End-to-End-Marketinganalyse: eine Schritt-für-Schritt-Anleitung von UTM zum Dashboard

Es gibt ein Zitat, das Marktforscher und Marketer seit über hundert Jahren gebetsmühlenartig wiederholen. Es wird dem amerikanischen Einzelhändler John Wanamaker zugeschrieben: „Die Hälfte des Geldes, das ich für Werbung ausgebe, ist herausgeworfenes Geld. Das Problem ist, ich weiß nicht, welche Hälfte.“ Das wurde Ende des 19. Jahrhunderts gesagt, als Werbung noch in Zeitungen erschien und es keinerlei Tracking-Tools gab. Doch das Kuriose ist: Selbst im Jahr 2026, in Zeiten von Google Ads, Meta, TikTok, Pixeln, Cookies und Dutzenden von Analyseplattformen, leben die meisten Marketer immer noch mit genau demselben Problem. Nur dass sie heute in drei verschiedene Dashboards schauen, von denen jedes einen eigenen ROAS anzeigt. Zusammen passen diese Zahlen so gut wie nie. Genau hier setzt die Customer-Journey-Analytik (End-to-End-Analytik) an.

Was ist End-to-End-Analytik und wie unterscheidet sie sich von GA4?

End-to-End-Analytik ist ein System, das die gesamte Customer Journey abbildet: vom ersten Klick auf eine Werbeanzeige bis hin zur tatsächlichen Zahlung im CRM oder an der Kasse. Nicht bloß bis zum Klick, nicht bloß bis zum Ausfüllen eines Formulars, sondern bis das Geld wirklich auf dem Konto eingeht. Das klingt logisch. Dennoch machen die meisten Unternehmen viel zu früh halt.

Vom ersten Klick bis zur Zahlung: Die vollständige Customer Journey

Die typische Buyer Journey im E-Commerce oder B2B-Bereich sieht in der Regel so aus:

Ohne eine End-to-End-Analytik existiert jede dieser Phasen isoliert in ihrem eigenen System und kommuniziert nicht mit den anderen. GA4 erfasst zwar die Conversions auf der Website, weiß aber nicht, wie viele davon zu tatsächlichen Abschlüssen wurden. Das CRM-System kennt die Abschlüsse, hat aber keine Ahnung, woher der Kunde ursprünglich kam. Und Meta Ads ist felsenfest davon überzeugt, dass jeder Verkauf ihr alleiniger Verdienst ist. Die marketingseitige End-to-End-Analytik löst genau dieses Problem, indem sie alle Daten an einem zentralen Ort zusammenführt und jeden Kundenkontakt vom ersten bis zum letzten Berührungspunkt lückenlos nachverfolgt.

Warum die Kombination aus GA4 und Werbe-Dashboards noch keine echte Analytik ist

GA4 ist ein hervorragendes Tool, um das Nutzerverhalten auf der Website zu analysieren. Es hat jedoch einige grundlegende Einschränkungen, über die selten offen gesprochen wird:

Bei den Werbe-Dashboards ist die Situation sogar noch komplizierter. Jede Plattform (Google, Meta, TikTok) zählt Conversions nach eigenen Regeln und innerhalb ihres eigenen Attributionsfensters. Wenn ein Kunde am Dienstag eine Anzeige bei Meta gesehen und am Freitag über Google gekauft hat, schreiben sich beide Plattformen diese Conversion gut. Am Ende kann die Summe des ROAS aus allen Dashboards den tatsächlichen Umsatz des Unternehmens um ein Vielfaches übersteigen.

Genau deshalb wird die Marketing-Analytik in der Ukraine (und nicht nur dort) immer seltener um GA4 herum aufgebaut, sondern um ein zentrales Data Warehouse (DWH), in das alle Datenquellen einfließen. Und wo man endlich die Wahrheit sieht.

Kurz gesagt: GA4 zeigt, was auf der Website passiert; die End-to-End-Analytik zeigt, was im Unternehmen passiert. Das ist ein fundamentaler Unterschied.

3 Attributionsmodelle für Conversions: Welches soll man wählen?

Die Conversion-Attribution ist die Regel, nach der ein System entscheidet, welchem Kanal ein Verkauf zugerechnet wird. Das klingt nach einem technischen Detail, entscheidet aber letztendlich darüber, wohin Ihr Budget im nächsten Monat fließt.

Last Click (Letzter Klick): Einfach, aber ungenau

Das Last-Click-Modell rechnet dem letzten Kanal, über den der Kunde vor der Conversion kam, 100 % des Erfolgs an. Es ist in den meisten Systemen als Standard eingestellt.

Stellen Sie sich folgendes Szenario vor: Ein Nutzer sieht ein Banner auf Meta $\rightarrow$ googelt den Markennamen $\rightarrow$ klickt auf Google und kauft. Last Click schreibt den gesamten Erfolg Google zu. Meta geht leer aus. Im nächsten Monat wird das Budget des Performance-Marketers gekürzt, obwohl genau seine Anzeige die Kette in Gang gesetzt hat.

Wann Last Click akzeptabel ist: Für einfache Produkte mit einem kurzen Entscheidungszyklus, bei denen der Kunde direkt beim ersten Kontakt kauft.

Linear und Time Decay (Zeitverlauf)

Dies sind komplexere Modelle, die den Erfolg auf mehrere Touchpoints verteilen:

Keines von ihnen ist perfekt; sie alle sind eine Vereinfachung der Realität. Aber in den meisten Szenarien ist jedes dieser Modelle ehrlicher als Last Click.

Data-Driven Attribution (Datengetriebene Attribution von Google)

Data-Driven ist ein auf maschinellem Lernen basierendes Modell, das Google in Google Ads und GA4 eingeführt hat. Es analysiert die tatsächlichen Conversion-Pfade in Ihrem Konto und verteilt den Erfolg basierend darauf, welche Kanäle statistisch gesehen die Kaufwahrscheinlichkeit erhöht haben. Das klingt ideal und funktioniert tatsächlich besser als regelbasierte Modelle. Es gibt jedoch einen Haken: Das Modell verbleibt vollständig innerhalb des Google-Ökosystems und berücksichtigt weder Offline-Touchpoints noch Anrufe oder CRM-Daten. Für eine vollwertige End-to-End-Analytik reicht es also nicht aus – es ist lediglich eines von vielen Eingangssignalen. Fazit zur Attribution: Für die meisten Unternehmen ist es die optimale Strategie, Data-Driven intern bei Google zu nutzen, aber parallel dazu ein eigenes Attributionsmodell in einem zentralen Data Warehouse aufzubauen, das CRM, Offline-Daten und alle Kanäle gleichzeitig abbildet.

Wie man Daten aus allen Marketingkanälen zusammenführt

Bevor man Dashboards erstellt und den ROI berechnet, muss sichergestellt sein, dass die Daten überhaupt korrekt erfasst werden. Das ist der trockenste, aber wichtigste Teil des gesamten Systems. Wenn man hier einen Fehler macht, sehen alle späteren Berichte zwar schön aus, spiegeln aber nicht die Wahrheit wider.

Das richtige Setup von UTM-Parametern

UTM-Parameter sind Zusätze, die an eine URL angehängt werden und es GA4 sowie anderen Systemen ermöglichen, zu verstehen, woher ein Nutzer kommt. Die Standardstruktur eines UTM-Links sieht beispielsweise so aus: utm_source=google&utm_medium=cpc&utm_campaign=brand_search&utm_content=ad1]

Das Hauptproblem, mit dem die meisten Unternehmen konfrontiert sind, є das Fehlen eines einheitlichen Standards. Ein Marketer schreibt utm_source=Google, der andere utm_source=google und ein dritter utm_source=Google_Search. Für GA4 sind das drei völlig verschiedene Quellen. Die Daten zersplittern, und die Berichte passen am Ende nicht zusammen.

Anbindung von Werbe-Dashboards (Google Ads, Meta, TikTok)

Jede Plattform verfügt über eine eigene API, über die Daten zu Ausgaben, Impressionen, Klicks und Conversions exportiert werden können. Hierbei gibt es zwei Ansätze:

Vergleich der Ansätze:

Integration mit dem CRM und dem Vertriebssystem

Dies ist der wichtigste und am häufigsten übersehene Schritt. Ohne CRM-Daten sehen Sie zwar Leads, wissen aber nicht, wie viele davon zu echten Kunden wurden und wie viel Umsatz sie tatsächlich generiert haben.

Technisch wird dies realisiert, indem die Client-ID aus GA4 im Moment des Formularausfüllens an das CRM übermittelt wird, gefolgt von einer Rückübermittlung der Deal-Daten über das Measurement Protocol oder über integrierte Schnittstellen (für Salesforce, HubSpot und Pipedrive gibt es bereits fertige Connectors).

Nach diesem Schritt sehen Sie zum ersten Mal nicht nur, wie viele Leads über Meta reingekommen sind, sondern wie viel Umsatz Meta tatsächlich eingebracht hat. Und das ist ein völlig anderes Bild.

Wenn Sie schlüsselfertige Analytik und Automatisierung für Ihr Unternehmen benötigen, baut das Team von IWIS solche Systeme – von der Architektur bis zum Dashboard.

Die Architektur der End-to-End-Analytik

Ging es in den vorherigen Abschnitten darum, welche Daten erfasst werden sollen, so geht es in diesem Abschnitt darum, wie man sie so strukturiert, dass sie nicht in einem unübersichtlichen Tabellenchaos enden.

Für die meisten ukrainischen mittelständischen Unternehmen ist die Kombination aus BigQuery + Looker Studio oder BigQuery + Power BI der optimale Start. Dies bietet ausreichende Performance ohne übermäßige Infrastrukturkosten, und genau auf diesen Tools basiert auch die BI-Analytik für Online-Shops.

Eine typische Architektur sieht wie folgt aus:

Werbe-Dashboards (Google Ads, Meta, TikTok)
↓
ETL / Connectors
↓
Data Warehouse (BigQuery)
↓
Transformationsebene (dbt / SQL)
↓
Visualisierung (Power BI / Looker)

Die Transformationsebene ist der Ort, an dem Rohdaten in verständliche Kennzahlen umgewandelt werden: Cost-per-Lead (CPL) pro Kanal, ROI der Kampagne oder die Conversion-Rate entlang des Funnels. Ohne diesen Schritt bleibt das Data Warehouse lediglich eine große Datenbank und kein echtes Analysetool.

Marketer-Dashboard vs. CMO-Dashboard

Einer der häufigsten Fehler besteht darin, ein einziges Dashboard für alle Beteiligten zu erstellen. Das führt dazu, dass es für die Geschäftsführung zu detailliert oder für den Spezialisten zu oberflächlich ist. Der richtige Ansatz basiert auf zwei Ebenen: