Los modelos de atribución multitáctil son las distintas reglas para repartir el crédito de una conversión entre cada punto de contacto de marketing en el journey de un cliente, en lugar de dárselo todo al primero o al último. El lineal reparte el crédito por igual, el time decay favorece los contactos recientes, el U-shaped premia el primero y el último, y el data-driven deja que un algoritmo aprenda los pesos de tus propios datos. El modelo de atribución multitáctil correcto depende de tu ciclo de venta y de la decisión que intentas tomar.
El journey de ejemplo que usaremos
Un comprador da cuatro pasos antes de comprar unos tenis de $100:
- Hace clic en un anuncio de TikTok (descubrimiento)
- Hace clic en un anuncio de retargeting de Instagram unos días después
- Abre un email promocional
- Busca la marca, hace clic en un anuncio de Google Search y compra
Cada modelo de abajo es solo una respuesta distinta a una pregunta: ¿cómo se debe repartir ese crédito de $100 entre TikTok, Instagram, email y Google? Ten presente este journey mientras recorremos cada opción.
Los modelos, comparados lado a lado
| Modelo | Cómo reparte los $100 | Favorece | Ideal para |
|---|---|---|---|
| Last click | Google $100 | Captura de fondo de embudo | Reportes simples; journeys cortos de un solo contacto |
| First click | TikTok $100 | Canales de descubrimiento | Juzgar prospección y contenido de tope de embudo |
| Lineal | $25 cada uno | A nadie; reparto parejo | Un default neutral cuando los journeys son cortos |
| Time decay | Google más, TikTok menos | Contactos cercanos a la compra | Ciclos cortos, ecommerce impulsado por promos |
| U-shaped (position based) | TikTok $40, Google $40, $10 cada medio | Descubrimiento y cierre | Balancear prospección contra captura |
| W-shaped | Peso extra a un hito de medio embudo como un registro | Etapas de generación de leads | Journeys B2B con un evento de lead definido |
| Data-driven | Pesos aprendidos de tus datos de conversión | Lo que los datos respalden | Volumen suficiente para entrenar un modelo confiable |
Cómo lee el journey cada modelo
Modelos de un solo contacto: first y last click
El last click le entrega los $100 completos a Google, y el first click se los da todos a TikTok. Ambos son atajos de un solo contacto que ignoran todo lo intermedio. Fíjate en lo que hace el last click aquí: le paga a Google por un cliente que creó TikTok. Los clics de búsqueda de marca suelen ser el recibo de la demanda, no su origen, y esa sola distorsión es la razón principal por la que los equipos migran a modelos multitáctiles.
Modelos fraccionales: lineal, time decay y position-based
El lineal es la opción neutral: $25 a cada uno de los cuatro contactos, sin opinión sobre cuál importó más. El time decay inclina el crédito hacia los contactos más cercanos a la compra, así que Google y el email ganan más mientras TikTok, el contacto más antiguo, gana menos; encaja con journeys cortos e impulsados por promos. El U-shaped, o position-based, premia los extremos, dando 40 por ciento a cada uno al primer contacto (TikTok) y al último (Google) y repartiendo el 20 por ciento restante entre el medio, lo que balancea la creación de demanda contra su captura.
Modelos data-driven
En lugar de codificar una regla fija, un modelo data-driven aprende los pesos de patrones en miles de journeys que convirtieron y que no. En nuestro ejemplo podría descubrir que el contacto de retargeting de Instagram rara vez cambia el resultado y bajarle el peso en silencio, mientras le da a TikTok más crédito del que un last click jamás le daría. El detalle es que necesita volumen y tracking estable para ser confiable, y sigue siendo una caja negra a menos que la herramienta exponga sus pesos.
Cómo elegir un modelo
Ajusta el modelo a tu ciclo de venta. Una marca con compras por impulso en una sola sesión gana poco con la atribución W-shaped. Una empresa B2B SaaS con un ciclo de tres meses y un hito de solicitud de demo gana mucho, porque el hito merece crédito explícito.
Ajústalo a la decisión. Si estás decidiendo si la inversión en prospección vale la pena, las vistas first-click y U-shaped son informativas. Si estás afinando un stack de retargeting, el time decay te dice más sobre qué contactos recientes realmente cierran.
Prefiere data-driven cuando tengas volumen. Los modelos basados en reglas codifican un supuesto; los data-driven lo prueban contra tus propias conversiones. Pero necesitan tracking consistente y suficientes conversiones de las cuales aprender, y siguen siendo opacos a menos que la herramienta explique su lógica. Ante la duda, un modelo transparente que puedas defender le gana a uno sofisticado que no puedes.
Los límites honestos de la atribución multitáctil
El MTA solo puede acreditar los puntos de contacto que efectivamente puede ver. Los navegadores sin cookies, los rechazos de consentimiento, las impresiones view-through de los walled gardens y las conversaciones offline le son invisibles, por eso las herramientas modernas de MTA se apoyan en tracking first-party y server-side en lugar de cookies de terceros. Aun así, la cobertura nunca es total.
El MTA también es fundamentalmente correlacional. Describe cómo se distribuye el crédito entre los caminos que observó; no prueba que un canal haya causado la venta. Por eso los stacks de medición serios combinan MTA con marketing mix modeling y pruebas de incrementalidad. Herramientas como Triple Whale y Northbeam se enfocan en MTA basado en píxel para ecommerce, Ruler ata los journeys a los ingresos del CRM y Dreamdata se especializa en journeys B2B. El hilo común es que el MTA responde bien las preguntas tácticas a nivel de journey, y funciona mejor cuando un segundo método valida las grandes decisiones de presupuesto. Elegir el modelo correcto es más fácil cuando la atribución no vive aislada del resto de tu medición. Admira reúne atribución multi-touch, incrementalidad y MMM sobre tracking cookieless-first en una sola fuente de verdad, para que confíes en los pesos antes de mover presupuesto detrás de ellos. Agenda una demo y compara cómo lucen tus canales sin puntos ciegos.
Preguntas frecuentes
¿La atribución data-driven es siempre la mejor opción?
No. Suele ser la mejor con alto volumen de conversiones y tracking estable, pero las marcas de bajo volumen obtienen pesos ruidosos e inestables que cambian mes a mes. Un modelo position-based simple que entiendes por completo puede ganarle a una caja negra que no puedes interrogar. La decisión depende de tu volumen de datos, la calidad del tracking y cuánto necesitas explicar el modelo a los stakeholders.
¿En qué se diferencian los modelos de atribución multitáctil de la atribución de GA4?
GA4 aplica su propio modelo data-driven al tráfico que observa su etiqueta, dentro de las reglas y ventanas de lookback del ecosistema de Google. Las herramientas de MTA dedicadas construyen journeys a partir de tus datos propios en todos los canales y a menudo integran los ingresos del backend, dándote control sobre el modelo, la ventana y la lógica de identidad que GA4 no expone ni te deja cambiar.
¿Los modelos de atribución multitáctil siguen funcionando sin cookies de terceros?
Sí, si están construidos sobre datos propios: eventos server-side, emails hasheados, UTMs y tus propios datos de órdenes. Lo que murió con las cookies de terceros es el rastreo entre sitios de usuarios anónimos, no la medición de journeys en tus propias propiedades. El MTA moderno se apoya en server-side tracking y resolución de identidad justamente para sobrevivir a la desaparición de cookies y a la pérdida de consentimiento.
¿La atribución multitáctil puede medir influencers o podcasts?
Solo parcialmente, mediante códigos promocionales, landing pages dedicadas y encuestas post-compra. Estos canales oscuros son un punto ciego conocido porque rara vez producen un clic rastreable. Esa es otra razón para complementar el MTA con marketing mix modeling, que puede estimar su contribución a partir de patrones de inversión y ventas sin necesitar puntos de contacto a nivel de usuario.
¿Con qué modelo de atribución debe empezar una marca de ecommerce?
La mayoría de las marcas DTC empieza con un modelo position-based o time decay porque los journeys de compra son cortos y los contactos recientes pesan más. Cuando el volumen de conversiones es alto y el tracking es estable, pasa a atribución data-driven, y valida las decisiones de presupuesto más grandes con pruebas de incrementalidad para no actuar solo sobre correlación.
.svg)
%20(2).png)
