Un cliente ve un anuncio en Instagram y lo ignora. Días después busca la marca en Google, hace clic en un anuncio de búsqueda, pero no compra. Una semana más tarde recibe un email, vuelve al sitio y por fin compra. Pregunta sencilla, respuesta difícil: ¿cuál de estos contactos merece el crédito por la venta? La respuesta que elijas decide dónde va tu próximo euro de marketing — por eso la atribución es una de las decisiones más consecuentes, y peor resueltas, del marketing digital.
Durante años, la respuesta por defecto fue simple y equivocada: dar todo el crédito al último clic. Es cómodo, es lo que la mayoría de las herramientas muestra por defecto, y sobrevalora sistemáticamente los canales que aparecen al final del recorrido a costa de los que crean la demanda al principio. Elegir mal el modelo de atribución no es un detalle técnico; es redistribuir presupuesto sobre la base de una foto distorsionada de la realidad.
Este artículo compara los principales enfoques de la atribución — del last-click a los modelos data-driven, pasando por el Marketing Mix Modeling y las pruebas de incrementalidad — con los pros, los contras y el contexto de 2026, en el que medir se ha vuelto más difícil por razones de privacidad. El objetivo no es coronar a un único ganador, sino ver que cada método responde a una pregunta distinta.
Qué es la atribución y por qué es tan difícil
La atribución es el proceso de repartir el crédito de una conversión entre los distintos contactos de marketing que la precedieron. Parece contabilidad, pero es, en el fondo, un intento de responder a una pregunta causal: ¿qué parte de este resultado se debe a cada acción que tomamos? Y las preguntas causales son notoriamente traicioneras.
La dificultad tiene tres raíces. Primero, los recorridos reales son largos y multicanal, y a menudo cruzan dispositivos y semanas. Segundo, correlación no es causa: un canal puede aparecer siempre antes de la compra sin haberla provocado — las personas que ya iban a comprar también buscan la marca. Tercero, buena parte del efecto del marketing es indirecto y diferido: una campaña de notoriedad hoy puede generar ventas dentro de meses que ningún modelo de clic puede ligar a su origen.
Last-click: el modelo por defecto que engaña
El modelo de último clic atribuye el 100% del crédito al último contacto antes de la conversión. Su única virtud es la simplicidad: es fácil de calcular, fácil de explicar y no exige datos sofisticados. Fue durante mucho tiempo el estándar de facto de las herramientas de web analytics.
El problema es que premia a quien llega el último e ignora a quien preparó el terreno. Los canales de fondo de embudo — búsqueda de marca, retargeting, email — reciben un crédito desproporcionado, mientras que los canales que generan demanda en la parte alta — display, vídeo, redes sociales, notoriedad — parecen ineficaces y ven recortado su presupuesto. El resultado típico es una espiral: se recorta la parte alta del embudo, la demanda se seca meses después, y nadie entiende por qué, porque el modelo nunca vio esa conexión. El last-click no es inútil, pero usarlo como única lente es una de las formas más comunes de tomar malas decisiones de presupuesto con datos aparentemente objetivos.
Modelos basados en reglas: first-click, linear, time-decay
Entre el last-click y los métodos más avanzados hubo una generación de modelos basados en reglas que intentaban repartir el crédito de forma más justa. El first-click lo da todo al primer contacto; el linear divide el crédito por igual entre todos los puntos; el time-decay da más peso a los contactos más cercanos a la conversión; el position-based refuerza el primero y el último. Todos comparten la misma limitación de fondo: el reparto es arbitrario, decidido por una regla fija y no por los datos.
Conviene señalar un cambio práctico relevante: en 2023, Google descontinuó los modelos basados en reglas (first-click, linear, time-decay y position-based) en GA4 y Google Ads, dejando esencialmente la atribución data-driven y el last-click. Muchos equipos que todavía piensan en términos de estos modelos están, en la práctica, trabajando con herramientas que ya los han abandonado.
Atribución data-driven: dejar que los datos repartan el crédito
La atribución basada en datos (data-driven attribution, o DDA) sustituye la regla fija por un algoritmo que aprende, a partir de los recorridos observados, cuánto contribuye realmente cada canal. Técnicas como los valores de Shapley o las cadenas de Markov comparan los caminos que convierten con los que no y estiman el peso marginal de cada contacto. En teoría, es la respuesta más justa dentro de lo que es observable.
Tiene, sin embargo, tres límites importantes. Necesita suficiente volumen de datos para ser fiable — en cuentas pequeñas, es ruido. Es específico de cada plataforma y a menudo una caja negra: Google atribuye a su manera, Meta a la suya, y cada uno tiende a tirar del crédito hacia sí, lo que genera doble conteo cuando se suman informes de canales distintos. Y, crucialmente, sigue limitado a lo que puede observar a nivel de usuario — precisamente lo que la privacidad está volviendo más escaso.
Marketing Mix Modeling: la visión de arriba abajo
El Marketing Mix Modeling (MMM) aborda el problema por el lado opuesto. En lugar de seguir a usuarios individuales, usa datos agregados — inversión por canal, ventas, precio, estacionalidad, promociones, factores externos como el clima o la economía — y, mediante modelos estadísticos, estima cuánto contribuyó cada canal a las ventas totales. No necesita cookies ni identificar a personas, lo que lo hace naturalmente resistente a las restricciones de privacidad.
Sus fortalezas son exactamente las debilidades de los modelos de clic: capta el efecto de canales offline, de campañas de notoriedad y de medios donde no hay clic que medir; incorpora el impacto diferido y de largo plazo; y da una visión de conjunto útil para asignar presupuesto entre grandes bloques de inversión. A cambio, es un enfoque de baja granularidad — responde bien a "cuánto invertir en vídeo frente a búsqueda", y mal a "qué anuncio concreto optimizar hoy" — y exige un histórico largo y cuidado metodológico para separar correlación de causa.
El MMM ha dejado de ser exclusivo de grandes anunciantes con consultoras caras. En febrero de 2025, Google liberó como open source Meridian, sucesor de LightweightMMM, con un enfoque bayesiano y modelación a nivel geográfico; Meta mantiene Robyn, que automatiza la optimización de parámetros. Estas herramientas open-source han bajado la barrera de entrada, aunque sigan exigiendo datos de calidad y conocimiento estadístico para dar resultados fiables.
Incrementalidad: la única pregunta que importa
Detrás de toda la atribución hay una pregunta que ningún modelo correlacional responde del todo: ¿esta venta habría ocurrido igualmente sin el anuncio? A esto se le llama incrementalidad, y la forma más robusta de medirla no es modelar el pasado, sino hacer experimentos. Una prueba geográfica (geo-lift) apaga la inversión en unas regiones y la mantiene en otras, y luego compara los resultados; un holdout retiene un grupo de control que no se expone a la campaña.
Estas pruebas son el estándar de oro porque crean un contrafactual real — un "y si no hubiéramos hecho nada" observado, no estimado. Son más exigentes de montar e implican, a veces, renunciar a algo de alcance para tener un grupo de control, pero responden a la pregunta causal que la atribución solo aproxima. Una práctica madura combina modelos de atribución para el día a día con pruebas de incrementalidad periódicas para calibrar lo que los modelos dicen.
Privacidad en 2026: menos señal, no menos cookies
Hay una narrativa persistente de que "las cookies van a desaparecer". Conviene ser riguroso. Google dio marcha atrás, en 2024, en su intención de eliminar las cookies de terceros en Chrome y, en octubre de 2025, anunció el desmantelamiento de buena parte de las tecnologías del Privacy Sandbox, manteniendo solo un conjunto reducido de funcionalidades. Es decir: las cookies de terceros siguen existiendo en Chrome.
Eso no significa que el problema de medición haya desaparecido — al contrario. La señal a nivel de usuario sigue degradándose por otras vías: Safari y Firefox bloquean las cookies de terceros desde hace años, iOS limitó el rastreo entre apps con App Tracking Transparency, y el consentimiento exigido por el RGPD reduce la fracción de usuarios observables. El efecto práctico es que la atribución basada en rastreo individual ve cada vez menos del recorrido real. Es ese contexto — y no el fin de las cookies en sí — el que explica el regreso del MMM y de las pruebas de incrementalidad, métodos que no dependen de identificar a personas.
Cómo elegir: un enfoque por capas
La pregunta "cuál es el mejor modelo de atribución" está mal planteada, porque cada método responde a una pregunta distinta y opera a una escala distinta. Las organizaciones más maduras no eligen uno; los combinan por capas:
- MMM para la decisión estratégica de alto nivel: cómo repartir el presupuesto entre grandes canales a lo largo de trimestres.
- Atribución data-driven para la optimización táctica del día a día dentro de los canales digitales, consciente de sus límites y del doble conteo.
- Pruebas de incrementalidad como árbitro: cuando el MMM y la atribución no coinciden, un experimento bien diseñado dice quién tiene razón.
La regla práctica es usar cada herramienta para aquello en lo que es buena y desconfiar de cualquier número que venga de una sola fuente. Cuando tres métodos independientes apuntan en la misma dirección, puedes actuar con confianza; cuando divergen, esa divergencia es en sí misma información valiosa sobre dónde tus datos son débiles.
Mini-caso: reconciliar dos historias
Considera una empresa de comercio electrónico que gestionaba sus campañas casi solo por el last-click. Bajo esa lente, la búsqueda de marca y el retargeting eran los héroes, y la inversión en vídeo y redes sociales parecía un desperdicio — así que se fue recortando. Durante dos trimestres, las ventas de "respuesta directa" se mantuvieron, pero las ventas totales fueron resbalando, sin explicación aparente en los informes.
El equipo construyó un MMM sencillo con dos años de histórico. El modelo sugirió que los canales de la parte alta del embudo, aparentemente ineficaces bajo el last-click, contribuían a una parte relevante de la demanda que solo se materializaba semanas después en otros canales. Para no decidir solo con base en un modelo, corrieron una prueba geográfica: reactivaron el vídeo en la mitad de las regiones y lo mantuvieron apagado en la otra mitad.
Al cabo de seis semanas, las regiones con vídeo mostraban ventas totales visiblemente superiores a las del grupo de control, confirmando lo que el MMM indicaba y el last-click nunca podría ver. La empresa reequilibró el presupuesto hacia la parte alta del embudo de forma gradual, guiada por experimentos y no por intuición. La cuestión no es que el vídeo sea siempre bueno — es que ninguna lente única mostraba el cuadro completo.
En la práctica
La atribución no es un problema que se resuelve eligiendo el modelo correcto de una lista; es una disciplina de triangulación. El last-click sigue siendo útil como señal operativa rápida, siempre que se sepa que sobrevalora el final del recorrido. La atribución data-driven afina la optimización dentro de los canales digitales. El MMM devuelve la visión de conjunto y resiste las restricciones de privacidad. Y las pruebas de incrementalidad son el único método que responde directamente a la pregunta causal que a todos interesa.
En 2026, con la señal individual cada vez más escasa pero las cookies aún presentes en Chrome, la recomendación no es apostarlo todo a una tecnología, sino construir un sistema de medición que cruce enfoques y trate cada número con el escepticismo sano de quien sabe cómo se produjo. Quien asigne presupuesto sobre la base de una sola fuente seguirá premiando los canales que aparecen los últimos — y seguirá extrañándose, trimestre tras trimestre, de por qué la demanda no aparece.
