Ein großer Teil der Arbeit im Performance Marketing steckt nicht im Schalten der Anzeigen, sondern im Auswerten. Der Standard-Werkzeugkasten dafür ist Looker Studio zusammen mit GA4 und Google Ads. Immer wieder stellt sich die gleiche Frage. Reicht der fertige Connector, oder braucht es eine eigene Anbindung? Und lässt sich die Customer Journey damit überhaupt sauber abbilden? Hier ist meine Sicht, und ich lasse mich gern darüber streiten.
Der pragmatische Standard mit den fertigen Connectoren
Looker Studio ist kostenlos, und die nativen Connectoren für Google Ads und GA4 sind es auch. In wenigen Minuten steht ein Dashboard, das Ausgaben, Umsatz, ROAS, CPA und einen Zeitverlauf zeigt. Statt jeden Monat Screenshots zu bauen, teilst du einen Link, der sich selbst aktualisiert.
Für die meisten Kunden reicht genau das. Die Grenzen tauchen erst auf, wenn du mehrere Quellen sauber zusammenführen willst oder an die Rohdaten musst. Blending über mehrere Connectoren wird schnell hakelig, und historische Daten bekommst du nur begrenzt.
Wenn Connectoren nicht mehr reichen
Sobald mehr Kanäle dazukommen, also Meta, Microsoft, Amazon, Newsletter oder das Shop-Backend, wird es enger. Dann gibt es zwei Wege. Entweder ein kostenpflichtiger Drittanbieter wie Supermetrics, der viele Quellen anbindet, oder eine eigene Pipeline. Bei der eigenen Lösung ziehst du die Daten per API in ein Warehouse wie BigQuery, führst sie dort zusammen, und Looker Studio liest sauber aus BigQuery aus. Das gibt maximale Kontrolle und echte Rohdaten.
Der Preis dafür ist Zeit und Wartung. APIs ändern sich, Zugänge laufen ab, und irgendetwas bricht immer genau dann, wenn du es gerade brauchst.
Kann eine KI die eigene Anbindung bauen?
Teilweise ja. Mit Claude oder einem anderen Modell schreibst du den Verbindungs-Code deutlich schneller, also die API-Aufrufe, die Umwandlung der Daten und das Laden nach BigQuery. Die Einstiegshürde sinkt spürbar, das war vor ein paar Jahren noch ein echtes Projekt.
Was die KI dir nicht abnimmt, ist die Datenmodellierung, das Verständnis der Kennzahlen und der laufende Betrieb. Der Code ist der leichte Teil, die richtige Struktur der schwere. Kurz gesagt senkt KI die Kosten für den Aufbau, nicht die Kosten für den Betrieb.
Warum sich die Customer Journey nicht hart nachmodellieren lässt
Alle Kanäle sauber in eine durchgängige Customer Journey zu bringen, ist extrem aufwendig, und die Zeit dafür fehlt im Alltag fast immer. Noch wichtiger finde ich einen anderen Punkt. Selbst mit perfekter Technik bleibt die Journey ein Modell und kein Abbild der Wirklichkeit.
Ein Mensch sieht eine Anzeige auf dem Handy, sucht später am Laptop danach, fragt einen Bekannten und kauft zwei Wochen darauf. Kein Attributionsmodell fängt das sauber ein. Wer versucht, die Journey bis auf den letzten Kontaktpunkt nachzubauen, verliert Zeit an eine Genauigkeit, die es schlicht nicht gibt.
Was ich stattdessen mache
Ich steuere stärker auf Gesamt-Ebene. Der verlässlichste Effizienzwert über alle Kanäle ist die Marketing Efficiency Ratio, also Gesamtumsatz geteilt durch gesamte Werbeausgaben. Pro Kanal arbeite ich mit dem, was der Kanal verlässlich liefert, und behalte die Grenzen im Kopf.
Das Dashboard zeigt die wenigen Zahlen, die wirklich über Gewinn entscheiden. Eine eigene Pipeline baue ich nur, wenn der Nutzen die Zeit klar rechtfertigt, also bei vielen Kanälen, großen Budgets und echter Skalierung. In allen anderen Fällen reichen Connectoren plus ein klarer Blick auf die Grenzen.
Wo ich mich gern streiten lasse
Vielleicht unterschätze ich, was mit BigQuery und einer KI-gestützten Pipeline heute schon in kurzer Zeit machbar ist. Vielleicht ist die datengetriebene Attribution in GA4 besser als ihr Ruf. Meine These bleibt trotzdem: Die Richtung stimmt auch ohne perfekte Journey, und pragmatisch schlägt perfekt. Wenn du das anders siehst, bin ich gespannt auf deine Sicht.