Time decay attribution: cuándo el tiempo es el criterio de crédito

Qué es el modelo time decay

El modelo time decay —o decaimiento temporal— es un tipo de atribución multi-touch que asigna más crédito a los touchpoints que ocurrieron más cerca de la conversión y menos crédito a los que ocurrieron antes. La distribución sigue una función de decaimiento: cada touchpoint recibe un porcentaje del crédito total que decrece a medida que se aleja en el tiempo de la conversión.

La intuición detrás del modelo es razonable: el anuncio que vio el usuario el día anterior a la compra probablemente tuvo más influencia que el que vio hace tres semanas. A diferencia del modelo last-click, que da el 100% del crédito al último touchpoint y 0% a todos los demás, time decay distribuye el crédito a lo largo del journey, aunque de forma decreciente hacia el pasado.

Google Analytics 4 incluye time decay como uno de sus modelos de atribución configurables, con una vida media de decaimiento de 7 días por defecto — lo que significa que un touchpoint de hace 7 días recibe la mitad del crédito que uno de hoy. Esta parametrización es ajustable en algunas implementaciones avanzadas, aunque la mayoría de los equipos usa el default sin cuestionarlo.

Cómo se distribuye el crédito: la lógica del decaimiento

Para entender cómo opera time decay, considerá un journey de compra de 5 touchpoints en 14 días. La distribución de crédito con decaimiento exponencial (vida media de 7 días) se vería aproximadamente así:

La comparación con last-click es instructiva: en last-click, el tráfico directo del día 14 recibe el 100% del crédito y el email del día 1 recibe 0%. Time decay al menos reconoce que el email inicial tuvo alguna influencia, aunque asigne solo el 5% del crédito total. El canal de email marketing aparece como más importante en time decay que en last-click — aunque sigue siendo subestimado si ese email fue el que despertó el interés inicial.

La mecánica matemática es la siguiente: cada touchpoint recibe un peso proporcional a 2^(días_restantes / vida_media), donde días_restantes es el tiempo que transcurrió entre ese touchpoint y la conversión. A mayor vida media configurada, más gradual es el decaimiento y más crédito reciben los touchpoints iniciales.

Time decay frente a otros modelos rule-based

Entre los modelos rule-based, time decay es generalmente más adecuado que last-click o first-click para negocios donde el touchpoint final no es claramente el más influyente. Pero todos los modelos rule-based comparten el mismo límite estructural: asignan crédito según una fórmula predefinida, no según lo que los datos de ese negocio específico muestran sobre qué combinaciones de touchpoints realmente producen conversiones.

Cuándo time decay es el modelo correcto

Time decay funciona bien cuando el ciclo de compra es corto y los touchpoints más cercanos a la conversión son, efectivamente, los más influyentes en la decisión. Esto ocurre con más frecuencia en:

Ciclos de compra de baja consideración: cuando el usuario compra de forma más impulsiva, el anuncio que vio horas antes de la compra tiene más influencia real que uno de dos semanas atrás. El comportamiento de compra en B2C de baja consideración se alinea bien con la lógica de decaimiento.

Ciclos de recompra: cuando el cliente ya conoce el producto y está volviendo a comprar, los touchpoints más recientes —un email de oferta, un anuncio de retargeting— son los que efectivamente aceleraron esa recompra. El crédito creciente hacia el presente tiene sentido en este contexto de campañas de lifecycle.

Productos con alta estacionalidad: cuando la compra está acelerada por un evento (Black Friday, vuelta al cole), el touchpoint en el momento del evento es genuinamente el que más influye. Time decay captura bien este patrón porque los touchpoints previos al evento tienen cada vez menos peso.

Los límites del modelo: dónde falla

El límite fundamental de time decay es que asume que la influencia de un touchpoint decrece con el tiempo — siempre. Pero eso es una hipótesis sobre el comportamiento humano que no se verifica en todos los contextos.

Journeys iniciados por un touchpoint de alto impacto

Imaginá que alguien lee un artículo largo de tu blog, lo convence de que tu producto es relevante para su problema, y dos semanas después busca tu marca directamente y compra. En last-click, el 100% del crédito va a la búsqueda de marca. En time decay, quizás el artículo recibe el 8% del crédito y la búsqueda de marca el 50%. En la realidad, el artículo fue el touchpoint que generó la intención — sin él, la búsqueda nunca habría ocurrido. Time decay sigue infravalorando el canal de contenido que inició el journey.

B2B con ciclos de decisión complejos

En B2B con ciclos de 90-180 días, la decisión de compra involucra a múltiples stakeholders que interactúan con el contenido en distintos momentos. El touchpoint inicial — un whitepaper que un analista descubrió y compartió con el director — puede haber sido el que abrió la conversación de compra. Con time decay, ese touchpoint inicial recibe una fracción mínima del crédito porque ocurrió hace meses. El comportamiento de compra B2B con múltiples decisores difícilmente se modela correctamente con time decay.

Campañas de brand awareness de largo plazo

Las inversiones en brand awareness crean familiaridad que facilita la conversión semanas o meses después, pero en time decay esa contribución recibe cada vez menos crédito a medida que pasa el tiempo. El resultado es que las campañas de brand equity siempre aparecen con bajo ROAS en cualquier modelo rule-based que decae con el tiempo, incluyendo time decay.

Time decay en el sistema de medición

Time decay no debe usarse de forma aislada — es una pieza de un sistema de medición más amplio. Su valor está en producir una lectura de la contribución de los canales que es menos sesgada que last-click, pero sigue siendo una aproximación que necesita complementos.

En el contexto del sistema de árbol de métricas, time decay informa mejor que last-click cuánto crédito asignar a los canales intermedios del funnel. Los dashboards de marketing que usan time decay como modelo base muestran una distribución de conversiones entre canales que es más cercana a la realidad multitouchpoint que cualquier modelo de clic único.

Sin embargo, para decisiones de presupuesto importantes — qué canal escalar, cuál reducir, cuánto invertir en awareness vs conversión — time decay solo no es suficiente. El complemento necesario es el Marketing Mix Modeling, que trabaja a nivel agregado y no depende de ninguna suposición sobre el decaimiento temporal. Y para validar causalidad real, el incrementality testing es el único método que dice si un canal realmente generó ventas que no habrían ocurrido sin él.

La conexión con el cluster de Crecimiento es directa: en la modelación de atribución para campañas pagas, time decay produce una distribución de CAC entre canales que es más informativa que last-click. El equipo que optimiza la inversión en adquisición paga usando time decay como referencia tiene una lectura más equilibrada de qué canales contribuyen a lo largo del journey, lo que puede cambiar materialmente las decisiones de mix entre Google Ads, Meta Ads y canales orgánicos.

En el cluster de Fidelización, time decay es especialmente relevante para medir el impacto de las campañas de reactivación: el touchpoint que reactivó al cliente inactivo fue el más reciente y probablemente el más determinante. Time decay captura bien esa lógica y produce métricas de ROAS más realistas para estas campañas que modelos que valorizan el primer touchpoint (como first-click). El cálculo del CLV segmentado por canal de reactivación se vuelve más confiable cuando la atribución del canal de reactivación está bien asignada.

Desde el cluster de Estrategia, time decay aporta una base de datos más completa para la asignación de presupuesto entre canales: en lugar de penalizar sistemáticamente los canales de awareness que aparecen en touchpoints iniciales, time decay les asigna algo de crédito que aparece en los reportes de eficiencia. Esto reduce el sesgo hacia los canales de cierre en las decisiones de priorización. La evidencia de ROI que sustenta las decisiones de inversión en distintos canales es más equilibrada cuando el modelo de atribución que la alimenta reconoce la contribución de los touchpoints iniciales, aunque sea parcialmente. La conexión con el cluster de Mercado es que el journey map que el equipo de mercado construye puede usar los datos de atribución time decay para identificar en qué fases del journey cada canal tiene más influencia — información que no está disponible con last-click.

Errores frecuentes con time decay

Error 1: asumir que time decay siempre mejora last-click

Time decay es más justo que last-click en ciclos multitouchpoint donde los canales intermedios contribuyen. Pero en journeys donde el primer touchpoint fue genuinamente el más influyente —como una recomendación peer-to-peer seguida de varios retargetings— time decay penaliza ese primer touchpoint y sobrevalúa el retargeting. Ningún modelo rule-based es siempre mejor — depende de qué ciclo de compra y qué mix de canales se está midiendo.

Error 2: usar el mismo modelo para todos los segmentos

El ciclo de decisión puede ser radicalmente distinto según el segmento de mercado: un cliente enterprise puede tomar 120 días en decidir mientras un cliente SMB tarda 7. Aplicar el mismo modelo time decay con la misma vida media de decaimiento a ambos segmentos produce resultados incorrectos para al menos uno de ellos. La segmentación por criterios de comportamiento debe informar si se usan modelos distintos para segmentos distintos.

Error 3: usar time decay sin validar con datos del negocio

El decaimiento con vida media de 7 días es el default de GA4. Para un negocio con ciclos de 45 días, ese default subestima los touchpoints de las primeras semanas y sobrevalúa los de la última. Sin validar la vida media de decaimiento contra los datos reales del ciclo de compra del negocio, el modelo es tan arbitrario como cualquier otro default.

Error 4: confundir time decay con data-driven attribution

Time decay es un modelo rule-based: asigna crédito según una fórmula fija basada en el tiempo, independientemente de qué touchpoints realmente predicen conversiones en ese negocio. Data-driven attribution usa machine learning para aprender esa relación de los datos históricos. Son modelos de naturaleza distinta con distintos requerimientos de datos y distintos niveles de sofisticación.

Preguntas frecuentes sobre time decay attribution

Términos del glosario