Siete modelos de atribución para repartir una venta

Un modelo de atribución es la regla que decide cómo se reparte una venta entre los contactos que la precedieron: el Reel que la persona vio, el anuncio de Google que tocó, el mail que abrió. Hay siete en uso y ninguno es la verdad. Cada uno responde una pregunta distinta, y conviene saber cuál antes de mover presupuesto por lo que dice. Lo único que no cambia de un modelo a otro: una venta vale 1. Se reparte, no se multiplica.

En este artículo se calculan los siete sobre la misma compra, con las reglas exactas que usa Dashcrab Atribución. Son fórmulas cortas. La más larga, data-driven, cabe en cuatro pasos y una tabla.

Qué es un modelo de atribución, y qué no es

Un modelo de atribución necesita tres cosas. Un recorrido: la lista de contactos de una persona con tu marca, en orden cronológico. Una ventana: cuántos días hacia atrás desde la compra se miran esos contactos, 30 por defecto, y más para un ciclo largo (un deal B2B puede mirar 180). Y una regla: cómo se reparte el 100% de la venta entre los contactos que quedaron adentro de la ventana.

Un contacto es una sesión. Si alguien entra por orgánico y a los diez minutos hace clic en un anuncio, son dos contactos: el clic pago no se pierde. La vuelta de una pasarela de pago o de un login con Google no cuenta como contacto, porque no trajo a nadie. Y una compra sin ningún contacto registrado se reporta como "sin camino": no se le regala a Directo.

Lo que un modelo de atribución no es: lo que hace cada plataforma de anuncios. Meta y Google Ads aplican una regla de último contacto sobre el pedazo del recorrido que cada una ve, y por eso las dos se adjudican la misma venta. Un modelo de atribución, bien hecho, mira el recorrido completo desde afuera de las plataformas y reparte una sola vez.

La compra que vamos a repartir

Sofi compra una campera de USD 120. Antes de comprar pasó por cuatro lugares. El martes vio un Reel en Instagram, tocó "Comprar ahora", miró el talle y cerró la app. El jueves buscó la tienda en Google y entró por el anuncio. El sábado le llegó el newsletter con su talle de vuelta y 10% off, y hizo clic. El domingo a la noche escribió la dirección a mano en la notebook y compró.

Cuatro contactos, una compra, USD 120. Los cuatro caen dentro de una ventana de 30 días. Es el mismo recorrido de la historia interactiva "Una venta, tres dueños", por si preferís verlo en pantalla antes que en tablas.

Los seis modelos de reglas fijas

Seis de los siete modelos son reglas que se aplican a un recorrido aislado. No necesitan saber nada de los demás clientes: con la lista de contactos y sus fechas alcanza. Por eso se los puede calcular a mano.

1. Primer contacto

El 100% al primer contacto de la ventana. Sofi: Meta USD 120, el resto USD 0. Responde "¿qué canal abre la conversación?". Engaña cuando el canal que abre es barato y masivo: un video con alcance enorme se lleva todo el crédito aunque nadie compre sin los tres contactos siguientes.

2. Último contacto

El 100% al último contacto antes de la compra. Sofi: Directo USD 120. Responde "¿qué pasó justo antes de comprar?". Es el modelo más usado porque es el más fácil de medir, y el que aplica cada plataforma sobre su propio pedazo del recorrido. Engaña a favor de los canales de cierre: Directo, la búsqueda de marca y el retargeting cobran demanda que otro canal generó.

3. Último contacto no directo

Se recorre el camino de atrás hacia adelante y la venta entera va al primer contacto que no sea Directo. Si todos fueron directos, se queda el último. Sofi: Email USD 120, porque la visita directa del domingo se saltea y el mail del sábado es el anterior. Es el criterio de GA4 en los informes de adquisición, y la lógica es que alguien que escribe tu dirección a mano ya te conocía por otro lado.

4. Lineal

Partes iguales: 1 dividido la cantidad de contactos. Sofi tiene cuatro, así que cada uno recibe el 25%: USD 30 para Meta, Google, Email y Directo. Responde "¿quién estuvo?". No premia a nadie y no castiga a nadie, que es su virtud y su límite: un clic de hace 29 días pesa lo mismo que el de hace una hora.

5. Decaimiento temporal

Pesa más lo reciente. Cada contacto recibe un peso de 2 elevado a menos la cantidad de días que lo separan del último contacto, dividido por la vida media. Con la vida media de 7 días por defecto, un contacto de hace 7 días pesa la mitad que uno de hoy, y uno de hace 14 días pesa un cuarto. Después se dividen todos los pesos por su suma para que den 1.

Un detalle de implementación que importa: la distancia se mide hasta el último contacto, no hasta la compra. Normalizado da exactamente lo mismo, y evita que en una ventana de 180 días los pesos se vuelvan tan chicos que la computadora los redondee a cero. La vida media es un parámetro: con 30 días el modelo se aplana hacia el lineal, con 2 días se parece al último contacto.

6. En U, o basado en posición

40% al primer contacto, 40% al último y el 20% restante repartido en partes iguales entre los del medio. Sofi: Meta USD 48, Google USD 12, Email USD 12, Directo USD 48. Responde "¿quién abrió y quién cerró?". Con un solo contacto se lleva el 100%; con dos, 50 y 50. Es el modelo que más se parece a cómo un equipo de marketing describe su propio embudo, y por eso es cómodo. También es el más arbitrario: los 40/40/20 no salen de ningún dato.

Los seis, lado a lado, sobre la misma compra de USD 120:

Meta se lleva USD 120, USD 0, USD 30, USD 23 o USD 48 según la regla. Cada fila suma 120. Esa es toda la diferencia entre un modelo y otro: a quién le toca, nunca cuánto hay.

Data-driven, paso a paso

Los seis modelos anteriores tienen un punto ciego: solo miran los recorridos que terminaron en compra. Si Meta aparece en 1.000 recorridos y compran 10, las reglas fijas ven 10 recorridos. Data-driven ve los 1.000. Su pregunta es "¿cuánto se perdería sin cada canal?", y para responderla usa también a los que no compraron.

Una tienda chiquita con tres clientes alcanza para verlo. Juan pasó por Meta, Google y Email, y compró. Ana pasó por Meta y no compró. Leo pasó por Google y Email y no compró. Último contacto le da todo al mail. Primer contacto, todo a Meta. Las dos reglas miran solo a Juan.

Paso 1. El mapa. Desde cada lugar, qué parte de la gente fue a cada lado. Dos de tres empezaron en Meta, uno en Google. De los que estuvieron en Meta, la mitad siguió a Google y la mitad abandonó. Y así:

Paso 2. La probabilidad de comprar. Se suman los caminos que llegan a la compra. Por Meta: 67% × 50% × 100% × 50% = 17%. Por Google directo: 33% × 100% × 50% = 17%. Total: 33%. Es la probabilidad base.

Paso 3. El efecto de remoción. Se saca un canal del mapa, como si no existiera, y se recalcula. Lo que entraba a ese canal se pierde. Sin Meta queda solo el camino de Google: 17%. La probabilidad cae un 50%. Sin Google no hay forma de llegar al mail: cae un 100%. Sin Email nadie llega a la compra: cae un 100%.

Paso 4. El reparto. 50 + 100 + 100 = 250, y cada canal se lleva su parte proporcional: Meta 20%, Google 40%, Email 40%. De una venta de USD 120, Meta recibe USD 24 y los otros dos USD 48 cada uno.

Eso es una cadena de Markov de primer orden: la probabilidad de ir al paso siguiente depende solo del paso en el que estás, no de cómo llegaste. El método está descripto en Anderl, Becker, von Wangenheim y Schumann, "Mapping the customer journey", International Journal of Research in Marketing, 2016. Con un mes real de datos hay tres ajustes prácticos: si una persona repite el mismo canal dos veces seguidas cuenta como un solo paso, porque repetir un estado no cambia la probabilidad de llegar a la compra; fuera de los 30 canales o campañas más frecuentes, el resto se agrupa como "otros" para que el mapa siga siendo chico; y la probabilidad se calcula por iteración hasta que deja de cambiar, no resolviendo matrices.

¿Cuál usar? Cada uno responde una pregunta

La pregunta "¿cuál es el mejor modelo de atribución?" no tiene respuesta porque está mal planteada. La buena es "¿qué quiero saber?".

Por qué importa tenerlo, con un ejemplo. Un mes de una tienda, datos de ejemplo calculados con estas mismas reglas: 204 compras y 2.380 recorridos que no compraron. Meta se lleva 8 compras en último contacto y 80 en primer contacto. Si decidís el presupuesto con último contacto, apagás Meta. Si decidís con primer contacto, lo duplicás. Los dos números salen del mismo mes y de las mismas ventas. Data-driven le da 47, porque cuenta también a las 1.280 personas que pasaron por Meta y no compraron: abre muchas conversaciones y cierra pocas, y sin él se perderían casi un cuarto de las compras.

Cada columna suma 204. Es la segunda razón para tener un modelo propio: la suma de lo que reportan Meta, Google y la plataforma de mails de ese mismo mes da bastante más que 204, porque cada una aplica último contacto sobre lo que ve y ninguna descuenta lo que reclamó la otra. Un modelo que reparte una vez es la única forma de que el total de atribución coincida con el total de la tienda.

Y la tercera razón es saber lo que un modelo no te dice. Atribución no es causalidad. Investigadores de Kellogg compararon 15 experimentos con grupo de control en Facebook contra los métodos de atribución sin experimento, y aun con cientos de variables de control esos métodos muchas veces no llegaban al efecto real. Un modelo reparte ventas que ya ocurrieron. No dice cuáles iban a ocurrir igual. Para eso hay una sola forma: apagar algo dos o tres semanas, lejos de una fecha fuerte, y mirar el total real.

En la práctica, tres hábitos:

1. Mirá dos modelos opuestos, no uno. Primer y último contacto lado a lado te dicen el rol de cada canal: el que gana en primero y pierde en último abre; el que hace lo contrario cierra. Esa lectura vale más que cualquier número aislado.

2. Usá data-driven cuando tengas volumen, y compará. Con cientos de compras por mes el mapa se estabiliza. Si data-driven y lineal dicen cosas parecidas, el reparto es robusto. Si difieren mucho en un canal, ahí hay algo que mirar.

3. Fijá la ventana y la vida media antes de comparar períodos. Cambiar la ventana de 30 a 90 días recalcula todos los recorridos y mueve el crédito. No es un error, pero un gráfico que mezcla las dos configuraciones no compara nada.

Para no armar esto a mano, Dashcrab Atribución registra el recorrido de cada cliente con un pixel propio, que se instala desde Google Tag Manager, y calcula los siete modelos sobre las mismas ventas, lado a lado, con la ventana y la vida media que vos elijas. Una conversión vale 1 en cada uno.

---

Los repartos de este artículo salen de aplicar las reglas de cada modelo al recorrido descripto; la tabla del mes es un conjunto de datos de ejemplo calculado con esas mismas reglas, no los resultados de un cliente. El criterio de GA4 corresponde a su documentación a octubre de 2026.