Tu campaña de display terminó con buenos números, el equipo está contento y el presupuesto se renueva. Pero nadie preguntó lo más importante: ¿esas conversiones habrían ocurrido de todas formas, con o sin el anuncio?
Esa pregunta es el problema central de la atribución en publicidad programática. Y la mayoría de los equipos en LATAM todavía no la están respondiendo correctamente.
Qué es la atribución y por qué importa
Atribución (o attribution en inglés) es el proceso de asignar crédito a los puntos de contacto publicitarios que contribuyeron a una conversión. En términos simples: cuando un usuario ve un banner, hace clic en un anuncio de búsqueda, visita el sitio y finalmente compra, ¿qué canal o anuncio recibe el crédito por esa venta?
La respuesta a esa pregunta determina cómo se distribuye el presupuesto en la siguiente campaña. Si le das todo el crédito al último clic, vas a invertir más en el canal que captura la demanda existente y menos en el que la genera. Con el tiempo, esa decisión erosiona el crecimiento.
Según el estudio The True Cost of Trust in Marketing Measurement de eMarketer y TransUnion, publicado en octubre de 2025, el 62% de los marketers tiene cierta confianza en sus métricas de performance, pero el 54% reportó ningún cambio en su nivel de confianza año contra año, y el 14% dijo que su confianza en realidad disminuyó.
Más datos, menos certeza. Ese es el estado actual de la medición publicitaria.
Los modelos de atribución más usados
Hay varios modelos establecidos en la industria. Cada uno responde la pregunta de atribución de forma diferente.
- Last-click asigna el 100% del crédito al último punto de contacto antes de la conversión. Es el modelo más simple, el más fácil de explicar y el más usado. También es el más engañoso, porque ignora todo lo que ocurrió antes del clic final.
- First-click hace lo opuesto: asigna todo el crédito al primer punto de contacto. Útil para entender qué canal genera awareness, pero igual de incompleto porque ignora el resto del journey.
- Lineal distribuye el crédito de forma equitativa entre todos los touchpoints del journey. Más justo que los anteriores, pero asume que todos los puntos de contacto contribuyeron igual, lo cual rara vez es cierto.
- Time decay da más crédito a los touchpoints más cercanos a la conversión y menos a los anteriores. Tiene lógica para ciclos de compra cortos, pero penaliza el awareness que ocurrió semanas antes.
- Basado en posición (U-shaped) asigna más crédito al primer y último touchpoint, y distribuye el resto entre los del medio. Reconoce la importancia de la captación inicial y del cierre, pero sigue siendo una regla arbitraria.
- Data-driven (DDA) usa machine learning para analizar los patrones reales de conversión y asignar crédito según la contribución estadística de cada touchpoint. Es el más preciso de todos, pero requiere volumen suficiente de datos y una plataforma que lo soporte.
El problema que ningún modelo resuelve solo
Aquí está la parte que la mayoría de las discusiones sobre atribución omite.
Todos los modelos de atribución comparten el mismo defecto de base: asignan crédito a partir de correlación, no de causalidad. El hecho de que un usuario vio un banner y luego compró no significa que el banner causó la compra. Tal vez ese usuario iba a comprar de todas formas.
Según el FAQ de incrementalidad de eMarketer publicado en abril de 2026, los modelos de atribución responden la pregunta “¿a quién le pertenece esta conversión?”. La incrementalidad responde una pregunta diferente y más importante: “¿esta conversión habría ocurrido de todas formas sin el anuncio?”
Esa distinción tiene consecuencias directas en cómo se evalúa el rendimiento de una campaña. Un anuncio de retargeting que aparece a alguien que ya decidió comprar va a recibir crédito de atribución por esa conversión, aunque no haya influenciado ninguna decisión. La atribución lo contará como éxito. La incrementalidad lo detectaría como crédito no ganado.
Qué es la incrementalidad y por qué está creciendo
La incrementalidad mide si una campaña causó conversiones que no habrían ocurrido sin ella. El método es un experimento controlado: se divide la audiencia en dos grupos, uno que ve el anuncio y uno que no (holdout group), y se compara la diferencia en conversiones entre ambos. Esa diferencia es el lift incremental real.
Según datos de julio de 2025 de eMarketer y TransUnion, el 52% de los marketers de marcas y agencias en Estados Unidos ya usa tests de incrementalidad para medir sus campañas. El 27.6% dice que expandir los tests de incrementalidad es una prioridad de medición top, y el 36.2% planea invertir en ello en los próximos 12 meses.
La adopción está creciendo por tres razones concretas.
- La pérdida de señales de tracking. Con las restricciones de cookies y los cambios en los navegadores, la atribución basada en seguimiento individual se vuelve menos confiable. La incrementalidad trabaja con datos agregados de grupos, lo que la hace más robusta en un entorno de mayor privacidad.
- La presión por accountability. Según el mismo estudio de eMarketer y TransUnion, el 67% de los marketers ahora prioriza el ROI incremental, seguido de alinear las métricas de marketing con los resultados del negocio (66%) y mejorar la atribución cross-channel (55%).
- La reducción del costo de entrada. Google redujo el presupuesto mínimo para tests de incrementalidad de aproximadamente 100,000 dólares a 5,000 dólares adoptando modelos estadísticos bayesianos, lo que hace los experimentos controlados accesibles para marcas medianas que antes no podían costear este tipo de testeo riguroso.
El rol del MMM en la ecuación
Marketing Mix Modeling (MMM) es el tercer pilar de medición que completa el panorama junto con atribución e incrementalidad.
MMM es un modelo econométrico que analiza el impacto histórico de distintos canales de marketing sobre las ventas o conversiones, usando datos agregados en lugar de datos individuales de usuario. Su ventaja principal es que puede evaluar canales difíciles de trackear (TV, radio, out-of-home) junto con los digitales, y no depende de cookies ni de identificadores individuales.
Según eMarketer y TransUnion, casi la mitad de los marketers en Estados Unidos (46.9%) planea invertir más en MMM en el próximo año, y el MMM fue señalado como la metodología de medición más confiable por el 27.6% de los marketers encuestados.
La tendencia del sector es clara: no se trata de elegir entre atribución, incrementalidad y MMM, sino de combinar los tres según el tipo de decisión que se necesita tomar.
Cómo decidir qué modelo usar
La elección del enfoque de medición depende de qué pregunta necesitas responder y con qué recursos cuentas.
Usa last-click solo si recién estás comenzando y necesitas algo simple para tener algún punto de referencia. Entiende que te va a sobreestimar el valor de los canales de cierre (search, retargeting) y subestimar los de awareness (display, video).
Usa data-driven si tienes volumen suficiente de conversiones en plataformas que lo soporten (Google, Meta). Es significativamente más preciso que cualquier modelo basado en reglas.
Implementa incrementalidad cuando necesites validar si un canal realmente está generando valor o simplemente capturando conversiones que habrían ocurrido de todas formas. Es especialmente útil para campañas de retargeting y para evaluar canales de awareness.
Usa MMM cuando necesites una visión de largo plazo de la efectividad de tu mix de medios, o cuando quieras incluir canales offline en el análisis.
El contexto LATAM que importa
Según eMarketer y TransUnion, los principales obstáculos para una medición precisa son los datos fragmentados y en silos (49%), los problemas de deduplicación cross-channel (48%) y las limitaciones de los reportes de los walled gardens (41%).
Esos tres obstáculos son especialmente relevantes para los equipos en LATAM, donde la fragmentación de plataformas es alta (Meta, Google, TikTok, y Amazon operan en silos distintos), la infraestructura de data management es menos madura, y el acceso a herramientas de MMM o incrementalidad enterprise fue históricamente limitado por costo.
La reducción del costo de entrada a los tests de incrementalidad (5,000 dólares mínimo en Google) cambia esa ecuación y abre la metodología a anunciantes medianos que operan en mercados LATAM. Es una oportunidad concreta para mejorar la calidad de medición sin esperar a tener el presupuesto de una multinacional.
Próximos pasos
Atribución, incrementalidad y MMM son tres herramientas que se complementan. Ninguna reemplaza a las otras.
Si estás comenzando a cuestionar la calidad de tu medición, el primer paso práctico es correr un test de holdout en una de tus campañas de retargeting activas. Es el experimento más sencillo de implementar y el que más frecuentemente revela que el crédito que creías ganar no era tan real.
En Programática LATAM seguimos publicando sobre medición y performance. Si quieres recibir los próximos artículos, suscríbete al newsletter.