Ein Fachgeschäft gibt 3.700 € für eine Samstagsaktion aus: eine gebrandete Fotostation am Schaufenster, ein Sampling-Tisch, eine Mitarbeiterin, die ein befristetes Wochenendangebot verteilt. Den ganzen Nachmittag herrscht Betrieb im Laden. Tüten wandern über den Tresen, die Kassenschlange verdoppelt sich, der Tag fühlt sich nach Erfolg an. Bis Montag steht die Inhaberin vor einer Frage, die sich leichter stellen als beantworten lässt: War der Tag nur gut besucht, oder hat er sich gelohnt? Niemand kann auf die Zahl zeigen, die das beweist.
Diese Lücke hat einen Namen. Kundenfrequenz-Attribution, im Fachjargon „Foot Traffic Attribution“, bezeichnet die Praxis, einen physischen Ladenbesuch auf die konkrete Aktion oder den Marketing-Touchpoint zurückzuführen, der ihn ausgelöst hat, und diesem Besuch anschließend einen Geldwert zuzuweisen. Suchen Sie den Begriff, beschreibt allerdings fast jedes Ergebnis nur eine enge Variante davon: ein Standortdaten-Produkt, das Smartphones mit Anzeigen abgleicht und an Werbetreibende mit großen programmatischen Mediabudgets verkauft wird. Ein Betreiber, der eine In-Store-Aktion durchführt, braucht dieses Produkt nicht. Die Aktion selbst ist das Messinstrument, und die folgende Methode passt zu einem einzelnen Samstag und einem vierstelligen Budget.
Was Kundenfrequenz-Attribution wirklich bedeutet (und die beiden Definitionen, die dabei verwechselt werden)
Die Inhaberin aus dem Beispiel sucht an jenem Nachmittag nach „foot traffic attribution“ und stößt auf eine Wand aus Anbieterseiten, die alle ungefähr dasselbe sagen. Das ist kein Zufall. Zwei unterschiedliche Aufgaben teilen sich einen Begriff, und diese Verwirrung richtet bei Betreibern, die ihre eigene Arbeit messen wollen, echten Schaden an.
Die erste Definition stammt aus der Ad-Tech-Welt
Die erste Definition stammt aus der Ad-Tech-Welt. Hier bedeutet Kundenfrequenz-Attribution (auch „Footfall Attribution“ oder „Footfall Measurement“, die Begriffe werden in der Branche synonym verwendet, so AI Digital), eine digitale Ad-Impression auf einem Mobilgerät mit einem späteren, per GPS erfassten Ladenbesuch abzugleichen. Sie ist für Mediaeinkäufer gemacht, die belegen müssen, dass eine Connected-TV-, Mobile- oder Digital-out-of-Home-Kampagne Menschen in die Geschäfte gebracht hat.
Attribution aus Sicht des Betreibers
Die zweite Definition ist die des Betreibers, und um sie geht es in diesem Artikel. Sie bedeutet, zu ermitteln, welche Aktion oder welcher Touchpoint einen physischen Besuch ausgelöst hat, und herauszufinden, was dieser Besuch wert war. Derselbe Begriff, eine völlig andere Aufgabe. Der Betreiber fragt nicht: „Hat meine programmatische Kampagne im großen Stil zusätzliche Besuche gebracht?“ Der Betreiber fragt: „Hat das funktioniert, was ich dieses Wochenende gemacht habe, und was hat es eingebracht?“
Diese Unterscheidung ist wichtig, weil ein Großteil der Ausgaben im stationären Handel für die digitale Messung nach wie vor unsichtbar bleibt. E-Commerce machte 2025 16,4 % des gesamten US-Einzelhandelsumsatzes aus (US Census Bureau), was bedeutet, dass rund 84 Cent jedes im Einzelhandel ausgegebenen Dollars weiterhin über einen physischen Standort fließen. (Eine oft wiederholte Behauptung beziffert den stationären Anteil auf 90 %; sie geht auf ein Zitat einer Führungskraft eines Standortdaten-Anbieters aus dem Jahr 2016 in AdExchanger zurück und sollte besser zugunsten der aktuellen Census-Zahl aufgegeben werden.) Hinzu kommt: Eine globale ESW-Umfrage aus dem Jahr 2024 unter mehr als 18.000 Käufern ergab, dass 23 % regelmäßig Produkte online recherchieren und sie dann in einem physischen Geschäft kaufen.
Dieser Besuch wird entweder gar nicht oder der zuletzt geklickten Anzeige zugeschrieben, und die Aktion, die die Kundin tatsächlich hereingeholt hat, bleibt ungemessen. Kundenfrequenz-Attribution im Sinne des Betreibers ist die Disziplin, die diese Lücke schließt. Sie ist eine Praxis (erfassen, kennzeichnen, vergleichen), kein Produkt, das man kauft.
Warum das Standortdaten-Modell nicht für Betreiber gemacht ist
Ein Kunde scrollt morgens am Smartphone an einer Videoanzeige vorbei und betritt drei Tage später ein Geschäft. Eine Standortdaten-Plattform ist darauf ausgelegt, genau diese Abfolge einzufangen, und es lohnt sich zu verstehen, wie das funktioniert, bevor Sie entscheiden, ob Sie dafür zahlen.
Der Mechanismus ist ein Device-Graph
Der Mechanismus ist ein Device-Graph. Ad-Tech-Plattformen sammeln GPS-Signale von Menschen, die in diversen Mobil-Apps der Standortfreigabe zugestimmt haben. Wird einem Gerät eine digitale Anzeige ausgespielt, protokolliert die Plattform dessen ID. Anschließend beobachtet sie, ob dieselbe ID später innerhalb eines Geofence-Bereichs rund um den Zielstandort auftaucht. Ein Besuch, der innerhalb des Rückblickfensters registriert wird, üblicherweise 7 bis 30 Tage nach dem Anzeigenkontakt, zählt als attributierter Besuch. Um echten Uplift vom Hintergrundrauschen zu trennen, vergleicht die Plattform die exponierten Geräte mit einer Kontrollgruppe ähnlicher Geräte, denen die Anzeige nicht ausgespielt wurde (OnSpot Data).
Es ist ein wirklich leistungsfähiges Modell für die Aufgabe, für die es gebaut wurde. Das Problem ist die Passung. Drei Punkte machen es zum falschen Instrument für einen Betreiber, der eine Aktion durchführt.
Das Panel ist modelliert, nicht vollständig
Erstens: Das Panel ist modelliert, nicht vollständig. Der Device-Graph wird aus jenen App-Nutzern hochgerechnet, die der Standortfreigabe zugestimmt haben, und in diesem Pool sind städtische Regionen und einkommensstärkere Bevölkerungsgruppen überrepräsentiert (OnSpot Data). OnSpot weist zudem darauf hin, dass 35 bis 40 % der Roh-Standortsignale zur Qualitätskontrolle verworfen werden, sodass die tatsächliche Stichprobe kleiner ist, als sie wirkt. Ein Betreiber in einem vorstädtischen oder von der Arbeiterschaft geprägten Markt wird an einem Panel gemessen, das seine Kunden möglicherweise gar nicht enthält.
Das Modell schreibt einen Besuch dem Anzeigenkontakt zu
Zweitens: Das Modell schreibt einen Besuch dem Anzeigenkontakt zu. Ohne messbare digitale Werbeausgaben gibt es für das Modell nichts zuzuordnen. Ein Betreiber, der sein Budget in eine physische Aktion statt in eine programmatische Kampagne gesteckt hat, hat dem Modell keinerlei Input gegeben, mit dem es arbeiten könnte.
Es braucht Reichweite und Zeit
Drittens: Es braucht Reichweite und Zeit. Eine stabile Uplift-Kennzahl erfordert genügend Anzeigenkontakte und genügend beobachtete Besuche, um das statistische Rauschen zu überwinden, und ein 30-tägiges Rückblickfenster ist für Always-on-Kampagnen gemacht. Eine einzelne Samstagsaktion ist innerhalb dieses Fensters ein Rundungsfehler.
Nichts davon macht das Standortdaten-Modell schlecht. Es macht es zum falschen Werkzeug für diese Leserschaft. Und es zeigt den Ausweg auf: Ein Betreiber muss Besuche nicht aus den Smartphones Fremder ableiten, denn er kontrolliert den Moment des Kontakts.
Die Aktion ist das Attributionsinstrument
Zurück zur Samstagsaktion: Die Mitarbeiterin an der Fotostation steht keinen Meter von jedem Besucher entfernt, den die Inhaberin messen möchte. Diese Nähe ist das ganze Argument.
Device-Graph-Attribution existiert, weil Werbetreibende die Menschen nie treffen
Device-Graph-Attribution existiert, weil Werbetreibende die Menschen, die sie zählen wollen, nie treffen. Sie kaufen eine Impression, verlieren die Person aus den Augen und rekonstruieren den Besuch anschließend aus Handydaten. Ein Betreiber, der eine Aktion durchführt, ist in der umgekehrten Lage. Der Besucher ist physisch anwesend, involviert und bereit zu interagieren. Attribution muss nicht nachträglich rekonstruiert werden. Sie lässt sich in die Aktion einbauen, während der Besucher noch dort steht.
Drei Dinge lohnt es sich im Moment des Kontakts messbar zu machen. Das erste ist die Identität: ein Opt-in, das aus einem anonymen Besucher einen bekannten Kontakt mit Namen und einer E-Mail-Adresse oder Telefonnummer macht. Das zweite ist ein nachverfolgbares Token: ein eindeutiger Code, ein QR-Ziel oder ein scanbares Angebot, das an genau diese eine Aktion gebunden ist und an nichts sonst. Das dritte ist ein Zeitstempel: eine Aufzeichnung, wann der Besuch stattfand, damit er sich später mit einer Baseline abgleichen lässt. Die Fotostation aus dem Eingangsbeispiel ist ein praktisches Instrument für das Erste davon: Ein Besucher tritt für ein Foto heran, gibt Namen und E-Mail-Adresse ein, um sich das Bild schicken zu lassen, und ein anonymes Gesicht wird zu einem bekannten Kontakt. Das HALO-Kit von Simple Booth erfasst dieses Opt-in über individuelle Lead-Erfassungsfelder, während das Foto zugestellt wird, mit demselben Mechanismus, mit dem die Entertainment-Kette Treetop Golf über ihre Standorte hinweg eine Liste von 150.000 eindeutigen E-Mail-Adressen aufgebaut hat.
So erfasst, schlagen diese Daten den Device-Graph auf jeder Achse, die für diese Leserschaft zählt. Sie sind deterministisch statt modelliert, eine echte Person, die zugestimmt hat, statt einer statistischen Schätzung. Es liegt eine Einwilligung vor. Die Daten gehören dem Betreiber, statt von einem Anbieter gemietet zu sein. Und sie wirken weiter, nachdem die Aktion vorbei ist, denn ein bekannter Kontakt lässt sich lückenlos bis zu einem späteren Kauf verfolgen. Die Aktion ist nicht länger ein Ereignis, das einfach nur stattfand, sondern wird zu einem Messinstrument, das der Betreiber gebaut hat und kontrolliert.
Vier Attributionsmethoden, die ein Betreiber wirklich umsetzen kann
Die meisten Betreiber attribuieren ihre Kundenfrequenz bereits, ohne es so zu nennen. Sie drucken „FB15“ auf ein Angebot und „IG15“ auf ein anderes, um zu sehen, welches öfter eingelöst wird, kleben einen QR-Code ans Schaufenster und stellen an der Kasse die Frage. Der Instinkt ist richtig. Er muss nur in Methoden mit bekannten Stärken und bekannten blinden Flecken gegliedert werden. Hier sind vier, vom Einfachsten zum Strengsten.
Das Direct-Response-Token ist das Einfachste
Das Direct-Response-Token ist das Einfachste. Ein eindeutiger Promo-Code, ein QR-Ziel oder ein scanbares Angebot wird nur bei der Aktion ausgegeben, sodass sich jede Einlösung sauber darauf zurückführen lässt. Der blinde Fleck sind all jene, die beeinflusst wurden, aber nie eingelöst haben: die Kundin, die zwei Wochen später zum vollen Preis wiederkommt und den Code mit keinem Wort erwähnt. Ein Token zählt zu niedrig, aber was es zählt, zählt es ehrlich.
Die Befragung am Point of Sale, meist formuliert als „Wie haben Sie von uns erfahren?“, fragt jeden Besucher oder Käufer direkt. Ihre Stärke ist, dass sie bis in Kanäle reicht, die das digitale Tracking nicht sieht: Beschilderung, Mundpropaganda, die Aktion selbst. Ihre Schwäche ist das Erinnerungsvermögen. Die Antworten leiden unter dem Recency-Bias, bei dem Kunden den letzten Touchpoint nennen, an den sie sich erinnern, und unter dem Availability-Bias, bei dem beiläufige Kanäle wie Beschilderung unterrepräsentiert werden, weil sie sich nie wie eine bewusste Entscheidung anfühlten (Kayyem Marketing). Die Methode funktioniert am besten bei überlegten Besuchen, bei denen der Kunde bewusst den Weg auf sich genommen hat, was auf die meisten Aktionsbesucher zutrifft.
Der Test-gegen-Kontrolle-Vergleich misst einen Aktionsstandort oder -zeitraum gegen einen vergleichbaren ohne Aktion. Ein Betreiber mit zwei Standorten führt die Aktion in einem Geschäft durch und nutzt das andere als Kontrolle. Ein Betreiber mit nur einem Standort vergleicht den Aktionszeitraum mit vergleichbaren früheren Zeiträumen und hält Wochentag und Saison konstant. Das ist die erste Methode, die den Uplift isoliert, statt Einlösungen zu zählen.
Der Holdout, auch Inkrementalitätstest, ist die strengste und am seltensten genutzte Methode. Er hält die Aktion an einem vergleichbaren Standort oder Segment bewusst zurück und misst die Lücke, die sich auftut. Er liefert die sauberste Auskunft darüber, was die Aktion tatsächlich bewirkt hat, und er kostet etwas Reales: Der Betreiber muss darauf verzichten, die Aktion irgendwo durchzuführen, wo sie funktioniert haben könnte. Dieser Kompromiss ist der Grund, warum nur wenige Betreiber Holdouts durchführen und warum diejenigen, die es tun, ihre Zahlen verteidigen können.
Keine einzelne Methode reicht aus
Keine einzelne Methode reicht aus. Ein Token zählt zu niedrig, eine Befragung erinnert sich falsch, ein Vergleich kann durch eine schlechte Kontrolle verzerrt sein. Wer ein Token, eine Befragung und einen Baseline-Vergleich gemeinsam einsetzt, lässt jede Methode das abdecken, was die anderen übersehen.
Köpfe zählen ist kein ROI: das Baseline-Problem
Sechshundert Personen kamen während der Aktion durch die Tür. Der Instinkt ist, das als Ergebnis zu bezeichnen. Ist es aber nicht. Eine Frequenzzählung ist eine Aktivitätskennzahl. Sie misst, was passiert ist, nicht, was die Aktion bewirkt hat.
Die Zahl, auf die es ankommt, ist die inkrementelle Kundenfrequenz: Besuche, die wegen der Aktion zustande kamen und sonst nicht stattgefunden hätten. ROI braucht ein Kontrafaktum, eine ehrliche Schätzung, wie hoch die Kundenfrequenz ganz ohne Aktion gewesen wäre. Jeder Kunde, der ohnehin hereingekommen wäre, gehört zur Baseline. Ihn den Aktionsausgaben zuzurechnen ist keine Messung, sondern Schönfärberei.
Genau hier blähen sich naive Zählungen auf. Mehrere Dinge treiben eine rohe Besucherzahl in die Höhe, ganz ohne Zutun der Aktion: der Wochentag, die Saison, das Wetter, eine davon unabhängige Veranstaltung weiter unten an der Straße, eine gleichzeitig laufende Promotion, bezahlte Medien im selben Zeitfenster. Der Retail-Leitfaden von Shopify nennt Wetter und Saisonalität ausdrücklich als Faktoren, die Frequenzzählungen verzerren, weshalb der Vergleich einer November-Aktion mit einer Januar-Baseline eine saisonale Schwankung mit einem Aktionseffekt verwechselt. Die Lösung ist eine einzige Regel. Jeder Besuch, der für die Aktion beansprucht wird, muss inkrementell gegen eine Baseline gemessen werden, egal ob diese Baseline aus einer Reihe vergleichbarer früherer Zeiträume, einem Kontrollstandort oder einem bewussten Holdout besteht.
Die Attributionsrechnung: ein durchgerechnetes ROI-Modell
Nehmen Sie die Samstagsaktion für 3.700 € und rechnen Sie die gesamte Kette durch, eine Zahl nach der anderen.
Mit der rohen Kundenfrequenz beginnen
Beginnen Sie mit der rohen Kundenfrequenz. Das Aktionsfenster zog 600 Besucher an. Ein vergleichbarer Samstag ohne Aktion, abgeglichen nach Saison und Wetter, brachte 420. Die Baseline leistet hier die eigentliche Arbeit: Die inkrementellen Besucher sind 600 minus 420, also 180. Der Aktion werden 180 Besuche zugeschrieben, nicht 600.
Jetzt konvertieren
Jetzt konvertieren. Der Facheinzelhandel arbeitet mit einer In-Store-Conversion-Rate von rund 15 bis 30 % (TruRating). Bei einem Mittelwert von etwa 22 % erzeugen die 180 inkrementellen Besucher rund 40 Käufer am selben Tag. Bei einem durchschnittlichen Transaktionswert von 90 € ergibt das 3.600 € Umsatz, der sich noch am selben Tag der Aktion zuschreiben lässt, womit die Kosten von 3.700 € schon fast gedeckt sind.
Dann erfassen
Dann erfassen. Angenommen, die Fotostation sammelt bei 40 % der inkrementellen Besucher ein Opt-in ein. (Die Opt-in-Rate ist eine vom Betreiber gesetzte Annahme, kein Branchen-Benchmark; sie sollte am Tag selbst gemessen und nicht übernommen werden.) Das sind 72 bekannte Kontakte. Wenn das Follow-up in den folgenden drei Monaten ein Viertel davon konvertiert, sind das 18 weitere Käufer zu je 90 €, also 1.620 €.
Der gesamte attribuierte Umsatz beträgt 3.600 € plus 1.620 €, also 5.220 € gegen 3.700 € Kosten. Der Nettoertrag liegt bei 1.520 €, ein Verhältnis von etwa 1,4 zu 1. Der Break-even ist die Schwelle, die aus der Aktion eine Entscheidung statt eines Gefühls macht: Bei 90 € pro Verkauf brauchte die Aktion etwa 42 inkrementelle Käufer, um ihre Kosten zu decken, und sie brachte 58.
Rechnen Sie nun dieselbe Aktion auf die falsche Weise. Lassen Sie die Baseline weg. Schreiben Sie der Aktion alle 600 Besucher zu statt der 180 inkrementellen, konvertieren Sie mit denselben 22 %, und das ergibt 132 Käufer am selben Tag zu je 90 €, also 11.880 €. Die ehrliche Zahl für denselben Tag lag bei 3.600 €. Derselbe Tag, dasselbe Geschäft, dieselbe Aktion: Das Einzige, was sich geändert hat, ist der weggelassene Baseline-Abzug, und er hat das Ergebnis mehr als verdreifacht. Eine solche Zahl würde rechtfertigen, mehr für eine schwächere Aktion auszugeben.
Erfasste Kontakte erlauben es einem Betreiber außerdem zu messen, was eine Aktion über den ersten Besuch hinaus einbringt. Ein Teil dieses längerfristigen Ertrags ist erlebnisbezogen. Eine Raydiant-Verbraucherumfrage aus dem Jahr 2024, zitiert in Fast Company, ergab, dass 52 % der Verbraucher ein positives In-Store-Erlebnis als Hauptgrund für ihre Rückkehr nennen, und eine einprägsame Aktion ist ein Weg, dieses Erlebnis zu schaffen. Die Reiseaccessoire-Marke BÉIS meldete zu diesem Muster passende Zahlen aus einer Pop-up-Aktion: 30 % mehr Kundenfrequenz und über die Aktion gewonnene Kunden mit einem um 20 % höheren 12-Monats-Wert als die Baseline-Kohorte der Marke (Shopify). Ein diszipliniertes Modell trägt das weiter, indem es erfasste Kontakte bis zu ihrem zweiten und dritten Kauf verfolgt, solange jede Annahme gekennzeichnet bleibt.
Was die Attribution einem Betreiber trotzdem nicht sagen kann
Selbst wenn die Rechnung steht, hat die Inhaberin, die die Aktion durchgeführt hat, viele Menschen an der Fotostation lachen und wieder hinausgehen sehen, ohne zu kaufen oder ein Opt-in zu geben. Einige von ihnen werden wiederkommen. Keiner von ihnen steckt im Modell.
Das ist die ehrliche Grenze, um die Wettbewerber gern herumreden
Das ist die ehrliche Grenze, um die Wettbewerber gern herumreden. Attribution ist ein Signal, kein Urteil. Ein gut geführtes Modell übersieht dennoch mehrere reale Erträge: den Marken- und Erinnerungseffekt bei Besuchern, die an diesem Tag nichts Messbares taten, die Mundpropaganda, die ein Besucher am selben Abend beim Essen anstößt, den verzögerten Besuch, der außerhalb des Messfensters landet, und den Multi-Touch-Fall, in dem die Aktion nur ein Anstoß unter mehreren war. Das sind keine Rundungsfehler. Sie sind der Grund, warum ein belastbares Modell den wahren Ertrag einer Aktion eher unterschätzt als überschätzt.
Die professionelle Antwort ist nicht, Präzision zu erfinden. Sie besteht darin, eine Spanne anzugeben und den Rechenweg offenzulegen. Statt „Die Aktion brachte 5.220 €“, eine einzelne Zahl, die einen CFO oder einen Franchise-Inhaber geradezu einlädt, die schwächste Annahme anzugreifen, gibt ein Betreiber eher etwas an wie „4.500 € bis 5.900 € gemessener Ertrag, auf Basis einer Baseline von 420 Besuchen, einer Erfassungsrate von 40 % und eines Follow-up-Fensters von einem Quartal, wobei Marken- und Mundpropaganda-Effekte ausgeklammert sind“. Die Baseline-Quelle, die Erfassungsrate und das Attributionsfenster gemeinsam mit dem Ergebnis zu nennen, ist das, was die Zahl einer genauen Prüfung standhalten lässt.
Das ist das eigentliche Ziel. Keine perfekte Zahl, die es nicht gibt, sondern eine Zahl, die ehrlich genug ist, um die nächste Entscheidung zu tragen: die Aktion erneut durchführen, sie größer aufziehen oder einstellen. Ein Betreiber, der die inkrementelle Kundenfrequenz misst, im Moment des Kontakts die Identität erfasst und eine Spanne samt zugehöriger Annahmen ausweist, wird den Betreiber, der eine selbstsichere Einzelzahl in der Hand hält, jedes Mal argumentativ übertreffen, und er wird derjenige sein, dessen nächstes Aktionsbudget genehmigt wird.
Quellen
- U.S. Census Bureau (2026). “Quarterly Retail E-Commerce Sales, Q4 2025.” https://www.census.gov/retail/index.html
- AI Digital (2024). “Foot Traffic Attribution in 2024: A Full Breakdown.” https://aidigital.agency/foot-traffic-attribution/
- OnSpot Data. “A Guide to Foot Traffic Attribution.” https://www.onspot.com/blog/foot-traffic-attribution/
- AdExchanger (2016). “It’s Still All About Offline Retail, But Online Brings The Data.” https://adexchanger.com/data-exchanges/its-still-all-about-offline-retail-but-online-brings-the-data/
- ESW (2024). “Global Voices: Ecommerce Consumer Survey.” https://eswglobal.com/resources/global-voices-survey/
- Kayyem Marketing. “How Did You Hear About Us? A Complete Guide.” https://kayyemmarketing.com/how-did-you-hear-about-us/
- TruRating (2026). “What Is a Good Retail Conversion Rate?” https://www.trurating.com/resources/retail-conversion-rate/
- Shopify. “How to Open a Pop-Up Shop: Ideas, Costs, and Examples.” https://www.shopify.com/retail/pop-up-shop
- Fast Company (2024). “State of the In-Store Consumer” (Raydiant survey). https://www.fastcompany.com/