Modelos de Atribución: Cómo Saber Qué Canal Te Trae Realmente Clientes
Lectura 8 min · AstraLoop Studio
Abres tus informes y encuentras tres cifras distintas para lo mismo. Meta te dice que ha generado 60 conversiones, Google Ads reclama 45, GA4 cuenta 38 y el total no cuadra con los pedidos reales que ves en tu gestión. Mientras tanto, estás a punto de pausar la campaña "que no convierte", y puede que sea precisamente la que enciende cada venta.
El problema no son los números. Es el modelo de atribución que los produce. Es la regla invisible que decide a qué canal se le asigna el mérito de un cliente y, por tanto, indirectamente, dónde acabará tu presupuesto el mes que viene. Cambiar de modelo puede desplazar hasta un tercio del mérito de un canal a otro sin que hayas tocado ni una sola campaña.
En esta guía repasamos los modelos principales sin tecnicismos innecesarios, porque el last-click es el valor por defecto más peligroso que existe, y vemos cómo elegir el criterio adecuado para saber de verdad qué canal te trae clientes, no solo leads.
Qué es un modelo de atribución (y por qué no es un detalle técnico)
Un modelo de atribución es la regla con la que repartes el mérito de una conversión entre los distintos puntos de contacto que un cliente ha atravesado antes de comprar. Casi nadie compra en el primer contacto: ve un reel, busca la marca en Google unos días después, hace clic en un correo, vuelve por el retargeting y finalmente convierte. Cinco touchpoints, un solo cliente. ¿A quién le das el mérito?
Parece una pregunta de analista. En realidad es una decisión de negocio. Porque el canal al que le asignas el mérito es el canal que parecerá rentable, y por tanto en el que invertirás más. La atribución no mide la realidad: la interpreta. Y si la interpretación es errónea, mueves el dinero hacia los canales equivocados con la convicción de estar siendo data-driven.
Los modelos de atribución, explicados sin rodeos
Históricamente los modelos se dividen en dos familias: los basados en reglas fijas (single-touch y multi-touch) y los algorítmicos (data-driven). Estos son los principales.
Modelos single-touch (todo el mérito a un solo contacto)
- Last-click: el 100% del mérito va al último punto de contacto antes de la conversión. Es el valor por defecto de casi todas las herramientas. Sencillo, pero ciego a todo lo que ha pasado antes.
- First-click: el 100% va al primer contacto. Premia a quien hizo descubrir la marca e ignora todo el trabajo de cierre. Útil para entender qué genera demanda, inútil para entender qué la convierte.
Modelos multi-touch (el mérito repartido)
- Lineal: mérito igual para cada touchpoint. Democrático pero ingenuo: trata una impresión pasiva como un clic decisivo.
- Time-decay (decaimiento temporal): cuanto más cerca está un contacto de la conversión, más mérito recibe. Razonable para ciclos de venta cortos, penaliza sistemáticamente la parte alta del funnel.
- Position-based (en U): normalmente 40% al primer contacto, 40% al último, 20% repartido en medio. Un compromiso que valora tanto el descubrimiento como el cierre.
Modelo data-driven
Sin porcentajes fijos. Un algoritmo analiza los recorridos reales de quienes han convertido y de quienes no, y asigna a cada touchpoint un mérito proporcional a su contribución real. Se ha convertido en el estándar: Google ha eliminado de GA4 y de Google Ads los modelos de reglas fijas (lineal, time-decay, position-based, first-click), dejando data-driven como valor por defecto y last-click como alternativa. La forma en que Google gestiona la atribución dentro de Google Ads sigue hoy esta lógica.
| Modelo | A quién le da el mérito | Cuándo tiene sentido | Riesgo principal |
|---|---|---|---|
| Last-click | Solo al último contacto | Compras por impulso, canal único | Ignora todo lo que genera demanda |
| First-click | Solo al primer contacto | Entender qué hace descubrir la marca | Ignora la fase de cierre |
| Lineal | Igual para todos los touchpoints | Recorridos con peso similar | Trata igual contactos débiles y fuertes |
| Time-decay | Más mérito a los contactos recientes | Ciclos de venta cortos | Penaliza siempre la parte alta del funnel |
| Position-based (en U) | 40% primero, 40% último, 20% en medio | Valorar descubrimiento y cierre | Porcentajes igualmente arbitrarios |
| Data-driven | Proporcional a la contribución real | Alto volumen de conversiones | Caja negra, requiere muchos datos |
Por qué el last-click mata tus mejores campañas
El last-click tiene un defecto estructural: premia siempre al último canal, que casi siempre es el que recoge una demanda ya existente. Búsqueda de marca, retargeting, email a quien ya está en la lista son los canales que cierran la venta, y con el last-click parecen fenomenales.
El problema es qué ocurre por encima. Las campañas de prospecting, los vídeos de awareness, los contenidos que hacen descubrir tu marca a quien no te conoce casi nunca reciben el clic final. Con el last-click aparecen en pérdidas. Así que las cortas.
Después, tres o cuatro semanas más tarde, la búsqueda de marca cae. El retargeting tiene menos público al que perseguir. Las listas dejan de crecer. Tus campañas rentables empiezan a apagarse, porque ya nadie alimenta la parte alta del funnel. Has matado el motor de la demanda para proteger a quien la recogía. Esta es la forma más común en la que una atribución equivocada acaba con las campañas que sí funcionaban de verdad.
Atribución data-driven: qué cambia (y dónde falla)
La data-driven resuelve gran parte de la arbitrariedad: en lugar de regalar porcentajes fijos, mide la contribución real de cada canal en los recorridos que llevan a la conversión. Sobre el papel es el modelo más honesto. En la práctica tiene tres límites que conviene conocer.
- Es una caja negra: ves el resultado, no la lógica. Difícil de explicar a quien decide el presupuesto.
- Necesita volumen: con pocas conversiones al mes el algoritmo no tiene datos suficientes y el modelo se vuelve inestable.
- Cada plataforma corrige su propio examen: la data-driven de Meta y la de Google solo evalúan los touchpoints que ven, y tienden a atribuirse el mérito. Por eso la suma de conversiones reclamadas siempre supera los pedidos reales. Es el mismo motivo por el que conviene mirar métricas de sistema como la diferencia entre ROAS y MER en lugar de fiarse del dato de una sola plataforma.
A esto se suma que, con el fin de las cookies de terceros y las restricciones de seguimiento, los modelos se apoyan cada vez más en datos modelados y estimaciones. Contar con una base sólida de datos propios (first-party), recogidos de forma limpia y con consentimiento, es ya la condición para que cualquier atribución funcione.
¿No sabes qué canal te trae realmente clientes y no solo leads? Solicita un análisis de tu tracking: vemos juntos dónde está trabajando tu presupuesto y dónde lo estás desperdiciando.
Cómo elegir el modelo adecuado para tu negocio
No existe el modelo correcto en términos absolutos. Existe el adecuado para tu ciclo de venta y tu volumen de datos. Aquí tienes un criterio práctico.
- Ciclo corto, compra por impulso, un canal dominante: el last-click es una aproximación aceptable. Si vendes un producto de ticket bajo con recorridos cortos, el último clic cuenta casi toda la historia.
- Ciclo largo, muchos touchpoints, B2B: necesitas un modelo multi-touch o data-driven. Con ventas que maduran en semanas o meses, mirar solo el último clic es engañoso. Se aplica sobre todo en la generación de leads B2B, donde entre el primer contacto y la firma pasan decenas de interacciones.
- Volumen alto y estable: la data-driven da lo mejor de sí. Por debajo de cierto umbral de conversiones mensuales, es mejor quedarse con un multi-touch de reglas (position-based), más predecible.
Regla práctica: no cambies de modelo cada mes. Elige uno, úsalo de forma coherente y compara las tendencias en el tiempo. El valor de la atribución está en la constancia, no en la precisión al decimal.
El verdadero problema: ¿estás atribuyendo leads o clientes?
Aquí es donde tropieza la mayoría de las empresas. Las plataformas publicitarias atribuyen conversiones: un formulario rellenado, un lead, un contacto. No atribuyen clientes que pagan. Y un canal puede generar leads baratos que luego nunca cierran, mientras otro trae pocos leads pero de altísima calidad. En el dato de plataforma gana el primero. En caja gana el segundo.
El salto de calidad es cerrar el círculo: conectar las plataformas publicitarias con tu CRM y devolver las ventas reales. Cuando consigues importar las conversiones offline desde el CRM, dejas de optimizar para leads y empiezas a optimizar para la facturación. Este es el sentido del tracking tal y como lo entendemos: no un ejercicio de analítica, sino la columna vertebral de un sistema de captación de clientes que sabe dónde está ganando.
Errores comunes en la atribución
- Comparar las cifras de Meta y Google como si fueran la misma métrica: usan ventanas y modelos distintos, no son sumables.
- Sumar las conversiones de cada plataforma por separado: obtienes un total inflado, porque cada una se atribuye al mismo cliente.
- Cambiar de modelo de atribución y leer el desplazamiento de las cifras como una mejora real de las campañas.
- Fiarse del informe de la plataforma sin una fuente de verdad independiente (GA4, CRM o gestión).
- Ignorar las ventanas de conversión: una ventana de 7 días y una de 28 cuentan historias distintas.
Más allá de la atribución: sus límites estructurales
Incluso el modelo perfecto solo mide lo que puede ver. El boca a boca, el dark social, la notoriedad de marca construida con el tiempo, el efecto de una mención offline: todo esto se le escapa a cualquier modelo basado en clics. Por eso las empresas más maduras complementan la atribución con herramientas como los test de incrementalidad y los media mix models. Si quieres entender dónde dejan de funcionar los modelos y qué usar en su lugar, hemos analizado en detalle los límites y las alternativas de la atribución en un artículo dedicado.
El punto de partida, sin embargo, sigue siendo la medición limpia del recorrido de conversión. Si los cimientos del tracking de conversiones son sólidos, cualquier modelo de atribución te dará indicaciones útiles. Si están podridos, ningún modelo te salvará.
Preguntas frecuentes
¿Cuál es el mejor modelo de atribución?
No existe un modelo mejor en términos absolutos: depende del ciclo de venta y del volumen de datos. Last-click para compras por impulso con canal único, multi-touch o data-driven para ciclos largos con muchos puntos de contacto. La regla real es elegir uno y usarlo de forma coherente en el tiempo.
¿Por qué se considera peligroso el last-click?
Porque asigna todo el mérito al último clic, que suele ser un canal que recoge una demanda ya existente, como la marca o el retargeting. Así, las campañas que generan demanda en la parte alta del funnel parecen estar en pérdidas y corres el riesgo de recortarlas, drenando las mismas campañas que parecían rentables.
¿Qué es la atribución data-driven?
Es un modelo que usa un algoritmo para asignar a cada touchpoint un mérito proporcional a su contribución real, basándose en los recorridos de quienes han convertido. Es el valor por defecto de GA4 y Google Ads, pero requiere un volumen de datos suficiente y sigue siendo una caja negra difícil de explicar.
¿Por qué Meta y Google me dan cifras distintas?
Porque usan modelos de atribución, ventanas de conversión y métodos de seguimiento distintos, y cada plataforma tiende a atribuirse el cliente. No son métricas sumables: hace falta una fuente de verdad independiente, como GA4 o el CRM, para conciliarlas.
¿La atribución también sirve para las pequeñas empresas?
Sí, pero de forma proporcional al volumen. Con pocos contactos no hace falta un modelo sofisticado: basta con parámetros UTM limpios y un CRM que conecte el canal con el cliente real. El valor no está en la precisión al decimal, sino en entender dónde poner el presupuesto.
¿Cuál es la diferencia entre atribuir leads y atribuir clientes?
Las plataformas atribuyen conversiones como formularios o contactos, no ventas cerradas. Un canal puede traer leads baratos que nunca compran. Conectando las campañas con el CRM atribuyes la facturación real y optimizas para clientes, no para formularios rellenados.
Si quieres transformar la atribución de una fuente de confusión en una palanca para decidir el presupuesto, hablemos: mapeamos el recorrido de tus clientes y conectamos las campañas con los ingresos reales.