{"id":81455,"date":"2026-08-14T12:51:00","date_gmt":"2026-08-14T12:51:00","guid":{"rendered":"https:\/\/taggrs.io\/?p=81455"},"modified":"2026-08-14T12:58:56","modified_gmt":"2026-08-14T12:58:56","slug":"modellierte-konversionen-was-ist-konversionsmodellierung-und-kann-man-ihr-wirklich-vertrauen","status":"publish","type":"post","link":"https:\/\/taggrs.io\/de\/modellierte-konversionen-was-ist-konversionsmodellierung-und-kann-man-ihr-wirklich-vertrauen\/","title":{"rendered":"Modellierte Konversionen: Was ist Konversionsmodellierung und kann man ihr wirklich vertrauen?"},"content":{"rendered":"\n

In deinem Google Ads-Dashboard werden mehr Conversions angezeigt als in deinem CRM. Deine Agentur sagt: \u201eDas ist nur eine Modellierung.\u201c Die Finanzabteilung will wissen, welche Zahl nun stimmt. <\/p>\n\n

Dieses Thema taucht immer wieder auf, weil Plattformen nicht mehr nur das melden, was sie sehen k\u00f6nnen. Wenn Cookies, Einwilligungen oder Browser den Weg zwischen einem Anzeigenklick und einem Verkauf unterbrechen, f\u00fcllen die Plattformen diese L\u00fccke mit Sch\u00e4tzungen. Die Conversion-Modellierung ist diese erg\u00e4nzende Ebene. Richtig eingesetzt, verhindert sie, dass du bei der Gebotsgebung ins Blaue hinein agierst. Wird sie jedoch als Ersatz f\u00fcr eine korrekte Messung genutzt, verwandelt sie deine Berichte in eine \u00dcbung in Selbstvertrauen. <\/p>\n\n

Modellierung ist eine L\u00f6sung f\u00fcr fehlende Daten. Erfasse mehr echte Conversions, dann m\u00fcssen die Plattformen weniger raten. Du wirst die Modellierung nicht komplett abschaffen. Du kannst weiterhin entscheiden, inwieweit deine Analyse auf Sch\u00e4tzungen und inwieweit auf beobachteten Events basiert. <\/p>\n\n

Was ist Conversion-Modellierung?<\/h2>\n\n

Die Conversion-Modellierung ist die Methode einer Plattform, Conversions zu sch\u00e4tzen \u2013 oder, h\u00e4ufiger noch, die Attribution zu ermitteln \u2013, wenn sie nicht den gesamten Weg vom Anzeigenklick bis zum Ergebnis nachverfolgen kann. Fehlende Cookies, verweigerte Einwilligungen oder blockierte Tags unterbrechen die Verbindung, und maschinelles Lernen f\u00fcllt diese L\u00fccke anhand von Mustern aus \u00e4hnlichen Nutzerwegen, die die Plattform noch einsehen kann. <\/p>\n\n

Eine beobachtete Conversion ist eine, die die Plattform anhand verf\u00fcgbarer Identifikatoren mit einer Interaktion mit einer Anzeige verkn\u00fcpfen kann: eine Klick-ID, ein Cookie, eine \u00dcbereinstimmung einer gehashten E-Mail-Adresse oder ein Server-Event, das noch gen\u00fcgend Kontext enth\u00e4lt. Eine modellierte Conversion ist eine, bei der diese Verkn\u00fcpfung fehlt. <\/p>\n\n

Google zieht diese Grenze ganz klar, wenn es darum geht, wie die Conversion-Modellierung funktioniert<\/a>. Google sagt, dass es in der Regel die Attribution vorhersagt. Hat diese Anzeige zu einer Conversion gef\u00fchrt, von der es bereits wei\u00df? Es erfindet nicht einfach aus der Luft, ob ein Kauf stattgefunden hat. <\/p>\n\n

Die Spalte \u201eConversions\u201c in Google Ads ist also oft eine Mischung aus verschiedenen Faktoren. \u201eVertrauen\u201c bedeutet, diese Mischung zu verstehen und nicht jede Zahl als Quittung aus deinem Shop zu betrachten. <\/p>\n\n

Beobachtete vs. modellierte Konversionen<\/h4>\n\n
<\/td>Beobachtete Konversion<\/strong><\/td>Modellierte Umrechnung<\/strong><\/td><\/tr>
Kennung verf\u00fcgbar<\/strong><\/td>Klick-ID, Cookie, \u00dcbereinstimmung der gehashte E-Mail-Adresse oder Serverereignis mit Kontext<\/td>Fehlend, abgelaufen oder gesperrt<\/td><\/tr>
Wie wird das gez\u00e4hlt?<\/strong><\/td>In direktem Zusammenhang mit einer aufgezeichneten Werbeinteraktion<\/td>Gesch\u00e4tzt anhand von Mustern bei vergleichbaren, beobachtbaren Fahrten<\/td><\/tr>
Kann mit deinem CRM abgeglichen werden<\/strong><\/td>Ja, Zeile f\u00fcr Zeile<\/td>Nein, es geht um probabilistische Attribution<\/td><\/tr>
Gemeinsames Anliegen<\/strong><\/td>-<\/td>Einwilligung verweigert, Safari ITP, Werbeblocker, iOS ATT-Opt-out<\/td><\/tr>
Wie du das beeinflussen kannst<\/strong><\/td>Verbesserte Konversionen, server-side Tracking, Meta CAPI<\/td>Indirekt. Wenn du die linke Spalte verbesserst, schrumpft der modellierte Pool. <\/td><\/tr>
Erscheint in<\/strong><\/td>Conversions und Conversion-Wert<\/td>Die gleichen beiden Spalten, ohne Beschriftung<\/td><\/tr><\/tbody><\/table><\/figure>\n\n

Diese letzte Zeile ist das ganze Problem. Beide Typen landen in derselben Spalte, und der Bericht verr\u00e4t dir nicht, welcher welcher ist. <\/p>\n\n

Warum modellieren Werbeplattformen Conversions?<\/h2>\n\n

Das Problem liegt am System der Plattformen, denn der Signalverlust ist mittlerweile strukturell bedingt. Es handelt sich nicht um einen vor\u00fcbergehenden Fehler, den man einfach abwarten kann. <\/p>\n\n

Einwilligungsbanner sind der gr\u00f6\u00dfte Knackpunkt. Im EWR, im Vereinigten K\u00f6nigreich und in \u00e4hnlichen Regionen lehnen viele Nutzer Werbe- oder Analyse-Cookies ab. Wenn Tags diese Entscheidung respektieren \u2013 wie sie es sollten \u2013, kann Google die \u00fcblichen Identifikatoren nicht speichern. Ohne die cookielosen Pings und die Modellierung in Consent Mode fallen diese Nutzerpfade aus der Attribution heraus. Informationen zur Einrichtung findest du unter \u201eGoogle Consent Mode V2<\/a>\u201c. <\/p>\n\n

Der Datenschutz im Browser legt noch eine Schippe drauf. Die \u201eIntelligent Tracking Prevention\u201c (ITP) von Safari verk\u00fcrzt die Lebensdauer von Cookies und schr\u00e4nkt das seiten\u00fcbergreifende Tracking ein. Die Datenschutzfunktionen von Firefox und Chromium ziehen die Schrauben immer weiter an. Google listet sogar die Beschr\u00e4nkungen f\u00fcr Third-Party- und First-Party-Cookies als separate Modellf\u00e4lle auf<\/a>. <\/p>\n\n

Wenn du mehr \u00fcber die neuesten Safari-Funktionen erfahren m\u00f6chtest, schau dir unseren Artikel zum Tracking-Schutz in Safari 27<\/a> an.<\/p>\n\n

L\u00f6st die Entscheidung, Third-Party-Cookies in Chrome beizubehalten, das Problem nicht?<\/h3>\n\n

Nein, und es lohnt sich, genau zu erkl\u00e4ren, warum \u2013 denn viele Mess-Roadmaps basierten auf einer Frist, die es gar nicht mehr gibt.<\/p>\n\n

Google hat den Plan zur schrittweisen Abschaffung von Drittanbieter-Cookies in Chrome aufgegeben<\/a>. Die Umstellung auf ein Modell, bei dem der Nutzer selbst entscheiden kann, wurde 2024 angek\u00fcndigt und im April 2025 best\u00e4tigt; die meisten der als Ersatz entwickelten Privacy-Sandbox-APIs wurden im Oktober 2025 eingestellt. Chrome l\u00e4sst Third-Party-Cookies nun standardm\u00e4\u00dfig aktiviert, wobei die Nutzer die Einstellungen selbst anpassen k\u00f6nnen. <\/p>\n\n

Nichts an dieser Kehrtwende bringt auch nur einen einzigen verlorenen Konversionspfad zur\u00fcck. Safari, Firefox und Brave blockieren weiterhin standardm\u00e4\u00dfig Third-Party-Cookies. Die Einwilligungspflichten gem\u00e4\u00df DSGVO und ePrivacy bleiben unver\u00e4ndert, sodass ein abgelehntes Banner nach wie vor bedeutet, dass keine Cookies gespeichert werden \u2013 unabh\u00e4ngig davon, was Chrome zul\u00e4sst. Die ATT-Opt-outs unter iOS bleiben unver\u00e4ndert. Werbeblocker bleiben unver\u00e4ndert. Und ein wachsender Anteil der Chrome-Nutzer schr\u00e4nkt Cookies mittlerweile aktiv \u00fcber diese neuen Einstellungsm\u00f6glichkeiten ein. <\/p>\n\n

Die Frist ist zwar abgelaufen, aber der Signalverlust besteht weiterhin. Der R\u00fcckgang vollzieht sich nun schrittweise und wird eher durch das Nutzerverhalten als durch einen einmalig angek\u00fcndigten Stichtag bestimmt \u2013 was es einfacher macht, ihn zu ignorieren, und schwieriger, entsprechend zu planen. Die Modellierung ist keine Br\u00fccke in eine \u201ecookielose\u201c Zukunft, die nun gestrichen wurde, sondern ein fester Bestandteil der Berichterstattung von Plattformen. <\/p>\n\n

Werbeblocker entfernen Pixel, Tags und manchmal sogar das Einwilligungsbanner selbst. Das beeintr\u00e4chtigt die Messung und das rechtliche Signal, das du f\u00fcr ein konformes Tracking ben\u00f6tigst. Erfahre mehr \u00fcber Tracking trotz Werbeblocker<\/a>. <\/p>\n\n

Dann gibt es noch die iOS-App-Tracking-Transparenz (ATT), vor allem, wenn Apps oder Meta mit im Spiel sind. Laut den Benchmarks von Adjust f\u00fcr das zweite Quartal 2025<\/a> liegt die branchenweite ATT-Opt-in-Rate bei etwa 35 % der Nutzer, denen die Abfrage angezeigt wird. Die meisten Leute, die diese Abfrage sehen, sagen immer noch \u201eNein\u201c. Wenn die Ger\u00e4te-ID nicht mehr zur Verf\u00fcgung steht, st\u00fctzen sich die Plattformen st\u00e4rker auf aggregierte Messungen und Modellierungen. <\/p>\n\n

Angesichts dessen melden Plattformen entweder nur den beobachtbaren Teil und unterbieten, oder sie sch\u00e4tzen den fehlenden Teil mithilfe von Modellen, die auf den noch sichtbaren Daten trainiert wurden. Sie haben sich f\u00fcr die Modellierung entschieden, weil Smart Bidding und die Leistungsauswertung nicht mehr funktionieren, wenn ein gro\u00dfer Teil des Trichters \u201eim Dunkeln\u201c liegt. <\/p>\n\n

Wenn du eine umfassendere \u00dcbersicht dar\u00fcber haben m\u00f6chtest, wo Conversions verloren gehen, schau dir unseren Artikel zum Thema \u201eVerfolgung von Signalverlusten\u201c<\/a> an.<\/p>\n\n

Wie sich das Modeln bei Google und Meta widerspiegelt<\/h2>\n\n

Schauen wir uns mal an, wie Google und Meta die Konversionsmodellierung auf ihren Plattformen angehen. <\/p>\n\n

Google Ads: Modellierte Conversions in den Zahlen, auf die du bietest<\/h3>\n\n

In Google Ads ist die Modellierung kein separater Bericht. Sie ist in die Spalten integriert, auf die du bietest. Googles \u00dcberblick \u00fcber modellierte Online-Conversions<\/a> macht deutlich, warum das so ist: Datenschutzbestimmungen und technische Einschr\u00e4nkungen verbergen die Attributionspfade, und ohne eine Korrektur lernt der Bieter aus einer verzerrten Stichprobe. <\/p>\n\n

Der Consent Mode ist das wichtigste Instrument, um L\u00fccken bei der Einwilligung zu schlie\u00dfen. Mit dem erweiterten Consent Mode k\u00f6nnen Tags cookielose Pings senden, wenn die Speicherung verweigert wird. Diese Pings stellen kein vollst\u00e4ndiges Tracking dar. Sie liefern Google gen\u00fcgend aggregierte Daten, um werbetreiberspezifische Muster zu modellieren, anstatt auf einen pauschalen Branchendurchschnitt zur\u00fcckzugreifen. <\/p>\n\n

Googles eigene erste Ergebnisse zeigten, dass durch die Conversion-Modellierung im \u201eConsent Mode\u201c<\/a> mehr als 70 % der durch Cookie-Einwilligungsentscheidungen verlorenen Wege vom Anzeigenklick zur Conversion wiederhergestellt wurden, wobei die Ergebnisse je nach Einwilligungsrate und Konfiguration variierten. Auch in den neueren Anleitungen im Hilfe-Center wird die R\u00fcckgewinnung weiterhin als erheblich beschrieben: Im Durchschnitt mehr als die H\u00e4lfte der verlorenen Pfade, und etwa doppelt so viel R\u00fcckgewinnung, wenn der erweiterte Consent Mode im Einsatz ist, im Vergleich zum einfachen Modus. <\/p>\n\n

Diese modellierten Zahlen flie\u00dfen in Smart Bidding ein. Wenn du \u201eTarget Cost Per Acquisition\u201c (tCPA) oder \u201eTarget Return on Ad Spend\u201c (tROAS) einstellst, trainiert der Algorithmus anhand der gemittelten Gesamtsumme. Das ist n\u00fctzlich, wenn die Alternative darin best\u00fcnde, dem Modell zu wenig Daten zuzuf\u00fchren. Kann aber auch leicht falsch interpretiert werden. Ein pl\u00f6tzlicher Sprung nach dem Consent Mode kann darauf hindeuten, dass das Modell aufholt \u2013 und nicht unbedingt auf einen kreativen Durchbruch. Google zeigt den Anstieg durch den Consent Mode f\u00fcr einen begrenzten Zeitraum in \u201eDiagnostics\u201c an; danach ist der modellierte Anteil einfach nur noch Teil der Spalte \u201eConversions\u201c. <\/p>\n\n

Siehe \u201e\u00dcber die Modellierung des Consent Mode<\/a> \u201c und \u201eErgebnisse zu den Auswirkungen des Consent Mode<\/a>\u201c.<\/p>\n\n

Ein operatives Detail, das Teams oft \u00fcbersehen: Es kann bis zu ein paar Tage dauern, bis sich modellierte Konversionen in den Berichten stabilisieren. Lass dich von Schwankungen am ersten Tag nicht zu voreiligen Optimierungsma\u00dfnahmen hinrei\u00dfen. <\/p>\n\n

Verbesserte Conversions<\/a> und ein solider Google-Tag sorgen daf\u00fcr, dass Google weniger raten muss, da durch gehashtes First-Party-Matching mehr Conversions nachverfolgt werden k\u00f6nnen.<\/p>\n\n

GA4: Verhaltensmodellierung und Conversion-Modellierung<\/h3>\n\n

GA4 nutzt Modellierung auf zwei \u00e4hnliche Arten, die Marketingfachleute oft verwechseln.<\/p>\n\n

Die Verhaltensmodellierung (im Zusammenhang mit Consent Mode) sch\u00e4tzt die Anzahl der Nutzer, Sitzungen und Interaktionen, wenn \u201eanalytics_storage\u201c<\/em> verweigert wird und events nicht an eine dauerhafte Nutzer-ID gebunden werden k\u00f6nnen. Google dokumentiert dies unter \u201eVerhaltensmodellierung f\u00fcr Consent Mode<\/a>\u201c. Zehn Seitenaufrufe ohne Identifikatoren k\u00f6nnten von einer Person oder von zehn Personen stammen. Das Modell erstellt Sch\u00e4tzungen auf der Grundlage \u00e4hnlicher Nutzer auf deiner Website, die ihre Einwilligung erteilt haben. <\/p>\n\n

Die Conversion-Modellierung schlie\u00dft L\u00fccken in der Attribution, wenn die Verbindung zwischen Klick und Conversion aus datenschutzrechtlichen oder technischen Gr\u00fcnden unterbrochen ist. In den Berichten werden dann beobachtete und gesch\u00e4tzte Daten kombiniert. Je nach Berichtsidentit\u00e4t und Berechtigung der Property wird m\u00f6glicherweise ein Symbol zur Datenqualit\u00e4t angezeigt, das darauf hinweist, dass gesch\u00e4tzte Nutzerdaten enthalten sind. Was du normalerweise nicht bekommst, ist ein \u00fcbersichtlicher Schieberegler mit der Angabe \u201eX % dieses Diagramms sind modelliert\u201c in jedem Standardbericht. Deshalb streiten sich Finanz- und Marketingabteilung \u00fcber denselben Screenshot. <\/p>\n\n

Wenn dir dein GA4-ROAS aus strukturellen Gr\u00fcnden ohnehin schon ungenau erscheint, kommt durch die Modellierung noch eine weitere Ebene hinzu. Erfahre, warum der GA4-ROAS ungenau ist<\/a> und warum die Conversions von Meta, GA4 und Google Ads nicht \u00fcbereinstimmen<\/a>. <\/p>\n\n

Meta: dasselbe Problem, andere Produktnamen<\/h3>\n\n

Der Stack von Meta verwendet unterschiedliche Produktbezeichnungen f\u00fcr ein \u00e4hnliches Problem. Nach den Datenschutz\u00e4nderungen bei iOS schr\u00e4nken \u201eAggregated Event Measurement\u201c und die damit verbundenen Einstellungen ein, wie viele Details auf Nutzerebene Werbetreibende f\u00fcr Traffic erhalten, bei dem Nutzer sich abgemeldet haben. Meta setzt auf statistische Methoden, um die Optimierung auch dann nutzbar zu halten, wenn das deterministische Matching versagt. <\/p>\n\n

Die Conversions API (CAPI) ist Metas Weg zu mehr erfassten Server-Events: Kaufdaten aus deinem Backend, gehashte Kundeninformationen, eine h\u00f6here Event Match Quality (EMQ). Pixel plus CAPI mit ordnungsgem\u00e4\u00dfer \u201eevent_id\u201c-Deduplizierung<\/em> ist die Standard-Hybridl\u00f6sung. F\u00fcr L\u00fccken, die du nicht schlie\u00dfen kannst, gibt es weiterhin Modellierungen. Eine bessere Match-Qualit\u00e4t reduziert den Umfang der Schlussfolgerungen, die Meta ziehen muss. Sie macht Schlussfolgerungen jedoch nicht \u00fcberfl\u00fcssig. <\/p>\n\n

Schau dir an, wie du die Qualit\u00e4t der Meta-Event-Zuordnung verbessern kannst<\/a>, und lies dir die \u00dcbersicht zur Meta-Conversions-API<\/a> durch.<\/p>\n\n

Wann du dich auf modellierte Konversionen verlassen kannst<\/h2>\n\n

Modellierung hat in einigen konkreten Situationen durchaus ihre Berechtigung.<\/p>\n\n

Das h\u00e4lt das automatisierte Bieten am Laufen, wenn die Zustimmungsraten den Algorithmus sonst zum Erliegen bringen w\u00fcrden. Konversionskonten mit wenigen Daten geraten schnell ins Chaos. Eine datenschutzkonforme Sch\u00e4tzung fehlender Attributionspfade ist oft besser, als die Optimierung auf eine winzige Minderheit mit Einwilligung auszurichten. <\/p>\n\n

Es stellt die Ausrichtung auf Kampagnenebene wieder her, wenn Browser und Plattformen ger\u00e4te- oder browser\u00fcbergreifende Pfade ausblenden. Du f\u00fchrst weiterhin eine Plausibilit\u00e4tspr\u00fcfung anhand der Auftr\u00e4ge und des CRM durch. Zumindest sehen die Medienzahlen dann nicht mehr aus wie eine partielle Sonnenfinsternis. <\/p>\n\n

Au\u00dferdem ist diese Methode sauberer als die von Google verbotenen Workarounds. Cookie-freie Pings in Kombination mit Modellierung sind Googles erkl\u00e4rte Alternative zum Fingerprinting. Wenn dir sowohl die Einhaltung der Vorschriften als auch die Messung wichtig sind, spielt dieser Kompromiss eine Rolle. <\/p>\n\n

Wenn modellierte Umrechnungen dich in die Irre f\u00fchren<\/h2>\n\n

Die Modellierung geht schief, wenn Teams Sch\u00e4tzungen so behandeln, als w\u00e4ren sie Kassenbelege.<\/p>\n\n

Zun\u00e4chst mal zur Transparenz. In den Google Ads- oder GA4-Ansichten, die du tagt\u00e4glich nutzt, siehst du selten eine dauerhafte, pr\u00e4zise Aufschl\u00fcsselung zwischen beobachteten und modellierten Werten. Die Verantwortlichen fragen, wie viel von den Zahlen \u201eecht\u201c ist, und die genaue Antwort lautet oft: genug, damit Google davon \u00fcberzeugt ist \u2013 aber kein Einzelposten, den man wie einen Lagerexport pr\u00fcfen kann. <\/p>\n\n

Dann die Verzerrung. Nutzer, die ihre Einwilligung gegeben haben, verhalten sich anders als solche, die dies abgelehnt haben. Google hat schon lange festgestellt, dass Nutzer mit Einwilligung tendenziell andere Konversionsraten aufweisen als solche ohne Einwilligung \u2013 weshalb eine naive Berechnung nach dem Prinzip \u201eSkalierung anhand der Einwilligungsrate\u201c nicht funktioniert. Seri\u00f6se Modelle versuchen, dies zu korrigieren. Wenn dein Segment der Nutzer mit Einwilligung winzig oder verzerrt ist (viele Stammkunden, nur Desktop-Nutzer, ein Land), sind die Trainingsdaten zu d\u00fcnn. Ausgefallene Sch\u00e4tzung, schwache Grundlage. <\/p>\n\n

Bei der Vergleichbarkeit laufen Meetings oft schief. Dein CRM, Shopify oder dein Lager z\u00e4hlen die erfassten Bestellungen. Google Ads z\u00e4hlt die erfassten sowie die modellierten Attributionen. Meta z\u00e4hlt seine eigene Mischung. Dashboards, die diese Systeme zusammenf\u00fchren, ohne den Unterschied zu kennzeichnen, erzeugen falsche Diskrepanzen und falsche Erfolge. Diese Diskrepanz gibt es aus einem bestimmten Grund: Meta, GA4 und Google Ads-Conversions<\/a>. <\/p>\n\n

Die Kontrolle liegt bei der Plattform. Die Modellgewichte geh\u00f6ren dir nicht. Schwellenwerte, Zulassungskriterien und Methodik werden an anderer Stelle festgelegt. Wenn das Volumen unter die Modellierungsschwellenwerte f\u00e4llt, k\u00f6nnen gesch\u00e4tzte Daten aus der GA4-Verhaltensmodellierung verschwinden. Die Berichterstattung \u00fcber den Uplift im Consent Mode ist nur vor\u00fcbergehend. Eine Strategie, die ausschlie\u00dflich auf dem modellierten Uplift basiert, ist eine Strategie, die auf Sand gebaut ist. <\/p>\n\n

Das hei\u00dft aber nicht, dass du das Modeling ausschalten solltest. Es bedeutet vielmehr, dass Modeling ein Sicherheitsnetz ist und keine Messstrategie. Wenn du dich darauf verl\u00e4sst, anstatt echte Ereignisse zu erfassen, wird Smart Bidding auf eine ungenauere Datenbasis trainiert, als n\u00f6tig w\u00e4re. Wie sauberere Conversion-Feeds die Gebotsergebnisse beeinflussen: Smart Bidding und server-side Tracking<\/a>. <\/p>\n\n

So \u00fcberpr\u00fcfst du, wie viel deiner Daten modelliert ist<\/h2>\n\n

Du wirst zwar keinen genauen Prozentsatz finden, kannst aber trotzdem eine fundierte Sch\u00e4tzung erstellen.<\/p>\n\n

GA4 hat so etwas wie einen Umschalter <\/strong><\/p>\n\n

Die Berichtsidentit\u00e4t ist der entscheidende Faktor. F\u00fchre denselben Bericht f\u00fcr denselben Zeitraum erst unter \u201eBlended\u201c<\/strong> und dann unter \u201eObserved\u201c<\/strong> aus und vergleiche die Gesamtzahlen f\u00fcr Nutzer, Sitzungen und wichtige Conversions. \u201eBlended\u201c enth\u00e4lt modellierte Daten, \u201eObserved\u201c nicht. Die Differenz gibt einen groben Anhaltspunkt daf\u00fcr, inwieweit dieser Bericht auf Sch\u00e4tzungen basiert. Mach das im Admin-Bereich, notier dir die verwendeten Einstellungen und mach von beiden einen Screenshot. Das ist die wichtigste Kennzahl, die du in ein Gespr\u00e4ch mit der Finanzabteilung einbringen kannst. <\/p>\n\n

Google Ads bietet dir Diagnosem\u00f6glichkeiten<\/strong><\/p>\n\n

\u00dcberpr\u00fcfe die Diagnose im Consent Mode, um sicherzustellen, dass die Modellierung aktiv und f\u00fcr die Konversionsaktionen, auf die du bietest, zul\u00e4ssig ist. Wenn die Auswirkungsberichte im Consent Mode f\u00fcr dein Konto noch innerhalb des Zeitfensters liegen, notiere dir den Uplift-Wert, bevor er abl\u00e4uft, denn er bleibt nicht bestehen. Es gibt kein dauerhaftes Segment, in dem \u201ebeobachtete\u201c und \u201emodellierte\u201c Werte gegen\u00fcbergestellt werden \u2013 h\u00f6r also auf, danach zu suchen. <\/p>\n\n

Meta sorgt f\u00fcr eine hohe Qualit\u00e4t der \u00dcbereinstimmungen<\/strong><\/p>\n\n

Die \u201eEvent Match Quality\u201c (EMQ) pro Ereignis ist dein Anhaltspunkt. Eine niedrige EMQ beim Kauf bedeutet, dass Meta mehr ableitet. \u00dcberpr\u00fcfe das pro Ereignis und nicht auf Kontoebene, und vergewissere dich, dass Pixel und CAPI anhand der event_id ordnungsgem\u00e4\u00df deduplizieren, bevor du irgendwelche Schl\u00fcsse aus dem Wert ziehst. <\/p>\n\n

Dein Backend ist der Anker<\/strong><\/p>\n\n

Exportiere First-Party-Bestellungen f\u00fcr ein festgelegtes Zeitfenster und gleiche sie mit den von der Plattform gemeldeten Conversions \u00fcber ein entsprechendes Attributionsfenster ab. Notiere dir dann die erkl\u00e4rbaren L\u00fccken: View-Through-Conversions, ger\u00e4te\u00fcbergreifende Pfade, Unterschiede im Conversion-Fenster, sekund\u00e4re Conversion-Aktionen, abgelehnte Einwilligungen. Was nach diesen Erkl\u00e4rungen \u00fcbrig bleibt, ist dein praktischer modellierter Restwert. <\/p>\n\n

Fasse alles auf einem Blatt zusammen, Monat f\u00fcr Monat. Der Trend ist hier entscheidend: <\/p>\n\n