Definición
Northbeam es una plataforma de atribución multicanal y analítica de marketing pensada para marcas DTC (direct-to-consumer) que venden a través de varios canales a la vez: Meta, Google, TikTok, email, SMS, influencers, afiliados, marketplaces y tráfico directo. Su función principal es responder a una pregunta incómoda: ¿qué canal generó realmente cada venta?
A diferencia del píxel clásico (que solo atribuye dentro de una plataforma y se autoasigna el mérito), Northbeam combina tres capas de datos:
1. Datos de clics y sesiones (first-party, vía píxel propio y server-side tracking).
2. Datos de gasto publicitario conectados por API (Meta Ads, Google Ads, TikTok Ads, etc.).
3. Datos de pedidos del ecommerce (Shopify, WooCommerce, BigCommerce) con su ID de pedido, marca temporal y cliente.
Con esas tres capas, reconstruye el customer journey completo y aplica modelos de atribución configurables (first-touch, last-touch, lineal, position-based, data-driven). El resultado: un ROAS real por canal que suele diferir bastante del ROAS que reporta cada plataforma.
Analogía
Imagina que tu marca vende café de especialidad y un cliente llamado Marta compra así:
- Ve un anuncio en Instagram (lunes).
- Hace clic en un email de recuperación (miércoles).
- Busca "café de especialidad Madrid" en Google y hace clic en un anuncio de Search (viernes).
- Compra el sábado.
Si preguntas a Meta, te dirá: "yo traje a Marta". Si preguntas a Google Ads, te dirá lo mismo. Si preguntas a Klaviyo, también. Los tres se apuntan el gol. Northbeam actúa como el VAR del marketing: revisa toda la jugada y decide cuánto mérito corresponde a cada canal, sin que ninguna plataforma se autoasigne el 100%.
Fórmula
La base matemática de la atribución en Northbeam se puede resumir así:
ROAS_atribuido(canal) = Ingresos_atribuidos(canal) / Gasto_publicitario(canal)
Y para calcular el ingreso atribuido con un modelo lineal (reparto equitativo entre touchpoints):
Ingresos_atribuidos(canal_i) = Σ [ Ingreso_pedido_j × ( Touchpoints_del_canal_i_en_pedido_j / Touchpoints_totales_en_pedido_j ) ]
Ejemplo con datos reales de una marca DTC de suplementos:
- Pedido de 120 € con 4 touchpoints: Meta → Email → TikTok → Google Search.
- Modelo lineal: cada canal recibe 30 €.
- Modelo last-touch: Google Search recibe 120 €.
- Modelo position-based (40/20/20/40): Meta 48 €, Email 24 €, TikTok 24 €, Google 48 €.
El ROAS blended (mezclado) del negocio sería:
ROAS_blended = Ingresos_totales / Gasto_total_en_marketing
Si esa marca factura 300.000 €/mes y gasta 90.000 € en publicidad, su ROAS blended es 3,33x. Northbeam te permite desglosar ese 3,33x por canal para saber cuál empujar y cuál apagar.
Comparativa: Northbeam vs. alternativas
| Herramienta | Modelo principal | Mejor para | Limitación clave |
|---|---|---|---|
| **Northbeam** | Multicanal data-driven + MMM | Marcas DTC con +500 k€/año en ads | Requiere volumen de datos; setup técnico |
| **Triple Whale** | Atribución + analytics ecommerce | Marcas Shopify medianas | Menos profundo en MMM |
| **Meta Ads Manager** | Last-click dentro de Meta | Optimización táctica en Meta | Se autoasigna el mérito; ignora otros canales |
| **Google Analytics 4** | Data-driven (si hay volumen) | Tráfico web general | Sesgado a last-click; cookies limitadas |
| **Rockerbox** | Multicanal + ETL | Marcas con stack técnico propio | Curva de aprendizaje alta |
Aplicación en DTC
Caso 1 — Decidir si escalar TikTok.
Una marca de skincare ve en TikTok Ads un ROAS de 4,2x según la propia plataforma, pero Northbeam le asigna un ROAS real de 1,8x al aislar el impacto de Meta y email. Decisión: no escalar; reasignar ese presupuesto a Meta, que pasa de 2,1x a 3,4x reales.
Caso 2 — Justificar inversión en marca.
Un ecommerce de moda gasta 15.000 €/mes en YouTube (branding). El last-click le da ROAS 0,9x y parece un desastre. Northbeam, con modelo position-based, le asigna 2,7x porque detecta que YouTube es el primer touchpoint en el 38% de los clientes que luego compran por Search o email.
Caso 3 — Black Friday.
Durante el Q4, el ROAS blended baja de 3,5x a 2,4x por saturación de subastas. Northbeam ayuda a identificar que el incremento de gasto en Meta no genera ventas incrementales, mientras que email y SMS sí mantienen un ROAS de 12x y 9x respectivamente.
Errores comunes
1. Confundir atribución con incrementalidad. Northbeam mide atribución (quién tocó al cliente), no incrementalidad (qué ventas no habrían ocurrido sin ese canal). Para incrementalidad necesitas tests de geo-holdout o MMM.
2. Ignorar el periodo de lookback. Si configuras 30 días, canales de descubrimiento (TikTok, YouTube) salen beneficiados; si pones 1 día, solo last-click. Elige según tu ciclo de compra.
3. No limpiar UTMs ni parámetros. Sin UTMs consistentes, Northbeam no puede mapear touchpoints correctamente y el modelo se degrada.
4. Comparar ROAS de Northbeam con ROAS de Meta sin ajustar. Meta siempre reportará más porque se atribuye ventanas amplias y view-through. La comparación honesta es Northbeam vs. Northbeam en distintos periodos.
5. Implementar y no actuar. El valor no está en el dashboard, sino en mover presupuesto cada semana según el ROAS atribuido.
Términos relacionados
- Atribución multicanal (MTA): modelo que reparte el mérito de una conversión entre varios touchpoints.
- MMM (Marketing Mix Modeling): modelo estadístico que mide incrementalidad a nivel agregado; Northbeam lo combina con MTA.
- ROAS blended: ingresos totales divididos entre gasto total en marketing.
- ROAS incremental: ingresos que no habrían ocurrido sin el canal; requiere tests.
- Triple Whale: alternativa popular para Shopify, más centrada en analytics operativo.
- Server-side tracking: envío de eventos desde el servidor para esquivar bloqueos de cookies.
- Ventana de atribución (lookback window): periodo durante el cual un touchpoint puede recibir crédito.
- Data-driven attribution: modelo que asigna crédito según el impacto estadístico de cada touchpoint.