Con anterioridad, hablamos sobre los cimientos de la conversión para el análisis de negocio y sobre cómo medir el ROI Real y los resultados de negocio. Ahora conviene resolver el problema de «quién se lleva el mérito»: un cliente recibe un Push, abre un Email, ve un anuncio y convierte por SMS. ¿Qué canal generó la venta? Aquí te lo contamos.
¿Por qué el «Último Clic» (Last-Click) miente?
El modelo de atribución por defecto de la mayoría de plataformas (incluyendo Marketing Cloud si no se configura) es el «Last-Click». Atribuye el 100% de la venta al último canal que el cliente tocó. El problema es que ignora el papel del email que inició el interés (First-Touch) y de la push que recordó la oferta (Middle-Touch). Desvaloriza los canales de «upper-funnel».
Modelos de Atribución Multi-Touch (MTA)
Los modelos Multi-Touch Attribution (MTA) intentan resolver una limitación fundamental del Last-Click: en entornos omnicanal, la conversión rara vez depende de un único impacto.
Un usuario puede descubrir una oferta por Email, volver mediante una Push Notification y finalmente convertir tras un SMS o una campaña Paid Media. El reto consiste en determinar cuánto valor aporta cada interacción dentro del recorrido completo.
No existe un modelo universalmente correcto. Cada modelo responde a una lógica distinta de negocio, madurez analítica y disponibilidad de datos.
1. Modelo Lineal (Linear Attribution)
El modelo lineal distribuye el valor de la conversión de forma equitativa entre todos los puntos de contacto.
Ejemplo:
Email → Push → SMS → Conversión
Cada interacción recibiría un 33,3% del mérito.
Ventajas
- Fácil de interpretar.
- Evita sesgos hacia canales de cierre.
- Útil en estrategias donde todos los impactos tienen peso similar.
Limitaciones
- Asume que todos los contactos aportan el mismo valor.
- No diferencia entre impactos decisivos y contactos secundarios.
- Puede sobrevalorar canales con mucha frecuencia de interacción.
En la práctica, suele utilizarse como punto de partida analítico más que como modelo definitivo.
2. Modelo Time-Decay (Degradación Temporal)
El modelo de degradación temporal asigna más peso a las interacciones cercanas a la conversión y menos a las más antiguas.
La lógica es simple: cuanto más próximo está el impacto al momento de compra, mayor probabilidad existe de que haya influido directamente en la decisión final.
Ejemplo:
Email recibido hace 10 días → menor peso.
Push abierta hace 2 horas → mayor peso.
Ventajas
- Refleja mejor procesos de decisión cortos o promociones tácticas.
- Funciona especialmente bien en ecommerce y campañas de activación.
Limitaciones
- Tiende a infravalorar canales de descubrimiento o consideración.
- Penaliza acciones upper-funnel aunque hayan iniciado el journey.
- Puede generar sesgos hacia canales transaccionales.
Este modelo es habitual cuando el ciclo de conversión es breve y existen múltiples impactos cercanos entre sí.
3. Modelo Basado en Posición (Position-Based o U-Shaped)
El modelo basado en posición prioriza los momentos considerados más críticos del journey:
- El primer contacto (adquisición)
- El último contacto antes de convertir (cierre)
El porcentaje exacto puede variar según la organización o herramienta, pero habitualmente:
- gran parte del mérito se asigna al primer touch,
- otra parte importante al último,
- y el resto se distribuye entre los impactos intermedios.
La lógica detrás del modelo es que:
- alguien tuvo que generar el interés inicial,
- y alguien terminó impulsando la conversión.
Ventajas
- Reconoce tanto adquisición como cierre.
- Reduce el sesgo extremo del Last-Click.
- Suele alinearse bien con estructuras de marketing divididas entre branding y performance.
Limitaciones
- Simplifica en exceso journeys complejos.
- Los contactos intermedios pueden quedar infravalorados.
- No siempre refleja correctamente procesos largos de nurturing.
Es uno de los modelos más utilizados cuando el journey tiene varias etapas claramente diferenciadas.
4. Modelo W-Shaped
El modelo W-Shaped añade una tercera interacción considerada crítica dentro del journey: normalmente el momento de generación del lead o identificación comercial.
En términos generales, el modelo prioriza:
- el primer impacto,
- el momento de conversión a lead,
- y el último contacto antes de la venta.
El resto del mérito se distribuye entre las interacciones intermedias.
Este enfoque aparece con frecuencia en entornos B2B y procesos de venta complejos donde:
- la captación inicial,
- la cualificación del lead,
- y el cierre
representan hitos claramente diferenciados.
Ventajas
- Refleja mejor funnels largos y procesos comerciales reales.
- Introduce visión más estratégica del journey.
- Alinea marketing y ventas.
Limitaciones
- Requiere trazabilidad más madura.
- Depende de definir correctamente los hitos del funnel.
- Su implementación técnica es considerablemente más compleja.
Implementación técnica de un Modelo MTA en Marketing Cloud
Aunque Salesforce Marketing Cloud no incorpora un motor avanzado de atribución multi-touch nativo, sí permite construir modelos de atribución personalizados mediante Data Extensions, SQL y Automation Studio.
La clave consiste en transformar eventos dispersos de distintos canales en una secuencia unificada de interacciones por cliente.
Paso 1: centralizar los Touchpoints
Construir una Data Extension maestra de interacciones (Touchpoints DE) que consolide todos los impactos relevantes del journey.
Campos habituales:
- ContactKey
- EventTimestamp
- Channel
- CampaignID
- JourneyID
- ActionType (Send, Open, Click, Bounce, Push Open, SMS Delivered, etc.)
Las fuentes suelen provenir de:
- Data Views de Email (_Sent, _Open, _Click)
- Eventos MobilePush
- Logs de SMS
- Datos sincronizados desde CRM o CDP
Mediante Automation Studio y consultas SQL programadas, esta tabla se actualiza continuamente para mantener una visión cronológica completa del comportamiento del cliente.
Paso 2: registrar las Conversiones
El segundo componente es una Data Extension de conversiones, normalmente alimentada desde ecommerce, CRM o sistemas transaccionales.
Campos típicos:
- ContactKey
- ConversionTimestamp
- ConversionValue
- OrderID
- ConversionType
En muchos casos, el canal que genera la conversión no comparte directamente el mismo identificador que Marketing Cloud, por lo que resulta necesario unificar identidades entre dispositivos, canales y sistemas externos.
Paso 3: reconstruir el Journey Analítico
Una vez existen touchpoints y conversiones, el siguiente paso consiste en reconstruir el recorrido previo a cada venta.
Mediante SQL:
- Se identifica cada conversión.
- Se recuperan todos los impactos asociados al mismo ContactKey dentro de una ventana temporal definida (por ejemplo, 7, 14 o 30 días).
- Se ordenan cronológicamente las interacciones.
- Se aplica la lógica de atribución seleccionada.
El resultado final suele almacenarse en una nueva Data Extension analítica donde cada fila representa:
- conversión,
- touchpoint,
- porcentaje atribuido,
- valor asignado.
Atribución Avanzada e IA: Marketing Cloud Intelligence (Datorama)
La atribución perfecta no existe. Los modelos de atribución representan un avance enorme frente al enfoque Last-Click, porque permiten entender que una conversión suele ser el resultado de múltiples interacciones y no de un único impacto aislado. Por lo que es una metodología clara, interpretable y relativamente sencilla de implementar para analizar recorridos omnicanal.
Estos enfoques funcionan muy bien como marco analítico, pero tienen una limitación natural: las reglas reflejan una lógica de negocio predefinida, no necesariamente el impacto incremental real de cada canal sobre la conversión.
Aquí es donde aparecen las plataformas avanzadas de atribución basadas en IA y machine learning, como Marketing Cloud Intelligence, capaces de analizar patrones históricos de comportamiento y estimar de forma dinámica la contribución probable de cada interacción dentro del recorrido completo del cliente.
¿Qué aporta realmente la IA en atribución?
La diferencia principal es que los modelos algorítmicos no parten de reglas manuales, analizan patrones históricos de comportamiento para estimar la contribución incremental probable de cada canal, campaña o interacción dentro del journey.
En términos prácticos, el sistema intenta responder preguntas como:
¿Qué ocurre cuando un canal desaparece del recorrido?
¿Cómo cambia la probabilidad de conversión?
¿Qué secuencias generan mayor impacto?
¿Qué combinaciones de canales aceleran realmente la venta?
Este enfoque permite detectar relaciones que los modelos heurísticos tradicionales no pueden identificar.
¿Por qué Marketing Cloud Intelligence tiene sentido?
Marketing Cloud Intelligence está diseñado precisamente para resolver el problema de fragmentación del dato omnicanal.
La plataforma puede integrar información procedente de:
- Marketing Cloud,
- Sales Cloud,
- Google Ads,
- Meta Ads,
- analytics web,
- ecommerce,
- CRM,
- y plataformas externas.
Una vez unificados los datos, los modelos analíticos permiten:
- construir recorridos completos de cliente,
- comparar modelos de atribución,
- identificar solapamientos entre canales,
- detectar saturación publicitaria,
- y estimar el impacto incremental de cada punto de contacto.
El punto crítico: sin datos unificados, la IA no funciona
La IA no elimina los problemas estructurales de medición. De hecho, depende todavía más de:
- calidad del tracking,
- identidad unificada,
- consistencia temporal,
- gobernanza del dato,
- y cobertura cross-channel.
Si los datos son incompletos o inconsistentes, incluso el mejor modelo algorítmico generará atribuciones erróneas. Por eso, en madurez analítica, la atribución avanzada no empieza con la IA. Empieza con la calidad del dato.
En conclusión
En entornos omnicanal, depender exclusivamente del Last-Click implica tomar decisiones con una visión parcial del impacto real del marketing. Los modelos Multi-Touch permiten construir una lectura mucho más precisa del journey y representan un paso fundamental hacia una medición más madura.
Sin embargo, a medida que aumentan los canales, los datos y la complejidad de los recorridos, también crece la necesidad de capacidades analíticas más avanzadas. Ahí es donde plataformas como Marketing Cloud Intelligence y los modelos basados en IA aportan una visión más dinámica e incremental del impacto real de cada interacción.
En el próximo artículo de la serie veremos como los KPIs, el ROI y la Atribución permiten tomar decisiones en campañas mas inteligentes, automatizadas y eficientes con las capacidades de IA de Marketing Cloud.
