Last click, multitouch, MMM y adserver: cuatro formas de medir la atribución y qué responde cada una

En casi todos los clientes con inversión publicitaria nos encontramos las dos mismas fricciones. La primera: la suma de las conversiones que reportan las plataformas es siempre mayor que las ventas reales, porque cada una mide con su configuración y su ventana, y varias reclaman la misma venta. La segunda: la analítica web cuenta la historia contraria, porque el último clic acredita casi todo a quien cierra —búsqueda de marca, orgánico— y deja la actividad publicitaria fuera de la foto.

Entre esas dos versiones está la realidad, y hay cuatro maneras de acercarse a ella. No compiten: responden preguntas distintas, necesitan datos distintos y tienen sentido en momentos distintos. Elegir mal no es elegir un modelo peor; es contestar una pregunta que no era la tuya.

Last click: quién cierra

Es lo que te da cualquier herramienta de analítica web sin hacer nada. Mira el último punto de contacto antes de la conversión y se lo acredita todo.

• Qué responde: qué canal, campaña o nodo cierra la conversión.
• Qué no puede responder: qué la originó. Un usuario que vio un anuncio de vídeo, buscó la marca al día siguiente y compró, cuenta como búsqueda de marca. El vídeo no existe.
• Qué dato necesita: una medición de conversiones muy sólida, con una capa de recogida que resuelva la identidad del usuario y su fuente de tráfico, y relacione las dos con la conversión. Parece poco. No lo es: es donde fallan la mayoría de las implementaciones.
• Cuándo basta: con inversión publicitaria moderada, last click más la medición de las propias plataformas da una foto preliminar suficiente para decidir. No hace falta más.

Multitouch: quién participa

Observa el recorrido completo del usuario —todos los puntos de contacto con el activo digital— y reparte el crédito de la conversión entre ellos según la naturaleza de la cadena.

• Qué responde: cuánto contribuye cada nodo al conjunto de conversiones. Cómo se relacionan los canales que abren con los que cierran.
• Qué no puede responder: si un canal es incremental. Repartir mejor el crédito no demuestra que subir la inversión en ese canal traiga más ventas. Eso es otra pregunta y otro método, y conviene tenerlo claro antes de enseñar el modelo a dirección.
• Qué dato necesita: lo mismo que el last click, pero con más rigor, sobre todo en la resolución de identidad: hay que agrupar todas las interacciones de un mismo usuario, y la mayoría de la navegación ocurre sin login. Si el dato de origen está sucio, el modelo lo amplifica.
• Cuándo tiene sentido: cuando la inversión es elevada o la actividad es intensa —encendido y apagado de campañas, nuevos inventarios, testing, publicidad upper funnel—. Ahí ya hay tres opciones: el modelo data-driven de GA4, los modelos de una suite publicitaria como Google Marketing Platform, o un modelo propio si hay capacidad y conocimiento para montarlo. El propio es el único que puede integrar la medición de las plataformas con la analítica en un solo reparto; los otros dos trabajan con lo que ve la herramienta que los hospeda.

Lo que cambia al pasar de last click a multitouch no es uniforme. En uno de nuestros clientes, al comparar el último clic con el modelo propio sobre el mismo periodo, el crédito de búsqueda de pago se duplicó (del 9,7 % al 19,4 % de las conversiones) y el de social se multiplicó por tres; las ventas cerradas en tienda y el offline no se movieron. Lo relevante no es cuánto cambia el total, sino qué canales se estaban infravalorando. El detalle está en el caso.

MMM: cómo se afectan los canales entre sí

El marketing mix modeling no reparte conversiones ni trabaja a nivel de campaña. Modela, en periodos largos, el efecto que tiene cada palanca —online y offline— sobre el resultado del negocio y sobre las demás palancas.

• Qué responde: qué efecto tiene la televisión sobre la búsqueda de marca, qué pasa con las ventas si muevo presupuesto de un canal a otro, dónde está la saturación.
• Qué no puede responder: qué campaña concreta cerró qué venta. No es su unidad de análisis ni su escala temporal.
• Qué dato necesita: menos profundidad de navegación digital y mucha más amplitud: datos offline, financieros, variables de negocio (precio, promociones, estacionalidad) y toda la publicidad fuera de digital. Y un producto tecnológico e inversión para desplegarlo y mantenerlo.
• Cuándo tiene sentido: cuando la inversión global —no solo la digital— es muy grande, cuando hay sesgos de negocio que aislar, o cuando la pregunta es precisamente el efecto entre canales. Siempre es un buen complemento; en esos escenarios es donde de verdad compensa.

Adserver: la señal, no el reparto

Es el que más se confunde con los demás, y es el más distinto. Un adserver no atribuye: recopila y sirve la señal de toda la actividad publicitaria —impresiones, clics, conversiones— con un criterio único, independiente de cada plataforma.

• Qué responde: qué ha pasado de verdad en cada campaña, medido por un tercero que no puja. Es tecnología de medición y de auditoría, más que de atribución.
• Qué no puede responder: por sí solo, cómo repartir el crédito. Alimenta a los demás; no los sustituye.
• Cuándo tiene sentido: cuando la inversión publicitaria es sustancial, o cuando está siendo auditada o necesita más control del que da cada plataforma sobre sí misma.

En una tabla

“Dan números distintos. ¿Cuál me creo?”

Es la pregunta que llega siempre, y la respuesta honesta es que ninguno es la verdad: son maneras de representar la realidad, unas más afortunadas que otras. Precisamente para eso sirve un modelo de atribución: para comparar y quedarte con la representación que mejor encaja con lo que el negocio ve en su cuenta de resultados. Un modelo que trae un pico de conversiones que no aparece en el ERP no es un modelo mejor; es un modelo equivocado.

El ejemplo paradigmático son las campañas de awareness. Para la analítica web no existen: cero conversiones, casi nada de tráfico, porque muchas ni siquiera generan una visita. Para la medición de su propia plataforma —configurada por los equipos de compra, con ventanas generosas y post-view— son una porción enorme del pastel. Todo el mundo sabe que aportan algo y que no es tanto. La utilidad de un buen modelo no es darle la razón a uno de los dos, sino poner un número creíble en medio. Y la de un MMM, decir si ese awareness mueve la búsqueda de marca.

El error más caro no es elegir mal el modelo

Es construir cualquiera de los cuatro sobre una medición sucia. Un fallo en algo tan poco sofisticado como el etiquetado UTM se propaga hacia arriba, y toda la estadística de encima se vuelve inválida sin que nadie lo note, porque los números siguen saliendo. Antes de discutir Markov o Shapley, hay que asegurar la ingesta: que cada conversión tenga usuario y fuente, y que las conversiones de cada plataforma estén definidas con criterio de medición, no solo de activación. Si el dato de origen es GA4, la base es su export a BigQuery; si una parte importante de la inversión está en Meta, conviene entender cómo mide Meta antes de darle crédito.

Qué hacer mañana

1. Escribe la pregunta que necesitas responder, no el método. “¿Está mi awareness haciendo algo?” y “¿qué campaña me cierra más altas?” llevan a sitios distintos.
2. Mira tu inversión. Moderada: last click bien medido y las plataformas. Alta o con mucha actividad: multitouch, y decide si de serie o propio. Muy grande y multicanal: MMM encima.
3. Antes de nada, audita la recogida. Un modelo sobre un dato sucio solo fabrica confianza injustificada.

Si la pregunta es la segunda y el dato está limpio, así lo hemos montado y podemos hablarlo.