{"id":243,"date":"2026-07-06T19:46:21","date_gmt":"2026-07-06T17:46:21","guid":{"rendered":"https:\/\/www.lukaswojcik.com\/blog\/?p=243"},"modified":"2026-10-24T00:37:13","modified_gmt":"2026-10-23T22:37:13","slug":"marketingbudgets-mit-ga4-verteilen","status":"publish","type":"post","link":"https:\/\/www.lukaswojcik.com\/blog\/de\/digital-analytics-de\/marketingbudgets-mit-ga4-verteilen\/","title":{"rendered":"Marketingbudgets mit GA4 verteilen"},"content":{"rendered":"

F\u00fcr die Verteilung eines Marketingbudgets reicht eine Liste letzter Klicks nicht aus. Vor einem Kauf k\u00f6nnen eine Suche, eine Anzeige und eine E-Mail liegen. Attribution ordnet solchen Kontakten einen Erfolgsanteil zu. Daraus entsteht eine Grundlage f\u00fcr Budgettests, keine Garantie f\u00fcr die beste Verteilung.<\/p>\n

Was die Attribution in GA4 zeigt<\/h2>\n

Eine wichtige Handlung wie ein Kauf l\u00e4sst sich in GA4 als Schl\u00fcsselereignis markieren. Die datengetriebene Attribution (DDA) sch\u00e4tzt Erfolgsanteile anhand verf\u00fcgbarer Pfaddaten. Last Click vergibt Anteile nach einer festen Regel. Unterschiede zwischen den Modellen zeigen den Einfluss dieser Regel; zus\u00e4tzliche Verk\u00e4ufe durch einen Kanal sind damit noch nicht nachgewiesen.<\/p>\n

Der Bereich Werbung enth\u00e4lt Berichte zu Attributionsmodellen und Pfaden von Schl\u00fcsselereignissen. Der Pfadbericht unterscheidet fr\u00fche, mittlere und sp\u00e4te Kontakte. Sichtbar werden erfasste oder modellierte Informationen, keine l\u00fcckenlose Geschichte s\u00e4mtlicher Kontakte. First Click und das lineare Modell geh\u00f6ren nicht mehr zu den ausw\u00e4hlbaren GA4-Attributionsmodellen.<\/p>\n

\n\"GA4-DDA
Attribution ordnet Kontakten Erfolgsanteile zu. Der BigQuery-Ereignisexport erm\u00f6glicht eine eigene Pfadanalyse; GA4-DDA-Anteile werden nicht als dargestellte Bruchteile exportiert.<\/figcaption><\/figure>\n

Vom Bericht zur Budgetentscheidung<\/h2>\n
    \n
  1. Ziel festlegen:<\/strong> qualifizierte Anfragen, Nettoumsatz oder Deckungsbeitrag, jeweils mit einheitlichem Zeitraum und gleicher W\u00e4hrung.<\/li>\n
  2. Messung pr\u00fcfen:<\/strong> doppelte K\u00e4ufe, fehlende Transaktionskennungen, Kampagnenparameter, Einwilligungseinstellungen und versp\u00e4tete Ereignisse.<\/li>\n
  3. Modelle vergleichen:<\/strong> Kan\u00e4le mit ver\u00e4nderten Erfolgsanteilen identifizieren. Ein h\u00f6herer DDA-Anteil allein belegt noch keine fr\u00fche Rolle im Kaufprozess; daf\u00fcr liefert der Pfadbericht zus\u00e4tzlichen Kontext.<\/li>\n
  4. Begrenzten Test planen:<\/strong> Budget\u00e4nderung, Messzeitraum, Erfolgskriterium und Abbruchregel festlegen. Auch bei hohem Last-Click-Anteil kann eine Budgetk\u00fcrzung Verk\u00e4ufe kosten.<\/li>\n<\/ol>\n

    ROAS bezeichnet das Verh\u00e4ltnis von zugerechnetem Umsatz zu Werbeausgaben. Bei 4.000 Euro Umsatz und 1.000 Euro Ausgaben betr\u00e4gt der ROAS 4. Gewinn ist damit nicht gemeint: Kosten, Retouren und Attributionsmodell beeinflussen die Bewertung. Automatische Budget\u00e4nderungen brauchen Ausgabenlimits, \u00dcberwachung und eine R\u00fccknahmem\u00f6glichkeit.<\/p>\n

    Was BigQuery beitragen kann<\/h2>\n

    Der t\u00e4gliche Export liefert Ereignisdaten ohne Stichprobenbildung der Berichte. Exportkonfiguration und Limits k\u00f6nnen den Umfang trotzdem begrenzen. Modellierte GA4-Schl\u00fcsselereignisse und die propriet\u00e4re DDA-Verteilung stehen im Ereignisexport nicht entsprechend zur Verf\u00fcgung. Eigene SQL- oder Python-Modelle beantworten daher eine gesondert definierte Frage.<\/p>\n

    Google dokumentiert die Sitzungsattribution im Feld session_traffic_source_last_click<\/code>. Fehlende Quellenfelder d\u00fcrfen nicht automatisch als direkter Traffic gelten. Ein Dashboard kann eine klar definierte Auswertung des Exports mit Werbekosten verbinden, sofern Bezugsebene, W\u00e4hrungen und Zeitr\u00e4ume zusammenpassen.<\/p>\n

    \"\u00c4ltere<\/figure>\n

    Beispiel: erfasste Sitzungsstarts vor jedem Kauf<\/h3>\n

    Diese Lernabfrage liest einen Tag und trennt K\u00e4ufe anhand der Transaktionskennung. Projekt- und Datasetnamen sind Platzhalter. K\u00e4ufe ohne nutzbare Transaktionskennung oder pseudonyme Kennung bleiben ausgeschlossen und ben\u00f6tigen eine eigene Vollst\u00e4ndigkeitspr\u00fcfung. Mehrere Kaufdatens\u00e4tze derselben Transaktion werden auf den fr\u00fchesten Zeitstempel reduziert.<\/p>\n

    WITH purchases AS (\n  SELECT user_pseudo_id, stream_id,\n    ecommerce.transaction_id AS transaction_id,\n    MIN(event_timestamp) AS purchase_time\n  FROM `your_project.analytics_123456789.events_20260701`\n  WHERE event_name = 'purchase'\n    AND user_pseudo_id IS NOT NULL\n    AND NULLIF(ecommerce.transaction_id, '') IS NOT NULL\n  GROUP BY user_pseudo_id, stream_id, transaction_id\n), session_starts AS (\n  SELECT DISTINCT user_pseudo_id, stream_id, event_timestamp,\n    (SELECT value.int_value FROM UNNEST(event_params)\n     WHERE key = 'ga_session_id') AS session_id,\n    CONCAT(\n      COALESCE(session_traffic_source_last_click.cross_channel_campaign.source, '(unknown)'),\n      ' \/ ',\n      COALESCE(session_traffic_source_last_click.cross_channel_campaign.medium, '(unknown)')\n    ) AS source_medium\n  FROM `your_project.analytics_123456789.events_20260701`\n  WHERE event_name = 'session_start'\n)\nSELECT p.user_pseudo_id, p.stream_id, p.transaction_id,\n  p.purchase_time,\n  STRING_AGG(s.source_medium, ' > '\n    ORDER BY s.event_timestamp, s.session_id) AS observed_path\nFROM purchases p\nLEFT JOIN session_starts s\n  ON s.user_pseudo_id = p.user_pseudo_id\n  AND s.stream_id = p.stream_id\n  AND s.event_timestamp <= p.purchase_time\nGROUP BY p.user_pseudo_id, p.stream_id, p.transaction_id, p.purchase_time;<\/code><\/pre>\n
    Das Ergebnis enth\u00e4lt erfasste Sitzungsstarts, keine GA4-DDA-Anteile. Ohne passenden Pfad bleibt das Ergebnis NULL. Ein einzelner Tag schneidet fr\u00fchere Kontakte ab; l\u00e4ngere Analysen ben\u00f6tigen einen begrenzten Datumsbereich \u00fcber events_*<\/code> und ein ausdr\u00fccklich festgelegtes R\u00fcckblickfenster. Fehlende Sitzungsstarts und fehlende Sitzungsattribution begrenzen die Aussagekraft. Der Screenshot zeigt die \u00e4ltere Ausgabe pro Kennung und nicht das \u00fcberarbeitete Ergebnis pro Transaktion.<\/p>\n
    Einwilligung und Messl\u00fccken<\/h2>\n
    Consent Mode passt das Verhalten von Tags an die Einwilligungseinstellungen an. Im erweiterten Modus k\u00f6nnen auch bei abgelehnter Speicherung Messungen ohne Cookies gesendet werden. Die Verf\u00fcgbarkeit der Modellierung h\u00e4ngt von Einrichtung und Daten ab. Die Aktivierung allein gew\u00e4hrleistet weder vollst\u00e4ndige Statistik noch Rechtskonformit\u00e4t. Erweiterte Conversions sind eine getrennte Konfiguration und keine Voraussetzung f\u00fcr das SQL-Beispiel.<\/p>\n
    \n
    Fragen und Antworten<\/h2>\n
    M\u00fcssen BigQuery-Summen niedriger als in der GA4-Oberfl\u00e4che ausfallen?<\/h3>\n
    Nein. Modellierung, Berichtsidentit\u00e4t, Filter, versp\u00e4tete Daten und Abfragelogik k\u00f6nnen den Vergleich beeinflussen. Zuerst m\u00fcssen Metrik, Zeitzone, Zeitraum und Bezugsebene \u00fcbereinstimmen. Eine Abweichung kann auch auf einen Abfragefehler hinweisen.<\/p>\n
    Lassen sich Oberfl\u00e4chensummen mit Kanalanteilen aus dem Export multiplizieren?<\/h3>\n
    Nur als ausdr\u00fccklich gekennzeichnete Sch\u00e4tzung mit begr\u00fcndeten Annahmen. Grundgesamtheit und Attributionsverfahren k\u00f6nnen voneinander abweichen; die Kombination ergibt nicht automatisch g\u00fcltige Kanalums\u00e4tze.<\/p>\n
    Was hilft bei geringem Datenvolumen?<\/h3>\n
    Ein l\u00e4ngerer, gesch\u00e4ftlich sinnvoller Beobachtungszeitraum und weniger Auswertungssegmente k\u00f6nnen die Stabilit\u00e4t verbessern. Die Reihenfolge der Kontakte beschreibt einen Verlauf, belegt aber nicht den Ertrag zus\u00e4tzlicher Werbeausgaben. Kleine kontrollierte Tests und betriebswirtschaftliche Kennzahlen erg\u00e4nzen die Attribution.<\/p>\n<\/div>\n
    \n
    Quellen<\/h2>\n