Last-Click vs Multi-Touch:
qué modelo
refleja la realidad.
Last-click es el modelo más usado y el más engañoso cuando el journey tiene más de un touchpoint. Multi-touch lo corrige — pero tiene sus propios límites. Saber cuándo usar cada uno es la decisión que más impacta en el presupuesto.
- El mismo journey — dos realidades
- Por qué last-click sobrevalora el canal de cierre
- Qué es multi-touch y cómo corrige la distorsión
- Los límites de multi-touch que nadie menciona
- Branded search: el caso más frecuente de sobreestimación
- Cómo conecta con el sistema de marketing
- Errores frecuentes
- Cuándo usar last-click — y cuándo migrá a multi-touch
- Preguntas frecuentes
- Referencias y bibliografía
El mismo journey — dos realidades radicalmente distintas.
El debate last-click vs multi-touch no es técnico. Es estratégico: define qué canales reciben presupuesto, qué equipos tienen poder de negociación en las revisiones de inversión, y qué parte del journey de compra se considera "importante" para el negocio. El mismo conjunto de datos, interpretado con dos modelos distintos, puede llevar a decisiones de presupuesto opuestas — y ambas pueden justificarse con números coherentes internamente.
Los dos informes son sobre exactamente la misma conversión. Uno lleva a aumentar el presupuesto de branded search. El otro lleva a aumentar el de paid social y SEO. Ninguno de los dos equipos está mintiendo — están usando el modelo que les asignaron o eligieron. Pero las consecuencias para el negocio son opuestas.
02 — Por qué last-click distorsionaPor qué last-click sobrevalora el canal de cierre.
La falla conceptual de last-click es su asunción implícita: que el usuario tomó la decisión de comprar en el momento del último clic. Esta asunción ignora que la decisión de compra es, en la mayoría de los casos, el resultado de un proceso de consideración que puede llevar días, semanas o meses — y que involucra múltiples puntos de contacto con la marca antes de que el usuario ejecute la acción final.
Avinash Kaushik describe el problema con una analogía que vale citar: imaginate que tu equipo de ventas tiene cinco personas. Cuatro de ellas trabajan para que el cliente entienda el producto, resuelvan sus dudas y generen confianza. La quinta estrecha la mano y firma el contrato. Last-click le da el 100% de la comisión a la quinta. Las otras cuatro se van sin pagar — y el mes siguiente, el gerente de ventas despide a las cuatro porque "no generan ventas."
El canal de cierre — el branded search, el retargeting, el acceso directo — es la quinta persona. Captura la intención que los demás canales generaron. Quitarle esos canales de soporte y esperar que siga convirtiendo al mismo ritmo es uno de los errores que más frecuentemente descubren los negocios cuando ejecutan experimentos de pausa de canales y ven que la caída de conversiones es mucho mayor de lo esperado.
03 — Multi-touch: la correcciónQué es multi-touch y cómo corrige la distorsión.
La atribución multi-touch (MTA) es cualquier modelo que distribuye el crédito de la conversión entre múltiples puntos de contacto del journey — en contraposición a los modelos single-touch (last-click, first-click) que lo concentran en uno solo. Bajo el paraguas de multi-touch caen el modelo linear, el time-decay, el position-based y el data-driven algorítmico — modelos que estudiamos en detalle en el spoke de modelos de atribución.
La corrección que MTA produce sobre last-click opera en tres direcciones concretas: distribuye crédito a los canales de descubrimiento (upper funnel) que last-click ignora; reduce el crédito aparente de los canales de cierre que last-click sobreestima; y produce una imagen del journey que se corresponde mejor con la realidad del proceso de compra cuando el modelo es data-driven.
Por qué multi-touch no es una solución universal
Multi-touch redistribuye el crédito entre los touchpoints que el tracking puede observar. El problema es que el tracking tiene gaps: los anuncios vistos sin clic (view-through impressions), las conversaciones offline, las recomendaciones de boca a boca, la exposición a radio o TV, el podcast que el usuario escuchó — ninguno de esos touchpoints existe para el sistema de tracking. El modelo multi-touch más sofisticado distribuye el crédito entre los touchpoints conocidos, pero eso no significa que esa distribución refleje la contribución real de todos los factores que influyeron en la compra. Es una imagen más completa que last-click — pero todavía incompleta.
Migrar de last-click a multi-touch no mejora el negocio por sí mismo — mejora la precisión del mapa. La pregunta que sigue es si el equipo va a actuar en base al nuevo mapa: si los canales que multi-touch identifica como subfinanciados van a recibir más presupuesto, y si los sobreestimados van a recibir menos. Sin esa consecuencia de acción, el cambio de modelo es un ejercicio académico.
Lisandro IserteLos límites de multi-touch que nadie menciona.
Multi-touch es más preciso que last-click para negocios con journeys complejos — pero tiene limitaciones estructurales que la industria suele minimizar porque son difíciles de resolver comercialmente.
Requiere tracking cross-device funcional
Un journey multi-touch que empieza en el móvil y termina en el desktop es, para GA4, dos usuarios distintos a menos que el usuario esté autenticado en ambos dispositivos. Sin identificación cross-device, los touchpoints del móvil no aparecen en el journey del desktop — lo que hace que multi-touch opere sobre un journey incompleto. Esto es especialmente crítico en negocios con audiencia que navega principalmente en móvil pero compra desde desktop. El spoke de atribución multi-canal desarrolla el problema cross-device en profundidad.
No puede atribuir lo que no trackea
Los canales offline — TV, radio, OOH, eventos, relaciones públicas — no tienen touchpoints digitales que el sistema pueda capturar. Los modelos MTA puramente digitales los ignoran por completo. Para negocios con inversión significativa en canales offline, MTA produce una imagen correcta del mundo digital pero no del mundo completo. El Marketing Mix Modeling es el complemento que cierra esta brecha.
La depreciación de cookies erosiona la visibilidad
Las restricciones de cookies de terceros en Safari (ITP), Firefox y Chrome progresivamente reducen la ventana en que el tracking puede observar el journey. Un usuario que visita el sitio desde un anuncio en Safari y regresa 8 días después puede ser registrado como usuario nuevo — truncando el journey y produciendo atribución incorrecta incluso con un modelo multi-touch correcto. El tracking de primera parte (first-party cookies) mitiga parcialmente este problema pero no lo elimina.
05 — Branded search: el caso más frecuenteBranded search: el caso más frecuente de sobreestimación con last-click.
El branded search (búsquedas que incluyen el nombre de la marca) es el canal más sistemáticamente sobreestimado por last-click — y el que más frecuentemente genera debates de presupuesto cuando el equipo empieza a usar modelos multi-touch.
La lógica del problema es simple. Un usuario ve un anuncio de paid social, visita el sitio, lo cierra. Dos días después lee un artículo del blog (SEO orgánico). Tres días más tarde busca el nombre de la marca en Google y hace clic en el anuncio branded. Compra. Last-click le da el 100% del crédito al branded search. El costo por clic de branded es bajo (baja competencia en el propio nombre) y la tasa de conversión es alta (el usuario ya había decidido). El ROAS aparente de branded search parece extraordinario.
Lo que last-click no muestra es que sin el anuncio de paid social y el artículo de SEO, ese usuario probablemente no habría buscado el nombre de la marca. El branded search capturó la intención que los otros canales generaron — pero recibe todo el crédito. Este fenómeno es suficientemente común como para que Google lo reconozca en su documentación sobre atribución de Google Ads: el branded search como canal de cierre tiende a aparecer sobreestimado en modelos de atribución single-touch.
La forma de validar este problema en un negocio específico es un experimento de pausa: suspender las campañas de branded search durante 2-4 semanas y medir cuántas de las conversiones que atribuía ese canal se pierden vs cuántas llegan de todas formas por acceso directo o resultado orgánico. Si la pérdida de conversiones es menor al 30% de lo que el canal reportaba, hay evidencia de sobreestimación significativa.
06 — ConexionesCómo conecta last-click vs multi-touch con el sistema de marketing.
La elección entre last-click y multi-touch reverbera en cada decisión estratégica del ecosistema de marketing.
Estrategia
La priorización entre canales es la consecuencia más directa. Un diagnóstico estratégico basado en last-click sistémicamente desinvierte en canales de upper funnel y upper mid-funnel — lo que puede producir resultados de corto plazo estables y resultados de mediano plazo deteriorados. La estrategia go-to-market que define la mezcla de canales debe ser validada con el modelo que mejor refleja el journey real, no el que produce los números más atractivos para cada canal.
Marca
El impacto sobre las decisiones de inversión en brand equity es estructural. Last-click hace que los canales de construcción de marca parezcan costosos e ineficientes — lo que genera presión para cortar inversión en brand awareness a favor de performance. Este ciclo, documentado por Les Binet y Peter Field en The Long and the Short of It, produce empresas cada vez más dependientes del performance y cada vez más vulnerables a la competencia de precio. La marca bien posicionada genera branded search de forma orgánica — que last-click atribuye al SEM branded en lugar de a la inversión en marca que lo creó.
Crecimiento
La mezcla óptima entre adquisición orgánica y paga no puede determinarse correctamente con last-click en negocios con journeys complejos. El SEO y el contenido — que típicamente son canales de upper funnel — son los más penalizados por last-click y los más favorecidos por multi-touch. El CRO también se afecta: si last-click sobrevalora el last-click channel, la optimización del funnel puede enfocarse en el canal incorrecto.
Rendimiento, oferta y mercado
Los unit economics calculados con last-click producen un CAC artificialmente bajo para los canales de cierre (que capturan intención ya creada) y artificialmente alto para los canales de discovery (que crean esa intención). La propuesta de valor se prueba en los canales de discovery — si esos canales son subfinanciados por last-click, la curva de aprendizaje sobre qué mensajes resuena es más lenta. La investigación de mercado complementa la atribución: mientras el tracking registra touchpoints, la investigación cualitativa explica por qué el usuario se movió de un canal al siguiente.
Fidelización
Los modelos de lifecycle marketing que atribuyen canales a recompras también sufren la distorsión de last-click. El email de reactivación que hace que un cliente vuelva después de 60 días de inactividad recibe el 100% del crédito de esa recompra — cuando puede haber sido un post orgánico en redes lo que lo reactivó y el email solo capturó esa reactivación.
07 — Errores frecuentesErrores frecuentes en el debate last-click vs multi-touch.
Asumir que multi-touch automáticamente justifica más presupuesto para todos los canales
Multi-touch redistribuye el crédito — no lo multiplica. Si el SEO recibe más crédito con MTA, el branded search recibe menos. La inversión total no cambia por cambiar el modelo; solo cambia la distribución. El error es usar el nuevo modelo para justificar aumentar el presupuesto de todos los canales que antes recibían menos crédito sin reducir el de los que recibían más. El modelo produce información; las decisiones de presupuesto siguen siendo del equipo.
No controlar la calidad del tracking antes de migrar a MTA
Multi-touch distribuye el crédito entre los touchpoints que el sistema puede observar. Si el tracking pierde el 30% de los touchpoints por implementación incorrecta, el modelo MTA distribuye el crédito entre el 70% visible — produciendo una distribución incorrecta con mayor confianza aparente. Antes de migrar a MTA, una auditoría de calidad del tracking es obligatoria.
Usar MTA en negocios con volumen insuficiente
Los modelos multi-touch — especialmente el data-driven — requieren volumen estadístico para producir distribuciones confiables. Con menos de 400 conversiones mensuales, el modelo data-driven de GA4 no tiene suficientes datos para entrenarse y cae automáticamente a last-click. Aplicar modelos MTA de terceros con volúmenes bajos produce distribuciones que cambian radicalmente de un mes al otro sin que haya cambiado nada real — lo que genera confusión en lugar de claridad.
Presentar MTA como la solución definitiva al problema de atribución
MTA mejora la medición del journey digital visible. No mide canales offline, no resuelve cross-device de forma completa, no establece causalidad y no captura el impacto de la exposición a medios sin interacción. Presentarlo como la solución completa lleva a equipos a sobreinvertir en implementación MTA cuando sus verdaderos gaps están en el tracking básico o en la ausencia de datos first-party de calidad.
Cuándo usar last-click — y cuándo migrás a multi-touch.
Quedarse en last-click tiene sentido cuando…
El journey es genuinamente corto. Para compras de impulso de bajo valor donde el usuario suele llegar de un único canal y convierte en la primera visita, last-click refleja con bastante precisión lo que ocurrió. Un negocio de e-commerce de productos de menos de 20 USD con tasa de conversión en primera visita del 15% tiene un journey muy diferente al de un servicio SaaS de 200 USD/mes.
El volumen de conversiones no soporta modelos más sofisticados. Con menos de 400 conversiones mensuales, last-click con interpretación consciente de sus limitaciones es más honesto que un modelo data-driven que no tiene los datos para entrenarse.
La simpleza del modelo facilita la comunicación con dirección. En organizaciones donde el reporte de atribución llega a audiencias sin formación analítica, un modelo que todos entienden puede ser más valioso que uno más preciso que nadie puede interpretar.
Migrá a multi-touch cuando…
Estás considerando cortar un canal de discovery. Antes de eliminar SEO orgánico, paid social de prospecting o contenido de upper funnel, verificá con multi-touch cuántas de las conversiones de "otros canales" pasaron por esos canales en etapas anteriores.
El CAC de branded search parece extraordinariamente bueno. Un ROAS de branded search muy superior al de discovery channels es frecuentemente una señal de sobreestimación por last-click. El experimento de pausa valida la hipótesis.
Tenés más de 3 canales activos con contribución significativa y más de 400 conversiones/mes. A partir de ahí, last-click produce distorsiones de presupuesto materiales y el costo de implementar MTA es justificado por la mejora en la calidad de las decisiones.
09 — Preguntas frecuentesPreguntas frecuentes sobre last-click vs multi-touch.
¿Multi-touch attribution es siempre mejor que last-click?
No necesariamente. Multi-touch es más preciso cuando el journey tiene múltiples touchpoints relevantes en canales distintos y hay suficiente volumen de datos. Para negocios con journeys simples de 1-2 touchpoints, compras por impulso de bajo valor, o menos de 400 conversiones mensuales, last-click puede ser suficientemente preciso sin la complejidad operativa de multi-touch. La pregunta correcta es si la ganancia de precisión justifica el esfuerzo de implementación.
¿Cómo convenzo a la dirección de migrar de last-click a multi-touch?
La mejor forma es ejecutar ambos modelos en paralelo durante 60-90 días y mostrar la diferencia en la distribución de crédito por canal. Si el modelo multi-touch asigna significativamente más crédito a canales que last-click subestima, eso es evidencia directa de que las decisiones de presupuesto actuales están basadas en información distorsionada. Cuantificar el impacto económico potencial de la redistribución hace el argumento concreto y accionable.
¿Es posible usar last-click para la puja de Google Ads y multi-touch para el análisis estratégico?
Sí, y es una configuración razonable para equipos en transición. Google Ads puede usar data-driven attribution para optimizar la puja mientras el análisis estratégico interno usa last-click por su simplicidad de comunicación. Lo importante es ser explícito sobre qué modelo se usa para cada decisión y no mezclar informes de modelos distintos en la misma comparación.
Referencias y bibliografía.
Kaushik, A. (2009). Web Analytics 2.0. Sybex. Cap. 9: "Multi-Channel Attribution."
Binet, L. & Field, P. (2013). The Long and the Short of It. IPA. Cap. 3.
Google. (2024). About attribution models — Google Ads overview. Google Ads Help.
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments. Cambridge University Press. Cap. 12.
Croll, A. & Yoskovitz, B. (2013). Lean Analytics. O'Reilly. Cap. 3.
Enge, E., Spencer, S. & Stricchiola, J. (2022). The Art of SEO. 4th ed. O'Reilly. Cap. 11.
Términos del glosario