Modelos de atribución multi-touch explicados: cómo entender el recorrido del cliente

La atribución es el proceso de asignar crédito por las conversiones a los canales de marketing que contribuyeron a ellas. Los modelos de un solo toque (primer clic, último clic) asignan todo el crédito a un solo touchpoint. Los modelos multi-touch distribuyen el crédito entre varios touchpoints. La distinción importa porque los modelos de un solo toque representan sistemáticamente mal lo que realmente está impulsando los resultados.

El panorama de los modelos de atribución

Atribución por último clic. El 100% del crédito va al último touchpoint antes de la conversión. Sobrevalora los canales del fondo del embudo (búsqueda de marca, directo, retargeting) y subvalora todo lo que pasó antes del clic final. La atribución por último clic dice que tus anuncios de notoriedad no hicieron nada — porque el último clic vino de una búsqueda de marca que ocurrió gracias al anuncio de notoriedad.

Atribución por primer clic. El 100% del crédito va al primer touchpoint. Sobrevalora los canales de la parte alta del embudo y subvalora las actividades de nurturing y conversión que cerraron la venta. El primer clic dice que tu retargeting no hizo nada — porque el primer clic vino de un post orgánico en redes sociales.

Atribución lineal. El crédito se divide equitativamente entre todos los touchpoints. Es más justa que los modelos de un solo toque, pero trata a cada touchpoint como igualmente importante — un anuncio que alguien clicó por accidente recibe el mismo crédito que una solicitud de demo. No todos los toques son iguales.

Atribución por decaimiento temporal. Más crédito va a los touchpoints más cercanos a la conversión. Esto refleja la realidad de que los touchpoints posteriores tienden a ser más influyentes — pero subvalora los touchpoints de notoriedad que hicieron posible el engagement posterior.

Atribución por posición (en forma de U). 40% del crédito al primer toque, 40% al último y 20% distribuido entre los toques intermedios. Refleja la realidad de que tanto la introducción como el momento de conversión importan más que el nurturing intermedio — porcentajes arbitrarios, pero direccionalmente más precisos que la lineal.

Atribución basada en datos (DDA). Usa machine learning para asignar crédito según lo que realmente impulsó las conversiones en tus datos específicos. Disponible en Google Ads y GA4. La DDA es el modelo más sofisticado y requiere suficiente volumen de conversiones para funcionar — típicamente cientos de conversiones por mes. Por debajo de ese umbral, el modelo no tiene suficientes datos para aprender.

¿Qué modelo deberías usar?

Para la optimización del día a día, usá la atribución basada en datos si tenés suficiente volumen de conversiones. Es el modelo más fundamentado en tus datos reales, en lugar de supuestos sobre cómo debería distribuirse el crédito.

Para decisiones estratégicas, compará los resultados entre varios modelos. Si un canal recibe crédito significativo bajo primer clic, lineal y basado en datos, probablemente esté contribuyendo de verdad. Si solo recibe crédito bajo último clic, puede estar capturando crédito por conversiones que habrían ocurrido igual.

Para las decisiones más importantes, complementá la atribución con testeo de incrementalidad — medir qué cambió realmente por tu marketing, no solo modelar cómo distribuir el crédito. La atribución te cuenta una historia sobre lo que pasó. El testeo de incrementalidad te dice qué habría pasado si hubieras hecho algo distinto. Son preguntas diferentes con respuestas diferentes.

El principio de honestidad en la atribución

Cualquiera sea el modelo que uses, reconocé sus limitaciones. Todos los modelos de atribución son simplificaciones de una realidad caótica. Las personas ven anuncios en su teléfono, investigan en su notebook y convierten en su computadora del trabajo. Los tres dispositivos parecen tres personas distintas para los sistemas de atribución. Las conversiones view-through — compras influidas por un anuncio que la persona vio pero no clicó — son invisibles para la atribución basada en clics. El modelo siempre está equivocado. La pregunta es si está equivocado en una dirección que te ayuda a tomar mejores decisiones o peores.