Last click vs multi-touch: diferencias, límites y cuándo usar cada enfoque.
Cómo cambia el reparto de crédito cuando pasás de último clic a un modelo multi-touch, qué ofrece hoy Google Ads y GA4 y por qué una atribución más sofisticada sigue sin responder por sí sola cuánto impacto incremental produjo cada canal.
- Qué cambia entre last click y multi-touch
- Qué hace realmente last click
- Qué significa multi-touch attribution
- El mismo journey bajo dos modelos
- Qué modelos ofrece Google hoy
- Data-driven: volumen y requisitos actuales
- Los límites de multi-touch
- Branded search: crédito vs incrementalidad
- Cuándo usar last click como baseline
- Cómo comparar modelos sin sobreinterpretar
- Errores frecuentes
- Preguntas frecuentes
- Referencias
Qué cambia entre last click y multi-touch.
La diferencia fundamental no es qué modelo “dice la verdad”, sino cómo distribuyen crédito dentro del journey que el sistema puede observar.
Last click entrega todo el crédito a la última interacción elegible antes de la conversión. Multi-touch attribution reparte ese crédito entre más de una interacción del recorrido.
Cambiar de modelo modifica el mapa de crédito. No cambia retroactivamente qué causó la compra.
Síntesis editorialPor eso dos modelos pueden generar lecturas distintas sobre el mismo conjunto de conversiones sin que uno de ellos sea automáticamente una estimación causal del impacto real de cada canal.
02 — Último clicQué hace realmente last click.
Last click es una regla simple: identifica la última interacción elegible antes de la conversión y le asigna el 100% del crédito.
Su principal ventaja es la transparencia. El resultado es fácil de explicar, reproducir y auditar. Su principal limitación es que elimina del reparto de crédito todas las interacciones anteriores aunque hayan formado parte del journey observable.
| Ventaja | Límite |
|---|---|
| Regla simple y fácil de comunicar. | Concentra todo el crédito en una interacción. |
| Útil como baseline de comparación. | No informa sobre la contribución asignada a touchpoints anteriores. |
| Menor dependencia de una lógica compleja de modelado. | Favorece por construcción a interacciones que aparecen al final del recorrido. |
“Favorecer” no significa necesariamente “sobreestimar causalmente”. Significa que el modelo les asigna todo el crédito por diseño.
03 — Multi-touchQué significa multi-touch attribution.
Multi-touch attribution es una categoría amplia de modelos que reparten crédito entre múltiples touchpoints. Históricamente incluía reglas como linear, time decay y position-based, además de modelos algorítmicos o data-driven.
En el ecosistema Google actual, la distinción práctica se simplificó porque los modelos rule-based de first click, linear, time decay y position-based fueron retirados. En Google Ads y GA4, la comparación actual gira principalmente alrededor de data-driven y variantes de last click.
Data-driven attribution utiliza datos y algoritmos para distribuir crédito de forma específica al anunciante, propiedad o evento. Esa mayor sofisticación no convierte el resultado en un estimador automático del lift incremental.
04 — EjemploEl mismo journey bajo dos modelos.
Imaginá este recorrido observable:
Organic Search → Paid Social → Email → Branded Search → Compra.
Last click
Multi-touch / data-driven
La distribución concreta de un modelo data-driven depende de los datos y de la metodología. No conviene inventar porcentajes para ilustrarlo como si fueran el resultado que el algoritmo necesariamente produciría.
La lectura correcta es: last click concentra crédito en el último contacto; multi-touch puede distribuirlo. Ninguna de esas dos salidas demuestra por sí sola cuál touchpoint causó la conversión.
05 — Google actualQué modelos ofrece Google hoy.
| Producto | Modelos actuales relevantes | Estado |
|---|---|---|
| Google Ads | Data-driven attribution y last click. | DDA es predeterminado para la mayoría de las acciones de conversión. |
| GA4 · Paid & organic | Data-driven y last click. | DDA es la opción recomendada por Google. |
| GA4 · Google paid channels | Google paid last click. | Fallback a paid & organic last click si no existe clic de Google Ads. |
Los modelos first click, linear, time decay y position-based ya no están disponibles en GA4 ni Google Ads. Eso vuelve especialmente importante tratar páginas como Time Decay Attribution como contenido conceptual e histórico, no como instrucciones actuales de configuración.
06 — VolumenData-driven attribution: volumen y requisitos actuales.
El HTML anterior utilizaba 400 conversiones mensuales como umbral para decidir si DDA podía utilizarse. Esa regla está desactualizada.
Google Ads indica actualmente que todas las acciones de conversión son elegibles para data-driven attribution independientemente del volumen de conversiones o interacciones.
Google sí recomienda, para disponer de más señal, aproximadamente 200 conversiones y 2.000 interacciones con anuncios en redes admitidas durante 30 días. Es una recomendación de calidad del modelo, no una barrera de elegibilidad.
200/2.000 es una recomendación actual específica de Google Ads. No debe convertirse en un umbral universal para cualquier sistema multi-touch, cualquier plataforma o cualquier negocio.
Los límites de multi-touch attribution.
Solo reparte crédito sobre lo observable
Si una interacción no está registrada, vinculada o es elegible dentro de la ventana, el modelo no puede tratarla como un touchpoint conocido. La Atribución Multi-Canal desarrolla esta limitación.
Cross-device sigue siendo un problema de identidad
Un modelo de atribución no puede resolver por sí solo que dos dispositivos pertenezcan a la misma persona. Esa capacidad depende de User-ID, Device ID, modelado y otras señales permitidas por el sistema.
Offline y WOM pueden quedar fuera
TV, radio, OOH, conversaciones, recomendaciones y otros contactos pueden influir sin ingresar al journey individual observable. Marketing Mix Modeling aborda parte de ese problema a escala agregada.
Crédito no equivale a causalidad
Que un modelo asigne 25% del crédito a un canal no significa que ese canal haya producido 25% del efecto incremental. Para esa pregunta hace falta una estrategia de inferencia causal.
08 — Branded SearchBranded search: crédito de cierre no es lo mismo que impacto incremental.
Branded search aparece con frecuencia cerca de la conversión porque el usuario ya conoce el nombre de la marca y utiliza el buscador para volver al sitio o completar una acción. Por construcción, last click puede asignarle una gran cantidad de crédito.
Eso no permite concluir que branded search sea siempre “sobreestimado”. Puede existir demanda que habría llegado por organic o direct, pero también puede haber valor incremental real: protección frente a competidores, mensajes promocionales, control del resultado, extensiones, disponibilidad o navegación.
Comparar last click con data-driven sirve para detectar cuánto cambia el crédito modelado. Para saber cuánto resultado adicional produce realmente una campaña de marca, hay que diseñar una prueba causal adecuada.
Una campaña puede recibir demasiado crédito y aun así generar efecto incremental. Son preguntas diferentes.
Síntesis editorialUn experimento de pausa puede ser útil, pero su duración, unidad experimental, tratamiento, control y criterio de análisis deben planificarse según volumen, estacionalidad, competencia, geo, lag y efecto mínimo relevante. No existe una regla universal de “2–4 semanas” ni un umbral fijo de pérdida del 30%.
09 — BaselineCuándo usar last click como baseline.
Last click puede seguir siendo útil cuando necesitás una lectura simple y estable, un baseline para comparar modelos o un reporte operativo donde la transparencia sea más importante que repartir crédito entre interacciones anteriores.
Eso es distinto de afirmar que last click “se vuelve preciso” por tener pocos touchpoints o pocas conversiones. Si existen gaps de tracking, ventanas inadecuadas o demanda creada fuera del sistema, la simplicidad del journey observado no garantiza que el modelo represente la influencia real.
| Usar last click para… | No usarlo para afirmar… |
|---|---|
| Baseline simple. | Que la última interacción causó toda la conversión. |
| Comparación de modelos. | Que los canales con poco crédito no aportan valor. |
| Reporting donde se prioriza explicabilidad. | Que el ROAS last-click es retorno incremental. |
Cómo comparar modelos sin sobreinterpretar.
Google Ads y GA4 ofrecen informes de comparación de modelos. Su utilidad principal es mostrar qué campañas, fuentes o canales cambian de valoración cuando cambia la lógica de atribución.
Un proceso razonable:
| Paso | Qué hacer |
|---|---|
| 1. Controlar tracking | Verificar que conversiones, campañas y principales interacciones estén correctamente instrumentadas. |
| 2. Mantener ventana comparable | Evitar atribuir diferencias de modelo a un cambio simultáneo de lookback. |
| 3. Comparar last click vs DDA | Identificar dónde se redistribuye crédito y cuánto cambia CPA/ROAS atribuido. |
| 4. Formular hipótesis | Detectar canales que podrían estar recibiendo demasiado o demasiado poco crédito. |
| 5. Validar decisiones importantes | Usar experimentos, MMM u otra evidencia causal cuando la reasignación presupuestaria sea material. |
Errores frecuentes en last click vs multi-touch.
Decir que multi-touch “corrige” la realidad
Redistribuye crédito de una forma distinta. Puede ser más informativo para journeys con varias interacciones, pero sigue condicionado por el modelo y por la parte observable del recorrido.
Usar un umbral de 400 conversiones
No es la regla actual de Google Ads. DDA está disponible independientemente del volumen; Google recomienda más señal, aproximadamente 200 conversiones y 2.000 interacciones en 30 días.
Tratar modelos retirados como opciones actuales
First click, linear, time decay y position-based fueron retirados de GA4 y Google Ads.
Confundir redistribución de crédito con incrementalidad
Un cambio de atribución puede modificar CPA o ROAS reportado sin que haya cambiado el efecto causal de la campaña.
Usar branded search como ejemplo universal de canibalización
Puede capturar demanda existente, pero también generar valor incremental. La respuesta depende del negocio, la subasta y el diseño experimental.
Migrar modelos sin documentar el cambio
El cambio puede alterar series históricas y comparaciones. Debe quedar registrado como decisión metodológica.
Preguntas frecuentes.
¿Qué diferencia hay entre last click y multi-touch attribution?
Last click asigna todo el crédito a la última interacción elegible antes de la conversión. Multi-touch distribuye crédito entre más de un touchpoint del recorrido observable. Esa distribución puede basarse en reglas o en modelos data-driven, pero no demuestra por sí sola cuánto resultado incremental causó cada interacción.
¿Multi-touch attribution es siempre mejor que last click?
No. Multi-touch ofrece una lectura más distribuida del journey observable, pero depende de la calidad del tracking, identidad, ventanas, cobertura y modelo utilizado. Last click puede seguir siendo útil como baseline simple y transparente. Ninguno de los dos convierte automáticamente crédito en impacto causal.
¿Qué modelos de atribución ofrece hoy Google Ads?
Google Ads admite actualmente atribución basada en datos y último clic. First click, linear, time decay y position-based fueron retirados. Data-driven es el modelo predeterminado para la mayoría de las acciones de conversión.
¿Cuántas conversiones necesito para usar data-driven attribution en Google Ads?
Todas las acciones de conversión pueden usar data-driven attribution independientemente del volumen. Google recomienda aproximadamente 200 conversiones y 2.000 interacciones con anuncios en redes admitidas durante 30 días para que el modelo disponga de más señal, pero no es un requisito de elegibilidad.
¿Branded search está siempre sobreestimado por last click?
No. Puede recibir mucho crédito porque suele aparecer cerca de la conversión cuando la demanda ya existe, pero también puede aportar valor incremental real. Para saber cuánto efecto adicional produce hay que diseñar una prueba causal adecuada, no inferirlo solamente comparando modelos de atribución.
¿Data-driven attribution mide causalidad?
No debe interpretarse automáticamente como un estimador del lift incremental de una campaña. Data-driven attribution distribuye crédito utilizando datos y modelos del sistema. Para estimar efectos incrementales conviene utilizar experimentos u otros métodos de inferencia causal adecuados a la pregunta.
Referencias y documentación.
Google Ads Help. About attribution models. Modelos vigentes, retirada de modelos rule-based y comparación entre last click y data-driven.
Google Ads Help. About data-driven attribution. Elegibilidad actual y recomendación de volumen de datos.
Google Analytics Help. Change the reporting attribution model for key events. Modelos actuales de reporting attribution en GA4.
Google Analytics Help. Model comparison report. Comparación actual de crédito bajo distintos modelos.
Google Analytics Help. Get started with attribution. Funcionamiento actual de data-driven attribution en GA4.
Términos relacionados