Modelo de atribución: tipos y comparativa

¿Qué es un modelo de atribución?

Un modelo de atribución es una regla (o un algoritmo) que reparte el crédito de una conversión entre los distintos puntos de contacto de un recorrido de usuario (canales, campañas, anuncios, palabras clave, creatividades o fuentes).

En analítica digital y compra de medios, ese reparto condiciona decisiones de presupuesto, optimización y lectura de métricas como ROAS, CAC, CPA o valor de conversión. El mismo conjunto de conversiones puede asignarse a canales distintos en función del modelo, alterando comparativas de rendimiento y priorización de inversión.

Un modelo de atribucion suele operar sobre una ventana temporal de interacciones (por ejemplo, 30 o 90 días) y sobre un tipo de conversión (compra, lead, registro). También depende de la calidad de la medición: etiquetado correcto, consent mode, deduplicación entre plataformas y configuración de conversiones.

Referencia oficial para contexto y definiciones en Analytics: modelos de atribución en Google Analytics.

Tipos principales de modelos de atribución

Los modelos más comunes reparten el crédito de forma determinista (reglas fijas) o basada en datos (aprende patrones con señales agregadas). A continuación se describen los principales con el mismo criterio: qué hace, qué sesgo introduce y qué lecturas favorece.

Última interacción

Asigna el 100% del crédito al último punto de contacto antes de la conversión. Si la ruta fue “Social → Email → Search (brand) → Conversión”, la conversión queda atribuida a “Search (brand)”.

Ventaja operativa: es simple y suele alinearse con estrategias orientadas a cierre (captura de demanda existente). Limitación: infravalora canales de descubrimiento y consideración; tiende a sobrevalorar marca, remarketing y tráfico directo cuando intervienen cerca del final.

Ejemplo hipotético: pedido de 120 € tras cuatro interacciones. Con última interacción, el canal final recibe 120 € de valor de conversión, aunque el impacto real de los canales previos haya sido relevante.

Primera interacción

Asigna el 100% del crédito al primer punto de contacto del recorrido. En la ruta “Display → Social → Email → Conversión”, la conversión queda atribuida a “Display”.

Ventaja: facilita medir el papel de campañas orientadas a descubrimiento y apertura de funnel. Limitación: tiende a minusvalorar tácticas de cierre y nurturing, y puede castigar la optimización de campañas que intervienen cuando el usuario ya está más cualificado.

Es especialmente sensible a cómo se defina “primera interacción”: primer toque dentro de una ventana (por ejemplo 90 días) no equivale a primer toque histórico si se pierde historial por cambios de dispositivo, restricciones de cookies o ausencia de identidad unificada.

Modelo lineal

Reparte el crédito a partes iguales entre todas las interacciones registradas en el recorrido. Con cuatro puntos de contacto, cada uno recibe 25% del valor o de la conversión.

Ventaja: estabiliza el reporting cuando el ciclo es largo y hay muchos puntos de contacto, evitando el “todo o nada” de primera/última interacción. Limitación: presupone que todos los puntos de contacto aportan lo mismo, aunque haya diferencias claras entre impactos (por ejemplo, una visita orgánica informacional frente a un clic de marca final).

Ejemplo hipotético: conversión con valor 200 € y cinco puntos de contacto: cada interacción recibe 40 € de valor atribuido, independientemente del tiempo o del tipo de campaña.

Modelo por posición (U-shaped)

Distribuye más crédito a la primera y la última interacción, y reparte el resto entre los puntos intermedios. Una parametrización típica es 40% al primer toque, 40% al último toque y 20% distribuido entre los intermedios (aunque puede variar).

Ventaja: refleja dos momentos habituales del funnel: adquisición (primer contacto) y cierre (último contacto), sin ignorar del todo la fase intermedia. Limitación: sigue siendo una regla fija: si el recorrido real está dominado por interacciones intermedias (por ejemplo, una secuencia de nurturing), la U puede infra-representar esa fase.

Ejemplo hipotético: recorrido con 4 interacciones y valor 100 €: primera 40 €, última 40 €, y 10 € para cada una de las dos intermedias.

Modelo basado en tiempo (decay)

Asigna más crédito a interacciones más cercanas en el tiempo a la conversión. La lógica se basa en un decaimiento temporal: a mayor distancia temporal, menor peso.

Ventaja: útil cuando se asume que el impacto más determinante se produce cerca de la decisión (por ejemplo, en procesos de compra con comparación de precios o validación final). Limitación: puede penalizar en exceso el trabajo de awareness si los ciclos son largos o si el primer impacto define la categoría o la marca a considerar.

El resultado depende de la configuración de la “media vida” o factor de decaimiento. Cambiar ese parámetro cambia la lectura del funnel, por lo que conviene documentarlo y mantenerlo estable durante periodos comparables.

Data-driven (basado en datos)

El modelo data-driven (DDA, data-driven attribution) asigna crédito a cada punto de contacto en función de señales observadas en los datos disponibles y de cómo cambian las probabilidades de conversión cuando un punto de contacto aparece o desaparece en recorridos similares (en términos generales).

Ventaja: reduce el arbitraje de reglas fijas y se adapta mejor a diferencias entre canales y campañas. Limitación: exige volumen y calidad de datos, y su comportamiento puede variar cuando cambian las condiciones de medición (consentimiento, modelado, cambios de tagging, cambios de inventario).

En entornos Google, la atribución basada en datos está ligada a la forma en que cada plataforma modela conversiones y a la configuración de conversiones y ventanas. Documentación oficial de atribución en Ads: información sobre atribución en Google Ads.

Tabla comparativa: pros, contras y cuándo usar cada modelo

Modelo	Ventaja	Limitación	Cuándo encaja
Última interacción	Sencillo; orienta a optimización de cierre	Sobrevalora puntos finales (marca, remarketing) y oculta contribución inicial	Estrategias con foco en captación de demanda existente; reporting rápido de performance
Primera interacción	Pone en valor descubrimiento y entrada de funnel	Infravalora nurturing y tácticas de cierre	Evaluación de campañas de prospecting; análisis de crecimiento por canal de adquisición
Lineal	Equilibra recorridos largos; reduce volatilidad	Asume impacto uniforme; diluye señales de campañas decisivas	Negocios con ciclos largos y multitoque donde interesa una lectura estable del mix
Por posición (U-shaped)	Valora adquisición y cierre sin ignorar el medio	Peso fijo; puede no reflejar recorridos dominados por fase intermedia	Funnel clásico con descubrimiento → consideración → cierre; análisis por etapas
Time decay	Refuerza interacciones cercanas a conversión; útil en validación final	Penaliza awareness en ciclos largos; depende de parámetros	Procesos donde el empuje final es clave (comparación, retargeting con intención alta)
Data-driven (DDA)	Más adaptativo; pondera según señales observadas	Requiere volumen y buena medición; puede cambiar con el modelado	Organizaciones con inversión multicanal y suficientes conversiones; optimización continua

Ejemplos prácticos con números

Los ejemplos son hipotéticos y buscan mostrar cómo cambia la lectura cuando se cambia de modelo. En todos los casos se asume que el recorrido se ha medido de forma consistente y que los costes por canal se comparan en la misma ventana temporal.

Caso 1 — e‑commerce: cómo cambia la atribución entre canales

Escenario hipotético: una compra de 150 € se produce tras este recorrido:

Display prospecting (día -10) → Orgánico (día -7) → Email (día -2) → Search marca (día 0) → Compra (150 €)

Última interacción: Search marca recibe 150 € atribuidos. Si se revisa ROAS por canal, Search marca parecerá el motor principal de ingresos, incluso si la demanda se generó antes.

Primera interacción: Display recibe 150 €. En una lectura de adquisición, Display se convierte en el canal “responsable” de la venta, aunque no haya intervenido en el cierre.

Lineal (4 toques): cada canal recibe 37,50 €. Esto tiende a suavizar extremos y a mostrar un mix más equilibrado.

U-shaped (40/40/20): Display 60 € (40%), Search marca 60 € (40%), Orgánico 15 € y Email 15 € (reparto del 20% restante). Se destaca adquisición y cierre, manteniendo algo de señal del medio.

Time decay: con mayor peso cerca del día 0, Search marca y Email reciben más. Si el parámetro de decaimiento es agresivo, Display puede quedar con una fracción pequeña pese a iniciar el recorrido.

Lectura de implicación: el modelo no cambia la existencia de la venta, cambia la narrativa de qué canal la “causó”. La decisión de presupuesto debería validar si el canal atribuido actúa como incremental o como captura de intención ya creada por otros impactos.

Caso 2 — SaaS (lead): valoración por punto de contacto

Escenario hipotético: un lead cualificado (sin valor monetario directo en el momento) llega tras:

LinkedIn Ads (día -21) → Contenido orgánico (día -14) → Webinar (día -7) → Remarketing (día -1) → Lead

Si se mide un objetivo “Lead” y además existe un paso posterior (SQL, oportunidad, venta), el modelo de atribución afecta a dos capas: qué canal origina el lead y qué canal se asocia al revenue final cuando ese lead madura.

Última interacción: remarketing recibe el 100% del lead. Riesgo: optimizar para aumentar leads “baratos” con remarketing sin aumentar pipeline incremental.

Primera interacción: LinkedIn Ads recibe el 100% del lead. Riesgo: ignorar piezas intermedias que están cualificando (contenido, webinar) y que influyen en tasas de conversión posteriores.

Lineal: se reparte 25% a cada interacción. En reporting de marketing y contenido, suele ser útil para visualizar contribución del nurturing sin forzar una “causa única”.

U-shaped: LinkedIn Ads y remarketing pasan a ser los principales receptores del crédito, con el contenido y el webinar como soporte.

Recomendación operativa: en SaaS conviene separar al menos dos métricas: atribución del lead (top/mid funnel) y atribución de la venta (cuando exista revenue real), manteniendo consistencia de ventanas y deduplicación entre CRM y plataformas.

Caso 3 — Campaña de marca: impacto en métricas de ROAS/CAC

Escenario hipotético: en un mes hay 100 conversiones y 10.000 € de gasto total distribuido así:

Prospecting (Display/Social): 6.000 €; Performance (Search no marca): 3.000 €; Cierre (Search marca/Remarketing): 1.000 €

Ingresos totales medidos: 30.000 €. El reparto de ingresos atribuidos cambia por modelo.

Última interacción: si 60 de 100 conversiones terminan en marca/remarketing, ese bloque puede recibir una parte desproporcionada del revenue atribuido. El ROAS del cierre se dispara, el prospecting parece ineficiente y el CAC “atribuido” al prospecting empeora.

Primera interacción: si 55 conversiones comienzan en prospecting, el revenue atribuido se desplaza al prospecting. El cierre parece secundario; el CAC atribuido del cierre empeora artificialmente.

Lineal/U-shaped/time decay: tienden a repartir parte del crédito hacia prospecting y parte hacia cierre, cambiando la lectura del mix. La magnitud depende del número de toques y del tiempo hasta conversión.

Punto de control: cuando el modelo mueve ROAS/CAC de forma drástica, suele indicar que hay canales actuando como asistentes o como capturadores. Para evaluar incrementalidad real, la atribución debe complementarse con pruebas (por ejemplo, holdouts, geo-tests) o análisis de lift cuando sea viable.

Cómo configurarlo en GA4 y Google Ads (paso a paso)

La configuración depende de dos piezas: (1) que las conversiones estén definidas de forma coherente y (2) que el modelo elegido se aplique donde se toman decisiones (informes y optimización). En entornos Google, GA4 se usa para análisis multicanal y Google Ads para optimización de pujas y reporting de campañas.

Conviene revisar también ventanas de conversión, reglas de deduplicación y consistencia de UTM. Una parte del “problema de atribución” no es el modelo, es la higiene de medición.

Cómo comparar modelos con la herramienta de comparación en GA4

GA4 incorpora comparativas para observar cómo cambia la atribución por canal, campaña o fuente/medio cuando se alterna el modelo. Referencia de producto: comparación de modelos en GA4.

1. Verificar conversiones: confirmar que los eventos clave (p. ej., purchase, generate_lead) están marcados como conversiones y que el etiquetado de campaña (UTM o auto-tagging) se recoge sin inconsistencias.
2. Abrir la comparación de modelos: en GA4, ir a la sección de publicidad/atribución (según la interfaz vigente) y localizar la vista de comparación de modelos para el rango de fechas objetivo.
3. Alternar el modelo y segmentar: comparar última interacción, primera interacción, lineal, por posición, time decay y data-driven (si está disponible). Revisar cambios por canal y por campaña, y observar variaciones en conversiones atribuidas y valor de conversión.
4. Documentar cambios relevantes: cuando un canal cambia de forma notable entre modelos, anotar qué campañas están detrás, el tipo de audiencia (prospecting/remarketing) y el rol en el recorrido (inicio, asistencia, cierre).
5. Revisar ventanas y lookback: confirmar que la ventana de atribución usada en los informes es coherente con el ciclo de compra del negocio. Cambiar ventana cambia el mix atribuido.

Para evitar lecturas erróneas, el análisis debe repetirse en varios periodos y, si es posible, separando tráfico de marca vs no marca, y distinguiendo campañas de retargeting de campañas de adquisición.

Qué revisar y ajustar en Google Ads

En Google Ads, el modelo afecta principalmente a cómo se asignan conversiones a interacciones de anuncios y, por extensión, a estrategias de puja basadas en conversiones. La configuración real depende del tipo de conversión (sitio web, importada desde GA4, offline) y del objetivo de puja.

1. Revisar acciones de conversión: comprobar qué acciones están incluidas en la columna “Conversiones” (las que alimentan pujas) y cuáles quedan en “Todas las conversiones”. Evitar que microconversiones no deseadas inflen señales de optimización.
2. Confirmar modelo y ventana: en cada acción de conversión, revisar modelo de atribución (por ejemplo, data-driven cuando aplique) y ventana de conversión. Cambios aquí alteran reporting y aprendizaje de pujas.
3. Deduplicación y coherencia con GA4: si se usan conversiones importadas desde GA4, validar que no se está midiendo lo mismo por duplicado (por ejemplo, GA4 importado + etiqueta Ads a la vez) salvo que exista una estrategia intencional y documentada.
4. Separar marca/no marca en análisis: el modelo suele desplazar crédito hacia marca si el cierre ocurre con búsquedas de marca. Separar campañas facilita interpretar el rol de cada parte del mix.
5. Evaluar impacto tras cambios: al cambiar modelo o ventana, esperar un periodo razonable para comparar (misma estacionalidad si es posible) y anotar cambios en CPA/ROAS junto con cambios de volumen y calidad (por ejemplo, tasa de conversión a venta en CRM si existe).

Documentación oficial de conversiones y medición con Tag Manager (para consistencia de etiquetado): conceptos de Google Tag Manager.

<!-- Ejemplo genérico (hipotético) de evento de conversión con dataLayer para GTM -->
<script>
window.dataLayer = window.dataLayer || [];
window.dataLayer.push({
  event: 'purchase',
  ecommerce: {
    transaction_id: 'T-000123',
    value: 150.00,
    currency: 'EUR',
    items: [
      { item_id: 'SKU-01', item_name: 'Producto A', quantity: 1, price: 150.00 }
    ]
  },
  user: {
    consent_state: 'granted',
    email_hash: 'hash_sha256_placeholder'
  }
});
</script>

Ese push no decide el modelo; aporta señales consistentes para que GA4/Ads puedan atribuir con menos incertidumbre. La atribución falla con frecuencia por eventos duplicados, valores mal enviados, o falta de consistencia entre fuente/medio y campañas.

Herramientas y dashboards recomendados

La atribución se consulta en interfaces de plataformas, pero el análisis operativo suele necesitar una capa adicional para control de calidad, segmentación y consistencia de definiciones.

GA4 (informes de publicidad/atribución): útil para comparar modelos y ver rutas (cuando hay datos). Su principal limitación es que el análisis se ajusta a lo que GA4 mide y a sus reglas de modelado.

Google Ads: necesario para optimización y lectura de conversiones de campañas. Es importante distinguir lo que Ads atribuye dentro de su entorno frente a lo que GA4 atribuye de forma multicanal.

Looker Studio (u otra capa BI): permite construir vistas consistentes por canal/campaña, normalizar nombres (UTM), añadir costes y calcular métricas con definiciones propias. Cuando se usa, conviene fijar un diccionario de campos (qué es “canal”, qué es “campaña”, qué es “conversión primaria”).

ETL/almacén de datos: para organizaciones con volumen, integrar exportaciones (por ejemplo, GA4 a BigQuery cuando aplique) permite trazabilidad, auditorías y cálculo de atribuciones personalizadas. El objetivo no es “reinventar” GA4, sino poder validar supuestos y controlar transformaciones.

/* Ejemplo hipotético (BigQuery) para agrupar conversiones por source/medium
   y calcular un reparto lineal simple por número de touchpoints.
   Requiere un dataset con sesiones y un identificador de recorrido. */
WITH journeys AS (
  SELECT
    journey_id,
    conversion_value,
    ARRAY_AGG(STRUCT(touchpoint_ts, source, medium) ORDER BY touchpoint_ts) AS tps,
    COUNT(*) AS tp_count
  FROM `project.dataset.touchpoints`
  WHERE conversion_event = TRUE
  GROUP BY journey_id, conversion_value
),
credits AS (
  SELECT
    journey_id,
    conversion_value,
    tp.source,
    tp.medium,
    (conversion_value / tp_count) AS attributed_value_linear
  FROM journeys,
  UNNEST(tps) AS tp
)
SELECT
  CONCAT(source, ' / ', medium) AS source_medium,
  SUM(attributed_value_linear) AS value_linear
FROM credits
GROUP BY source_medium
ORDER BY value_linear DESC;

CRM y automatización: en lead gen, la atribución requiere conectar el identificador del lead con su evolución (MQL, SQL, oportunidad, venta). Sin esa unión, el modelo puede optimizar hacia leads que no generan negocio.

Errores comunes y cómo evitarlos

• Confundir atribución con incrementalidad: que un canal reciba crédito no implica que sea incremental. La atribución ordena señales; la incrementalidad exige diseño de pruebas o análisis causal cuando sea viable.
• Mezclar conversiones con distinto significado: optimizar con una mezcla de microconversiones y conversiones finales distorsiona el aprendizaje y el reporting.
• Duplicar conversiones: medir la misma acción con varias etiquetas/importaciones sin deduplicación eleva conversiones y cambia el reparto por canal.
• UTM inconsistentes: campañas con source/medium mal etiquetados fragmentan el canal y hacen que el modelo reparta crédito de forma artificial.
• No separar marca/no marca: la atribución tiende a mover crédito hacia marca y directo en el cierre; sin segmentación se sobrevalora el final del funnel.
• Ignorar ventanas de atribución: una ventana corta penaliza recorridos largos; una ventana larga puede capturar interacciones poco relacionadas con la decisión.
• Cambios sin anotación: modificar modelo, ventanas o definición de conversión sin registro impide comparar periodos y atribuye variaciones a “rendimiento” cuando son cambios de medición.

# Ejemplo hipotético de normalización de UTM en un pipeline (pseudo-reglas)
# Objetivo: evitar fragmentación de source/medium por variantes.

if utm_source in ['facebook', 'Facebook', 'fb']:
  utm_source = 'facebook'

if utm_medium in ['cpc', 'paid', 'paid_social'] and utm_source == 'facebook':
  utm_medium = 'paid_social'

if utm_campaign matches '.*brand.*' and channel == 'search':
  campaign_type = 'brand'
else:
  campaign_type = 'non_brand'

Al corregir estos errores, el modelo elegido suele volverse menos “dramático” en sus cambios, porque parte de la variación aparente venía de medición y no del comportamiento del usuario.

Checklist rápido para elegir un modelo de atribución

Objetivo de negocio y etapa dominante: cuando el foco es descubrimiento, primera interacción suele alinearse mejor; cuando el foco es cierre, última interacción o time decay suelen reflejar mejor el empuje final.

Ciclo de compra: en ciclos largos con muchos toques, un modelo lineal o basado en datos suele dar lecturas más estables que primera/última.

Mix de canales: si existe un peso relevante de marca/remarketing, conviene validar cómo se desplaza el crédito y separar marca/no marca para interpretación.

Volumen de conversiones y calidad de señal: para modelos basados en datos, se necesita consistencia de medición y suficiente volumen; con poco volumen, reglas simples pueden ser más interpretables.

Disponibilidad de coste por canal: sin coste integrado (incluyendo costes no publicitarios cuando aplique), el análisis de ROAS/CAC por modelo se queda incompleto.

Ventanas y lookback: el modelo debe convivir con una ventana razonable para el negocio. Ventanas incoherentes generan conclusiones erróneas aunque el modelo sea “correcto”.

Uso previsto: si el dato alimenta pujas automáticas, se prioriza consistencia y claridad en conversiones primarias; si el dato es para análisis de mix, se prioriza comparabilidad entre periodos y canales.

Gobernanza: mantener un registro de definiciones (qué es conversión, qué se incluye en conversiones, qué ventanas se usan) reduce discusiones de reporting y facilita auditorías.

Recursos y ejemplo práctico

La atribución se vuelve más accionable cuando se puede replicar un reparto de crédito de forma transparente, aunque sea como ejercicio de control. A continuación se incluye un ejemplo práctico hipotético para calcular un time decay simple en una tabla de datos propia (por ejemplo, exportada de recorridos), usando pesos por días hasta conversión.

# Ejemplo hipotético de cálculo de pesos (time decay) por punto de contacto
# Supuesto: cada touchpoint tiene "days_to_conversion" (0 = mismo día).
# Regla: peso = 0.5 ^ (days_to_conversion / half_life_days)
# Después se normaliza para que la suma de pesos del recorrido sea 1.

half_life_days = 7

for each journey_id:
  total_weight = 0
  for each touchpoint in journey:
    w = pow(0.5, touchpoint.days_to_conversion / half_life_days)
    touchpoint.weight = w
    total_weight += w

  for each touchpoint in journey:
    touchpoint.normalized_weight = touchpoint.weight / total_weight
    touchpoint.attributed_value = journey.conversion_value * touchpoint.normalized_weight

En implementaciones reales, además del decaimiento por tiempo suele incorporarse segmentación por tipo de canal (prospecting vs remarketing), separación de marca/no marca y reglas de deduplicación entre plataformas. Sin esa capa, el modelo puede terminar compensando errores de medición con un reparto “plausible”, pero no verificable.

1. Construir una tabla de recorridos: para cada conversión, listar puntos de contacto con fecha/hora, canal/source/medium/campaña y el valor de conversión (si aplica).
2. Aplicar dos modelos en paralelo: por ejemplo, lineal y time decay con media vida definida. Calcular el valor atribuido por canal en ambos y comparar diferencias.
3. Validar contra decisiones: revisar si los canales que ganan crédito con un modelo coinciden con hipótesis de funnel y con señales externas (calidad de lead, margen, devoluciones, cohortes), manteniendo estables definiciones y ventanas en el periodo comparado.