Modelos de atribución multitáctil: por qué los modelos bayesianos funcionan mejor

Respuesta directa

Los modelos de atribución bayesianos superan a los modelos de reglas clásicos y a los data-driven de plataformas porque cuantifican la incertidumbre, incorporan conocimiento previo del negocio y son auditables. En lugar de asignar créditos arbitrarios a cada touchpoint, trabajan con distribuciones de probabilidad que reflejan lo que realmente ocurre en un funnel multicanal.

Qué es la atribución multitáctil y por qué importa

La atribución de último clic sigue siendo el estándar de facto en equipos de marketing B2B y B2C, pero distorsiona sistemáticamente la realidad: sobrevalora los canales que capturan demanda (como Google Ads branded) e infravalora los que la generan (contenido orgánico, PR, comunidad, eventos).

La atribución multitáctil (MTA) intenta resolver esto distribuyendo el crédito de una conversión entre todos los touchpoints que intervinieron en el journey del usuario. El problema es que no todos los modelos de MTA son equivalentes. Elegir el modelo equivocado puede generar decisiones tan sesgadas como las del último clic, solo que con una apariencia de mayor sofisticación.

Los modelos clásicos de MTA y sus limitaciones

Modelos basados en reglas

Los tres modelos más extendidos son el lineal (crédito equitativo entre todos los touchpoints), el time decay (más peso a los touchpoints más recientes) y el position-based o U-shaped (40% al primer toque, 40% al último, 20% distribuido entre el resto).

Ninguno es inherentemente incorrecto, pero todos comparten el mismo defecto estructural: las reglas las define el analista, no los datos. Se está presuponiendo cómo funciona el funnel en lugar de inferirlo. Si el comportamiento real de tus usuarios no se ajusta a esa presuposición, el modelo te dará respuestas incorrectas con total confianza.

Modelos data-driven de plataformas

Google y Meta ofrecen modelos de atribución llamados "data-driven", que aprenden de los datos históricos de conversión. Son una mejora sobre los modelos de reglas, pero tienen un conflicto de interés estructural: son juez y parte. Ninguna plataforma va a construir un modelo que recomiende reducir el gasto en su propio inventario publicitario.

Por qué los modelos bayesianos funcionan mejor

Cuantifican la incertidumbre en lugar de ignorarla

Los modelos frecuentistas devuelven estimaciones puntuales: "LinkedIn generó el 23% de las conversiones". Los modelos bayesianos devuelven distribuciones: "LinkedIn generó entre el 18% y el 28% de las conversiones, con un 95% de credibilidad". Esta diferencia es crítica para la toma de decisiones: sabes exactamente cuánta confianza puedes depositar en cada cifra antes de reasignar presupuesto.

Incorporan conocimiento previo del negocio

Los modelos bayesianos permiten definir priors, es decir, supuestos iniciales sobre el comportamiento de los canales basados en conocimiento existente. Si sabes que el contenido orgánico tiene un efecto retardado de cuatro a seis semanas, puedes incorporarlo al modelo sin necesidad de que los datos lo demuestren desde cero. Esto es especialmente valioso cuando los volúmenes de conversión son bajos.

Descomponen las interacciones entre canales

Cuando un usuario ve un post en LinkedIn, busca la marca en Google, recibe un email de nurturing y finalmente convierte a través de una demo, los modelos bayesianos jerárquicos pueden estimar la contribución real de cada canal teniendo en cuenta las interdependencias entre ellos, no como si actuaran de forma independiente.

Son transparentes y auditables

A diferencia de los modelos black-box de las plataformas, un modelo bayesiano muestra explícitamente sus supuestos. Puedes cuestionar los priors, ajustar la estructura del modelo y comparar sus predicciones con experimentos controlados. Esa transparencia genera confianza interna y permite iterar con criterio.

Cómo implementar atribución bayesiana: guía práctica

Las soluciones SaaS como HockeyStack, Dreamdata o Rockerbox ofrecen componentes bayesianos empaquetados para equipos sin recursos técnicos para construir modelos desde cero. Para equipos con capacidad de data science, LightweightMMM (Google, open source) y Robyn (Meta, con optimización automática de hiperparámetros) son puntos de partida sólidos.

Preguntas frecuentes

¿Cuántos datos necesito para implementar un modelo bayesiano de atribución? No existe un mínimo universal, pero en la práctica se recomienda contar con al menos 200-500 conversiones por período de análisis. Con volúmenes menores, los priors cobran más importancia y deben definirse con especial cuidado para no introducir sesgo.

¿Los modelos bayesianos reemplazan al Media Mix Modeling (MMM)? No son excluyentes. La MTA bayesiana trabaja a nivel de usuario individual y requiere datos de touchpoints granulares. El MMM bayesiano opera a nivel agregado y es más robusto frente a la pérdida de cookies y al dark social. Muchas empresas combinan ambos enfoques para triangular conclusiones.

¿Cómo sé si mi modelo de atribución es correcto? Ningún modelo de atribución es perfectamente correcto. La forma de validarlo es comparar sus predicciones con experimentos controlados: si el modelo atribuye alto valor a un canal, pausar ese canal en una región o segmento y medir el impacto real en conversiones. La brecha entre predicción y resultado real indica la calidad del modelo.

¿Qué ocurre con los touchpoints invisibles como el dark social o el word of mouth? Los modelos bayesianos no los hacen visibles, pero al cuantificar explícitamente la incertidumbre del modelo reconocen que existe varianza no explicada. Esto es más honesto que los modelos de reglas, que simplemente ignoran lo que no pueden medir y distribuyen el crédito como si los datos fueran completos.