¿Qué hace atribución?
Ayudas a los usuarios a responder la pregunta más difícil en marketing: ¿cuál de mis esfuerzos causó realmente esta conversión y estos ingresos? La atribución es donde los especialistas en marketing pierden más dinero — en canales que se ven bien en un panel y terribles en otro, en "directo" y "búsqueda de marca" que ocultan la fuente real, y en modelos que silenciosamente codifican una opinión como si fuera un hecho.
Esta habilidad tiene dos pilares. Sabe cuál necesita el usuario antes de profundizar:
- (A) Interpretación — elegir un modelo de atribución, seleccionar un enfoque de medición y conciliar los números contradictorios que reportan tus herramientas. Esto aplica a todos, incluso sin conocimientos de ingeniería.
- (B) Posee tu atribución (first-party) — instrumentar y unir la atribución tú mismo cuando controlas el sitio/aplicación. Esta es la vía de construcción. Úsalo cuando el usuario diga "Quiero rastrear esto yo mismo" o esté manejando una conversión que ocurre en un dominio que no poseen.
La mayoría de las solicitudes comienzan con (A). Recurre a (B) solo cuando controlen la superficie y quieran construir.
Contexto del producto: verifica si existe .agents/product-marketing.md y léelo si está presente — el tipo de negocio, ciclo de ventas y conversión principal impulsan casi todas las recomendaciones aquí.
Límites — lo que esta habilidad NO cubre
Establece esto desde el principio para no reconstruir habilidades vecinas:
- Seguimiento general de eventos, planes de tracking, configuración de UTM, GA4/GTM → analítica. La atribución asume que el seguimiento existe. La línea: analítica = "qué eventos y cómo dispararlos"; atribución = "cómo los toques se unen a las conversiones y sobreviven hasta los ingresos."
- Píxeles de plataformas publicitarias, CAPI, seguimiento de conversiones del lado del servidor → anuncios (
references/conversion-tracking.md). La atribución consume los números reportados por las plataformas y corrige su sesgo; no configura los píxeles. - Etapas del pipeline, ciclo de vida del lead, paneles de ingresos en CRM → revops. La atribución alimenta los datos del pipeline; no define las etapas.
- Mostrarse en / medir búsqueda en IA → ai-seo. La atribución nombra el tráfico de IA como un punto ciego.
Pilar A — Interpretación
1. Lo que la atribución puede y no puede decirte
Establece expectativas antes de tocar un número:
- La atribución es direccional, no verdad absoluta. Es un modelo de causalidad construido a partir de datos incompletos (las cookies caducan, las sesiones se fragmentan, los toques offline desaparecen, la gente investiga en un dispositivo y compra en otro). Trátalo como una pista fuerte, nunca como un veredicto.
- Cada modelo es una opinión. "Primer toque" dice que el primer anuncio recibe todo el crédito; "último toque" dice que el clic de cierre lo hace. Ambos están equivocados en direcciones opuestas. Elegir un modelo es elegir la historia de quién creer — dilo en voz alta.
- La brecha de atribución es normal. La suma de las conversiones reportadas por canal casi siempre supera las conversiones reales, porque cada plataforma reclama crédito por la misma venta. Tu trabajo es reducir y explicar la brecha, no hacer que los números coincidan perfectamente. No lo harán.
Cuando un usuario exija un número verdadero, reformula: "Podemos darte un número defendible y consistente y una lectura de qué canales están en aumento. Una única verdad objetiva no existe — aquí te explico por qué y qué usamos de todos modos para tomar decisiones."
2. Modelos de atribución
Los seis modelos estándar y cuándo miente cada uno:
| Modelo | Regla de crédito | Mejor para | Cómo miente |
|---|---|---|---|
| Primer toque | 100% al primer toque conocido | Valoración de top-of-funnel / demand-gen; ciclos cortos | Ignora todo lo que cerró el trato; sobrerreconoce canales de conciencia |
| Último toque | 100% al último toque antes de la conversión | Respuesta directa, e-commerce rápido | Sobrerreconoce fondos de embudo + búsqueda de marca/directo; ignora lo que creó demanda |
| Último no directo | 100% al último toque, saltando "directo" | Una solución barata para la contaminación directa | Sigue siendo de un solo toque; solo mueve el punto ciego |
| Lineal | Crédito igual a cada toque | Viajes largos de múltiples toques donde cada paso importa | Trata una visita sin importancia como una demostración; favorece canales de alta frecuencia |
| Decaimiento temporal | Más crédito a toques más cercanos a la conversión | Ciclos más largos donde la actualidad importa | Subestima la parte superior del embudo; sigue siendo una suposición, no una medición |
| Basado en posición (U-shaped) | 40% primero, 40% último, 20% medio | B2B con momentos claros de "creación" + "cierre" | La división 40/40/20 es arbitraria; los toques medios reciben menos crédito |
| Basado en datos (algorítmico/Shapley) | Crédito de contribución marginal modelada | Cuentas de alto volumen con suficientes conversiones | Una caja negra; necesita volumen; no puede ver toques offline/oscuros que nunca se le alimentaron |
Reglas generales:
- Nunca reportes un solo modelo de forma aislada para un ciclo de ventas largo. Muestra primer toque y último toque lado a lado — la verdad vive entre ellos, y la brecha entre ellos es la percepción.
- La atribución basada en datos necesita volumen (Google Ads históricamente la limitaba a ~3,000 interacciones de anuncios y ~300 conversiones en 30 días; desde entonces ha relajado los mínimos y ha hecho de DDA el valor predeterminado, pero el volumen bajo sigue siendo ruido disfrazado de ciencia). Usa basado en posición cuando tengas pocos datos.
- El modelo importa mucho menos que ser consistente y combinarlo con una verificación de cordura fuera del modelo (Pilar A §4, auto-reportado).
Para las matemáticas del modelo, ejemplos resueltos de un viaje puntuado de seis maneras, y Shapley explicado de forma sencilla, consulta references/attribution-models.md.
3. Los tres paradigmas de medición
Los modelos dividen el crédito dentro de tus datos rastreados. Los paradigmas son cómo llegar a la causalidad — cada vez más rigurosos, cada vez más caros:
| Paradigma | Qué es | Responde | Necesita | Cuidado |
|---|---|---|---|---|
| MTA (atribución multi-toque) | Unir toques a nivel de usuario, aplicar un modelo | "¿Qué puntos de contacto aparecen en los viajes que convierten?" | Seguimiento limpio a nivel de usuario entre dispositivos | La pérdida de cookies + la privacidad han eliminado los datos a nivel de usuario; subestima silenciosamente |
| MMM (modelado de mezcla de medios/marketing) | Regresión de arriba hacia abajo de gasto vs. resultados a lo largo del tiempo | "¿Cuál es la contribución agregada de cada canal, incluyendo offline/marca?" | 2–3 años de datos semanales, variación de gasto | Correlacional; lento para reaccionar; necesita cambios reales de presupuesto para aprender |
| Incrementalidad (geo holdout, PSA, anuncios fantasma, on/off) | Experimento controlado: expuesto vs. retenido | "¿Este canal causó un incremento que no habría obtenido de todos modos?" | Capacidad de retener; suficiente volumen para significancia | El estándar de oro, pero solo puedes probar algunas cosas a la vez |
Cómo elegir: presupuesto pequeño / ciclo corto → buen UTM + último no directo + una encuesta auto-reportada supera a un modelo sofisticado. Presupuesto medio, varios canales → MTA para el día a día + pruebas periódicas de incrementalidad en tus partidas más grandes. Presupuesto grande, gasto offline + marca → MMM para la cartera + incrementalidad para validar los coeficientes de MMM. La incrementalidad es el desempate cuando dos canales reclaman las mismas conversiones.
Tabla de decisión por presupuesto × ciclo de ventas × número de canales, y cómo leer una prueba de geo-holdout / PSA (no un tutorial de estadística), en references/measurement-paradigms.md.
4. Atribución auto-reportada
La señal más infrautilizada y, a menudo, la más honesta para ciclos largos y social oscuro. Una encuesta posterior a la conversión "¿Cómo supiste de nosotros?" captura lo que el seguimiento estructuralmente no puede: podcasts, boca a boca, comunidades de Slack, un tuit del fundador, "un amigo me lo dijo."
- Cuándo supera al seguimiento: ciclos largos de consideración, alto boca a boca, liderado por marca/comunidad o mucho social oscuro (ver §5). Si una gran parte de tus viajes son "directo", tienes un agujero que la encuesta puede llenar.
- Pregunta en el momento de la conversión (registro, primera compra, solicitud de demostración) — la mejor recuperación, antes de que la memoria se desvanezca.
- Redacción: abierta ("¿Cómo supiste de nosotros por primera vez?") captura social oscuro; una lista corta es más fácil de cuantificar pero sesga la respuesta. Mejor práctica: lista de tus canales conocidos más un campo de texto libre "otro/cuéntanos más."
- Trátalo como una entrada de triangulación, no como evangelio — el recuerdo es difuso y la gente da crédito al toque memorable, no al primero. Es la verificación fuera del modelo que mantiene honestos tus modelos rastreados.
- En el lado de la construcción, esto es un campo de formulario escrito en tu CRM/analítica como una propiedad de persona — consulta el Pilar B y
references/first-party-tracking.md.
5. Conciliación de fuentes conflictivas
La petición detrás de la mayoría del trabajo de atribución: "Google dice 50, Meta dice 40, GA dice 60, mi CRM dice 35 — ¿quién tiene razón?" Nadie. Aquí está el marco.
Por qué cada fuente miente sistemáticamente:
| Fuente | Sesgada hacia | Porque |
|---|---|---|
| Plataformas publicitarias (Google/Meta/LinkedIn) | Sobrerreporta a sí misma | Reclama conversiones de vista + clic en su propia ventana; cada plataforma cuenta la misma venta; motivada para verse bien |
| GA / analítica web | Último clic no directo | Pierde entre dispositivos, pierde usuarios con cookies bloqueadas, arroja lo desconocido en directo |
| CRM | Lo que escribió el representante / capturó el formulario | Entrada humana, sobrescritura de fuente de lead, acuerdos offline sin rastro digital |
| Encuesta auto-reportada | El toque memorable | Sesgo de recuerdo; subestima toques aburridos pero reales como el retargeting |
Cómo triangular:
- Elige una única fuente de verdad para el recuento de conversiones — normalmente tu CRM o backend (el sistema donde el dinero es real). Todo lo demás explica de dónde vinieron, no redefine cuántas.
- Nunca sumes entre plataformas. Si Google y Meta reclaman una conversión, tienes una conversión con dos reclamantes, no dos conversiones. Deduplica contra el total de la fuente de verdad.
- Lee acuerdo direccional, no coincidencia absoluta. Si cada fuente dice que la búsqueda pagada subió y la orgánica bajó este trimestre, esa tendencia es confiable aunque ningún par de números coincida.
- Usa lo auto-reportado como desempate cuando las plataformas peleen por las mismas conversiones, e incrementalidad cuando lo que está en juego justifique una prueba.
- Espera y presupuesta la brecha. Reporta "las plataformas reclaman N; podemos verificar M; el delta es sobrerreporte + vista + no rastreado — aquí está nuestra mejor asignación."
El resultado es una asignación honesta con niveles de confianza, no una falsa conciliación hasta el decimal.
6. Los puntos ciegos
Donde se esconden las conversiones, haciendo que los canales reales parezcan débiles:
- Directo — el cajón desastre. Marcadores y URL escritas, sí, pero también referencias eliminadas, de aplicación a web, social oscuro y cualquier toque que tu seguimiento haya perdido. Una gran participación directa es un problema de medición, no un canal.
- Búsqueda de marca — personas que te descubrieron en otro lugar y googlearon tu nombre. El último toque da el crédito a la búsqueda de marca pagada/orgánica; el verdadero motor fue lo que les hizo buscar. Segmenta la búsqueda de marca vs. no marca o desfinanciarás la parte superior del embudo.
- Social oscuro — compartir que no lleva ningún referente: DMs, Slack/Discord, podcasts, boletines, capturas de pantalla. Estructuralmente invisible para el seguimiento; auto-reportado es la única forma de verlo (§4).
- Tráfico de IA — los asistentes y la búsqueda con IA influyen cada vez más en los compradores, y luego los envían a través de búsqueda de marca o directo, por lo que el toque de IA es invisible en la analítica. Nómbralo y pasa el trabajo más profundo a ai-seo.
El hilo conductor: cuando "directo" y "búsqueda de marca" dominan, tu parte superior del embudo está funcionando y tu atribución lo está ocultando. Dilo explícitamente — es la lectura errónea más común en marketing.
7. Bifurcación por tipo de negocio
Los valores predeterminados difieren notablemente. Resumen aquí; guías completas en references/by-business-type.md.
- B2B SaaS (ciclo largo, con asistencia de ventas): los viajes duran semanas–meses e involucran a varias personas, por lo que los modelos de un solo toque engañan gravemente. Ancla en el CRM como fuente de verdad, usa primer toque + basado en posición lado a lado, apóyate mucho en auto-reportado en demostración/registro, y trata la atribución de pipeline/ingresos (→ revops) como el marcador real. Los toques offline (eventos, conversaciones de ventas) hacen que MTA sea más débil y lo auto-reportado más fuerte aquí.
- Ecommerce / DTC (ciclo corto, autoservicio): viajes rápidos, alto volumen, gasto concentrado en social pagado + búsqueda. Ancla en el ROAS de la plataforma pero desconfía (inflación de iOS/CAPI), valida con MMM una vez que el gasto sea material y pruebas de incrementalidad/geo-holdouts en tus canales más grandes, y usa una encuesta posterior a la compra para capturar lo que los píxeles pierden. El último toque es defendible para SKUs de rotación rápida; MMM+incrementalidad es cómo asignas el presupuesto real.
Pilar B — Posee tu atribución (first-party)
Usa esto cuando el usuario controle el sitio/aplicación y quiera instrumentar la atribución por sí mismo — especialmente para una conversión que ocurre en un dominio que no poseen (una reserva de SavvyCal/Calendly/Cal.com, una página de pago de Stripe). Este pilar se basa en construcciones de producción reales; el manual completo con patrones de código está en references/first-party-tracking.md. Lo esencial:
El gráfico de identidad
La atribución de primera parte es una idea: unir la navegación anónima con la conversión eventual.
- Un visitante llega anónimo; tu herramienta de analítica asigna un
distinct_idanónimo y sella las propiedades de primer toque ($initial_referrer,$initial_utm_*) en sus eventos. - En la conversión (registro, reserva, compra) llamas a
identify()con una identificación estable (correo electrónico o UUID de usuario). Esto fusiona el historial anónimo en una persona conocida — el primer toque ahora sobrevive hasta la conversión. - Cada evento de conversión ahora se puede desglosar por canal de primer toque. Ese es todo el juego.
Cerrando la brecha de identify()
El fallo más común de la primera parte: nunca se llama a identify(), por lo que las conversiones nunca se unen al historial de navegación y cada cliente parece haber aparecido de la nada. (Marco adaptado del enfoque de Tessa Kriesel para PostHog). La solución es llamar a identify en cada conversión real. Audita primero — muchas aplicaciones SaaS ya identifican en el registro; no reconstruyas lo que funciona. Encuentra las conversiones específicas no instrumentadas y cierra solo esas.
Cosiendo conversiones en un dominio de terceros
El único caso que necesita maquinaria real: una conversión …
[truncado para traducción]