Atribución en marketing digital: qué modelo usar (y cuándo ignorarlos todos)

Si trabajas con Meta Ads y Google Ads al mismo tiempo, en algún momento te has encontrado con una situación incómoda: sumas las conversiones que reporta Meta, sumas las que reporta Google, y el total supera con creces las ventas reales de tu negocio. Cada plataforma se atribuye el mérito de compras que también reclama la otra. Y tú, intentando entender qué canal está funcionando, quedas más confundido que antes de abrir los reportes.

Eso es un problema de atribución. Y no es un error técnico que se resuelve con un setting. Es la consecuencia de cómo están construidas las plataformas y, en 2026, de un ecosistema digital que se fragmentó de formas que nadie anticipó del todo.

Qué es atribución y por qué importa más de lo que parece

Atribución es el proceso de asignar crédito a los puntos de contacto que participaron en una conversión. Cuando alguien compra en tu sitio, ¿qué canal recibe el mérito? ¿El anuncio de Meta que vio tres días antes? ¿El email que le llegó esa misma mañana? ¿La búsqueda de Google que hizo justo antes de comprar?

Dependiendo de cómo respondas esa pregunta, vas a tomar decisiones de inversión completamente distintas. Si le das todo el crédito al último clic, Google va a parecer mucho más eficiente que Meta. Si miras solo el primer clic, la historia puede cambiar. Si tienes un modelo que distribuye crédito entre todos los touchpoints, probablemente Meta empieza a verse mejor.

El problema no es solo teórico. Hay empresas que han pausado canales completos basándose en reportes de atribución que no contaban la historia correcta. Y después se preguntaron por qué las ventas cayeron.

El modelo que más daño hace: last-click

Last-click es el modelo por defecto en Google Analytics durante muchos años y sigue siendo el default en varios contextos. La lógica es simple: el canal que recibió el último clic antes de la conversión se lleva el 100% del mérito.

El sesgo que introduce es predecible. La gente que ya está lista para comprar tiende a buscar en Google. No porque Google haya generado la demanda, sino porque cuando ya saben lo que quieren, van a buscarlo. Entonces Google aparece siempre cerca del momento de compra, se lleva el último clic, y el modelo le asigna toda la conversión.

Mientras tanto, Meta, TikTok, o cualquier canal donde el usuario descubrió el producto por primera vez, queda invisible en el reporte. Hizo el trabajo de crear la demanda. No recibe crédito.

Trabajamos con una marca de consumo masivo que tenía este problema. Los reportes de last-click mostraban un ROAS de 2.1x en Meta y 6.8x en Google. La conclusión "lógica" era mover presupuesto de Meta a Google. Lo hicieron durante dos meses. El ROAS de Google siguió viéndose bien. Las ventas totales bajaron. Cuando volvieron a levantar Meta, las ventas recuperaron. Lo que había pasado es que Meta generaba demanda que Google capturaba, y sin esa demanda, Google no tenía dónde operar.

Last-click sobrevalora consistentemente los canales de búsqueda y subvalora los canales de descubrimiento. En mercados donde Meta y TikTok son los principales motores de demanda nueva, eso puede llevar a decisiones de presupuesto muy costosas.

First-click: el opuesto, con los mismos problemas

First-click le da el 100% del crédito al primer punto de contacto. Corrige el sesgo de búsqueda, pero crea el opuesto: ignora todo lo que pasó después del primer contacto y puede sobreatribuir a canales de prospecting aunque esas personas nunca hayan vuelto a interactuar.

No es la solución. Es el mismo error en dirección contraria.

Modelos lineales y de decaimiento temporal

Los modelos que distribuyen el crédito entre todos los puntos de contacto son conceptualmente más honestos, pero en la práctica introducen ruido. Linear le da el mismo peso al primer toque que al último, lo cual rara vez refleja cómo funciona una decisión de compra real. El modelo de decaimiento temporal le da más peso a los puntos de contacto más cercanos a la conversión, lo que es más intuitivo pero vuelve a favorecer los canales de búsqueda.

Ninguno de estos modelos es malo por default. Todos son simplificaciones de algo que es, en el fondo, complejo. El error es tratarlos como verdad en vez de como aproximaciones.

Data-driven: cuándo tiene sentido y cuándo no

El modelo data-driven usa machine learning para asignar crédito basándose en los patrones de conversión específicos de tu cuenta. En lugar de una regla fija, analiza cuáles combinaciones de touchpoints tienden a llevar a conversiones y distribuye el crédito según eso.

Suena bien. Y lo es, cuando tienes los datos suficientes para que el modelo funcione. Google recomienda al menos 300 conversiones al mes en el período de análisis. Algunos meses necesitas más. Si tu cuenta tiene 80 conversiones mensuales, el modelo data-driven no tiene suficiente señal para aprender nada útil. Te va a dar resultados que parecen precisos pero son estadísticamente inestables.

Para cuentas con volumen alto y seguimiento de conversiones bien configurado, data-driven es probablemente el modelo más útil dentro de las plataformas. Para el resto, que es la mayoría de las empresas en Chile, es más promesa que realidad.

Hay otro problema: cada plataforma corre su propio modelo data-driven con sus propios datos. Google no sabe lo que pasó en Meta. Meta no sabe lo que pasó en el email. Son modelos que miran el mundo desde el ángulo de cada plataforma, no desde el ángulo de tu negocio.

Lo que cambió con iOS y la navegación sin cookies

En abril de 2021, Apple lanzó la App Tracking Transparency con iOS 14.5. A partir de ahí, los usuarios pueden optar por no ser rastreados entre aplicaciones. La mayoría eligió no serlo. Eso rompió el pixel de Meta para una parte importante del tráfico de iPhone.

La consecuencia práctica fue inmediata: Meta dejó de poder atribuir muchas conversiones que antes veía. Los reportes de ROAS en cuentas orientadas a audiencias de iPhone cayeron. No porque las campañas fueran menos efectivas, sino porque la ventana de visibilidad se cerró.

Con iOS 18 y la navegación inteligente en Safari, Apple fue un paso más allá. El modo de protección avanzada bloquea rastreadores incluso en navegación normal, no solo entre apps. Y Firefox hace algo similar desde hace años con su Enhanced Tracking Protection.

El resultado es que una porción creciente del tráfico web llega sin cookies de terceros. Las plataformas intentan compensar con Conversions API (conectar el servidor de tu e-commerce directamente con Meta o Google), con modelado estadístico, y con señales de primera parte. Ayuda, pero no restaura la atribución a como era en 2019.

La atribución ya era imperfecta antes de todo esto. Ahora es estructuralmente incompleta.

El MER como sanity check cuando la atribución está rota

Hay una métrica que no depende de pixeles, cookies, ni ventanas de atribución: el MER, o Marketing Efficiency Ratio.

La fórmula es simple. Ingresos totales dividido por gasto total en marketing. Si vendiste $10 millones y gastaste $2 millones en publicidad, tu MER es 5x.

Lo que te dice el MER es cómo está rindiendo tu inversión en marketing a nivel de negocio completo. No canal por canal, sino el sistema completo. Y eso, en un contexto donde los reportes de plataforma son parciales y se solapan, vale mucho.

La utilidad concreta es esta: si tus reportes de Meta y Google te dicen que el ROAS es bueno pero las ventas no cuadran, el MER te muestra qué está pasando en la realidad. Si el MER está cayendo mes a mes mientras los ROAS de plataforma se ven estables, hay algo roto en tu modelo de atribución o en tu estructura de costos.

Usamos el MER junto con otras métricas de marketing digital que realmente importan como ancla para tomar decisiones cuando los reportes de plataforma no cuentan una historia coherente. No reemplaza el análisis canal por canal, pero evita que te dejes llevar por números que reflejan la realidad de la plataforma y no la tuya.

Si tus reportes de Meta y Google no cuadran con tus ventas reales, probablemente tienes un problema de atribución. Podemos revisarlo.

El ejemplo que resume todo

Una tienda online de moda en Chile pausa Meta Ads durante un mes. La razón: el reporte de Meta muestra un ROAS de 1.8x, por debajo de su objetivo de 2.5x. Google sigue corriendo y muestra un ROAS de 5.2x.

Primer mes sin Meta: Google sigue con su ROAS de 5.2x. Pero las ventas totales del negocio bajan un 31%. El tráfico orgánico también baja. El ticket promedio no cambia. Simplemente hay menos gente comprando.

Lo que ocurrió es que Meta traía demanda nueva al negocio. Personas que no conocían la marca, que veían un producto en su feed, hacían clic, a veces compraban ahí mismo, y muchas veces volvían días después por búsqueda directa o Google. Google capturaba esa segunda visita, se atribuía la conversión, y mostraba un ROAS excelente. Meta hacía el trabajo más difícil, el de crear demanda, y recibía poco crédito porque muchas de esas personas no compraban en la primera sesión.

Cuando Meta se apagó, Google siguió operando pero sin la demanda nueva que Meta generaba. El ROAS de Google se mantuvo artificialmente bien porque solo quedaban las personas que ya estaban buscando la marca. Mientras el número de esas personas bajaba sin que nadie lo alimentara.

Esto no significa que Meta siempre sea más eficiente que Google. Significa que medir cada canal de forma aislada, sin entender cómo interactúan, lleva a conclusiones que pueden ser completamente incorrectas.

Qué hacer en la práctica

No hay un modelo de atribución perfecto. Esa es la conclusión incómoda, pero es la honesta.

Lo que sí puedes hacer es dejar de confiar en un solo número de una sola plataforma para tomar decisiones de inversión. Cruza los datos de plataforma con tu CRM, con tus ventas reales, con el MER mensual. Si un canal aparece como ineficiente en el reporte pero el MER mejora cuando le subes presupuesto, hay una discrepancia que vale investigar antes de pausarlo.

Implementa Conversions API si aún no lo has hecho. No resuelve todo, pero mejora la señal que Meta recibe sobre tus conversiones del lado del servidor, independiente de lo que pase con cookies y pixeles del lado del navegador.

Y trata los modelos de atribución como lo que son: herramientas de análisis con sesgos conocidos, no como verdad objetiva. Usarlos así, con los ojos abiertos, son útiles. Usarlos como si fueran perfectos, como deciden presupuestos, puede salir muy caro.

¿Quieres revisar cómo está funcionando la atribución en tus cuentas? Conversemos. Sin pitch de venta, solo un análisis honesto de lo que muestran tus números.