Attribution Model

Definición

El modelo de atribución es la regla o conjunto de reglas que determina cómo se reparte el mérito de una conversión entre los distintos canales, campañas y puntos de contacto que un usuario ha tocado antes de comprar. En un negocio DTC (Direct-to-Consumer), donde el cliente puede descubrirte en TikTok, comparar en Instagram, hacer clic en un email de recuperación y finalmente comprar desde un anuncio de Google Search, decidir "quién se lleva el mérito" no es un detalle técnico: define dónde reinviertes tu presupuesto.

Sin un modelo de atribución claro, tu ROAS se convierte en una guerra de plataformas. Meta se atribuye la venta, Google también, y tu equipo de email marketing reclama una tercera parte. La realidad es que una sola conversión puede tener 5-8 touchpoints en un funnel DTC típico, y cada modelo cuenta una historia distinta.

Analogía: el reparto de la propina

Imagina que abres un restaurante y un cliente llega gracias a un cartel en la calle, pide recomendación a un camarero, vuelve otro día por una promo de Instagram y finalmente compra tras recibir un email con un 10% de descuento.

¿A quién le das la propina?

- Al cartel (primer toque)

- Al camarero que recomendó (interacción intermedia)

- A la promo de Instagram (penúltimo toque)

- Al email de descuento (último toque)

- O repartes la propina entre todos

Eso es exactamente un modelo de atribución. No existe uno "correcto": existe el que se ajusta a tu ciclo de venta y a tu realidad de datos.

Fórmula y modelos principales

First-Touch (Primer toque):

Crédito = 100% al primer touchpoint del usuario

Last-Touch (Último toque):

Crédito = 100% al último touchpoint antes de la conversión

Linear (Lineal):

Crédito por touchpoint = 1 / N  (N = número total de touchpoints)

Time-Decay (Decaimiento temporal):

Crédito_i = (2^(-t_i / T)) / Σ(2^(-t_j / T))

Donde t_i es el tiempo desde el touchpoint i hasta la conversión y T la vida media (por ejemplo, 7 días).

Position-Based o U-Shaped (Basado en posición):

40% primer toque + 40% último toque + 20% repartido entre intermedios

Data-Driven (Basado en datos):

Crédito asignado por un modelo de machine learning (Markov chains, Shapley value)
que calcula la contribución marginal real de cada canal

Ejemplo numérico real

Un cliente DTC de cosmética tiene este recorrido antes de comprar un sérum de 45 €:

Aplicando cada modelo:

La diferencia entre First-Touch y Last-Touch en este caso es de 45 € íntegros. Multiplica eso por 10.000 pedidos al mes y entiendes por qué el modelo que eliges cambia por completo tu estrategia de inversión.

Comparativa de modelos

Aplicación en DTC/eCommerce

Escenario 1 — Marca de suplementos con ciclo de 30 días.

Con 8.000 pedidos/mes y un AOV de 62 €, un modelo Last-Touch haría que Google Search se llevara el 47% del mérito. Al cambiar a Data-Driven, TikTok pasó de 6% a 22% de crédito y el equipo reasignó 18.000 €/mes de Search a TikTok, aumentando el ROAS blended de 2,1 a 2,9 en 90 días.

Escenario 2 — Moda con compra por impulso.

Ciclo de compra de 24-48 horas. Aquí un modelo Last-Touch es aceptable porque el 78% de las conversiones ocurren en la primera sesión. Cambiar a un modelo complejo aporta poco valor operativo.

Escenario 3 — Suscripción de café.

Con retention y LTV como KPI principal, el modelo debe ponderar el primer pedido más que los recurrentes. Un U-Shaped con 50/50 entre primer y último toque captura mejor el valor real del canal de adquisición.

Datos clave a monitorizar:

- Número medio de touchpoints por conversión: 4,7 en DTC medio

- Ventana de atribución estándar: 7 días clic / 1 día vista (Meta), 30 días (Google Ads)

- Diferencia media de ROAS entre First y Last-Touch: 2,4x en cuentas multicanal

Errores comunes

1. Confundir atribución con incrementalidad. Que un canal reciba crédito no significa que sin él la venta no habría ocurrido. Para eso necesitas tests de geo-holdout o incrementality testing.

2. Usar solo el reporte nativo de cada plataforma. Meta, Google y TikTok se sobre-atribuyen sistemáticamente. La suma de sus conversiones suele superar el total real en un 20-40%.

3. Ignorar el cross-device y el consent mode. Con iOS 14.5+ y GDPR, entre el 25% y el 40% del tráfico móvil queda sin identificar. Los modelos basados en cookies pierden señal.

4. Cambiar de modelo cada mes. La atribución necesita consistencia para ser comparable. Define uno, documéntalo y revisa solo trimestralmente.

5. Olvidar el margen. Un canal puede tener buen ROAS atribuido pero mal margen por descuentos agresivos. Cruza siempre atribución con contribution margin.

6. No incluir canales offline o CRM. Llamadas, atención al cliente y programas de fidelización también influyen. Si no están en el modelo, el retrato está incompleto.

Términos relacionados

- Ventana de atribución (Attribution Window)

- Incrementalidad (Incrementality)

- ROAS blended vs. ROAS atribuido

- MMM (Marketing Mix Modeling)

- Triangulación de datos (Data Triangulation)

- Customer Journey / Funnel DTC

- Consent Mode v2 y server-side tracking

- LTV / CAC por canal

- Geo-holdout testing

- Markov Chains y Shapley Value en atribución algorítmica