Ningún modelo de atribución es neutral: el que usas hoy ya decidió por ti

Hay una frase que escucho seguido en reuniones de medición: todavía no hemos definido nuestro modelo de atribución.

Es una frase imposible. Si estás reportando resultados por canal, ya tienes un modelo. Lo que probablemente no tienes es conciencia de cuál es, ni de las decisiones que ese modelo tomó por ti mientras nadie miraba.

El problema del último clic

Es el modelo con el que muchos nos formamos, el más cómodo de explicar y el que viene activado por defecto en la mayoría de las herramientas. También es el que distorsiona de forma más sistemática.

Su lógica es simple: el crédito completo va al último punto de contacto antes de la conversión. Eso significa que sobrevalora estructuralmente todo lo que ocurre cerca del cierre y subvalora todo lo que generó la demanda.

La espiral que produce

La consecuencia es predecible y la he visto repetirse en compañías muy distintas entre sí.

1. El reporte muestra que los canales de cierre rinden excelente y los de generación de demanda rinden mal.
2. Se mueve presupuesto desde los segundos hacia los primeros. Es una decisión racional dada la información disponible.
3. Durante uno o dos meses los indicadores mejoran, porque se está cosechando demanda acumulada.
4. Al tercer o cuarto mes, los canales de cierre empiezan a rendir peor sin explicación aparente. Suben los costos, baja el volumen.
5. La reacción habitual es apretar más los canales de cierre, lo que acelera el problema.

La explicación es que dejó de llegar gente al sistema. Se optimizó la cosecha hasta que no quedó nada que cosechar.

Lo que hace esta espiral especialmente difícil de detectar es que cada paso individual es defendible con los datos que había a la vista. No hay un error puntual que señalar. Hay un instrumento que sistemáticamente muestra una parte de la realidad, y un equipo que confió en él.

Por qué los modelos multitoque tampoco resuelven

La respuesta habitual a este problema es pasar a un modelo que reparta crédito entre varios puntos de contacto. Es mejor, pero no resuelve el fondo.

El problema es que la regla de reparto sigue siendo arbitraria. Un modelo lineal asume que todos los contactos valen igual, lo cual es falso. Uno que da más peso al primero y al último asume una forma de decisión que puede no corresponder a tu categoría. Ninguno de los dos tiene forma de saber si el contacto influyó realmente o solo estuvo presente.

Se pasa de una arbitrariedad simple a una arbitrariedad sofisticada. Es un avance modesto que a veces se presenta como una solución completa.

Por qué volvió el modelado de mezcla

Los modelos que estiman la contribución de cada canal a partir de datos agregados, sin seguimiento individual, habían quedado relegados. Se los consideraba lentos, poco granulares y propios de otra época.

Volvieron con fuerza por una razón que tiene poco de nostalgia: no dependen del seguimiento individual, que es justamente lo que se volvió frágil.

Y volvieron además con capacidades que antes no tenían. Los modelos actuales incorporan variables que explican buena parte de lo que antes se atribuía al azar.

Adstock: el efecto sigue trabajando

La publicidad no agota su efecto el día que se emite. Deja un residuo que decae con el tiempo y sigue produciendo resultado durante días o semanas.

Ignorarlo lleva a dos errores caros: atribuir al presente resultados que vienen del pasado, y apagar campañas justo cuando estaban empezando a acumular efecto.

Curvas de saturación

Cada canal tiene un punto a partir del cual el peso adicional rinde cada vez menos. No es un muro, es una curva que se dobla progresivamente.

Reconocer la saturación permite mover presupuesto hacia donde el siguiente peso rinde más, que es una decisión distinta a moverlo hacia donde el peso promedio rinde más. Esa distinción entre valor marginal y valor promedio es probablemente el concepto más útil y menos aplicado de la disciplina.

Frontera eficiente

Combinando las curvas de todos los canales se puede construir la mezcla que maximiza resultado para un presupuesto dado. Su valor práctico no es dar la respuesta exacta, sino hacer visible cuánto estás dejando sobre la mesa con la mezcla actual.

Sus límites, dichos con honestidad

No son la respuesta completa. Requieren volumen de datos históricos, típicamente dos o tres años. Son sensibles a cómo se especifican, lo que significa que dos analistas competentes pueden llegar a conclusiones distintas con los mismos datos. Y no sirven para decisiones tácticas: un modelo de mezcla no te dice qué creatividad pausar el martes.

Quien los vende como solución total está vendiendo algo que no existe.

La práctica de los que miden bien

Después de años viendo equipos de medición de distintos tamaños, la diferencia entre los buenos y los demás no está en qué modelo eligieron. Está en que los buenos no eligieron uno.

Triangulan entre tres fuentes que se corrigen mutuamente:

El criterio operativo

Cuando las tres coinciden, se decide con confianza y se avanza rápido.

Cuando discrepan, esa discrepancia no es un problema a resolver: es la información más valiosa disponible. Te está diciendo con precisión dónde tu comprensión del negocio tiene un hueco.

He aprendido más de las discrepancias entre modelos que de los reportes donde todo cuadraba. Un reporte donde todo cuadra suele significar que estás mirando una sola fuente.

La incrementalidad como pregunta de fondo

Detrás de toda esta discusión hay una única pregunta que importa: de todo el resultado que le atribuyes a tu inversión, cuánto habría ocurrido igual sin ella.

Ningún modelo de atribución puede responderla, y es importante entender por qué. Los modelos de atribución observan el camino de quienes convirtieron. Por construcción, no pueden decir qué habría pasado si esas personas no hubieran visto el anuncio, porque ese universo no está en los datos.

Para responder eso hace falta un grupo de control.

Tres formas de medirla

• Experimentos con grupo de control: se retiene un porcentaje de audiencia sin exposición y se compara. Es lo más limpio y lo más exigente de implementar.
• Pruebas geográficas: se apaga o enciende inversión en mercados comparables. Útil cuando no se puede controlar a nivel de persona.
• Apagados temporales: se detiene un canal por un periodo y se observa el efecto. Es el más barato y el más ruidoso, pero sirve para detectar efectos grandes.

El resultado suele incomodar

Es habitual que las primeras mediciones muestren que una parte relevante de lo atribuido era demanda que ya existía, especialmente en campañas de marca propia y audiencias de reimpacto.

Esa incomodidad es exactamente el punto. No significa que el canal no sirva. Significa que su valor real es distinto al reportado, y que ahora puedes dimensionarlo bien en vez de administrar una ficción.

Cómo se presenta esto a un comité

Un problema práctico: si llevas tres números distintos al comité, la reacción natural es preguntar cuál es el correcto.

Lo que funciona es invertir el orden de la presentación. Primero la conclusión de negocio, después la evidencia que la respalda, y solo si preguntan, la metodología. Y cuando hay discrepancia entre fuentes, presentarla como rango y no como incertidumbre: la contribución de este canal está entre tal y cual valor, y estamos ejecutando este experimento para acotarlo.

Un rango bien fundamentado transmite más rigor que un número exacto que nadie puede defender.

Diseñar un experimento que sirva

Recomendar experimentos es fácil. Diseñarlos de forma que el resultado sea concluyente es donde la mayoría falla. Estos son los cuatro elementos que separan una prueba útil de una que genera discusión sin resolver nada.

Tamaño suficiente

El error más común es retener un grupo tan pequeño que cualquier diferencia queda dentro del ruido. Si el efecto que buscas detectar es de cinco por ciento y tu variabilidad semanal es de quince, ninguna cantidad de paciencia va a producir una conclusión.

La regla práctica: antes de lanzar, calcula qué diferencia mínima podrías detectar con el tamaño y la duración que tienes. Si esa diferencia es mayor que el efecto que esperas, no lances todavía.

Duración que cubra el ciclo

Una prueba de dos semanas en una categoría con ciclo de compra de seis semanas mide la mitad del fenómeno. Y la mitad que mide es la más inmediata, que es justamente la que la atribución ya capturaba.

Grupos genuinamente comparables

En pruebas geográficas, comparar la capital contra regiones introduce diferencias de comportamiento que no tienen nada que ver con la campaña. Vale la pena invertir tiempo en construir pares de mercados similares antes de empezar.

Criterio de decisión definido antes

Escribir, antes de lanzar, qué resultado llevaría a qué decisión. Sin eso, el análisis posterior se contamina: siempre aparece una forma de cortar los datos que confirma lo que uno esperaba.

Por qué esto es un problema organizacional

Podría parecer que todo esto se resuelve con mejor analítica. En mi experiencia, el obstáculo casi nunca es técnico.

El modelo de atribución define quién se lleva el crédito, y el crédito define presupuestos, evaluaciones y a veces carreras. Cambiar el modelo es redistribuir reconocimiento dentro de la organización, y eso genera resistencias que ningún argumento metodológico resuelve.

He visto proyectos de medición técnicamente impecables morir porque el resultado implicaba que un área había estado sobrevalorada durante años, y nadie quiso llevar esa conversación.

Cómo se maneja

Tres cosas ayudan de verdad. Primero, anunciar el cambio de modelo antes de ver los resultados, para que nadie sienta que se cambió la regla al ver el marcador. Segundo, dar un periodo de transición donde se reportan ambos modelos en paralelo. Tercero, y más importante, desacoplar la evaluación de las personas de la atribución del canal durante ese periodo.

Si el equipo sabe que su evaluación no depende de cómo salga el ejercicio, va a colaborar con la verdad en vez de defender su número.

Lo que está realmente en juego

Esta no es una discusión técnica sobre metodología. Es una discusión sobre qué tan bien conoce una compañía el mecanismo por el cual crece.

Una organización que sabe qué causa su crecimiento puede acelerarlo deliberadamente, defender su presupuesto con evidencia y reaccionar cuando el entorno cambia. Una que no lo sabe está administrando correlaciones y esperando que sigan sosteniéndose.

La diferencia entre ambas no se nota en un trimestre bueno. Se nota exactamente cuando llega el trimestre difícil, que es cuando importa.