Modelos de atribución: tipos, diferencias y cuáles usa Google hoy.
Qué reglas históricas existen, cuáles siguen disponibles en Google Ads y GA4, cómo funciona la atribución basada en datos y por qué elegir un modelo cambia el reparto de crédito sin convertirlo automáticamente en una medición de impacto incremental.
- Qué es un modelo de atribución
- Modelos actuales vs modelos históricos
- Last click
- First click, linear, time decay y position-based
- Data-driven attribution
- Volumen y requisitos actuales
- Qué modelos ofrece GA4 hoy
- Qué cambia al cambiar de modelo
- Atribución vs incrementalidad
- Cómo elegir un modelo
- Errores frecuentes
- Preguntas frecuentes
- Referencias
Qué es un modelo de atribución.
Un modelo de atribución es una regla, un conjunto de reglas o un algoritmo que determina cómo se distribuye el crédito de una conversión o evento clave entre los touchpoints elegibles de una ruta observable.
El modelo no cambia cuántas ventas ocurrieron. Cambia cómo se reparte el crédito entre las interacciones que el sistema puede observar y considerar dentro de sus ventanas, reglas de identidad y alcance.
La atribución responde cómo repartir crédito dentro de un sistema de observación. No responde automáticamente cuánto resultado causó cada canal.
Síntesis editorialModelos actuales vs modelos históricos.
Es importante separar dos preguntas: qué modelos existen conceptualmente y qué modelos ofrece hoy una plataforma concreta.
Asigna todo el crédito a la última interacción elegible antes de la conversión.
Distribuye crédito mediante modelos entrenados con datos de rutas, interacciones y resultados observados.
Asigna todo el crédito al primer touchpoint elegible del recorrido.
Divide el crédito en partes iguales entre las interacciones elegibles.
Asigna mayor crédito cuanto más cerca de la conversión ocurre el touchpoint.
Históricamente distribuía más crédito entre primera y última interacción y menos entre los contactos intermedios.
Google retiró first click, linear, time decay y position-based. En Google Ads las acciones que utilizaban esos modelos fueron migradas a data-driven attribution, aunque last click continúa disponible. En GA4 esos cuatro modelos dejaron de estar disponibles desde noviembre de 2023.
03 — Last clickLast click: máxima simplicidad, crédito concentrado.
Last click asigna el 100% del crédito a la última interacción elegible. Su ventaja principal es que la regla es fácil de entender y auditar.
Su límite está incorporado en la propia definición: los touchpoints anteriores reciben 0% de crédito aunque hayan formado parte de la ruta observable.
Eso no permite afirmar que last click sea siempre “incorrecto” ni que el último contacto esté causalmente sobreestimado. Permite afirmar algo más preciso: el modelo concentra todo el crédito de la conversión en ese contacto por construcción.
La comparación específica se desarrolla en Last Click vs Multi-Touch.
04 — Modelos legacyFirst click, linear, time decay y position-based.
Estos modelos siguen siendo útiles para comprender la historia y la lógica de la atribución basada en reglas, pero ya no deben presentarse como opciones actuales de Google Ads o GA4.
| Modelo | Regla | Supuesto que introduce |
|---|---|---|
| First click | 100% al primer contacto. | Prioriza descubrimiento por definición. |
| Linear | Crédito igual entre contactos. | Trata todas las interacciones como equivalentes. |
| Time decay | Más crédito a interacciones recientes. | La relevancia disminuye con la distancia temporal. |
| Position-based | Más peso a primera y última interacción. | Descubrimiento y cierre merecen mayor crédito. |
El punto metodológico no es llamar a unos modelos “justos” y a otros “distorsionados”. Todos son convenciones de asignación de crédito. La diferencia está en qué regla imponen.
Time Decay Attribution tiene una guía propia donde queda documentado como modelo conceptual e histórico.
05 — Data-drivenData-driven attribution: qué hace realmente.
La atribución basada en datos utiliza algoritmos de machine learning para evaluar rutas con y sin eventos clave y distribuir crédito según patrones aprendidos a partir de los datos disponibles.
En GA4, la documentación actual describe modelos de probabilidad que consideran factores como tiempo hasta el evento clave, tipo de dispositivo, cantidad y orden de interacciones y formato creativo. También utiliza un enfoque contrafactual para comparar lo observado con escenarios estimados en los que una interacción no aparece.
Eso es metodológicamente más sofisticado que una regla fija, pero conviene mantener una distinción fundamental:
Que el modelo utilice comparaciones contrafactuales internas no significa que el porcentaje de crédito resultante pueda leerse automáticamente como “porcentaje de ventas causadas” por ese canal. El output sigue siendo una distribución de atribución dentro del sistema y de las señales disponibles.
La versión anterior afirmaba que el DDA actual de GA4 era, específicamente, una adaptación del valor de Shapley y que su salida representaba “impacto causal marginal”. Google documentó Shapley explícitamente en metodologías legacy de Multi-Channel Funnels, pero la documentación actual de GA4 describe modelos de probabilidad y asignación algorítmica sin convertir “Shapley” en una definición universal de su DDA actual.
06 — RequisitosEl umbral de 400 conversiones ya no corresponde.
La página anterior utilizaba 400 conversiones mensuales como requisito para DDA. Esa cifra no corresponde a la documentación actual de Google Ads.
Actualmente, todas las acciones de conversión son elegibles para data-driven attribution independientemente del volumen de conversiones o interacciones.
Google recomienda aproximadamente 200 conversiones y 2.000 interacciones con anuncios en redes admitidas durante 30 días para proporcionar más señal al modelo. Es una recomendación de calidad, no un requisito duro ni una regla que deba extrapolarse a cualquier plataforma.
Por eso tampoco corresponde construir una matriz estratégica tipo “menos de 400 → last click / 400–2.000 → DDA / más de 2.000 → MMM”. Son herramientas diferentes y la elección no puede reducirse a una escala de volumen mensual.
07 — GA4Qué modelos ofrece GA4 hoy.
| Ámbito | Modelo | Cómo asigna crédito |
|---|---|---|
| Paid & organic channels | Data-driven. | Distribución basada en datos para cada evento clave. |
| Paid & organic channels | Last click. | Última interacción elegible; ignora direct salvo rutas completamente directas según el reporte. |
| Google paid channels | Google paid last click. | Último canal pago de Google elegible; si no existe, aplica el fallback documentado. |
GA4 recomienda data-driven para paid & organic channels. Eso es una recomendación de producto de Google; no significa que el resultado sea una verdad causal completa sobre el mix de marketing.
08 — Cambio de modeloQué cambia cuando cambiás el modelo de atribución.
En GA4, cambiar el modelo de atribución de reporting se aplica a datos históricos y futuros en informes y exploraciones compatibles que utilizan dimensiones de tráfico centradas en el evento, como Source, Medium, Campaign o Default channel group.
Eso corrige otra afirmación importante del HTML anterior, que decía que los números históricos no cambiaban.
En cambio, las dimensiones centradas en usuario o sesión —por ejemplo Session source o First user medium— no se modifican por ese ajuste de reporting attribution.
Con DDA también pueden aparecer valores fraccionales de eventos clave porque el crédito se reparte entre distintas interacciones.
09 — Preguntas diferentesAtribución e incrementalidad no responden lo mismo.
| Enfoque | Pregunta principal | Salida |
|---|---|---|
| Modelo de atribución | ¿Cómo repartir crédito entre touchpoints observables? | Crédito atribuido. |
| Incrementality testing | ¿Qué resultado adicional produjo la intervención? | Efecto incremental estimado. |
| Marketing Mix Modeling | ¿Cómo responde el KPI agregado al mix y otros factores? | Efectos y curvas de respuesta bajo supuestos del modelo. |
Por eso un canal puede recibir poco crédito en un modelo de atribución y aun así tener efecto incremental; o recibir mucho crédito y producir una parte menor del resultado adicional.
Para profundizar, ver Incrementality Testing y Marketing Mix Modeling.
10 — ElecciónCómo elegir un modelo de atribución.
La decisión debería partir de para qué se va a utilizar el dato, no de la búsqueda de un modelo “verdadero”.
| Necesidad | Enfoque razonable |
|---|---|
| Baseline simple y auditable. | Last click, con sus límites documentados. |
| Distribuir crédito entre varias interacciones observadas. | Data-driven attribution cuando esté disponible y correctamente instrumentado. |
| Entender cómo cambia el crédito según la regla. | Comparación de modelos. |
| Estimar efecto adicional de una campaña. | Experimento u otro diseño causal adecuado. |
| Estudiar mix agregado, medios offline y curvas de respuesta. | MMM cuando el problema, los datos y los supuestos lo permitan. |
La madurez no consiste en reemplazar last click por DDA y dar el problema por resuelto. Consiste en saber qué pregunta responde cada herramienta, qué no observa y qué decisiones pueden sostenerse con esa evidencia.
11 — ErroresErrores frecuentes con modelos de atribución.
Presentar seis modelos conceptuales como opciones actuales de Google
First click, linear, time decay y position-based ya fueron retirados. Hoy el marco operativo de Google gira principalmente alrededor de data-driven y last click.
Decir que DDA es “el modelo más preciso” universalmente
Es más sofisticado que una regla fija y Google lo recomienda, pero sigue dependiendo de datos, cobertura, identidad, ventanas y del objetivo concreto del sistema.
Usar 400 conversiones mensuales como requisito
Ese umbral está desactualizado. Google Ads permite DDA independientemente del volumen.
Convertir el crédito de DDA en causalidad
El uso de modelos contrafactuales internos no convierte automáticamente el crédito asignado en lift incremental de una campaña.
Usar GA4 como “árbitro neutral” entre plataformas
GA4 es una fuente independiente de los self-reports de cada plataforma publicitaria, pero también tiene sus propios límites de tracking, identidad, modelado y atribución. No es una verdad causal neutral del negocio.
Asumir que cambiar el modelo de GA4 solo afecta datos futuros
El reporting attribution model se aplica a datos históricos y futuros en los informes event-scoped compatibles.
Elegir el método solamente por volumen de conversiones
Last click, DDA, experimentación y MMM responden problemas diferentes. El volumen es una restricción posible, no el árbol completo de decisión.
Preguntas frecuentes.
¿Qué es un modelo de atribución?
Es una regla, un conjunto de reglas o un algoritmo que determina cómo se distribuye el crédito de una conversión o evento clave entre los touchpoints elegibles de una ruta observable.
¿Qué modelos de atribución ofrece Google Ads actualmente?
Google Ads ofrece actualmente atribución basada en datos y último clic. First click, linear, time decay y position-based fueron retirados y las acciones que los utilizaban fueron migradas a data-driven, aunque último clic sigue disponible.
¿Qué modelos de atribución ofrece GA4 actualmente?
Para canales pagos y orgánicos, GA4 permite atribución basada en datos y último clic. También ofrece Google paid channels last click como configuración específica para dar crédito al último canal pago de Google elegible.
¿Data-driven attribution necesita 400 conversiones mensuales?
No. Ese umbral no corresponde a la documentación actual. En Google Ads todas las acciones de conversión son elegibles para data-driven attribution; Google recomienda más señal —aproximadamente 200 conversiones y 2.000 interacciones en 30 días— para mejorar el desempeño del modelo, pero no es un requisito de elegibilidad.
¿Data-driven attribution mide causalidad?
No debe interpretarse automáticamente como una estimación del lift incremental de una campaña. Google utiliza modelos de probabilidad y enfoques contrafactuales para distribuir crédito, pero el resultado sigue siendo atribución dentro del sistema observado. Para estimar efecto incremental se necesitan experimentos u otros métodos de inferencia causal adecuados.
¿Qué pasa con los datos históricos si cambio el modelo de atribución en GA4?
El cambio del modelo de atribución de reporting de GA4 se aplica a datos históricos y futuros en los informes y exploraciones compatibles que utilizan dimensiones de tráfico centradas en el evento. No afecta de la misma forma a dimensiones centradas en usuario o sesión.
Referencias y documentación.
Google Ads Help. About attribution models. Modelos actualmente admitidos y retirada de first click, linear, time decay y position-based.
Google Ads Help. Bidding · Data requirements. Elegibilidad actual de DDA y recomendación de 200 conversiones + 2.000 interacciones en 30 días.
Google Analytics Help. Get started with attribution. Modelos actuales de GA4 y metodología data-driven.
Google Analytics Help. Change the reporting attribution model for key events. Modelos disponibles y aplicación histórica/futura del cambio.
Términos relacionados