# Una venta, tres dueños

> Historia interactiva de Dashcrab sobre atribución. Versión en texto de https://dashcrab.app/es/stories/una-venta-tres-duenos.html
> Publicada el 12 de octubre de 2026. Otras historias: https://dashcrab.app/es/stories.html

Sofi compró una campera. Meta dice que fue gracias a Meta. Google, que fue gracias a Google. El email, que fue el email. Los tres tienen razón, y la suma igual está mal.

## La compra

- **Martes, 22:40.** Sofi scrollea Instagram en la cama. Le aparece un Reel de una campera de USD 120, toca "Comprar ahora", mira el talle y el precio, y cierra la app sin comprar.
- **Jueves.** Se acuerda de la campera pero no del nombre exacto. La busca en Google y toca el primer resultado, que es un anuncio. El resultado orgánico de la misma tienda estaba justo abajo.
- **Sábado.** Le llega el newsletter de la semana: volvió su talle, con 10% off. Hace clic.
- **Domingo a la noche.** Abre la notebook, escribe la dirección de la tienda a mano y compra. Una campera, USD 120. Una sola venta.

### Cómo mide Meta

Por defecto, Meta se queda con una compra si ocurre hasta **7 días después de un clic** en el link del anuncio, 1 día después de una interacción (un like, un guardado, ver 5 segundos de video) o **1 día después de solo verlo**. Meta separó el clic en el link de las demás interacciones en marzo de 2026. Lo que Sofi haga después en Google, en el mail o en la tienda, Meta no lo ve.

### Estudio: clics que ya eran tuyos

eBay dejó de pagar los anuncios que aparecían cuando alguien buscaba "ebay" en Bing y Yahoo, y siguió pagándolos en Google para comparar. Casi todos los clics que perdió volvieron por el resultado orgánico: la gente que buscaba la marca entró igual (Blake, Nosko y Tadelis, Econometrica, 2015). Google Ads, mientras tanto, se queda con la venta si ocurre hasta **30 días después del clic** (configurable hasta 90). La búsqueda de Sofi cae adentro con margen.

## El lunes, en los reportes

| Plataforma | Qué dice | Por qué |
|---|---|---|
| Meta Ads | 1 compra, USD 120 | Clic en el Reel hace 6 días, dentro de su ventana de 7 |
| Google Ads | 1 conversión, USD 120 | Clic en el anuncio hace 4 días, dentro de su ventana de 30 |
| Plataforma de email | 1 pedido, USD 120 | Clic en el mail hace 2 días |
| **Suma de los reportes** | **3 compras, USD 360** | |
| **Tu tienda** | **1 compra, USD 120** | |

### Psicología: sesgo de autoservicio

Las personas tendemos a atribuirnos los éxitos y a culpar a las circunstancias por los fracasos (Miller y Ross, Psychological Bulletin, 1975). Las plataformas no tienen ego, pero sus reglas producen el mismo efecto: cada una mira solamente sus propios toques y, si encuentra uno dentro de su ventana, anota la venta entera. Ninguna descuenta lo que reclamó la otra.

### Cómo mide GA4

En los informes de adquisición, GA4 le da la compra al último canal que no fue directo. Sofi entró directo el domingo, así que el crédito salta al mail del sábado. GA4 no ve impresiones, así que para él la vista de un anuncio no existe, y pierde a quien rechaza las cookies. Es una tercera opinión, no un árbitro.

### Por qué empeoró

Desde iOS 14.5, en abril de 2021, cada app tiene que pedir permiso para rastrear. Safari borra las cookies que crea JavaScript a los 7 días sin visitas, o a las 24 horas si la persona llegó desde un link con parámetros de seguimiento. Lo que ya no ven, las plataformas lo completan con conversiones modeladas: estimaciones mezcladas con lo observado, en el mismo número.

## El recorrido completo, desde afuera de las plataformas

Cuatro contactos y una compra de USD 120. Así la reparte cada modelo:

| Modelo | Reel de Instagram (Meta) | Anuncio en Google | Newsletter | Directo |
|---|---|---|---|---|
| Primer contacto | USD 120 | USD 0 | USD 0 | USD 0 |
| Último contacto | USD 0 | USD 0 | USD 0 | USD 120 |
| Último no directo | USD 0 | USD 0 | USD 120 | USD 0 |
| Lineal | USD 30 | USD 30 | USD 30 | USD 30 |
| Decaimiento (vida media de 7 días) | USD 23 | USD 27 | USD 33 | USD 37 |
| En U (40/20/40) | USD 48 | USD 12 | USD 12 | USD 48 |

El crédito cambia de mano, pero la suma siempre da USD 120. Falta el séptimo modelo, data-driven, y ese no se puede calcular mirando una sola compra.

## Data-driven, paso a paso

Una tienda chiquita con tres recorridos:

- Juan: Meta → Google → Email → **compró**
- Ana: Meta → no compró
- Leo: Google → Email → no compró

Último contacto le da todo al mail. Primer contacto, todo a Meta. Las dos reglas miran solamente el recorrido de Juan. Data-driven mira los tres.

**Paso 1. El mapa.** Desde cada lugar, qué parte de la gente fue a cada lado:

| Desde | Hacia | Probabilidad |
|---|---|---|
| Inicio | Meta | 67% (2 de 3) |
| Inicio | Google | 33% (1 de 3) |
| Meta | Google | 50% |
| Meta | Nada | 50% |
| Google | Email | 100% |
| Email | Compra | 50% |
| Email | Nada | 50% |

**Paso 2. La probabilidad de comprar.** Se suman los caminos que llegan a la compra:

- Meta → Google → Email → Compra: 67% × 50% × 100% × 50% = 17%
- Google → Email → Compra: 33% × 100% × 50% = 17%
- Total: **33%**

**Paso 3. El efecto de remoción.** Se saca un canal del mapa y se recalcula:

- Sin Meta: queda solo el camino de Google, 33% × 100% × 50% = 17%. Cae 50%.
- Sin Google: nadie llega a la compra. Cae 100%.
- Sin Email: nadie llega a la compra. Cae 100%.

**Paso 4. El reparto.** 50 + 100 + 100 = 250, y cada canal se lleva su parte: **Meta 20%, Google 40%, Email 40%**.

### Cómo se calcula

Data-driven trata cada recorrido como una cadena de Markov de primer orden: la probabilidad de ir a un paso depende solamente del paso en el que estás (Anderl, Becker, von Wangenheim y Schumann, International Journal of Research in Marketing, 2016). Con todos los recorridos de un período, con y sin compra, calcula cuánto cae la probabilidad de comprar si un canal no existiera, y reparte el crédito en proporción.

- Lo bueno: usa los recorridos que no compraron, que las reglas fijas ignoran. Un canal que aparece en muchos caminos que no venden pierde crédito.
- Lo que no hace: no sabe qué hubiera pasado sin el anuncio. Saca un canal de un mapa, no del mundo. Y necesita volumen: con pocos recorridos, el mapa es ruido.
- Dashcrab Atribución lo calcula sobre los recorridos del rango elegido. Fuera de los 30 canales más frecuentes, el resto se agrupa como "otros".

## Un mes entero: todos los canales, los siete modelos

Datos de ejemplo de una tienda: 204 compras y 2.380 recorridos sin compra, calculados con las mismas reglas que Dashcrab Atribución. Compras atribuidas a cada canal; cada columna suma 204.

| Canal | Primer contacto | Último contacto | Último no directo | Lineal | Decaimiento | En U | Data-driven |
|---|---|---|---|---|---|---|---|
| Meta | 80 | 8 | 24 | 39 | 30 | 42 | 47 |
| Google | 54 | 58 | 78 | 62 | 61 | 58 | 51 |
| Email | 12 | 24 | 58 | 23 | 28 | 20 | 27 |
| Orgánico | 32 | 18 | 18 | 25 | 23 | 25 | 17 |
| Directo | 26 | 96 | 26 | 55 | 62 | 59 | 62 |

- Meta se lleva 8 compras en último contacto y 80 en primer contacto: abre muchas conversaciones y casi nunca cierra.
- Data-driven le da 47: lo que se perdería sin Meta, contando también a las 1.280 personas que pasaron por Meta y no compraron.
- Directo recibe 62 en data-driven, porque muchos recorridos terminan ahí y sacarlo los corta. Ningún modelo es neutral.

### Ningún modelo es la verdad

- **Primer contacto:** ¿qué canal abre la conversación?
- **Último contacto:** ¿qué pasó justo antes de comprar?
- **Último no directo:** lo mismo, pero Directo solo cuenta si no hubo otra cosa. Es el criterio de GA4.
- **Lineal:** ¿quién estuvo? Todos, por partes iguales.
- **Decaimiento:** pesa más lo reciente. El peso se reduce a la mitad cada 7 días hacia atrás.
- **En U:** 40% a quien abre, 40% a quien cierra, 20% para el medio.
- **Data-driven:** ¿cuánto se pierde sin cada canal?, según tus propios recorridos.

Por eso conviene verlos lado a lado y no casarse con uno. Lo que no cambia en ninguno: una venta vale una venta.

### Atribución no es causalidad

Investigadores de Kellogg compararon 15 experimentos con grupo de control en Facebook contra los métodos que usa la industria sin experimento. Aun con cientos de variables de control, esos métodos muchas veces no llegaban al efecto real (Gordon, Zettelmeyer, Bhargava y Chapsky, Marketing Science, 2019). En 2023 repitieron la prueba con 663 experimentos, con el mismo resultado (Gordon, Moakler y Zettelmeyer, 2023). Un modelo de atribución reparte el crédito de ventas que ya ocurrieron; no dice cuáles iban a ocurrir igual. Para eso hay una sola forma: apagar algo y mirar qué pasa.

## Tres cosas para hacer esta semana

1. **Mirá primero el total real.** Tu tienda, tu CRM o tus ventas por WhatsApp. Si la suma de las plataformas lo supera, la diferencia es solapamiento, no crecimiento.
2. **Emparejá las ventanas antes de comparar.** Meta en 7 días desde el clic, sin vista. Google en 7 días desde el clic. No elimina el doble conteo, pero lo achica.
3. **Apagá algo y mirá.** Una campaña de marca o una región, dos o tres semanas, lejos de una fecha fuerte. Si vendés lo mismo, ese canal cobraba por demanda que ya existía.

Una conversión vale 1. Se reparte, no se multiplica. Dashcrab Atribución arma el recorrido de cada cliente con un pixel propio, que se instala con Google Tag Manager, y reparte cada venta entre los canales que la generaron, con siete modelos lado a lado, data-driven incluido: https://dashcrab.app/es/attribution.html

## Fuentes

- Meta, separación del clic en el link de las demás interacciones (marzo de 2026): https://www.facebook.com/business/news/click-attribution
- Blake, Nosko y Tadelis, "Consumer Heterogeneity and Paid Search Effectiveness: A Large-Scale Field Experiment", Econometrica (2015): https://www.nber.org/papers/w20171
- Google Ads, Acerca de las ventanas de conversión: https://support.google.com/google-ads/answer/3123169
- Miller y Ross, "Self-serving biases in the attribution of causality: Fact or fiction?", Psychological Bulletin (1975).
- Apple, App Tracking Transparency: https://developer.apple.com/documentation/apptrackingtransparency
- WebKit, Tracking Prevention in WebKit: https://webkit.org/tracking-prevention/
- Anderl, Becker, von Wangenheim y Schumann, "Mapping the customer journey: Lessons learned from graph-based online attribution modeling", International Journal of Research in Marketing (2016).
- Gordon, Zettelmeyer, Bhargava y Chapsky, "A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook", Marketing Science (2019): https://www.kellogg.northwestern.edu/faculty/gordon_b/files/fb_comparison.pdf
- Gordon, Moakler y Zettelmeyer, "Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement" (2023).
- Versión larga en el blog: https://dashcrab.app/es/blog/por-que-google-ads-y-meta-ads-se-adjudican-la-misma-venta.html