Si alguna vez has sentido que tus datos de conversión «no cuadran», bienvenido al club. Es frustrante lanzar campañas, mirar los informes y encontrarte con leads duplicados, ventas fantasma y métricas que parecen venir de universos paralelos. No nos pasa solo a ti y a mi. Le pasa a mucha gente.
A tanta que a los chicos de marketing de Product Hackers les pareció que sería interesante hablar de ello. Me propusieron meternos hasta la cocina del problema de la atribución para entender por qué está rota y, lo más importante, qué narices puedes hacer tú para empezar a medir mejor.
A partir de esa petición estudié el tema a fondo el estado actual del «arte de la atribución» y estos son los insights más relevantes que encontré.
¿Por qué la atribución importa (y por qué está rota)?
Imagina que inviertes miles de euros en campañas de Google Ads, Instagram, email marketing, SEO… y al final del mes te dicen que solo el 6% de esa inversión ha sido efectiva. El problema no es solo que el porcentaje sea bajo. El problema es que no sabes qué 6% ha funcionado. Así de roto está el asunto.
La atribución es, en esencia, el arte (o la ciencia, según cómo lo mires, pero mola ponernos en ese rollito bohemio) de repartir el mérito de una conversión entre los diferentes puntos de contacto que ha tenido un usuario antes de completar una acción: comprar, registrarse, solicitar una demo…
Pero aquí viene el drama: la mayoría de los modelos de atribución que usamos están basados en reglas simplistas o directamente en datos erróneos o incompletos. Y esto es porque el recorrido del usuario actual es un auténtico laberinto. Ya no vivimos en el mundo lineal del «veo un anuncio -> hago clic -> compro». Ojalá las cosas siguieran siendo tan simples, si es que alguna vez lo fueron.
Hoy un mismo usuario puede:
- Ver un anuncio en Instagram desde el móvil mientras espera el autobús.
- Escuchar una entrevista por la radio donde se menciona a la marca
- Buscar la marca por Google en el trabajo y entrar desde el ordenador.
- Leer un email días después.
- Volver por tráfico directo tras ver un webinar de la marca en YouTube.
- Y solo entonces, convertir.
¿A quién le damos el crédito? ¿Al primer toque, al último, al que más ha influido? El modelo last click, que era el más habitual (y el predeterminado históricamente en muchas herramientas), dice: “al último que haya hecho clic antes de la conversión”. Pero eso es como darle el MVP al delantero que empujó el balón en la línea de gol… sin tener en cuenta al defensa que cortó el pase, al mediocentro que inició la jugada o al entrenador que diseñó la estrategia.
Y encima, como cada plataforma mide a su manera, los datos rara vez cuadran:
- GA4 te dice una cosa.
- Meta Ads otra.
- Tu CRM no se entera de por qué un lead ha llegado.
- Y tú… terminas dudando de todo.
Por eso es clave entender dónde falla la atribución: modelos anticuados, eventos mal configurados, etiquetado inconsistente, dependencia de cookies que ya no están, pérdida de trazabilidad entre dispositivos…
Y si tus decisiones se basan en esa información defectuosa… adivina qué más estará roto: tu estrategia, tu inversión y tus prioridades.
La atribución importa porque es el mapa que guía tus decisiones de negocio. Si el mapa está mal dibujado, el destino al que llegues será un accidente.
¿Modelos heurísticos o basados en datos?
Cuando te enfrentas al reto de medir correctamente tus conversiones, la primera gran decisión es elegir el enfoque: ¿modelos heurísticos o modelos basados en datos?
Ambos tienen sus defensores y detractores, pero más allá de ideologías, lo importante es entender qué aporta cada uno, cuándo usarlos y con qué limitaciones.
Si algo está claro es que no existe un modelo de atribución perfecto. Cada enfoque tiene sus virtudes, sus limitaciones y su contexto ideal. Por eso, la verdadera clave está en no casarte con uno solo, sino en combinar inteligentemente varios enfoques según tus necesidades, datos disponibles y objetivos de análisis.
Modelos heurísticos: sencillos, rápidos y… poco precisos
Los modelos heurísticos (también llamados «basados en reglas») son como esas fórmulas que usas cuando no tienes todos los ingredientes pero quieres cocinar algo ya. Asignan el crédito de forma fija, independientemente del comportamiento real del usuario. De hecho su principal defecto es que no capturan la complejidad del customer journey moderno. Asumen que todos los canales tienen el mismo peso (lineal) o que el primer o último toque lo es todo. Y eso, como ya vimos, rara vez es cierto.
Algunos ejemplos clásicos:
- Last click: todo el mérito va al último canal antes de la conversión.
- First click: todo el mérito va al primer canal.
- Lineal: reparte el crédito por igual entre todos los puntos de contacto.
- Time decay: los toques más recientes reciben más peso.
- Position-based (U/W): combinan peso en el inicio, medio y final del journey.
Ventajas:
- No requieren mucho volumen de datos.
- Son fáciles de entender y explicar.
- Funcionan bien como punto de partida.
Inconvenientes:
- Simplifican demasiado la realidad.
- No se adaptan a cambios en el comportamiento del usuario.
- Pueden inducir a errores graves si se usan para tomar decisiones estratégicas.
Modelos basados en datos: inteligencia al servicio de la atribución
Estos modelos utilizan algoritmos, estadísticas y machine learning para analizar los datos reales del comportamiento del usuario y asignar el crédito de forma dinámica.
Ejemplos conocidos:
- Data-driven attribution (DDA) en GA4
- Modelo de Markov
- Modelo de Shapley
- Modelos tuneados en herramientas como Windsor.ai, Wicked Reports o Funnel.io
Ventajas:
- Reflejan mejor la complejidad del customer journey.
- Se adaptan a tu mix de canales y a tu audiencia real.
- Detectan sinergias entre canales y el verdadero impacto de cada punto de contacto.
Inconvenientes:
- Requieren volumen: en GA4, mínimo 300 conversiones en 28 días.
- Poca transparencia: a veces no sabes por qué atribuyen como lo hacen.
- Son más difíciles de auditar o explicar a tus stakeholders.
¿Entonces, cuál elijo?
Aquí no hay una respuesta universal, pero sí una regla sencilla: empieza con lo que puedas gestionar y evoluciona hacia lo que te dé más precisión.
- Si estás empezando, usa heurísticos simples, pero asegúrate de que sean coherentes con tu modelo de negocio.
- Si ya tienes datos suficientes y una cultura analítica, da el salto a modelos data-driven o algorítmicos.
- Y si quieres lo mejor de ambos mundos, triangula con MMM o pruebas de incrementalidad.
No se trata de elegir el modelo más avanzado, sino el más útil y accionable en tu contexto actual.
Marketing Mix Modeling (MMM): la visión global
Si quieres ir un paso más allá y tener en cuenta no solo el entorno digital sino también el impacto de medios offline (TV, radio, eventos, clima, pandemia…), entonces el MMM es tu herramienta.
Modelos como Meridian (de Google) te permiten entender cómo influye cada canal —incluso los que no puedes rastrear a nivel individual— sobre tus resultados globales. Es lento, estratégico, pero brutalmente útil cuando tienes que justificar presupuestos multimillonarios.
Pruebas de incrementalidad: lo que realmente mueve la aguja
¿Cuantos usuarios impactados por una campaña iban a comprar tu producto de igual manera, pero como vieron el anuncio clicaron en él para acceder directamente?
Ningún modelo de atribución puede decirte lo que habría pasado si no hubieras hecho una campaña… salvo que hagas un experimento. Por eso las pruebas de incrementalidad son el santo grial para validar si algo realmente ha tenido un efecto, comparando un grupo expuesto frente a un grupo de control.
Escoger dos mercado con descripciones y resultados muy similares para ser expuestos a un testa AB, con y sin campaña, es una manera muy práctica de conocer el peso real de la incrementalidad de dicha campaña.
Herramientas como Funnel.io ya integran este enfoque dentro de su metodología de «medición unificada de marketing», combinando MTA, MMM e incrementalidad en lo que llaman triangulación de datos.
La combinación de estos tres enfoques —heurísticos, algorítmicos e incrementales— te da una visión más completa y robusta de lo que está pasando realmente.
Si estás horneando un pastel, no puedes juzgar el resultado solo por el azúcar. Necesitas saber qué ha aportado la harina, la mantequilla, si el horno estaba bien calibrado o la influencia de la canela que no venía en la receta y que tu amigo Arturo te ha recomendado añadir..
¿Y ahora qué?
Vale, ya sabes que tu modelo de atribución está cojo, que GA4 se ha vuelto más restrictivo con los modelos pero mucho más ambicioso con el data driven, que los datos te engañan y que hay un mar de opciones que prometen salvarte. ¿Qué haces con todo esto?
Aquí van los pasos para pasar de la teoría a la acción:
Haz una auditoría de tu atribución actual
Antes de pensar en cambiar nada, entiende en qué punto estás. Hazte estas preguntas:
- ¿Qué modelo de atribución estás usando realmente?
- ¿Qué canales estás midiendo… y cuáles no?
- ¿Tus píxeles, eventos y UTMs están bien implementados y activándose?
- ¿Tus datos coinciden entre plataformas (CRM, GA4, Ads, etc.)?
Una herramienta como Trackingplan puede ayudarte a automatizar este proceso de auditoría y recibir alertas si algo se rompe. Créeme, más de una campaña se ha salvado gracias a detectar a tiempo un UTM mal etiquetado o un píxel desaparecido.
Define el objetivo de tu análisis
No todos los modelos sirven para lo mismo. ¿Quieres optimizar la captación? ¿Evaluar la fidelización? ¿Medir la rentabilidad de cada canal? Según tu foco, deberías elegir un modelo u otro.
Por ejemplo:
- Si te interesa captar nuevos leads: usa first click o modelos de atribución en forma de U.
- Si optimizas el cierre: prueba last click o time decay.
- Si quieres entender el viaje completo del usuario: lánzate a un modelo data-driven o tipo Markov/Shapley.
Selecciona o combina modelos según tu madurez de datos
- ¿Tienes pocas conversiones y poca infraestructura? Empezá con modelos heurísticos.
- ¿Tienes un volumen razonable y algo de músculo analítico? Sube el nivel con atribución algorítmica.
- ¿Tienes presupuesto, equipo de data y muchos canales online/offline? El MMM o la triangulación de Funnel.io es para ti.
No se trata de encontrar “el modelo ideal”, sino el más útil y accionable en tu contexto actual.
Establece un sistema de mejora continua
Esto no va de “ajustar el modelo y olvidarse”. Lo que hoy funciona, mañana puede no servir. Cambios en cookies, campañas, plataformas… todo impacta.
Haz de la atribución un proceso vivo:
- Evalúa tu modelo cada trimestre.
- Haz pruebas A/B o de incrementalidad cuando puedas.
- Ajusta tu mix de canales con base en evidencia, no corazonadas.
Forma a tu equipo y alinea a los stakeholders
Si tú entiendes el modelo pero tu equipo de paid o tu CEO no… estás vendido. Asegúrate de que todos entiendan las implicaciones de los modelos que usáis y cómo se toman las decisiones de inversión o reporting.
A veces, lo más difícil de mejorar la atribución no es la parte técnica, sino la cultural.
Te dejo con un vídeo que fue el resultado de la petición de mis compañeros de marketing de Product Hackers. Dale al play, abre la mente y prepárate para ver tu atribución con otros ojos