Modelos de medición: MMM, MTA, atribución e incrementalidad.

Abres cualquier plataforma de publicidad y todas te dan la razón. Meta se atribuye la conversión, Google se atribuye la misma conversión, el correo lo mismo, y cuando sumas los ROAS de cada canal terminas con más ventas atribuidas que ventas reales. No es un error de configuración. Es la naturaleza del asunto. Cada modelo de medición reparte la atribución de una conversión según una regla predefinida por ellos mismos sin considerar el ecosistema transversal.

Y eso no es menor. No existe un modelo neutral que refleje la realidad tal como es. Existe el modelo que responde una pregunta puntual de Negocio, y existen todos los demás, que responden otra pregunta distinta y por eso te desorientan. Elegir bien parte por entender qué mide cada uno, qué esconde, y cuándo conviene mirarlo. Lo dejamos claro de entrada porque nos ahorra el problema de siempre: equipos peleando por un número que ni siquiera medía lo que creían.

NINGÚN MODELO ES NEUTRAL

Un modelo de atribución es una convención. Le dice al sistema a quién anotarle la venta cuando en el camino hubo un anuncio de display, tres búsquedas, un correo y una visita directa. La convención más vieja y más usada es el último clic: todo el crédito al touch que cerró. Es simple, es barata, cualquiera la entiende. Y está sesgada por diseño hacia los canales de cierre, los que aparecen justo antes de la compra, castigando a todo lo que sembró la demanda semanas antes.

Durante años convivimos con una familia entera de estas reglas: primer clic, que le da todo al descubrimiento; lineal, que reparte en partes iguales; time decay, que pesa más lo cercano a la conversión; basado en posición, que suele dar 40 al primero, 40 al último y 20 al medio. Ninguna es más verdadera que otra. Cada una es una forma distinta de adivinar, con algo de criterio, aquello que el clic no te cuenta.

Un ejemplo aterriza el sesgo. Piensa en alguien que ve tu campaña de marca en Instagram el lunes, el jueves busca tu nombre en Google y compra. El último clic le entrega el 100% del crédito a la búsqueda de marca, y tú terminas creyendo que Google te trajo un cliente que en realidad ya venía convencido desde Instagram. Multiplica eso por miles de conversiones y tu presupuesto empieza a migrar hacia el canal que cierra, vaciando al que genera la demanda.

La señal de que esta familia ya cumplió su ciclo la dio el propio Google. El 6 de abril de 2023 anunció que retiraba cuatro de estos modelos, primer clic, lineal, time decay y basado en posición, de Google Ads y de Analytics, dejando la atribución basada en datos como opción por defecto (Google Ads Help, 2023). Cuando la plataforma que definió el estándar jubila sus propias reglas, algo de fondo cambió.

MTA: EL SUEÑO DEL JOURNEY COMPLETO

La atribución multitouch, y su versión algorítmica, la atribución basada en datos, prometió resolver el problema del último clic. En vez de coronar a un solo touch, reparte el crédito entre todos los puntos de contacto según cuánto aportó cada uno, calculado sobre millones de rutas de usuarios. En el papel es hermoso. Ves el journey entero y optimizas cada eslabón.

El problema es que ese sueño se construyó sobre una base que se desmoronó. La MTA necesita seguir al mismo usuario de sitio en sitio y de dispositivo en dispositivo, y esa capacidad se fue muriendo por tres frentes a la vez. Safari bloquea todas las cookies de terceros por defecto desde marzo de 2020 (WebKit, 2020). Firefox lo hace desde 2019. Y el golpe grande lo dio Apple: el 26 de abril de 2021, con iOS 14.5, lanzó App Tracking Transparency, el famoso permiso de pedirle a la app que no te rastree (TechCrunch, 2021). La gente dijo que no en masa: Flurry midió una tasa de aceptación mundial cercana al 25% (Flurry, 2021). Sin identidad determinística, el journey completo quedó como un rompecabezas al que le faltan tres de cada cuatro piezas.

Y hay un tema de escala que se conversa poco. Un modelo de atribución basada en datos honesto necesita grandes volúmenes de rutas de conversión para encontrar patrones estables, del orden de millones de trayectorias a nivel de evento, no unas pocas miles. Esa data sale del pixel del navegador, de cookies de primera parte, de identificadores de dispositivo y, cada vez más, de eventos del lado del servidor a través de APIs como la Conversions API de Meta, que devuelve parte de la señal que el navegador dejó de entregar. El parche server side ayuda, pero no reconstruye el journey cross canal completo: recupera eventos sueltos, no la película entera.

Hay una ironía acá. Muchos apostaron a que la desaparición forzada de las cookies de terceros en Chrome sería el golpe final. No pasó: Google dio marcha atrás en julio de 2024 y en abril de 2025 confirmó que las mantiene y que no habrá un prompt separado (Google Privacy Sandbox, 2025). Pero el daño a la MTA ya lo habían hecho Apple y Safari, no Chrome. Y queda el defecto que ningún parche arregla: dentro de los jardines amurallados, cada plataforma cuenta su propia versión de la historia y tiende a sobreatribuirse. Por eso un canal con 3x de ROAS en su panel puede valer bastante menos cuando lo mides de verdad. De esa distancia entre el número del panel y el resultado en el P&L hablamos en El espejismo del ROAS.

MMM: LO VIEJO QUE VOLVIÓ CON OTRA CARA

El Marketing Mix Modeling existe desde hace décadas. Es estadística sobre datos agregados: tomas el histórico de inversión por canal, las ventas y variables externas como estacionalidad o precio, y modelas cuánto aportó cada canal al resultado. No mira a ninguna persona. No necesita cookies ni identificadores. Y ahí está justamente por qué volvió: en un mundo sin señal a nivel usuario, medir en agregado dejó de ser lo anticuado para ser lo resiliente.

Lo que cambió no es el método, es el acceso. Antes un MMM era un proyecto caro de consultora, meses de trabajo, reservado para grandes anunciantes. Hoy hay herramientas open source que bajaron la barrera. Meta liberó Robyn en 2020. Google publicó Meridian, un MMM bayesiano que integra experimentos para calibrarse, y lo abrió a todo el mundo el 29 de enero de 2025 en reemplazo de su modelo anterior (Google, 2025). Aun así la adopción va lenta: según el reporte anual de Nielsen, cerca del 30% de los marketers usa MMM para medir el retorno de forma holística, pese a que dicen priorizar el ROI de largo plazo (Nielsen, 2024). Hay una brecha grande entre lo que los equipos dicen que les importa y lo que de verdad miden.

Vale la pena aterrizar qué come un MMM, porque ahí está su costo real. Necesita historia, y bastante: las guías de Robyn de Meta y de Meridian de Google recomiendan del orden de dos a tres años de datos semanales, algo así como 100 a 150 puntos de observación, para separar la señal del ruido estacional (Google Meridian, 2025). Cada semana entra una fila con la inversión por canal, las impresiones o los GRPs, las ventas o conversiones, el precio, las promociones activas y variables externas como feriados, clima o estacionalidad. Esos datos salen de tus planillas de medios, del ERP o el punto de venta, y de fuentes externas. Ninguno identifica a una persona, y esa es justamente la gracia.

Con eso, el modelo puede decirte algo que ninguna plataforma te va a decir: que tu inversión en búsqueda de marca rinde menos de lo que parece porque canibaliza tráfico que llegaría igual, o que la televisión, esa que nadie sabe medir en clics, es la que viene empujando toda tu demanda desde arriba del funnel. El MMM tiene su propio talón de Aquiles, eso sí. Te dice que un canal aportó cierto monto al trimestre, pero no baja al detalle de qué keyword ni qué creativo. Es una brújula estratégica, no un bisturí táctico. Y como trabaja sobre correlaciones, corre el riesgo de confundir correlación con causa si no se valida con experimentos.

INCREMENTALIDAD: LA ÚNICA QUE AÍSLA LA CAUSA

Acá está la pregunta que ninguno de los modelos anteriores responde de verdad: si mañana apagaras este canal, ¿cuánta venta perderías? No la venta que se anota, sino la que no habría ocurrido sin él. Eso es incrementalidad, y se mide con experimentos, no con reglas de reparto.

La mecánica es la de un ensayo clínico. Divides el mercado en un grupo que ve la publicidad y uno comparable que no la ve, o que ve un anuncio placebo, y comparas. Los experimentos geográficos separan regiones parecidas en test y control. El Conversion Lift de Meta usa grupos de control a los que se les retiene el anuncio aunque hayan ganado la puja, aislando el efecto real. Los holdouts con anuncios de servicio público hacen lo mismo con un placebo. En todos, la aleatorización es la que te entrega la causa, no el tracking individual, y por eso resisten bien la era de la privacidad.

El diseño importa tanto como la intención. Un experimento geográfico serio necesita suficientes mercados comparables para tener poder estadístico, del orden de decenas de regiones repartidas en test y control, corriendo varias semanas, con un grupo de control que suele resignar entre un 10% y un 15% de la exposición. Ese control no es gratis: es plata que decides no capturar hoy para saber la verdad mañana. Pero es el tipo de prueba que termina mostrando que ese canal con 4x de ROAS en el panel tenía apenas 1,3x de retorno incremental, porque el resto habría convertido sin el anuncio.

El caso de Negocio para esto es contundente. Analytic Partners, con su base ROI Genome, encontró que las marcas que aumentaron su inversión publicitaria durante la última recesión vieron un alza del 17% en ventas incrementales, y que el 60% de las que subieron la inversión mejoraron su ROI (Analytic Partners, 2022). Esos números no salen de un panel de plataforma. Salen de comparar contra un contrafactual.

LOS CUATRO, FRENTE A FRENTE

Puesto en una tabla, el mapa se ordena. Ninguna fila es la mejor. Cada una responde una pregunta y paga un precio.

CUÁNTA DATA NECESITA CADA UNO, Y DE DÓNDE

Elegir un modelo no es solo una decisión de precisión, también es una de factibilidad. No sirve enamorarse de la incrementalidad si no tienes volumen para experimentar, ni descartar el MMM porque crees que no tienes datos cuando en realidad tu ERP los guarda hace años. Este es el mapa de qué exige cada enfoque y de dónde sale la materia prima.

La lectura rápida es esta: los modelos de arriba son baratos de montar y frágiles ante la privacidad; los de abajo piden más disciplina de datos pero te dan respuestas que sobreviven. Y la mayoría de las empresas tiene más data útil de la que cree, casi siempre atrapada en el ERP, el CRM o el punto de venta, lejos del equipo de Marketing que la necesita.

Y si lo que buscas es el resumen honesto de qué ganas y qué resignas con cada familia, es este.

LA RESPUESTA NO ES ELEGIR, ES TRIANGULAR

Si llegaste hasta acá esperando que te dijéramos cuál es el modelo ganador, la respuesta te va a decepcionar y a aliviar al mismo tiempo: no hay uno. La práctica que hoy separa a los equipos que miden bien de los que se cuentan cuentos es la triangulación, cruzar los tres enfoques en vez de casarse con uno. Lo puso claro el IAB: el verdadero poder de la medición no está en escoger entre MMM, atribución e incrementalidad, sino en triangular los tres (IAB vía MarTech, 2026).

Funciona porque cada uno tapa el hueco del otro. El MMM te da la visión estratégica y agregada del presupuesto. La atribución te da la granularidad táctica del día a día. Y los experimentos de incrementalidad son el ancla de realidad, el ground truth causal contra el que calibras a los otros dos. Un ejemplo de cómo se cruzan: el MMM te dice que digital aporta el 40% de tus ventas, un experimento geográfico te confirma que dentro de digital la búsqueda de marca es casi toda no incremental, y la atribución te ordena, día a día, qué campaña del resto está rindiendo. Tres lentes, una sola foto más nítida. No es casualidad que Meridian, el MMM de Google, esté diseñado para incorporar los resultados de experimentos como insumo de calibración. La incrementalidad manda; el resto afina.

Esto no es un lujo de anunciante grande. Es lo que separa invertir de apostar. Según el índice de confianza en medición de Haus, el 78% de los decisores cree que al menos un 10% de su gasto se desperdicia por medir mal (Haus vía eMarketer, 2026). Ese 10% no se pierde por malas campañas. Se pierde por leer mal los resultados y mover el presupuesto en la dirección equivocada. Es el mismo problema del que hablamos cuando un tablero tiene cuarenta métricas y ninguna decisión.

Si tu medición todavía depende del último clic, no estás midiendo tu Marketing. Estás mirando su sombra.