Atribución y Medición: ¿este canal causa o solo captura?
Casi todos los modelos de atribución contestan la pregunta equivocada. Te dicen qué canal apareció antes de la conversión — no cuál la causó. Confundir las dos cosas es el motivo por el que la mayoría de los equipos sobre-invierten en canales que capturan demanda y sub-invierten en los que la generan.
La atribución asigna crédito a los touchpoints que aparecieron antes de una conversión. La medición causal responde una pregunta más difícil: cuáles de esos touchpoints realmente la generaron y cuáles solo la acompañaron. Confundir las dos cosas cuesta dinero real.
- ¿Qué es la atribución y por qué importa?
- Los 3 niveles de madurez en atribución
- El espectro de evidencia causal — 5 enfoques ordenados
- Los 5 enfoques de atribución en detalle
- Qué incluye y qué no incluye este subhub
- Correlación vs causalidad: la pregunta que la atribución no responde
- Errores frecuentes
- 9 guías de atribución y medición
- Cómo se conecta este subhub con el resto del sistema
- Preguntas frecuentes
- Referencias y bibliografía
¿Qué es la atribución y por qué importa?
Un usuario ve un anuncio de Meta, días después busca tu marca en Google, hace click en el resultado orgánico y convierte. ¿Qué canal causó la conversión? ¿El anuncio que generó awareness, la búsqueda de marca, el SEO orgánico, o los tres en conjunto? Esta pregunta no tiene respuesta perfecta — y entender por qué es el primer paso para no engañarse.
Gordon, Zettelmeyer, Bhargava y Chapsky lo demostraron con datos en A Comparison of Approaches to Advertising Measurement (Marketing Science, 2019). Auditaron 15 experimentos de Facebook con 500 millones de observaciones de usuarios y encontraron que los métodos observacionales — los que usan la mayoría de las plataformas y herramientas de atribución — pueden errar el efecto causal real por márgenes enormes, incluso cuando los datos disponibles son ricos. La conclusión incomoda al sector: ningún modelo de atribución basado en touchpoints captura causalidad. Todos miden correlación con disfraces distintos.
Esta limitación no invalida la atribución — la vuelve contextual. Los modelos sirven para comparar performance relativa entre campañas similares y optimizar tácticamente. Lo que no contestan es "¿este canal genera ventas que no ocurrirían sin él?". Esa pregunta requiere experimentos. La pregunta editorial real, entonces, no es qué modelo es correcto sino qué método es más útil para la decisión que tengo que tomar.
En el cluster Rendimiento, atribución es el tercer subhub porque depende del tracking y de Analítica y KPIs. Sin esas capas firmes, opera sobre datos incompletos.
Los 3 niveles de madurez en atribución
Según cómo entiende qué canales funcionan, un equipo opera en uno de tres niveles. La diferencia no es presupuesto — es disciplina analítica.
Last-click por defecto, sin pensar
Se usa el modelo que viene preconfigurado en GA4 o Google Ads sin entender los supuestos. Brand search aparece como "el mejor canal" porque captura demanda en el último paso. Los canales de awareness no se miden. Cada plataforma reclama crédito propio y la suma de conversiones declaradas excede las reales.
Multi-touch consciente con ventanas calibradas
Se usa un modelo multi-touch (linear, time-decay o position-based) con ventanas calibradas al sales cycle real. Se comparan modelos en paralelo para entender sesgos. Se complementa con assisted conversions y se entiende que last-click sobrevalora el cierre. Los canales de awareness recuperan visibilidad en los reportes.
Triangulación causal: MMM + incrementality
Atribución digital se complementa con Marketing Mix Modeling (regresión sobre datos agregados) e incrementality testing (experimentos de holdout o geo-lift). Triangulación de tres métodos independientes. Se distingue claramente "capturar demanda" de "generarla". Las decisiones de presupuesto se toman sobre evidencia causal, no sobre crédito declarado.
La mayoría está en nivel 1. El salto a nivel 2 es el que más impacto genera: revela canales invisibilizados por last-click sin requerir infraestructura nueva. Saltar a nivel 3 sin tener consolidado el 2 produce reportes sofisticados que nadie usa para decidir.
El espectro de evidencia causal — 5 enfoques ordenados
Los cinco enfoques principales de atribución se ordenan en un espectro de correlación pura a causalidad real. Cuanto más a la derecha, más cerca de responder "¿este canal causa ventas que no ocurrirían sin él?". El precio: complejidad y costo crecientes.
Los cuatro primeros miden correlación con disfraces distintos · solo el quinto mide causalidad real con experimentos controlados
Que el incrementality testing sea el gold standard no significa que sea el único válido — significa que es el único que mide causalidad real. Los otros siguen siendo útiles para optimización táctica; lo que importa es no confundirlos con verdad causal.
Los 5 enfoques de atribución en detalle
Cada enfoque tiene supuestos y trampas distintas. Elegir uno sin entender qué asume es la fuente del 80% de los errores de presupuesto en marketing.
Last-click y first-click — reglas simples
El 100% del crédito va al último (last-click) o al primero (first-click). Es simple y útil como baseline. Last-click sobrevalora canales de cierre — brand search, retargeting, email transaccional. First-click sobrevalora descubrimiento. Lewis y Rao demostraron que last-click puede sobreestimar el ROAS de retargeting hasta 10x cuando se compara contra experimentos controlados. Tratá last-click como termómetro, no como verdad.
Multi-touch — distribución por reglas
Linear: crédito equitativo entre todos los touchpoints. Time-decay: más peso a los touchpoints recientes. Position-based (U-shaped): 40% al primero, 40% al último, 20% repartido entre los intermedios. Es más realista que single-touch pero sigue siendo arbitrario — ¿por qué 40/20/40 y no 30/40/30? La elección debería reflejar tu hipótesis sobre cómo decide tu buyer, no la opción que viene preconfigurada en la herramienta.
Data-driven y algorítmico — ML sobre patrones
Machine learning asigna crédito sobre patrones reales de conversión observados en tu propia data. Más preciso que reglas fijas pero requiere volumen — Google recomienda 10.000+ conversiones mensuales por modelo. Tres advertencias: caja negra difícil de explicar, sigue midiendo correlación (no causalidad), y los modelos de cada plataforma están sesgados hacia esa plataforma.
Marketing Mix Modeling — regresión agregada
Regresión estadística sobre datos agregados de inversión y resultados por período. No requiere tracking individual ni cookies — funciona con datos macro. Permite incluir canales offline (TV, prensa, podcast) que la atribución digital no ve. Limitación real: requiere 12+ meses de datos históricos, variabilidad en niveles de inversión y experiencia estadística. No es un dashboard que se compra.
Incrementality testing — el gold standard causal
Experimentos controlados con grupos test y control: cortás inversión en un canal en una geografía o segmento y medís si las conversiones caen proporcionalmente respecto al control. Si caen, el canal es causal. Si no, capturaba demanda existente. Gordon et al. lo validaron como el único método que mide causalidad real en advertising digital. Limitación: requiere volumen para detectar efectos pequeños y disposición a "perder" inversión durante el test — pero el costo de no testear es seguir invirtiendo con fe.
El mejor sistema de atribución que implementé no fue el más sofisticado — fue el que el CMO entendió en 10 minutos y el equipo usó todos los lunes. Multi-touch razonable para reportes diarios, calendario trimestral de incrementality tests para validar las decisiones grandes. La sofisticación que nadie usa para decidir es ornamento, no análisis.
Lisandro IserteQué incluye y qué no incluye este subhub
Este subhub incluye
- Modelos: last-click, multi-touch, data-driven, algorítmico
- Ventanas de atribución, assisted conversions, decay
- Marketing Mix Modeling e incrementality testing
- Medición causal vs correlacional, triangulación
Este subhub no incluye
- Implementación de tracking → Tracking, GTM y Data Layer
- A/B testing de creatividades → Experimentación
- Optimización de presupuesto → Optimización de Presupuesto
- CAC y LTV → Unit Economics
Correlación vs causalidad: la pregunta que la atribución no responde
La mayoría de los modelos de atribución mide correlación: "este canal apareció en el path de conversión, recibe crédito proporcional". Pero correlación no es causalidad. Brand search aparece en casi todos los journeys de marcas conocidas — pero los usuarios ya habían decidido y solo buscaron tu nombre para llegar al sitio. El canal no causó la conversión: la canalizó.
Lewis y Rao lo cuantificaron en The Unfavorable Economics of Measuring the Returns to Advertising (Quarterly Journal of Economics, 2015). Analizaron 25 campañas grandes que sumaban USD 2,8 millones y encontraron que el intervalo de confianza mediano sobre el ROI tenía más de 100 puntos porcentuales de ancho. La razón es estadística: el efecto incremental de la publicidad es pequeño frente a la varianza natural de las ventas. Un ad que aparece "generando" 100 conversiones puede generar solo 5 incrementales — las otras 95 habrían ocurrido igual.
La única forma de medir causalidad es con experimentos: cortás inversión en un canal en una geografía o segmento y comparás con un grupo control comparable. Si las conversiones del grupo test caen más que las del control, el canal es causal en proporción a esa caída. Si no hay diferencia, estaba capturando demanda orgánica que existía igual. Es un método incómodo — implica "perder" inversión durante semanas — pero es la única verdad que importa para decidir presupuesto.
Errores frecuentes
Confundir correlación con causalidad
Que un canal aparezca en el path no significa que la causó. Retargeting y brand search capturan demanda existente; prospecting y awareness la generan. Sin incrementality testing no podés distinguir cuál es cuál — y por defecto sobre-invertís en los que capturan.
Optimizar al modelo, no a los resultados
Sobre-invertir en canales que "el modelo dice que funcionan" (retargeting, brand) y sub-invertir en los que generan demanda real (prospecting, awareness, contenido). El modelo es herramienta, no descripción de la realidad.
Ventanas de atribución mal calibradas
7 días subestima canales con cycle largo (típico en B2B con 60-90 días). 90 días sobreestima y captura ruido. Calibrá según tu sales cycle real medido — no uses el default.
Un solo modelo como verdad única
Ningún modelo captura toda la realidad. Las organizaciones más sofisticadas usan varios en paralelo: last-click para óptica táctica, multi-touch para journeys, MMM trimestral para mix, incrementality semestral para validar. Triangulación > modelo único.
Ignorar la muerte de las cookies
Third-party cookies en extinción rompe cross-device y cross-site tracking. Si tu atribución depende 100% de cookies de terceros, ya estás perdiendo datos sin saberlo. First-party data + MMM + incrementality es la combinación que sobrevive.
9 guías de atribución y medición
Las nueve guías están organizadas en tres niveles de complejidad. El orden recomendado de lectura: fundamentos → modelos → causalidad.
Nivel inicial — Fundamentos 01¿Qué es la atribución?
Marco completo: asignar crédito a touchpoints y por qué la causalidad es el problema.
Modelos de atribución
Last-click, first-click, linear, time-decay y data-driven: cuándo usar cada uno.
Last-click vs multi-touch
Trade-offs entre simplicidad y precisión en modelos de atribución.
Atribución multi-canal
Trackear y atribuir a través de múltiples canales y dispositivos.
Ventanas de atribución
Cuánto tiempo después del touchpoint sigue contando para la conversión.
Decay models
Time-decay y position-based: cómo dar más peso a los touchpoints relevantes.
Atribución algorítmica
Machine learning para asignar crédito sobre patrones reales de conversión.
Marketing Mix Modeling
Regresión sobre datos agregados para estimar contribución por canal.
Incrementality testing
Gold standard causal: medir impacto real cortando inversión y comparando con control.
Cómo se conecta este subhub con el resto del sistema
Atribución no vive sola — alimenta y se alimenta de cada cluster del sistema. Estos son los puntos de contacto.
EstrategiaPriorizar canales y trade-offs de inversión sin atribución causal es elegir con los ojos cerrados — el modelo dicta dónde poner los recursos. MarcaBrand equity y campañas de awareness son típicamente sub-atribuidos por last-click — solo MMM e incrementality los miden bien. OfertaCambios de pricing afectan tasa de conversión por canal — atribución sin contexto de pricing confunde efecto de oferta con efecto de canal. MercadoEl customer journey real define qué ventana de atribución calibrar — sin esa entrada, las ventanas son arbitrarias. CrecimientoLas decisiones de inversión en adquisición paga dependen de qué modelo de atribución usás — last-click sub-invierte awareness, multi-touch sobre-invierte intermedios. RendimientoIncrementality testing es la unión natural entre atribución y experimentación — los experimentos validan lo que los modelos solo correlacionan. FidelizaciónAtribuir LTV al canal de adquisición original requiere ventanas largas y first-party data — territorio donde la atribución estándar falla y MMM brilla.Preguntas frecuentes
¿Qué modelo de atribución usar?
Depende del buyer journey y del volumen. Last-click es simple pero sobrevalora el canal final. Multi-touch distribuye crédito por reglas. Data-driven requiere 10.000+ conversiones mensuales. Empezá con last-click como baseline, evolucioná a multi-touch consciente con ventanas calibradas, y solo después saltá a data-driven o causal.
¿Cómo medir impacto causal real vs correlación?
Incrementality testing: cortás inversión en un canal o geografía y medís si las conversiones caen respecto al control. Si caen, el canal es causal. Si no, estaba capturando demanda existente. Marketing Mix Modeling es alternativa para canales difíciles de testear con experimentos directos.
¿Cómo hacer atribución con cookies muriendo?
Triangulación: first-party data (lo que capturás vos directo), probabilistic matching (modelos sin user ID), MMM (no depende de tracking individual) e incrementality testing. Ningún método único reemplaza third-party cookies — el futuro es combinación de tácticas.
Referencias y bibliografía
Gordon, B. R., Zettelmeyer, F., Bhargava, N. & Chapsky, D. (2019). A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook. Marketing Science, 38(2), 193-225.
Lewis, R. A. & Rao, J. M. (2015). The Unfavorable Economics of Measuring the Returns to Advertising. Quarterly Journal of Economics, 130(4), 1941-1973.
Chan, D. & Perry, M. (2017). Challenges and Opportunities in Media Mix Modeling. Google Inc., Research Paper.
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Sybex / Wiley.
Fishkin, R. (2018). Lost and Founder: A Painfully Honest Field Guide to the Startup World. Portfolio / Penguin.
Términos relacionadosAtribución te dice qué canales correlacionan con conversiones. Experimentación te dice cuáles las causan. Las decisiones grandes — escalar, pausar, redistribuir presupuesto — necesitan la segunda.
Ir a Experimentación →