Atribución
La atribución es el acto de asignar el crédito de una conversión a los anuncios, clics y puntos de contacto que la precedieron, para decidir dónde invertir. Hoy es una aproximación con supuestos, no una trazabilidad euro a euro.
Qué es
Atribuir es repartir el mérito de una acción importante del usuario —una conversión: compra, lead, alta— entre los puntos de contacto del recorrido que la hicieron posible. En palabras de Google, asignar crédito por las acciones importantes del usuario a los diferentes anuncios, clics y factores del camino hacia la conversión. Responde a una pregunta de negocio concreta: ¿qué produjo qué resultado? La respuesta orienta el presupuesto.
El reparto lo dicta un modelo de atribución, la regla que decide cuánto crédito recibe cada interacción. Hay dos familias. Los modelos basados en reglas aplican una lógica fija: último clic, primer clic, lineal, declive temporal (time-decay) y basado en posición. Los modelos basados en datos (data-driven) usan machine learning sobre los datos reales de la cuenta —tiempo hasta la conversión, dispositivo, número y orden de interacciones, tipo de creatividad— para estimar la contribución de cada paso. La materia prima de ese reparto son los Eventos y conversiones, las interacciones que cada plataforma registra y marca como significativas. Dos plazos acotan el cálculo: la ventana de conversión (cuántos días tras una interacción se sigue contabilizando una conversión) y la ventana de retroactividad o lookback (cuánto hacia atrás desde la conversión son elegibles las interacciones). No son lo mismo: una mira hacia delante desde la interacción, la otra hacia atrás desde la conversión.
La atribución actual está estructuralmente limitada. El fin de las cookies de terceros, el consentimiento (RGPD), las restricciones de Safari/iOS (ITP) y un recorrido no lineal entre plataformas dejan buena parte del journey sin observar. Google compensa ese hueco con modelado de conversiones y modelado del comportamiento: estima a los usuarios sin consentimiento a partir de los que sí consienten. Es estimación, no medición exacta. A esto se suma un tramo casi invisible: el usuario que descubre una marca en un LLM (ChatGPT, AI Overviews) y luego convierte por directo o por marca.
| Modelo | Reparte el crédito |
|---|---|
| Último clic | Todo al último contacto |
| Lineal | Igual entre todos |
| Basado en datos | Según el peso real de cada paso |
Por qué importa
La atribución decide dónde va el dinero. Si el modelo sobrevalora los canales de cierre, se recorta inversión en la parte alta del funnel que generó la demanda, y la cuenta se queda sin combustible aguas arriba. Por eso el modelo y las ventanas elegidos no son un detalle técnico: cambian la lectura del negocio. Por eso la atribución vive aguas abajo de una Medición de extremo a extremo bien planteada —si los Eventos y conversiones no se capturan limpios desde el origen, ningún modelo los reparte bien.
Tratarla como una verdad exacta lleva a decisiones erróneas. Hoy es una aproximación con supuestos —qué modelo, qué ventana, qué se modela y qué se mide— y comunicarla con criterio vale más que prometer una trazabilidad que la privacidad y los journeys multiplataforma ya han vuelto imposible. La parte estimada nace del Consent Mode v2, que rellena con modelado las conversiones de los usuarios sin consentimiento. Nadie puede garantizar una atribución euro a euro; quien la promete vende certeza inexistente. Lo operativo es triangular señales imperfectas, y una cada vez más relevante es la Medición de la visibilidad en IA, que rastrea el descubrimiento de marca en LLMs que la atribución de clic no ve.
En profundidad
De las reglas al data-driven
Los modelos basados en reglas reparten el crédito con una lógica fija e independiente de los datos: último clic (todo al cierre), primer clic (todo al descubrimiento), lineal (a partes iguales), declive temporal (más peso cuanto más cerca de la conversión) y basado en posición (peso a primer y último contacto). El data-driven abandona la regla fija y estima la contribución real de cada interacción con machine learning sobre los datos de la cuenta. Es el modelo por defecto en Google Analytics 4 (GA4), que es la plataforma donde se configura y se lee este reparto, y el único basado en datos de los tres que quedan tras la retirada de noviembre de 2023.
| Modelo | Cómo reparte el crédito | Basado en |
|---|---|---|
| Último clic | Todo a la interacción de cierre | Regla fija |
| Primer clic | Todo a la interacción de descubrimiento | Regla fija |
| Lineal | A partes iguales entre todas las interacciones | Regla fija |
| Declive temporal | Más peso cuanto más cerca de la conversión | Regla fija |
| Basado en posición | Peso al primer y último contacto | Regla fija |
| Data-driven | Contribución real estimada por interacción | Datos de la cuenta (ML) |
Ventana de conversión vs. lookback
Dos plazos que se confunden a menudo. La ventana de conversión fija cuántos días después de una interacción sigue contando una conversión: mira hacia delante desde el clic. La ventana de retroactividad (lookback) fija cuánto hacia atrás desde la conversión son elegibles las interacciones para recibir crédito: mira hacia atrás desde la conversión. En Google Analytics 4 (GA4) la ventana de retroactividad de los informes es de 90 días por defecto para la mayoría de eventos (ajustable a 30 o 60) y de 30 días por defecto para los eventos de adquisición (first_open, first_visit). Esos plazos solo cuentan los Eventos y conversiones que llegaron correctamente etiquetados al stream. Plazos y controles distintos.
| Concepto | Hacia dónde mira | Qué controla |
|---|---|---|
| Ventana de conversión | Hacia delante desde el clic | Cuántos días después de la interacción sigue contando una conversión |
| Ventana de retroactividad (lookback) | Hacia atrás desde la conversión | Cuánto hacia atrás son elegibles las interacciones para recibir crédito |
| Lookback en informes GA4 (mayoría de eventos) | Hacia atrás desde la conversión | 90 días por defecto, ajustable a 30 o 60 |
| Lookback de eventos de adquisición | Hacia atrás desde la conversión | 30 días por defecto (first_open, first_visit) |
Atribución rota: por qué ya no se observa todo
El recorrido completo dejó de ser observable. Sin cookies de terceros, con consentimiento rechazado, con ITP en Safari/iOS y con journeys que saltan entre dispositivos y plataformas, una parte del camino entre interacción y conversión es invisible. La respuesta de Google es modelar el hueco con Consent Mode v2 —que transmite señales de consentimiento agregadas y deja que el machine learning estime lo no observado—, pero eso produce estimaciones, no medición. Es la causa raíz de la desconfianza actual en las cifras de atribución.
Triangular cuando la atribución no es fiable
Cuando un solo modelo no basta, se combinan señales imperfectas: tracking server-side y first-party, atribución autodeclarada (¿cómo nos conociste?), evolución de las búsquedas de marca, tráfico referido desde LLMs y análisis cualitativo de llamadas comerciales. Para presupuestos grandes, el marketing mix modeling (MMM) aporta una lectura agregada que la atribución de clic no alcanza. Ninguna señal es perfecta; juntas acotan la incertidumbre. Esto incluye el tramo invisible de la búsqueda con IA —el territorio de AI Overviews y AI Mode—, donde la marca se descubre en un LLM y la conversión llega por directo, un descubrimiento que solo aflora con Medición de la visibilidad en IA y con la lente de GEO · Generative Engine Optimization.
Qué observar
Las señales que importan.
Sumar las conversiones de cada plataforma
Meta, Google Ads y GA4 se autoatribuyen las mismas ventas, cada uno con su modelo y su ventana. Sumar sus cifras sobrecuenta: cada herramienta mide dentro de su propio jardín cerrado.
Tratar el último clic como la verdad
El último clic da el 100% del valor al canal de cierre e ignora el descubrimiento y la consideración. Sobrevalora marca y directo, infravalora lo que generó la demanda.
Confundir ventana de conversión y lookback
La ventana de conversión cuenta hacia delante desde la interacción; la de retroactividad, hacia atrás desde la conversión. Son plazos distintos; mezclarlos distorsiona qué entra en el reparto.
Citar modelos de GA4 ya retirados
Primer clic, lineal, time-decay y basado en posición se eliminaron de GA4 en noviembre de 2023. Quedan tres: data-driven, último clic de pago y orgánico, y último clic de canales de pago de Google. Guías viejas siguen citando los retirados.
Leer el modelado como medición observada
El modelado de conversiones y de comportamiento estima con machine learning a los usuarios sin consentimiento. Es una aproximación útil, no un dato medido; tratarla como observación da una falsa sensación de exactitud.
Conceptos clave
El vocabulario del término.
- Modelo de atribución
- Regla que reparte el crédito de una conversión entre los puntos de contacto del recorrido. Puede basarse en reglas fijas o en datos (machine learning).
- Atribución basada en datos (data-driven)
- Modelo que estima la contribución real de cada interacción con machine learning sobre los datos de la cuenta (tiempo, dispositivo, orden, número de interacciones). Modelo por defecto en GA4.
- Último clic
- Modelo que asigna el 100% del valor al último canal con clic antes de convertir. En GA4 ignora el tráfico directo. Simple, pero invisibiliza el recorrido previo.
- Ventana de conversión
- Número de días tras una interacción durante los que una conversión se sigue contabilizando. Mira hacia delante desde el clic.
- Ventana de retroactividad (lookback)
- Plazo hacia atrás desde la conversión durante el cual las interacciones previas son elegibles para recibir crédito. En los informes de GA4, 90 días por defecto para la mayoría de eventos (30 o 60 opcionales) y 30 para los de adquisición. No es la ventana de conversión.
- Modelado de conversiones / comportamiento
- Estimación con machine learning de los usuarios sin consentimiento a partir de los que sí consienten (Consent Mode). Cierra el hueco de medición sin cookies; es aproximación, no medición observada.
- Marketing mix modeling (MMM)
- Método estadístico agregado que estima el aporte de cada canal sin depender del seguimiento individual. Para presupuestos grandes, complementa a la atribución de clic.
Dónde lo aplicamos
Aún no mostramos casos.
No inventamos resultados. Cuando tengamos casos reales —anonimizados y medibles— donde este concepto marcó la diferencia, vivirán aquí.
Fuentes
- [GA4] Get started with attribution — modelos disponibles (data-driven, paid+organic last click, Google paid last click) y retirada de primer clic, lineal, time-decay y posición en nov-2023 · 2024
- About attribution models — Google Ads Help (modelos basados en reglas y data-driven) · 2024
- [GA4] Select attribution settings — modelo de informe y ventana de retroactividad (lookback) · 2024
- About conversion windows — Google Ads Help (ventana de conversión: días tras la interacción) · 2024
- [GA4] Behavioral modeling for consent mode — estimación ML del comportamiento de usuarios sin consentimiento · 2024
- About consent mode modeling — modelado de conversiones para el gap de medición sin cookies · 2024
Una pieza del glosario.
Forma parte del glosario de SEO, analítica e IA de InnovaOrigen Tech: un mapa de conceptos definidos con criterio y fuentes. Si quieres llevarlo a tu caso, lo vemos sin compromiso.