Atribución Multitáctil (MTA)
La atribución multitáctil (MTA) es la práctica de distribuir el crédito de conversión entre cada punto de contacto de marketing con el que un cliente interactuó en su camino hacia la conversión, no solo el primer clic o el último. En lugar de decir "Google Ads se lleva el 100% de este acuerdo de 5.000 dólares", la MTA podría repartirlo en un 30% al blog, un 20% a LinkedIn, un 30% a Google y un 20% a la llamada de ventas.
La atribución multitáctil (MTA) es la práctica de distribuir el crédito de conversión entre cada punto de contacto de marketing con el que un cliente interactuó en su camino hacia la conversión, no solo el primer clic o el último. En lugar de decir "Google Ads se lleva el 100% de este acuerdo de 5.000 dólares", la MTA podría repartirlo en un 30% al blog, un 20% a LinkedIn, un 30% a Google y un 20% a la llamada de ventas.
Por qué importa
Los modelos de un solo toque, primer toque y último toque, son la atribución más simple posible, pero engañan de forma habitual. El último toque acredita al canal que llevó al usuario a cruzar la meta, ignorando los meses de trabajo de conocimiento que lo acercaron. El primer toque acredita al canal que presentó la marca, ignorando los contactos que en realidad cerraron el acuerdo. Ambos producen asignaciones de presupuesto enormemente sesgadas. La MTA intenta ser honesta sobre el hecho de que los compradores pasan por entre 8 y 20 contactos antes de comprar, y que cada contacto aporta algo. Bien hecha, dirige el presupuesto hacia los verdaderos motores. Mal hecha (o con datos defectuosos), produce respuestas erróneas con total seguridad.
Modelos comunes de MTA
Lineal: crédito igual a cada punto de contacto. Fácil de calcular, fácil de explicar. Trata un anuncio de banner y una demo de 30 minutos como igual de importantes, normalmente demasiado generoso con los primeros contactos.
Decaimiento temporal: los contactos más cercanos a la conversión reciben más crédito. Refleja la intuición de que una llamada de ventas de ayer importa más que la lectura de un blog de hace seis meses.
En forma de U (basado en la posición): 40% al primer toque, 40% al último toque, 20% repartido entre los contactos intermedios. Reconoce tanto el descubrimiento como la decisión.
En forma de W: añade el evento de creación del lead como un tercer punto ponderado: 30% al primero, 30% a la creación del lead, 30% al último, 10% a los intermedios.
Basado en datos (la MTA de Google, cadenas de Markov): usa el análisis estadístico de las rutas que convierten y las que no para asignar el crédito. Da los mejores resultados cuando hay suficientes datos; es inútil con muestras pequeñas.
Personalizado: pesos ajustados a mano según el conocimiento interno del negocio. Arriesgado, pero a veces necesario.
Por qué la MTA es difícil en 2026
Desaparición de las cookies: las cookies de terceros están desapareciendo o ya no existen en los principales navegadores. El seguimiento entre sitios, la base de la MTA clásica, apenas funciona ya.
Dark social: una enorme proporción de los contactos B2B ocurre en mensajes directos, Slack y correos que ninguna herramienta de analítica ve.
iOS / regulación de privacidad: la ATT, el RGPD y regímenes similares restringen la unión entre dominios que la MTA necesita.
Referentes de la búsqueda con IA: muchas fuentes de tráfico de ChatGPT, Perplexity y Gemini llegan como directas o sin atribuir.
Ciclos de venta largos: los recorridos B2B que abarcan de 6 a 18 meses superan la mayoría de las ventanas de atribución.
Autoservicio / multicanal: los compradores modernos investigan en Reddit, ven una reseña en YouTube y luego se registran de forma directa; la cadena de contactos parece un solo evento en la analítica.
Alternativas que ganan terreno
Modelado de la mezcla de marketing (MMM): análisis estadístico del gasto por canal frente a los resultados del negocio a nivel agregado, no a nivel de usuario. Respetuoso con la privacidad. Lo usan los equipos empresariales a medida que termina la era de las cookies.
Atribución autodeclarada: preguntar "¿cómo nos conociste?" en los formularios de registro. Imperfecto, pero capta el dark social donde la MTA no puede.
Pruebas de incrementalidad: las retenciones geográficas, las pausas de canales pagados y los experimentos controlados miden el impacto causal de forma directa.
Triangulación: combinar la MTA, el MMM y las respuestas autodeclaradas para triangular la verdad, ya que ningún método por sí solo es fiable.
Cuándo la MTA todavía funciona
B2C de alto volumen con sesiones rastreadas de forma limpia: ecommerce con usuarios que han iniciado sesión.
Recorridos de un solo dominio: cuando la mayoría de los contactos ocurren en tus propias propiedades.
Ciclos de consideración cortos: cuando todo el recorrido cabe en una ventana de 30 días.
Solo eventos internos: aperturas de email, interacciones dentro de la aplicación, inicios de sesión en el panel, señales propias que controlas de principio a fin.
Errores comunes
Tratar el resultado de la MTA como una verdad: es una mejor estimación, no una medición. Muestra siempre los intervalos de confianza.
Mezclar modelos por canal: comparar el ROI de primer toque en un canal con el ROI de último toque en otro garantiza conclusiones erróneas.
Ignorar el dark social: si el 40% de los leads de llamadas de ventas dice "me lo contó un amigo", tu MTA siempre estuvo equivocada en un 40%.
Optimizar el presupuesto según las puntuaciones de la MTA cada mes: los modelos que se mueven de mes a mes por el ruido te llevarán a reasignar el presupuesto hacia problemas.
Creer que la MTA basada en datos no necesita revisión: la atribución por aprendizaje automático sigue siendo un modelo, con sus propios supuestos y modos de fallo.
Fingir que el MMM es solo "MTA antigua": responden a preguntas distintas. Usa ambos.
Sources: