Modelos de atribución:
cuál elegir
y por qué importa.
No existe el modelo perfecto — solo modelos con distorsiones conocidas y modelos con distorsiones desconocidas. El que elegís determina qué canales parecen eficientes y cuáles quedan subfinanciados.
- Los 5 modelos que existen
- Last-click y first-click: los extremos
- Linear, time-decay y position-based: los modelos de regla
- Data-driven: el modelo algorítmico
- Cómo cada modelo distorsiona las decisiones de presupuesto
- Cómo conectan los modelos con el sistema de marketing
- Errores frecuentes
- Cómo elegir el modelo para tu negocio
- Preguntas frecuentes
- Referencias y bibliografía
Los 5 modelos que existen.
Google Ads y Google Analytics 4 documentan cinco modelos de atribución que cubren el espectro desde los más simples (regla única) hasta los más sofisticados (algorítmicos). Cada modelo hace un supuesto implícito sobre cómo funciona el journey de compra — y ese supuesto es la fuente de su precisión y de su distorsión. La documentación oficial de Google Ads sobre modelos de atribución describe su implementación técnica; este spoke explica las implicaciones estratégicas de elegir cada uno.
El 100% del crédito va al último touchpoint antes de la conversión. Todo lo anterior recibe 0%.
El 100% del crédito va al primer touchpoint del journey. Todo lo que cierra la venta recibe 0%.
El crédito se divide en partes iguales entre todos los touchpoints del journey.
Los touchpoints más recientes reciben más crédito. El peso decae exponencialmente hacia atrás en el tiempo.
Usa machine learning para distribuir el crédito según la contribución real de cada touchpoint, basándose en tus propios datos de conversión.
Last-click y first-click: los extremos del espectro.
Last-click y first-click son los modelos de mayor distorsión — y los más usados. Su popularidad no viene de su precisión sino de su simplicidad: son fáciles de implementar (son los defaults históricos), fáciles de explicar y producen informes con números limpios que la dirección puede entender sin formación analítica.
Last-click: el sesgo hacia el canal de cierre
Last-click asume implícitamente que el journey es irrelevante — que la decisión de compra se tomó en el último momento, justo antes del último clic. Esta asunción es razonable en compras por impulso de muy bajo valor donde el journey efectivamente es corto. Es completamente incorrecta en compras consideradas, B2B, servicios de alto valor o cualquier producto donde el cliente investiga antes de decidir.
La consecuencia estructural de usar last-click en negocios con journeys complejos es sistemática: el SEO orgánico, el paid social de prospecting y el contenido de upper funnel aparecen como canales ineficientes porque raramente son el último clic. El branded search y las campañas de retargeting aparecen como muy eficientes porque capturan la intención que esos otros canales generaron. El resultado es una migración progresiva de presupuesto hacia canales de cierre y una reducción del upper funnel — que eventualmente seca el pipeline.
First-click: el sesgo hacia el canal de descubrimiento
First-click es la imagen especular de last-click: todo el crédito va al canal que trajo al usuario por primera vez. Es útil como complemento para entender qué canales generan descubrimiento de marca nueva — pero como modelo único de atribución produce el problema inverso: los canales de nurturing y cierre parecen ineficientes porque nunca son el primer punto de contacto. El email marketing, el retargeting y el SEM branded — canales críticos para convertir intención en compra — reciben 0% del crédito con first-click.
03 — Los modelos de reglaLinear, time-decay y position-based: los modelos de regla intermedia.
Los modelos intermedios intentan distribuir el crédito de forma más equilibrada que los extremos, pero siguen siendo modelos de regla: aplican una fórmula predefinida independientemente de los datos reales de comportamiento del negocio.
Linear: la falsa democracia
El modelo linear asigna el mismo crédito a cada touchpoint del journey. Su virtud es que ningún canal recibe 0% — lo que hace que sea más justo que los extremos para negocios con múltiples canales activos. Su debilidad fundamental es asumir que todos los touchpoints contribuyen igual — cuando en la práctica la contribución real de un anuncio de Instagram visto en el día 1 no es la misma que la de un email de seguimiento enviado 20 días después. El modelo linear produce mediocridad como resultado: todos los canales parecen más o menos iguales.
Time decay: el sesgo temporal
Time decay reconoce que los touchpoints más cercanos a la conversión tienen mayor relevancia — una premisa razonable para ciclos de venta cortos donde el último contacto realmente influye más. El problema es que aplica una función de decaimiento matemática fija (normalmente con vida media de 7 días) que puede no corresponder al ciclo de compra real del negocio. Para un negocio con ciclo de venta de 6 semanas, un touchpoint de 30 días atrás recibe prácticamente 0% de crédito — cuando puede haber sido el que generó la consideración inicial.
Position-based: la apuesta por primer y último
El modelo position-based (también llamado "U-shaped") asigna el 40% del crédito al primer touchpoint, el 40% al último y distribuye el 20% restante entre todos los intermedios. La lógica es que el primer contacto genera el descubrimiento y el último genera la conversión — y que son los momentos más importantes del journey. Es un modelo más sofisticado que last-click y first-click, pero sigue siendo una regla arbitraria que no refleja la realidad de ningún negocio específico.
Los modelos de regla — last-click, first-click, linear, time-decay — no son modelos de atribución en el sentido riguroso. Son convenciones de reparto. La única diferencia entre elegir uno u otro es qué tipo de sesgo se acepta conscientemente. El problema no es el sesgo — todo modelo tiene uno. El problema es no saber cuál tenés y tomar decisiones de presupuesto como si el modelo fuera la realidad.
Lisandro IserteData-driven: el modelo algorítmico.
El modelo data-driven de Google Analytics 4 usa machine learning — específicamente una adaptación del valor de Shapley de la teoría de juegos cooperativos — para distribuir el crédito entre los touchpoints según su contribución real a la conversión. A diferencia de los modelos de regla, data-driven no aplica una fórmula fija: analiza los journeys que convirtieron y los que no convirtieron, identifica cuáles touchpoints hacen estadísticamente más probable la conversión, y distribuye el crédito proporcionalmente.
Cómo funciona el valor de Shapley en atribución
El valor de Shapley, formalizado por Lloyd Shapley en 1953 (trabajo que le valió el Premio Nobel de Economía en 2012), responde una pregunta de teoría de juegos: ¿cuánto contribuye cada jugador al resultado de un juego cooperativo? En atribución, los "jugadores" son los canales y el "resultado" es la conversión. El algoritmo calcula la contribución marginal de cada canal evaluando cómo cambia la probabilidad de conversión cuando ese canal está presente vs cuando no lo está — en todas las combinaciones posibles de canales. El resultado es una distribución de crédito que refleja el impacto causal marginal de cada canal, no solo su presencia en el journey.
Las limitaciones que nadie menciona
Data-driven es el mejor modelo disponible dentro de lo que GA4 puede observar — y ese "dentro de" es crítico. GA4 solo ve los touchpoints que el tracking captura. Los anuncios vistos sin clic (view-through), los canales offline, las conversaciones de ventas, las recomendaciones boca a boca — todos son touchpoints invisibles para el modelo. Además, requiere 400 conversiones en los últimos 30 días para entrenarse con datos suficientes: por debajo de ese umbral, GA4 cae automáticamente a last-click. Y finalmente, es una caja negra: a diferencia de los modelos de regla, no podés explicar por qué el modelo asignó exactamente ese porcentaje a ese canal — lo que complica la comunicación con dirección o con equipos de cada canal.
05 — Distorsiones de presupuestoCómo cada modelo distorsiona las decisiones de presupuesto.
La diferencia entre modelos no es académica — se traduce en redistribuciones de presupuesto concretas que afectan el rendimiento real del negocio.
El canal que siempre gana con last-click
El SEM branded (búsquedas del nombre de la marca) y el retargeting son los canales más sobreestimados por last-click. Tienen tasas de conversión espectaculares porque capturan usuarios que ya decidieron comprar — pero esa intención fue generada por otros canales. Aumentar el presupuesto de branded search porque "convierte bien" en un dashboard de last-click puede ser contraproducente: el usuario que busca la marca va a buscarla de todos modos, y pagar por ese clic solo redistribuye tráfico que hubiera llegado de forma orgánica. Los experimentos de pausa de branded search — que varios anunciantes ejecutan periódicamente — muestran que la caída de conversiones es sustancialmente menor a la caída de clics pagos.
El canal que siempre pierde con last-click
El SEO orgánico de contenido, el paid social de prospecting y las campañas de display de awareness son los más perjudicados. Generan descubrimiento, crean consideración y educan al cliente — pero raramente son el último clic. En un dashboard de last-click, parecen costosos e ineficientes. Los equipos que los gestionan tienen dificultades para justificar su presupuesto en revisiones trimestrales. Y cuando los recortan para redirigir presupuesto a canales "más eficientes," el pipeline tarda meses en resentirse — tiempo suficiente para que nadie conecte la causa con el efecto.
El modelo no cambia el negocio — cambia la percepción del negocio
Pasar de last-click a data-driven attribution no mejora el rendimiento de los canales — mejora la precisión de la medición. Los canales que estaban subfinanciados por last-click reciben más crédito y, si el equipo actúa en base a esa nueva información, más presupuesto. El impacto en el negocio viene de las decisiones que siguen al cambio de modelo, no del cambio en sí. Por eso la adopción de un nuevo modelo debe ir acompañada de una revisión del presupuesto — no solo de los informes.
06 — ConexionesCómo conectan los modelos con el sistema de marketing.
El modelo de atribución elegido afecta la visión de todos los demás clusters del sistema.
Rendimiento
El árbol de métricas y los reportes reflejan el modelo de atribución: cambiar el modelo cambia todos los números sin que haya cambiado nada en el negocio. El ROAS por canal depende directamente del modelo — lo que significa que comparar el ROAS de dos negocios que usan modelos distintos es comparar peras con manzanas. La comparación last-click vs multi-touch y las ventanas de atribución son los dos ejes adicionales que definen cómo se configura el sistema de medición.
Estrategia
La priorización de recursos entre canales es la decisión estratégica que más directamente depende del modelo de atribución. Un diagnóstico estratégico que usa last-click para evaluar el rendimiento por canal concluirá que los canales de upper funnel son prescindibles — lo que puede ser una conclusión correcta o radicalmente incorrecta dependiendo del journey real. La estrategia GTM define la mezcla de canales; el modelo de atribución define si esa mezcla se percibe como eficiente o ineficiente.
Marca
Les Binet y Peter Field demostraron que las inversiones en brand building producen retornos de largo plazo que ningún modelo de atribución digital puede capturar completamente. El modelo data-driven es el que mejor aproxima la contribución de los canales de marca — pero sigue subestimándola porque no puede medir el impacto de la exposición sin interacción (brand awareness sin clic). El Marketing Mix Modeling es el complemento que cierra esa brecha para negocios con suficiente escala.
Crecimiento y fidelización
La asignación de presupuesto entre adquisición paga y orgánica depende del modelo. El CAC calculado con last-click sobreestima la eficiencia de los canales de cierre y subestima la de los canales de descubrimiento — lo que produce un unit economics aparentemente mejor que el real para canales de retargeting. La retención agrega una capa adicional: el CAC real debería considerar el LTV del cliente, no solo el costo de la primera conversión — lo que hace que el modelo de atribución correcto incluya la calidad del cliente por canal, no solo el volumen de conversiones.
Mercado y oferta
La investigación de mercado y la propuesta de valor informan qué canales tienen sentido para cada segmento — y el modelo de atribución valida o contradice esas hipótesis con datos de comportamiento real. Si la investigación dice que el segmento B2B investiga extensamente antes de comprar pero el modelo last-click muestra que "todo viene de branded search," el problema es el modelo, no el canal.
07 — Errores frecuentesErrores frecuentes con modelos de atribución.
Comparar canales entre plataformas con modelos distintos
Google Ads reporta conversiones con su modelo de atribución. Meta Ads reporta conversiones con el suyo. Los dos modelos tienen ventanas distintas, definiciones distintas de "vista" y "clic", y lógicas de deduplicación distintas. Comparar el ROAS de Google Ads con el de Meta Ads sumando sus conversiones individuales produce siempre un total mayor al de ventas reales — porque ambas plataformas se atribuyen la misma conversión. GA4 con data-driven es el único árbitro neutral.
Cambiar el modelo sin período de coexistencia
Cuando se migra de last-click a data-driven en GA4, los números históricos no cambian — pero los nuevos números son comparados contra el histórico del modelo anterior. Sin un período de transición donde ambos modelos corren en paralelo, la dirección puede interpretar la caída de ciertos canales (que el nuevo modelo valora menos) como deterioro real — y tomar decisiones de presupuesto basadas en una comparación entre modelos incompatibles.
Usar data-driven sin el volumen mínimo
Cuando GA4 no tiene suficientes conversiones para entrenar el modelo data-driven, cae automáticamente a last-click — pero el informe puede no hacerlo evidente. El equipo cree que está usando data-driven cuando en realidad está usando last-click. La verificación del volumen de conversiones antes de adoptar data-driven como modelo de referencia para decisiones de presupuesto es obligatoria.
Confiar en el modelo sin validar con incrementality
Incluso el modelo data-driven más sofisticado mide correlación temporal, no causalidad. La única forma de saber si un canal produce conversiones incrementales — conversiones que no habrían ocurrido sin ese canal — es el incrementality testing. Los modelos de atribución y los experimentos de incrementalidad son complementarios, no intercambiables.
Cómo elegir el modelo de atribución para tu negocio.
El criterio de selección
Menos de 400 conversiones/mes: Last-click con interpretación consciente de sus limitaciones. Documentar qué sesgos introduce y aplicar correcciones cualitativas al analizar los datos. No simular precisión con modelos que no tienen el volumen para sustentarla.
Entre 400 y 2.000 conversiones/mes: Data-driven en GA4 para el análisis de rendimiento general. Complementar con tests de pausa de canales específicos para validar la contribución causal de los canales de upper funnel que el modelo valora más que last-click.
Más de 2.000 conversiones/mes con presupuesto significativo en múltiples canales: Data-driven + atribución algorítmica de terceros para mayor granularidad + Marketing Mix Modeling para capturar el impacto de canales offline y de brand building. El incrementality testing periódico para validar los modelos con datos causales.
El error de buscar el modelo "correcto"
No existe. Todos los modelos son simplificaciones del journey real — que ocurre en múltiples dispositivos, con touchpoints invisibles, influenciado por factores no digitales. La pregunta correcta no es "¿cuál modelo es el verdadero?" sino "¿cuáles son las distorsiones conocidas de mi modelo actual y cómo las compensa mi proceso de decisión?" Un equipo que usa last-click conscientemente — sabiendo que subestima upper funnel y compensando con datos cualitativos — toma mejores decisiones que uno que usa data-driven sin entender sus limitaciones.
09 — Preguntas frecuentesPreguntas frecuentes sobre modelos de atribución.
¿Cuándo es aceptable seguir usando last-click?
Last-click es aceptable cuando el negocio tiene un único canal de adquisición dominante, cuando el ciclo de compra es corto con journeys de 1-2 touchpoints, cuando el volumen de conversiones es insuficiente para data-driven (menos de 400 mensuales), o cuando la simplicidad del modelo facilita la comunicación con dirección. Lo que no es aceptable es usar last-click sin saber qué distorsiona — y tomar decisiones de presupuesto como si el modelo fuera la realidad.
¿El modelo data-driven de GA4 es siempre el mejor?
No necesariamente. Es el más preciso cuando tiene suficiente volumen (400+ conversiones/mes) y tracking bien implementado. Con volúmenes bajos o tracking incompleto, puede producir distribuciones erráticas. Además, opera solo dentro de lo que el tracking de GA4 puede observar — no puede atribuir canales offline ni resolver cross-device más allá de usuarios con sesión activa.
¿Cómo se comparan los modelos entre plataformas distintas?
No se comparan directamente. El modelo last-click de GA4 y el de Meta Ads tienen ventanas, definiciones y lógicas de deduplicación distintas. Cada plataforma tiende a atribuirse el máximo crédito posible — haciendo que la suma de conversiones de todas las plataformas siempre supere el total real de ventas. GA4 con data-driven attribution es el único árbitro neutral disponible para la mayoría de los negocios.
Referencias y bibliografía.
Google. (2024). About attribution models in Google Ads. Google Ads Help.
Shapley, L. S. (1953). "A Value for n-Person Games." In Kuhn, H. & Tucker, A. (eds.), Contributions to the Theory of Games II. Princeton University Press.
Binet, L. & Field, P. (2013). The Long and the Short of It. IPA. Cap. 4–5.
Kaushik, A. (2009). Web Analytics 2.0. Sybex. Cap. 9.
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments. Cambridge University Press. Cap. 12.
Enge, E., Spencer, S. & Stricchiola, J. (2022). The Art of SEO. 4th ed. O'Reilly. Cap. 11.
Términos del glosario