¿Qué es un modelo de atribución?

Un modelo de atribución no mide la realidad: la reparte. La herramienta de analítica guarda una lista de puntos de contacto asociados a un usuario y, cuando ese usuario convierte, necesita una regla para decidir a quién apunta esa conversión. Esa regla es el modelo.

Conviene separarlo de tres conceptos con los que se confunde a diario. El seguimiento es la captura del dato: etiquetas, parámetros de campaña, consentimiento. Sin un seguimiento correcto ningún modelo produce cifras fiables. La ventana de conversión define cuánto tiempo hacia atrás se miran los puntos de contacto, de modo que dos propiedades con el mismo modelo y distinta ventana darán resultados diferentes. El recuento de conversiones decide si registras una o todas las conversiones por clic.

También hay que distinguir dónde actúa el modelo. En Google Analytics 4 el modelo de informes cambia cómo se ven los canales en los informes de eventos clave. En Google Ads el modelo afecta además a la puja automática, porque las estrategias inteligentes aprenden de las conversiones tal y como el modelo se las presenta. El mismo pedido puede aparecer con un origen distinto en cada plataforma sin que ninguna de las dos esté estropeada.

El mecanismo tiene cuatro pasos. Primero se identifica al usuario a lo largo de varias visitas con el identificador disponible: User-ID, Google Signals, cookies propias o modelado. Después se ordenan sus interacciones en una ruta. Luego esa ruta se recorta con la ventana de conversión, que en Google Analytics 4 es de 90 días por defecto para la mayoría de eventos clave, con opciones de 30 y 60 días, y de 30 días para los eventos de adquisición, con opción de 7. Por último se aplica la regla de reparto.

Las reglas se agrupan en dos familias. Los modelos basados en reglas asignan el mérito según una posición fija de la ruta: el último clic concede el 100 % del valor a la última interacción. Los modelos basados en datos calculan el reparto con el historial de la propia cuenta, comparando rutas que acabaron en conversión con rutas que no, así que el peso de cada canal varía según el caso.

El catálogo disponible es bastante más corto de lo que sugieren los artículos antiguos. Google Analytics 4 ofrece hoy tres modelos de informes: atribución basada en datos, último clic de canales de pago y orgánicos (que ignora el tráfico directo salvo que toda la ruta sea directa) y último clic de canales de pago de Google. Google Ads ofrece dos: atribución basada en datos y último clic. Los modelos de primer clic, lineal, deterioro del tiempo y según la posición dejaron de estar disponibles en noviembre de 2023, y las acciones de conversión que los usaban pasaron a atribución basada en datos.

La decisión que depende del modelo es dónde pones el dinero. Con último clic, los canales que cierran la venta concentran el mérito y los que abren el recorrido aparecen pobres. Si recortas presupuesto con esa lectura, recortas justo lo que alimenta la demanda que después cierra otro canal. Un ejemplo, con cifras inventadas para ilustrar: una venta de 200 € que empezó en un vídeo, siguió en un artículo y terminó en una búsqueda de marca se apunta entera a la marca con último clic, mientras que un modelo basado en datos repartiría ese valor entre los tres.

Hay un segundo efecto que se comenta menos. En Google Ads el modelo alimenta la puja automática, así que cambiarlo altera el comportamiento de las campañas y no solo el aspecto del informe.

Y hay un problema de higiene documental. Cualquier cuadro de mando, plantilla o informe que todavía diga «lineal» o «primer clic» describe algo que ya no existe en estas plataformas; las cifras que muestra proceden de otro modelo aunque la etiqueta siga puesta. En Google Analytics 4 el cambio del modelo de informes se aplica también a los datos históricos, de modo que dos exportaciones del mismo periodo hechas en fechas distintas pueden no coincidir. Antes de discutir la caída de un canal, comprueba qué modelo estaba activo en cada exportación.

• Fija un modelo por defecto para toda la casa y anota la fecha de cualquier cambio junto a los informes que lo usan; sin esa nota, un cambio de modelo se lee después como un cambio de rendimiento.
• Revisa la ventana de conversión al mismo tiempo que el modelo: ciclos de compra largos con ventana corta descartan los primeros contactos antes de repartir nada.
• Compara siempre el mismo periodo con el mismo modelo y la misma plataforma; una comparación entre Analytics y Google Ads mide dos preguntas distintas.
• Valida el seguimiento antes de culpar al modelo: etiquetado UTM consistente, consentimiento operativo, conversiones sin duplicar.
• Guarda una exportación en bruto de las rutas de conversión (BigQuery o CSV) para poder reconstruir un reparto propio cuando la plataforma retire otro modelo.
• Contrasta la lectura con una fuente que no dependa de la atribución digital: encuestas de origen en el formulario, códigos promocionales o datos de tu CRM.

• Comparar dos informes construidos con modelos distintos y presentar la diferencia como una caída de tráfico o de ventas.
• Reutilizar plantillas y presentaciones antiguas que siguen ofreciendo primer clic, lineal, deterioro del tiempo o según la posición, modelos retirados en noviembre de 2023.
• Juzgar campañas de descubrimiento con último clic y concluir que no aportan nada, cuando el modelo está diseñado para no verlas.
• Olvidar que el modelo de último clic de canales de pago y orgánicos ignora el tráfico directo, lo que descoloca la lectura en marcas con mucho acceso directo.
• Cambiar el modelo en Google Ads en plena temporada alta y atribuir a la creatividad el cambio de resultados que provocó la puja automática.