Definición:
Un modelo de atribución es una regla, un conjunto de reglas o un método algorítmico que determina cómo se reparte el crédito de una conversión entre los puntos de contacto registrados durante el recorrido de una persona.
El reparto del crédito cambia la forma de presentar el rendimiento de canales, campañas y anuncios, pero no modifica la conversión observada. Una misma compra puede asignarse por completo a una interacción o distribuirse entre varias según el modelo aplicado.
La atribución trabaja con los datos registrados por una plataforma dentro de un ámbito y un periodo determinados. Por ello, representa la ruta que el sistema puede reconstruir, no necesariamente todas las influencias que intervinieron en la decisión.
Índice de contenidos
Funcionamiento de la atribución
El proceso comienza con una acción medible, como una compra, una solicitud o una suscripción. La plataforma ordena los puntos de contacto identificados antes de esa conversión y forma una ruta dentro del funnel analizado.
Después, el modelo asigna un valor de contribución a cada interacción admitida. Ese reparto se incorpora a métricas de campañas y canales, por lo que puede modificar la lectura del ROI, el CPA y otras relaciones entre inversión y resultados.
La unidad atribuida puede ser un canal, una campaña, un anuncio, una palabra clave u otro punto de contacto. El resultado depende también de la ventana temporal, las fuentes integradas, la identificación entre dispositivos y las reglas con las que cada plataforma admite o excluye interacciones.
Tipos de modelo
Los modelos se dividen entre reglas predefinidas, que aplican un reparto conocido, y métodos basados en datos, que estiman la contribución a partir de los recorridos observados. Entre las categorías más habituales se encuentran las siguientes:
- Último clic: asigna todo el crédito a la última interacción admitida antes de la conversión.
- Primer clic: atribuye todo el resultado al primer punto de contacto identificado en la ruta.
- Modelo lineal: distribuye el crédito por igual entre todas las interacciones incluidas.
- Decaimiento temporal: concede más peso a los contactos próximos al momento de la conversión.
- Basado en posición: reserva más crédito para determinados lugares del recorrido, normalmente el inicio y el cierre.
- Basado en datos: utiliza información de rutas con y sin conversión para estimar una contribución diferente para cada interacción.
La disponibilidad real varía entre herramientas. Google Analytics 4 ofrece actualmente atribución basada en datos, último clic de canales de pago y orgánicos, y último clic de canales de pago de Google; Google Analytics retiró de sus informes los modelos de primer clic, lineal, decaimiento temporal y posición. Para las conversiones compatibles, Google Ads mantiene último clic y atribución basada en datos.
Alcance de los datos
La ruta observable se construye con eventos, identificadores, parámetros de campaña y conexiones entre plataformas. Una implementación de analítica web incompleta puede omitir interacciones o asociarlas al canal equivocado antes de que el modelo efectúe cualquier cálculo.
La ventana de atribución establece cuánto tiempo puede transcurrir entre un contacto y la conversión para que aquel reciba crédito. También influyen la definición de canal, el tratamiento del tráfico directo, las visualizaciones admitidas y el alcance concreto de cada acción medida.
La medición suele tener una cobertura incompleta por restricciones de consentimiento, bloqueadores, cambios de dispositivo, interacciones sin conexión y datos que permanecen dentro de plataformas cerradas. Dos sistemas pueden reconstruir rutas distintas y ofrecer repartos diferentes sobre una misma actividad comercial.
Límites del análisis
Un modelo de atribución no demuestra causalidad por el mero hecho de asignar crédito. Describe o estima cómo se relacionan los contactos observados con una conversión según las reglas y datos disponibles.
La atribución basada en datos aporta una estimación estadística específica para la acción y el conjunto de datos analizados. Su resultado depende de la calidad, el volumen, la representatividad y la estabilidad de esos datos, además de la metodología utilizada por la plataforma.
Las recomendaciones personales, el reconocimiento previo de marca, los cambios de precio, la estacionalidad y otros factores externos pueden influir en la decisión sin aparecer en la ruta. Los experimentos, grupos de control y pruebas de incrementalidad responden preguntas causales que un reparto descriptivo no resuelve por sí solo.
Comparación de resultados
La selección debe corresponder a la decisión analítica que se quiere apoyar y al alcance de los datos disponibles. Para interpretar las diferencias entre modelos conviene revisar estos elementos:
- Acción medida: la conversión debe representar el resultado que se pretende valorar y estar configurada de forma estable.
- Cobertura: los canales y puntos de contacto comparados deben estar incluidos en la fuente de datos.
- Ventana: el periodo de atribución debe corresponder a la duración razonable del recorrido de compra.
- Comparabilidad: el modelo, la configuración y el periodo deben documentarse para interpretar cambios históricos.
- Validación causal: las decisiones sobre inversión pueden contrastarse con experimentos cuando sea necesario medir incremento real.
Una comparación controlada mantiene la misma acción, periodo y población mientras cambia únicamente el modelo. Así se observa qué canales ganan o pierden crédito sin confundir el efecto del reparto con variaciones de demanda, medición o presupuesto.