Recursos
Atribución rota: cómo distorsiona tu CAC y tus decisiones
Respuesta corta
La atribución está rota cuando existe una diferencia material y sistemática entre el crédito que asigna tu stack de medición y el impacto causal real de cada canal. Cuando eso pasa, no se rompe solo el informe: se rompe el sistema de decisión completo, porque esa misma señal alimenta las pujas automáticas. Un canal sobreacreditado muestra CAC artificialmente bajo y recibe más presupuesto; uno subacreditado parece caro y se recorta aunque siga generando clientes incrementales.
Por qué esto no es un problema de reporting
La tentación es tratar la atribución rota como un problema de dashboards. No lo es. Hoy la atribución alimenta tres cosas a la vez:
- El informe que lee el equipo.
- El algoritmo de pujas de Meta, Google y TikTok, que optimiza hacia las conversiones que le declaras.
- La decisión de presupuesto del trimestre siguiente.
Eso significa que medir mal no solo distorsiona la lectura: empeora la adquisición real. En un estudio a gran escala de Meta (Wernerfelt, Tuchman, Shapiro y Moakler, 2024), optimizar a compras dio un coste mediano por cliente incremental de 38,16 USD, mientras que optimizar a clics lo subía a 49,93 USD —un 31% más—. El mismo trabajo estimó que perder los datos de tracking offsite elevaba ese coste mediano de 112,69 a 154,77 USD a seis meses —alrededor de un 37% más—.
La señal que le das al algoritmo se convierte en el coste que pagas.
Las dos familias de causas
Causas técnicas
Son las reparables. Suelen concentrarse en cinco lugares:
| Causa | Síntoma típico | Dónde se detecta |
|---|---|---|
| Pérdida de click ID en redirecciones | Tráfico de pago que aparece como orgánico o directo | Comparar clics de plataforma vs. sesiones con parámetro |
| Cross-domain mal configurado | Self-referrals, sesiones partidas, atribución al propio dominio | Informe de referrals; salto entre dominios en el journey |
| Duplicación SDK + server-side | Conversiones infladas, CAC artificialmente bajo | Ratio conversiones/pedidos reales del backend |
| Mezcla de scopes | Números que no cuadran entre informes del mismo sistema | Auditoría de definición de métricas |
| Conversiones offline incompletas | El canal que genera pipeline real parece el peor | Match rate de importación offline al CRM |
Causas estructurales y de privacidad
Son las que se gestionan, no se arreglan: bloqueo de cookies de terceros, límites de ITP sobre almacenamiento y link decoration, consentimiento y modelado en GA4 y Google Ads, restricciones de ATT/IDFA en iOS, y la naturaleza agregada y umbralizada de los marcos de Apple.
La distinción importa. Gastar tres semanas intentando "arreglar" una pérdida estructural de señal es tiempo perdido; la respuesta correcta ahí es modelar y validar con experimentos, no perseguir granularidad que ya no existe.
Cómo se distorsiona el CAC, con números
Tomemos un portafolio simple: 100.000 € de inversión mensual, 1.000 clientes nuevos reales. CAC real de la cartera: 100 €.
| Canal | Gasto | Clientes reales | Clientes atribuidos | CAC real | CAC reportado | Error |
|---|---|---|---|---|---|---|
| Branded search | 15.000 € | 90 | 190 | 167 € | 79 € | −53% |
| Prospecting social | 45.000 € | 520 | 380 | 87 € | 118 € | +36% |
| Retargeting | 20.000 € | 140 | 290 | 143 € | 69 € | −52% |
| Orgánico asistido por pago | 20.000 € | 250 | 140 | 80 € | 143 € | +79% |
La lectura de este cuadro es la parte importante. El CAC de la cartera es correcto —100 € en ambos casos, porque el total de clientes no cambia—. Lo que está mal es la distribución. Y como el presupuesto se asigna por canal, no por cartera, el equipo desplazará dinero de prospecting hacia retargeting y branded, comprando cada vez más demanda que ya existía.
Ese es el patrón que el experimento de eBay documentó con más claridad: los anuncios de keywords de marca no mostraron beneficios medibles de corto plazo, y en non-brand el impacto positivo se concentraba en usuarios nuevos o infrecuentes, mientras los usuarios frecuentes absorbían gasto sin cambiar su conducta.
Cómo contamina el payback y las cohortes
El daño no se detiene en el CAC del mes. Si la atribución asigna mal el canal de origen, todas las cohortes construidas sobre ese campo heredan el error:
- LTV por canal se calcula sobre poblaciones mal etiquetadas.
- CAC payback —cuántos meses tardas en recuperar la inversión— se alarga o acorta artificialmente por canal.
- Retención por fuente deja de ser comparable, porque los usuarios de un canal aparecen bajo otro.
Un canal que trae usuarios de alta retención pero recibe poco crédito muestra a la vez CAC alto y LTV bajo. Es la combinación que garantiza que lo recortes.
Protocolo de diagnóstico
Este es el orden que aplicamos en una auditoría de medición. Es deliberadamente barato al principio y caro al final.
Nivel 1 — Reconciliación (1 día)
- Suma de conversiones reportadas por todas las plataformas vs. pedidos/leads reales del backend. Si la suma supera lo real en más de un 15–20%, hay sobreconteo.
- Delta entre plataforma y analítica por canal, y su estabilidad en 90 días.
Nivel 2 — Integridad técnica (2–3 días)
- Supervivencia de click IDs a través de cada redirección y consent wall.
- Reglas de deduplicación entre SDK/tag y server-side.
- Configuración cross-domain y self-referrals.
- Alineación de ventanas de conversión entre sistemas.
Nivel 3 — Cobertura (3–5 días)
- Porcentaje de tráfico en consentimiento denegado y método de modelado.
- Match rate de conversiones offline al CRM.
- Cobertura de eventos de negocio, no solo de conversión superficial.
Nivel 4 — Validación causal (2–6 semanas)
- Un holdout o geo-experiment en el canal más sospechoso. Normalmente branded search o retargeting.
Los niveles 1 y 2 resuelven la mayoría de los casos. El nivel 4 es el único que responde si el crédito asignado corresponde a impacto real.
Cómo lo aborda ADEX
Nuestra auditoría de medición sigue exactamente ese orden, y produce tres entregables concretos: un mapa de discrepancias con umbrales aceptables definidos, una lista priorizada de reparaciones técnicas con esfuerzo estimado, y una recomendación explícita sobre qué canal merece un test de incrementalidad primero.
No entregamos un informe de 60 páginas. Entregamos el orden en que hay que arreglar las cosas.
Qué esperar, con honestidad
Arreglar la atribución no hace bajar tu CAC. Hace que tu CAC reportado se parezca al real —y eso normalmente significa que algunos canales se ven peor después de la auditoría, no mejor.
Ese es el resultado correcto. Un número que empeora y es cierto vale más que uno que mejora y es falso. Pero conviene preparar a la dirección para esa conversación antes de empezar, no después.
Preguntas frecuentes
¿Cómo sé si mi atribución está rota? La señal más rápida: suma las conversiones que reportan todas tus plataformas y compáralas con los pedidos o leads reales de tu backend. Si la suma excede lo real de forma significativa y sostenida, hay sobreconteo. Si es muy inferior, hay pérdida de señal.
¿Por qué Google Ads y GA4 nunca coinciden? Usan ventanas, modelos y criterios de atribución distintos por diseño. Cierta discrepancia es esperable y normal. El problema aparece cuando el delta se mueve sin causa conocida, o cuando supera el umbral que definiste como aceptable.
¿La atribución rota afecta a mis pujas automáticas? Sí, y es el efecto más caro. Las estrategias automáticas optimizan hacia las conversiones que les declaras. Si esas conversiones están sesgadas o duplicadas, el algoritmo compra sistemáticamente el tipo equivocado de usuario.
¿El consentimiento es la causa principal hoy? Es una causa importante, pero rara vez la única. En la mayoría de las auditorías, las causas técnicas —click IDs perdidos, duplicación, cross-domain— explican más discrepancia que el consentimiento.
¿Necesito incrementalidad o basta con arreglar el tracking? Arreglar el tracking corrige errores de medición. La incrementalidad corrige errores de interpretación. Son problemas distintos: puedes tener tracking impecable y seguir sobrevalorando el retargeting.
¿Cuánto tarda una auditoría de atribución? Los niveles de reconciliación e integridad técnica se resuelven típicamente en una o dos semanas. La validación causal requiere semanas adicionales porque depende de correr un experimento con potencia estadística suficiente.
Siguiente paso
Si sospechas que tus números no describen tu negocio real, empieza por la reconciliación. Auditar mi medición →
Lecturas relacionadas
- Modelos de atribución y cómo evaluar un MMP
- ROAS vs incrementalidad: qué métrica usar para cada decisión
- Servicio: atribución y gestión de MMP
- Servicio: dashboards de marketing
Fuentes externas
- Gordon, Moakler y Zettelmeyer (2023). Close Enough? A Large-Scale Exploration of Non-Experimental Approaches to Advertising Measurement. Marketing Science. https://doi.org/10.1287/mksc.2022.1413
- Wernerfelt, Tuchman, Shapiro y Moakler (2024). Estimating the Value of Offsite Tracking Data to Advertisers: Evidence from Meta. NBER Working Paper 32765. https://www.nber.org/papers/w32765
- Blake, Nosko y Tadelis (2015). Consumer Heterogeneity and Paid Search Effectiveness. Econometrica. https://doi.org/10.3982/ECTA12423
- Shao y Li (2011). Data-driven Multi-touch Attribution Models. ACM SIGKDD. https://doi.org/10.1145/2020408.2020453
- Documentación de Google Ads y GA4 sobre modelos de atribución, modelado de conversiones y conversiones mejoradas; documentación de Apple sobre ATT y AdAttributionKit; WebKit ITP.
Los escenarios numéricos de este artículo son ilustrativos y construidos para explicar el mecanismo de distorsión, no cifras de un cliente concreto.