4 als zweite Perspektive für unterstützende Kanäle
Außer Reichweite (für alle)
- Der vollständige Pfad jedes Kunden über Kanäle und Geräte
- Werbekosten, die einer konkreten Bestellung zugeordnet sind
- Werbekosten für Produkt A im Vergleich zum Umsatz mit Produkt A (teilweise Ausnahme: Google Shopping kennt die Kosten des angeklickten Produkts, aber nicht den Warenkorb)
Methodischer Hinweis: Auch Anbieter, die „vollständige Multi-Touch-Attribution“ versprechen, unterliegen Einwilligungen, Blockern und geräteübergreifenden Käufen. Ihre Pfade werden aus unvollständigen Daten modelliert, nicht beobachtet. Fragen Sie deshalb nicht nach dem Versprechen, sondern nach der Abdeckung: Welchen Anteil der Bestellsumme aus dem Shop sieht die Analyse, auf der modelliert wird, überhaupt?
Praxis
Werbewirkung messen trotz Lücken in der Attribution
Wer die Grenzen kennt, misst einfacher statt komplizierter. Da die Ebene „konkrete Bestellung“ außer Reichweite liegt, verlagert sich der gesamte Aufwand auf die Ebenen, die funktionieren: Bestellungen, Kanäle und Tage. Ein bewährtes Set sieht so aus:
Bezugsgröße festlegen
Kennzahlen zur Gesamtrentabilität berechnen Sie auf Basis bezahlter Bestellungen aus dem Shop. Zahlen aus Werbekonten dienen als Richtungssignale für die Optimierung innerhalb der Plattform, niemals als Buchhaltung.
MER jede Woche
Umsatz aus Bestellungen geteilt durch die gesamten Werbeausgaben. Unabhängig von Attribution, Einwilligungen und Modellierung. Sinkt er bei steigenden Budgets, verlieren die Anzeigen tatsächlich an Effizienz.
Ein GA4-Modell für Kanalvergleiche
Für Vergleiche zwischen Plattformen: Transaktionen und Umsatz der Kanäle laut GA4, mit einem Modell für alle (z. B. letzter Klick), als Schätzung betrachtet. Daneben die datengetriebene Attribution aus GA4 als Kontrolle für unterstützende Kanäle.
Saubere Datenspur und Tests
Überwachen Sie die GA4-Abdeckung: die tägliche Zahl der purchase-Transaktionen in GA4 im Vergleich zur Zahl der Bestellungen im Shop. Ein Rückgang deutet auf ein Problem mit Einwilligungen oder Tagging hin. Die Wirkung von Markenanzeigen prüfen Sie mit Tests: einschalten, ausschalten, MER und Umsatz vergleichen.
Dieses Set setzt eine technische Bedingung voraus: Bestellungen, Ausgaben und GA4-Daten müssen an einem Ort zusammenkommen, auf demselben Tageskalender. DataOrganizer erfüllt sie automatisch: Täglich werden Bestellungen aus dem Shop, die Kosten aller Plattformen und die GA4-Daten abgerufen, der MER auf Basis des Shopumsatzes und die GA4-Abdeckung auf Basis der Tagessummen berechnet. Die Aufteilung nach Kanälen erscheint laut GA4 und Werbekonten, jeweils mit Quellenangabe. Fragen stellt man dem KI-Assistenten in der App oder per MCP im eigenen Chat; abgerechnet werden nur die verbundenen Quellen.
Alle sind „wahr“. Jede zählt etwas anderes:
| System | Anzahl | Was tatsächlich gezählt wird |
|---|---|---|
| Google Ads | 412 | Conversions im 30-Tage-Fenster nach dem Klick, teilweise modelliert |
| GA4 | 356 | mit Einwilligung gemessene Transaktionen; die Differenz von 33 zum Shop (Summenvergleich) entsteht typischerweise durch abgelehnte Einwilligungen und Blocker |
| Shop | 389 | bezahlte Bestellungen · Referenzwert |
Für Budgetentscheidungen: Der MER im August lag bei 6,4 (23.655 € Umsatz / 3.695 € Ausgaben). Für Kanalvergleiche nutze ich Transaktionen und Umsatz laut GA4, mit einem einheitlichen Modell für Google, Meta und die übrigen Kanäle; das ist eine Schätzung der Aufteilung bei einer GA4-Abdeckung von 91,5% (356 / 389).
Rechnung zu den Zahlen aus dem Chat: 23.655 € / 3.695 € = 6,4. Alle Werte in den Beispielen dieses Beitrags dienen der Veranschaulichung: Die Mechanismen sind universell, die Verhältnisse in jedem Shop anders.
FAQ
Häufige Fragen zu Conversions und Attribution
Speichert ein Onlineshop, woher ein Kunde gekommen ist?
Nein. Die Shop-Datenbank speichert Bestellungen: Beträge, Status, Produkte, Kunde, Zahlungsart, Versandart und Gutscheine. Kanal und Kampagne des Kaufs kennen GA4 und die Werbekonten, jeweils nach eigenen Regeln. Der Shop kennt weder frühere Sitzungen noch Anzeigenimpressionen oder Kosten.
Warum zeigt Google Ads mehr Konversionen an, als ich Bestellungen habe?
Das Werbekonto zählt nach eigenen Regeln: Attributionsfenster (z. B. 30 Tage nach dem Klick), Conversions nach reiner Anzeigenansicht und modellierte Conversions dort, wo Einwilligungen fehlen. Dazu kann dieselbe Transaktion parallel in Google und Meta auftauchen. Referenzwert sind die bezahlten Bestellungen; Werbekonten liest man als Richtungssignal.
Lassen sich Werbekosten einer bestimmten Bestellung zuordnen?
Nein: Die Bestellung im Shop enthält keine Information über Klick oder Kampagne, die Plattformen stellen keine Kosten eines einzelnen, mit einer Transaktion verknüpften Klicks bereit, und eine Anzeige verkauft verschiedene Produkte. Verlässliche Ebenen sind der MER (gesamter Shopumsatz geteilt durch die gesamten Ausgaben) sowie Kanal, Kampagne und Tag laut GA4 oder Werbekonten als Schätzung. Teilweise Ausnahme: Google Shopping kennt die Anzeigenkosten des angeklickten Produkts, aber trotzdem nicht den Warenkorbinhalt.
Wie berechnet man den Ertrag von Brand-Kampagnen?
Nicht über den ROAS aus dem Werbekonto: Brand-Anzeigen sammeln Klicks von Personen, die oft ohnehin gekauft hätten, und ihre Wirkung verteilt sich auf den gesamten Warenkorb. Fairer sind An-/Aus-Tests mit Beobachtung von MER, Umsatz und Brand-Traffic, bei größerem Volumen auch geografische Tests. Solche Anzeigen bewertet man anhand der Ergebnisse des gesamten Shops im Testzeitraum.
Welches Attributionsmodell ist für E-Commerce am besten?
Keines bildet die Wahrheit ab: Jedes verteilt die Verdienste nach Konvention. Bewährt hat sich ein Set: ein festes Modell in GA4 für Kanalvergleiche, Data-driven in GA4 als zweite Perspektive und der MER als attributionsunabhängiges Maß für den Return des gesamten Budgets. Mehr zu diesem Set im Leitfaden zur automatisierten E-Commerce-Analyse.
Spickzettel zum gesamten Leitfaden
Drei Grundsätze für einen gesunden Umgang mit Attribution
1. Trennen Sie Fakten von Interpretation. Bezahlte Bestellungen, Ausgaben und MER sind harte Zahlen. Die Aufteilung des Umsatzes auf Kanäle laut GA4 oder Werbekonten ist eine Konvention: Sie taugt als Schätzung, wenn Kanäle mit einem einheitlichen Modell verglichen werden. Die vollständige Customer Journey und einer Bestellung zugeordnete Kosten bleiben für alle unerreichbar, unabhängig von den Versprechen der Tools.
2. Bewerten Sie Kampagnen anhand der Warenkörbe, die sie auslösen. Die Anzeige für Produkt A verkauft auch B und C, eine Brand-Anzeige beliebige Produkte. Die Rechnung „Anzeigenkosten A geteilt durch Umsatz A“ bestraft Kampagnen, die Kunden bringen, und belohnt Produkte, die anderen Käufen beigelegt werden. Den Wert ganzer Warenkörbe pro Kampagne liest man aus GA4 oder dem Werbekonto, den Return des Ganzen aus dem MER.
3. Messen Sie die Qualität Ihrer eigenen Messung. Die GA4-Abdeckung, also Transaktionen in GA4 im Verhältnis zu Bestellungen im Shop für dieselben Tage, zeigt, auf wie vielen Daten Sie überhaupt arbeiten. DataOrganizer hält diese Messung automatisch aktuell: Bestellungen, Kosten und GA4 an einem Ort, MER aus dem Shopumsatz und Kanäle laut GA4 und Werbekonten mit Quellenangabe.
DataOrganizer · Messung auf Basis von Bestellungen, nicht von Versprechen
Verbinden Sie Shop, Werbeplattformen und GA4: Bestellungen, Ausgaben und GA4-Abdeckung kommen an einem Ort zusammen, die Kanäle sehen Sie laut GA4 und Werbekonten mit Quellenangabe. Demo-Konto sofort verfügbar, Sie zahlen nur für verbundene Quellen.
