Definición
La atribución multitoque (Multi-Touch Attribution o MTA) es un modelo de medición que reparte el mérito de una conversión entre todos los puntos de contacto que un usuario ha tenido con tu marca antes de comprar. En lugar de dar el 100% del crédito al último clic (last-click) o al primer clic (first-click), la MTA reconoce que el cliente DTC moderno rara vez convierte en una sola interacción: descubre la marca en TikTok, la busca en Google, recibe un email, ve un retargeting en Meta y finalmente compra desde un enlace en Stories.
En el ecosistema DTC español (Shopify, WooCommerce, PrestaShop), donde el CAC ha subido un 35-50% desde 2022 y el ROAS de paid social se ha comprimido, la MTA se ha vuelto el estándar para decidir dónde invertir el presupuesto sin quemar margen.
Analogía
Imagina un equipo de fútbol. El delantero marca el gol (la conversión), pero si solo le dieras la prima al goleador, ignorarías al mediocentro que filtró el pase, al lateral que subió la banda y al portero que evitó el 0-1. La MTA es el acta del partido con asistencias: reparte el mérito según quién participó en la jugada y cuánto peso tuvo cada intervención.
En DTC es igual: el anuncio de descubrimiento en Instagram, el email de carrito abandonado de Klaviyo y la búsqueda de marca en Google son asistencias que merecen crédito.
Fórmula
El modelo lineal (Linear Attribution) reparte el crédito a partes iguales:
Crédito por canal = (Conversiones atribuidas × Valor medio del pedido) / Nº de puntos de contacto
Ejemplo con 3 canales y un pedido de 89 €:
Meta Ads → 89 € / 3 = 29,67 € Email → 89 € / 3 = 29,67 € Google Brand → 89 € / 3 = 29,67 €
El modelo basado en posición (U-shaped) pondera el primer y último toque:
Primer toque = 40% × 89 € = 35,60 € Toques medios = 20% × 89 € = 17,80 € Último toque = 40% × 89 € = 35,60 €
El modelo basado en datos (data-driven) usa regresión logística o cadenas de Markov sobre el histórico de eventos para asignar pesos dinámicos según la probabilidad real de conversión.
Comparativa de modelos
| Modelo | Reparto del crédito | Ideal para | Limitación |
|---|---|---|---|
| Last-Click | 100% al último toque | Performance puro, SEM de marca | Ignora el descubrimiento |
| First-Click | 100% al primer toque | Lanzamientos, top of funnel | Premia canales fríos |
| Lineal | Igual entre todos | Journeys cortos, <4 toques | Sobrevalora canales pasivos |
| U-shaped | 40/20/40 | E-commerce con ciclo medio | Subestima el medio del funnel |
| Time-Decay | Más peso a lo reciente | Ciclos de compra largos | Penaliza el branding |
| Data-Driven (MTA) | Algoritmo sobre datos | Escala >10k conversiones/mes | Requiere tracking limpio |
Aplicación en DTC
Escenario real: una marca de cosmética natural en Barcelona factura 180.000 €/mes con un ROAS blended de 2,8. Su equipo sospecha que Meta se lleva demasiado crédito por last-click.
Al implementar MTA con Triple Whale o Northbeam conectado a Shopify + GA4 + Klaviyo, descubren:
1. Meta Ads baja del 58% al 34% del crédito real → se reduce presupuesto un 20% sin caída en ventas.
2. Email marketing sube del 6% al 21% del crédito → se aumenta la frecuencia de flujos de Klaviyo.
3. Google Brand mantiene un 18% estable → se protege como canal de cierre.
Resultado a 90 días: CAC baja de 32 € a 24 € y el ROAS blended sube a 3,6.
La MTA también es clave para:
- Decidir entre prospecting vs retargeting en Meta.
- Justificar inversión en influencers que no generan clics directos.
- Optimizar el mix de canales en Black Friday y rebajas.
Errores comunes
1. Confundir MTA con last-click mejorado: si tu modelo sigue dando el 70% al último toque, no es multitoque.
2. Ignorar el consentimiento de cookies: tras el iOS 14.5+ y el RGPD, el 30-40% de las conversiones son "dark social" (WhatsApp, DM, búsqueda directa). La MTA debe combinarse con MTA + incrementality testing.
3. Usar ventanas de atribución demasiado cortas: en DTC de ticket alto (>150 €), el ciclo puede durar 30-60 días. Una ventana de 7 días infravalora el descubrimiento.
4. No deduplicar entre plataformas: Meta, Google y TikTok se atribuyen la misma venta. Sin una fuente única de verdad (Shopify como source of truth), los números no cuadran.
5. Aplicar MTA sin volumen: con menos de 500-1.000 conversiones/mes, el modelo data-driven no es estadísticamente fiable. Usa U-shaped o lineal.
Términos relacionados
- Last-Click Attribution – modelo de un solo toque, base de comparación.
- First-Click Attribution – opuesto al last-click.
- Data-Driven Attribution (DDA) – modelo de Google Ads basado en machine learning.
- Incrementality Testing – test de geo-holdout para medir causalidad real.
- Marketing Mix Modeling (MMM) – modelo agregado que complementa la MTA cuando el tracking individual falla.
- Customer Journey – secuencia completa de touchpoints.
- CAC (Customer Acquisition Cost) – métrica que la MTA ayuda a optimizar.
- ROAS Blended – retorno total, no por plataforma.
- Dark Social – tráfico no atribuible (WhatsApp, DM, copiar-pegar).
- Triple Whale / Northbeam / Wicked Reports – herramientas MTA populares en DTC.