Modelos de atribución: crédito e incrementalidad.
Los modelos de atribución distribuyen crédito a las interacciones medidas. Para interpretarlos, hay que conocer sus reglas y distinguir conversiones atribuidas de resultados incrementales. Las diferencias entre plataformas requieren conciliación, no sumar sus totales sin revisar el alcance.
Qué es la atribución y por qué importa.
La atribución es el proceso de asignar crédito a los canales y touchpoints que contribuyeron a una conversión. Sin atribución, no sabés qué canal funciona, cuánto deberías invertir en cada uno, ni si tu CAC por canal es real o ficticio. El síntoma más común del problema es simple de detectar: si sumás las ventas que cada plataforma se adjudica, el total supera por amplio margen las ventas que realmente registraste.
Un modelo de atribución distribuye crédito entre los puntos de contacto observados según reglas o estimaciones. No equivale por sí solo a medir ventas causadas por un canal. Que una persona haga clic y después compre no demuestra que la compra dependiera de ese clic: también hay que considerar qué habría ocurrido sin la intervención.
El subhub de Atribución y Medición del cluster de Rendimiento desarrolla el tema en profundidad. Este spoke se enfoca en cómo la atribución impacta las decisiones de inversión en adquisición paga específicamente.
02 · ModelosLos modelos de atribución: ventajas y distorsiones.
Cada modelo asigna el crédito de forma diferente. Ninguno es perfecto: cada uno tiene un sesgo específico que favorece ciertos canales sobre otros.
| Modelo | Lógica | Favorece | Distorsiona |
|---|---|---|---|
| Last-click | 100% al último touchpoint | Retargeting, SEM de marca | Ignora canales de awareness que iniciaron el journey |
| First-click | 100% al primer touchpoint | Canales de awareness, social | Ignora canales de cierre |
| Linear | Crédito igual a todos | Ningún canal en particular | Sobrevalora touchpoints irrelevantes |
| Position-based | 40% primero, 40% último, 20% intermedios | Primer y último contacto | Subvalora la fase de consideración |
| Data-driven | ML calcula contribución real | Depende del algoritmo | Su utilidad depende de la calidad y cobertura de datos; no existe un umbral universal de 300 conversiones. |
Avinash Kaushik, en Web Analytics 2.0 (2009), recomienda un enfoque pragmático: no busques el modelo perfecto, buscá consistencia. Elegí un modelo, usalo de forma consistente y compará tendencias mes a mes. Lo que importa no es el número absoluto de conversiones atribuidas a cada canal sino cómo cambia esa distribución cuando optimizás.
La analítica del cluster de Rendimiento integra la atribución en el sistema de KPIs. La North Star Metric del cluster de Estrategia debe ser resistente al modelo de atribución: si tu NSM cambia drásticamente según el modelo, es una señal de que no estás midiendo lo correcto.
03 · IncrementalidadIncrementalidad: la prueba real de causalidad.
La incrementalidad responde la pregunta que la atribución no puede: ¿cuántas de estas conversiones ocurrieron gracias a este canal y no habrían ocurrido sin él? Es la diferencia entre correlación ("quien vio el ad compró") y causalidad ("compró porque vio el ad").
Un experimento de incrementalidad compara un grupo expuesto a una intervención con un control comparable que no la recibe. La asignación, el tamaño de muestra, la duración y las posibles interferencias deben definirse antes de interpretar el resultado. Apagar inversión y comparar dos períodos sin control puede confundir el efecto publicitario con estacionalidad u otros cambios.
Un estudio geográfico puede comparar regiones expuestas y de control, pero necesita evaluar comparabilidad, interferencias y cambios externos. No basta con elegir dos ciudades y atribuir toda diferencia posterior al canal. La duración y el tamaño del estudio dependen del efecto que se busca detectar y de la variabilidad de los datos; no hay un plazo universal de dos a cuatro semanas.
Google ofrece Conversion Lift para estudios controlados; su disponibilidad depende de la cuenta. El estudio debe corresponder al resultado buscado: recuerdo de marca y conversiones no son la misma variable. Reportá el efecto estimado con su incertidumbre y límites; un experimento bien diseñado aporta evidencia causal, no certeza absoluta.
Ejemplo hipotético: con grupos comparables de igual tamaño, un control registra 1.000 conversiones y un grupo expuesto 1.150. La diferencia observada es 150 y el incremento relativo frente al control es 15 %. Eso no equivale a decir que el 15 % de las conversiones expuestas fue incremental: 150 / 1.150 es aproximadamente 13 %. Para interpretar la diferencia como efecto, hacen falta un diseño válido y una estimación de incertidumbre.
Lisandro IserteEl problema del auto-reporte de plataformas.
Las plataformas pueden diferir en ventanas de atribución, interacciones consideradas, identidad, zona horaria y fecha utilizada para reportar. Revisá la configuración real de cada cuenta en lugar de asumir una ventana fija. Una misma venta puede recibir crédito en varios sistemas; sumar sus conversiones atribuidas no produce necesariamente un total de ventas únicas.
Para conciliar resultados, definí una fuente operativa de ventas o leads, identificadores únicos y reglas compartidas. GA4, un CRM o un modelo propio pueden aportar perspectivas complementarias, pero ninguno elimina automáticamente sesgos, pérdida de señal o límites de identidad. La implementación del tracking debe documentar qué observa cada fuente y qué queda fuera.
En B2B con ciclos largos, la atribución requiere conectar el CRM con los datos de pauta. Un lead que llegó por LinkedIn hace cuatro meses y cerró un deal hoy necesita que la conexión entre el clic original y la venta se mantenga en el sistema. La segmentación en CRM del cluster de Fidelización cierra ese loop: conecta datos de adquisición con datos de conversión y retención. La segmentación por CLV agrega una capa más: no solo qué canal convierte sino qué canal trae clientes que se quedan y expanden.
La optimización de presupuesto del cluster de Rendimiento depende directamente de la calidad de la atribución: si atribuís mal, redistribuís mal. La lógica de costo de oportunidad del cluster de Estrategia usa estos datos para decidir dónde concentrar inversión, y una atribución distorsionada produce prioridades distorsionadas. Cada dólar asignado al canal equivocado es un dólar que no fue al canal correcto.
La medición de marca y la investigación de mercado pueden aportar contexto que una ruta de clics no recoge. Sus resultados también tienen límites: las entrevistas describen recuerdos e interpretaciones de los participantes, no un registro completo del recorrido ni una prueba causal.
05 · ErroresErrores frecuentes.
Confiar en el auto-reporte de las plataformas
Conciliá las conversiones atribuidas con transacciones o leads deduplicados. Investigá diferencias de alcance y configuración; un porcentaje de discrepancia, por sí solo, no demuestra inflación deliberada ni identifica su causa.
Usar last-click como única fuente
Last-click le da todo el crédito al último touchpoint e invisibiliza los canales que iniciaron el journey. Si solo mirás last-click, vas a subinvertir en awareness y sobreinvertir en retargeting, hasta que el retargeting se quede sin audiencia porque dejaste de alimentar el top del funnel.
Implementar data-driven sin volumen suficiente
Google Ads permite atribución basada en datos con cualquier volumen de conversiones o interacciones. Su documentación recomienda al menos 200 conversiones y 2.000 interacciones en 30 días para mejorar el análisis; esa recomendación no es un requisito de acceso ni una garantía de precisión. En GA4, las opciones actuales son atribución basada en datos y dos variantes de último clic. Los modelos lineal, de primer clic, temporal y de posición que se explican como conceptos históricos no deben presentarse como opciones actuales de GA4.
No medir incrementalidad
Usá la atribución para analizar cómo se distribuye el crédito dentro del sistema medido. Para estimar efectos incrementales, complementala con experimentación o con un diseño causal cuyos supuestos puedas justificar. La estimación puede ser incierta y su validez depende del diseño, la medición y la población estudiada.
Lo que aprendiste en este subhub.
El subhub de Adquisición Paga cubre el sistema completo: desde entender qué es la pauta y cuándo activarla, hasta medir qué canal realmente genera la venta. Estos son los 9 spokes que recorriste:
Google, Meta, LinkedIn, YouTube, programática: cuándo usar cada uno.
InicialCómo calcularlo, qué incluir y la relación CAC/LTV que define viabilidad.
InicialModelos, incrementalidad, auto-reporte de plataformas y causalidad real.
AvanzadoPreguntas frecuentes.
¿Qué modelo de atribución debería usar?
Elegí según la pregunta, los modelos disponibles en la herramienta y la calidad de los datos. Google Ads permite atribución basada en datos sin un mínimo universal de 300 conversiones. En GA4 están disponibles la atribución basada en datos y dos variantes de último clic. Documentá el modelo y complementá el análisis con evaluación de incrementalidad cuando la decisión lo requiera.
¿Por qué cada plataforma reporta distinto?
Porque pueden usar distintas ventanas, identidades, interacciones y reglas de reporte. Revisá la configuración de las cuentas y conciliá con ventas o leads deduplicados; sumar conversiones atribuidas de varias plataformas puede contar la misma acción más de una vez.
¿Qué es incrementalidad?
La incrementalidad estima cuántos resultados adicionales produjo una intervención frente a lo que habría ocurrido sin ella. Un experimento con tratamiento y control es una forma de evaluarla. El resultado debe interpretarse con su incertidumbre y los límites del diseño.
Referencias y bibliografía.
Kohavi, R., Tang, D. y Xu, Y. (2020). Trustworthy Online Controlled Experiments: introducción e índice publicados por los autores. Referencia general sobre experimentación, sin atribuirle un capítulo sobre incrementalidad.
Kaushik, A. (2009). Web Analytics 2.0. Wiley.
Croll, A. y Yoskovitz, B. (2013). Lean Analytics. O'Reilly.
Chen, A. (2021). The Cold Start Problem. Harper Business.
Sharp, B. (2010). How Brands Grow. Oxford University Press.
Ellis, S. y Brown, M. (2017). Hacking Growth. Crown Business.
Google Ads: atribución basada en datos y requisitos de datos. Consulta: 3 de octubre de 2026.
Google Analytics: modelos de atribución disponibles. Consulta: 3 de octubre de 2026.
Google Ads: Conversion Lift y grupos de tratamiento y control. Consulta: 3 de octubre de 2026.
Términos del glosario