---
slug: datengetriebenes-modell
title: "Wie rechnet das datengetriebene Modell?"
category: attribution
locale: de
updated: 2026-10-17
keywords: ["datengetrieben","Entzugseffekt","removal effect","Markow","Markov","Algorithmus","Schwelle"]
questions: ["Welches Verfahren steckt dahinter, was setzt es voraus, und wo endet es?","Was ist der Entzugseffekt?","Welcher Algorithmus steckt hinter datengetrieben?","Warum brauche ich 100 Wege?","Ist datengetrieben genauer?","Rechnet ihr mit Shapley-Werten?","Zählt ein Besuch nach dem Kauf im datengetriebenen Modell?"]
url: https://bench.metrunio.com/de/hilfe/datengetriebenes-modell
---

# Wie rechnet das datengetriebene Modell?

**Welches Verfahren steckt dahinter, was setzt es voraus, und wo endet es?**

Es berechnet den Entzugseffekt: Für jeden Kanal wird gerechnet, wie viel seltener ein Weg im Modell zur Conversion führt, wenn man den Kanal aus deinen Wegen herausnimmt; normiert auf die Summe eins ergibt das seinen Anteil. In die Rechnung gehen auch die Wege ohne Conversion ein, und genau sie machen den Unterschied zu einer festen Regel aus. Es bleibt eine Zuordnung: Ob Käufe ohne den Kanal ausgeblieben wären, sagt nur ein Experiment.

## Das Verfahren in vier Schritten

1. Aus allen Wegen eines Zeitraums wird eine Kette gebaut: vom Start über die Kanäle zur Conversion oder zum Abbruch. Ein Weg endet an einer Bestellung oder Anfrage; was danach kommt, etwa der Besuch aus der Versandmail, beginnt einen neuen Weg und bekommt für diese Bestellung nichts. Zielschritte wie eine Newsletter-Anmeldung beenden keinen Weg. Es zählen Klicks, Besuche und, wenn Post-View eingeschaltet ist, sichtbare Impressionen. Aufeinanderfolgende Kontakte desselben Kanals zählen als einer.
2. Aus der Kette ergibt sich, wie wahrscheinlich ein Weg zur Conversion führt. Das ist der Ausgangswert.
3. Dann wird ein Kanal entfernt: Jeder Weg, der über ihn lief, endet ohne Conversion. Die Wahrscheinlichkeit wird erneut gerechnet. Der anteilige Rückgang ist der Entzugseffekt dieses Kanals.
4. Die Entzugseffekte aller Kanäle werden auf die Summe eins normiert. Das ergibt die Anteile.

## Ein Beispiel zum Nachrechnen

Hundert Wege, achtzig davon mit Conversion: 60-mal nur Suche mit Conversion, 20-mal Display und danach Suche mit Conversion, 20-mal nur Display ohne Conversion.

| Kanal | Wahrscheinlichkeit ohne ihn | Entzugseffekt | Anteil |
| --- | --- | --- | --- |
| Ausgangswert | 0,80 | – | – |
| Suche entfernt | 0,00 | 100 % | 80 % |
| Display entfernt | 0,60 | 25 % | 20 % |

„Gleichverteilt“ gäbe Display 12,5 Prozent: In den zwanzig konvertierten Wegen mit zwei Kontakten je die Hälfte, macht zehn von achtzig. Das datengetriebene Modell gibt ihm zwanzig Prozent, weil er in den nicht konvertierten Wegen allein steht und damit unterscheidet. Dieselben Zahlen prüft ein Test gegen dieselbe Funktion, die auch deine Daten rechnet.

## Was das Modell voraussetzt

- Mindestens 100 Wege, 20 Conversions und zwei Kanäle in 90 Tagen. Das ist eine Freischaltschwelle und kein Beleg dafür, dass die Zahl aussagekräftig ist. Knapp über der Schwelle schwankt sie von Tag zu Tag deutlich.
- Die Grundlage wird einmal täglich neu gerechnet. Wer die Schwelle heute überschreitet, sieht das Modell am nächsten Tag.
- Es gibt kein Konfidenzintervall. Eine Spanne auszuweisen, die wir nicht messen, wäre eine erfundene Genauigkeit; wer wissen will, wie stabil die Zahl ist, vergleicht zwei Zeiträume.

## Wo es an seine Grenze kommt

- Laufen alle Wege streng der Reihe nach (erst A, dann B, sonst nichts), bricht das Entfernen jedes Glieds die Kette. Beide Kanäle bekommen dasselbe, und das Ergebnis gleicht „Gleichverteilt“. Richtig gerechnet, und trotzdem keine Erkenntnis.
- Der Entzugseffekt beschreibt, wie stark ein Kanal in den beobachteten Wegen unterscheidet, und nicht, wie viel Umsatz er verursacht hat. Ob die Käufe ohne ihn ausgeblieben wären, sagt nur ein Experiment.
- Kanäle ohne messbaren Kontakt kommen nicht vor. Was nicht gemessen wurde, kann auch dieses Modell nicht berücksichtigen.

> **Hinweis:** Warum Markow und nicht Shapley: Der Shapley-Wert bräuchte 2^n Koalitionen, bei zwanzig Kanälen über eine Million je Auswertung. Vor allem kennt er in der üblichen Formulierung nur Kanäle aus konvertierten Wegen; die Wege ohne Conversion gingen gar nicht ein, und damit fiele der halbe Nutzen weg.

## Ebenfalls gefragt

- Was ist der Entzugseffekt?
- Welcher Algorithmus steckt hinter datengetrieben?
- Warum brauche ich 100 Wege?
- Ist datengetrieben genauer?
- Rechnet ihr mit Shapley-Werten?
- Zählt ein Besuch nach dem Kauf im datengetriebenen Modell?

## Weiterführend

- https://bench.metrunio.com/de/hilfe/attributionsmodelle
- https://bench.metrunio.com/de/hilfe/modellvergleich-lesen
- https://bench.metrunio.com/de/hilfe/experimente