Time Decay Attribution: qué es, cómo funciona y por qué Google lo retiró.
El modelo de decaimiento temporal reparte más crédito entre los touchpoints cercanos a la conversión. Sigue siendo útil para entender la lógica de los modelos rule-based, aunque ya no está disponible como modelo de atribución en GA4 ni Google Ads.
Qué es Time Decay Attribution.
Time Decay Attribution, o atribución por decaimiento temporal, es un modelo de atribución basado en reglas que asigna más crédito a los touchpoints ocurridos cerca de la conversión y menos a los más antiguos.
Su hipótesis es simple: cuanto más reciente fue una interacción, mayor peso debería tener en la distribución del crédito. A diferencia de last click, no entrega el 100% al último contacto; reparte el crédito entre varias interacciones, pero introduce una regla temporal explícita.
Eso lo convierte en una heurística de reparto, no en una medición de influencia observada ni en una estimación causal. El tiempo define el peso porque el modelo así lo supone.
Time decay no descubre que los últimos touchpoints son más importantes. Decide, por construcción, darles más crédito.
Síntesis editorialCómo funciona el decaimiento.
Una forma habitual de representar el modelo utiliza una función exponencial. Si Δt es el tiempo transcurrido entre el touchpoint y la conversión y h es la vida media, un peso bruto puede expresarse como:
w(Δt) = 2−Δt / h
Después se normalizan todos los pesos del journey para que la suma del crédito sea 100%.
Con una vida media de 7 días, un touchpoint ocurrido el mismo día tiene peso bruto 1; uno de 7 días antes, 0,5; uno de 14 días, 0,25; uno de 21 días, 0,125. La regla reduce el peso a la mitad cada vez que transcurre una vida media.
La fórmula del HTML anterior tenía el exponente con signo positivo, lo que producía exactamente el efecto contrario: asignar mayor peso a medida que el touchpoint se alejaba en el tiempo.
03 — Contexto históricoQué significaba la vida media de 7 días.
La referencia conocida de 7 días pertenece al modelo legacy de Multi-Channel Funnels de Universal Analytics. Google documentaba que un touchpoint ocurrido 7 días antes de la conversión recibía la mitad del crédito bruto de uno ocurrido el día de la conversión.
Ese dato sigue siendo útil para explicar cómo funcionaba el modelo, pero no debe presentarse como un parámetro actual de GA4. GA4 retiró Time Decay en noviembre de 2023 junto con first click, linear y position-based.
04 — ComparaciónTime decay vs last click y data-driven attribution.
| Modelo | Cómo asigna crédito | Ventaja | Límite |
|---|---|---|---|
| Last click | 100% al último contacto elegible. | Simple y transparente. | Ignora el resto del recorrido. |
| Time decay | Más peso cuanto más cerca de la conversión. | Reconoce varios touchpoints. | Impone que proximidad temporal equivale a mayor crédito. |
| Data-driven | Distribuye crédito mediante modelos basados en datos. | Se adapta a patrones observados del anunciante o evento. | Crédito modelado no equivale automáticamente a lift incremental. |
Decir que time decay es “más justo” que last click puede ser tentador, pero es demasiado fuerte. Distribuye crédito de forma menos extrema, sí; eso no demuestra que el reparto sea más correcto para un negocio concreto.
La página de Atribución Algorítmica profundiza en cómo funciona hoy la atribución basada en datos y por qué tampoco debe confundirse con incrementalidad.
05 — Uso conceptualCuándo puede ser una heurística razonable.
Fuera de las configuraciones actuales de Google, una lógica time-decay todavía puede implementarse en un warehouse, modelo propio o herramienta de analítica cuando el equipo necesita una regla simple y transparente para repartir crédito.
Puede ser razonable cuando existe una hipótesis de negocio defendible de que la influencia tiende a concentrarse cerca de la conversión: ciclos de decisión breves, comunicaciones de cierre, recompras o ciertas campañas promocionales.
Pero el valor del modelo está en su simplicidad y consistencia, no en una supuesta superioridad metodológica. Si la hipótesis temporal no es razonable, el reparto puede distorsionar la interpretación.
06 — LímitesDónde falla Time Decay.
Touchpoints iniciales de alto impacto
Una recomendación, una pieza de contenido o una exposición de marca pueden iniciar la demanda y quedar muy lejos de la compra. Time decay les asignará poco crédito precisamente por haber ocurrido antes.
Ciclos B2B largos
En journeys de meses con múltiples decisores, la distancia temporal puede tener poca relación con la importancia real de una interacción. Una reunión inicial puede ser decisiva aunque la firma ocurra 120 días después.
Brand awareness
La memoria de marca puede acumularse durante semanas o meses. Un modelo que reduce automáticamente el crédito con el tiempo puede subrepresentar exposiciones que construyeron familiaridad antes de que existiera intención explícita.
Retargeting y canales de cierre
Al favorecer los touchpoints cercanos al evento, time decay puede reforzar el crédito de canales que aparecen naturalmente al final del journey. Eso no demuestra que esos canales hayan producido el resultado incremental.
07 — Estado actualTime Decay ya no está disponible en GA4 ni Google Ads.
Google Analytics retiró first click, linear, time decay y position-based en noviembre de 2023. Actualmente, los informes de atribución de GA4 permiten usar atribución basada en datos y variantes de último clic.
Google Ads también dejó de admitir esos modelos rule-based. Las acciones de conversión que los utilizaban fueron actualizadas a data-driven attribution; último clic continúa disponible.
| Producto | Time Decay hoy | Alternativas actuales |
|---|---|---|
| Google Analytics 4 | No disponible desde noviembre de 2023. | Data-driven; paid & organic last click; Google paid last click. |
| Google Ads | No compatible. | Data-driven attribution; last click. |
| Universal Analytics | Modelo histórico legacy. | Solo relevante como documentación histórica. |
Qué lugar ocupa hoy.
Time decay sigue siendo útil para aprender una lección importante: todo modelo de atribución incorpora una lógica sobre cómo repartir crédito. En los modelos rule-based esa lógica es explícita; en los algorítmicos es más compleja y dependiente de datos.
Para reporting operativo dentro de Google, la alternativa actual es Data-Driven Attribution o último clic. Para decisiones de mix y presupuesto, Marketing Mix Modeling responde otra clase de pregunta. Y cuando se busca estimar el efecto incremental de una intervención concreta, conviene recurrir a Incrementality Testing u otros métodos de inferencia causal.
La lectura madura no consiste en reemplazar una regla por otra, sino en saber qué pregunta puede responder cada enfoque y qué supuestos introduce.
09 — ErroresErrores frecuentes con Time Decay.
Error 1: presentarlo como opción actual de GA4
Ya no lo es. Fue retirado en noviembre de 2023.
Error 2: usar la vida media de 7 días como estándar universal
Ese valor era el default histórico de Universal Analytics. No existe una vida media correcta para todos los negocios.
Error 3: escribir la fórmula con exponente positivo
Eso invierte el comportamiento del modelo. En un decaimiento exponencial, el peso debe disminuir con el tiempo: 2−Δt/h.
Error 4: asumir que proximidad temporal equivale a influencia
La regla asigna crédito por cercanía; no prueba que los contactos cercanos hayan causado más resultado.
Error 5: decir que siempre mejora last click
Time decay evita el reparto 100/0 de last click, pero sustituye esa regla por otra hipótesis. Puede ser más útil en algunos journeys y peor en otros.
Error 6: usarlo para decisiones causales de presupuesto
Time decay es una lógica de atribución, no una estimación de lift. No debería utilizarse para afirmar cuánto resultado adicional produjo una campaña.
10 — Preguntas frecuentesPreguntas frecuentes.
¿Qué es Time Decay Attribution?
Time Decay Attribution es un modelo de atribución basado en reglas que asigna más crédito a los touchpoints cercanos a la conversión y menos a los más antiguos. El reparto suele representarse mediante una función de decaimiento temporal y después se normalizan los pesos para que sumen el 100% del crédito.
¿GA4 todavía permite usar Time Decay?
No. Google Analytics retiró los modelos first click, linear, time decay y position-based en noviembre de 2023. Actualmente los informes de atribución de GA4 ofrecen atribución basada en datos y variantes de último clic.
¿Google Ads todavía permite usar Time Decay?
No. Google Ads dejó de admitir time decay, first click, linear y position-based. Las acciones de conversión que usaban esos modelos fueron migradas a data-driven attribution, aunque último clic sigue disponible.
¿Qué significa una vida media de 7 días en Time Decay?
En una función exponencial con vida media de 7 días, un touchpoint ocurrido 7 días antes de la conversión recibe la mitad del peso bruto de un touchpoint ocurrido en el momento de la conversión; uno de 14 días recibe un cuarto. Ese parámetro fue característico del modelo legacy de Universal Analytics, no una configuración actual de GA4.
¿Time Decay es mejor que Last Click?
No existe una superioridad universal. Time decay distribuye crédito entre varios touchpoints y evita que el último reciba todo, pero impone otra hipótesis: que la influencia disminuye con el tiempo. Esa hipótesis puede ser razonable en algunos journeys y errónea en otros.
¿Time Decay mide causalidad?
No. Es una regla de asignación de crédito. No identifica por sí sola cuánto resultado adicional causó un touchpoint o canal. Para estimar efectos incrementales se necesitan experimentos u otros métodos de inferencia causal adecuados.
Referencias y bibliografía.
Google Analytics Help. Get started with attribution. Modelos actuales de atribución y retirada de modelos rule-based.
Google Analytics Help. Change the reporting attribution model for key events. Configuraciones actuales disponibles en GA4.
Google Ads Help. About attribution models. Estado actual de modelos disponibles en Google Ads.
Google Analytics Help · Universal Analytics legacy. About the default MCF attribution models. Definición histórica de time decay y vida media de 7 días.
Términos relacionados