Google Ads reporta 120 ventas. GA4 muestra 84. Meta reclama 63. El sistema de la tienda cerró el mes con 95 pedidos. Cuatro cifras para el mismo período y ninguna coincide. Así empieza casi toda conversación sobre atribución de conversiones y casi siempre termina en la misma pregunta: ¿quién está mintiendo?
Nadie. Y ese es justamente el problema de la pregunta.
Google Ads, GA4 y Meta miden momentos distintos del mismo recorrido
Las cifras no cuadran por razones estructurales, no por una etiqueta mal puesta.
Google Ads atribuye la conversión al día del clic, mientras GA4 y tu CRM la reportan el día en que la conversión efectivamente ocurrió. Esa es la primera fuente de descalce entre sistemas (Search Engine Land). A eso se suma la ventana de conversión: se puede configurar entre 1 y 90 días, y en campañas de Search y Display el valor por defecto es de 30 días (documentación de Google Ads, "Acerca de las ventanas de conversión"). Un clic del 2 de junio que termina en compra el 1 de julio queda contabilizado en junio para Google Ads y en julio para tu ERP.
Google también documenta que, salvo que se cambie el modelo, la conversión se atribuye a la fecha del último clic en anuncios, y que parte de las diferencias vienen de clics que después se consideran inválidos o de cómo cada herramienta trata la geolocalización (Google Ads Help, "Discrepancias de datos").
Meta, por su parte, mide sobre la población que puede identificar como expuesta a sus anuncios. GA4 solo observa la parte del recorrido que ocurre en tu sitio.
La consecuencia es conocida: la suma de las partes supera el total del negocio. Eso es aritmética esperable cuando cuatro instrumentos miden momentos distintos del mismo recorrido.
La pregunta correcta no es de quién fue la venta, sino qué causó cada canal
"¿De quién fue esta venta?" asume que la venta tiene un dueño. En un recorrido con varios contactos, esa premisa rara vez se sostiene.
La distinción operativa es simple: la atribución pregunta qué puntos de contacto observados deben recibir crédito por una conversión, mientras la incrementalidad pregunta si esa actividad causó conversiones que no habrían ocurrido sin ella (Search Engine Land). Son preguntas distintas, y solo la segunda habla de causalidad.
De ahí sale el riesgo que vemos con más frecuencia en cuentas maduras: un sistema puede volverse extremadamente eficiente maximizando conversiones atribuidas sin volverse igual de efectivo generando crecimiento incremental. Una campaña de marca que compra el clic de alguien que ya iba a comprar se ve impecable en el reporte y aporta poco al negocio.
Los modelos de atribución de Google Analytics pasaron de siete a tres
Durante años la discusión fue elegir entre primer clic, último clic, lineal, decaimiento temporal y posición. Esa discusión se terminó.
Hoy Google Analytics mantiene solo tres modelos: basado en datos, último clic de canales pagados y orgánicos, y último clic de canales pagados de Google. Los modelos de primer clic, lineal, decaimiento temporal y posición dejaron de estar disponibles en noviembre de 2023. El motivo que Google dio al anunciarlo fue su baja adopción: menos del 3% de las conversiones en Google Ads los utilizaba (Search Engine Journal).
Comparar los modelos que quedan sigue siendo útil como diagnóstico. Si el modelo basado en datos y el de último clic entregan cifras parecidas, el recorrido es corto y directo. Si difieren mucho, hay un recorrido multicontacto que el último clic está aplastando.
Pero conviene tener claro el techo: ningún modelo de atribución mide causalidad. Todos reparten crédito entre lo que alcanzaron a observar.
Cuatro señales que complementan la atribución de conversiones
Por eso los equipos de performance con los que trabajamos dejaron de buscar el modelo correcto y empezaron a reunir evidencia desde ángulos distintos.
1. Comparar los modelos de atribución disponibles
Es el diagnóstico más barato. La brecha entre el modelo basado en datos y el último clic describe la forma del recorrido y, sobre todo, muestra cuánto crédito se está concentrando en el final del embudo.
2. Medir la incrementalidad de ingresos con experimentos
Es la única señal que responde la pregunta causal. Google define el test de incrementalidad como un experimento aleatorizado y controlado con dos grupos: uno que puede ver la campaña y otro que se mantiene retenido (Think with Google). Meta lo ofrece como Conversion Lift, comparando a quienes tuvieron la oportunidad de ver los anuncios con un grupo deliberadamente excluido; en las pruebas de holdout de Test and Learn ese grupo de control es del 10% (Meta Business Help Center).
Que esto importa no es una opinión de agencia. El estudio de Gordon, Zettelmeyer, Bhargava y Chapsky publicado en Marketing Science, construido sobre 15 experimentos publicitarios en Facebook con 500 millones de observaciones usuario-experimento y 1.600 millones de impresiones, encontró que los métodos observacionales habitualmente no reproducen los resultados de los experimentos aleatorizados, incluso después de controlar por variables demográficas y de comportamiento bastante completas. Dos de los cuatro autores trabajaban en Facebook cuando se publicó.
3. Detectar canibalización o superposición entre canales
Acá la mejor documentación pública viene del propio Google. En la guía de modelado de búsqueda pagada de Meridian, su MMM de código abierto, Google advierte que el volumen de búsquedas es un factor de confusión importante entre medios y ventas, porque ese volumen puede empujar el volumen de anuncios, y que no controlarlo lleva a sobreestimar el efecto causal de la búsqueda pagada. Por eso recomienda modelar las campañas de marca y las genéricas como canales separados.
Traducido a la reunión de resultados: parte de lo que el buscador se anota como mérito propio es demanda que otro canal creó.
4. Cruzar el CPA de Google con la inversión en Meta
Los canales se afectan entre sí y el reporte de cada plataforma es ciego a eso. Si al subir la inversión en Meta el CPA de Google baja y su volumen de conversiones sube sin que hayamos tocado nada en la cuenta, ahí hay un efecto cruzado que ningún modelo de atribución va a mostrar.
El orden importa: antes de leer esa variación como un efecto entre canales, conviene descartar las causas internas de la cuenta, porque el costo por clic se mueve por factores propios de la subasta como el nivel de calidad, la competencia del período o un cambio de puja. Si nada de eso cambió y el movimiento coincide con la inversión del otro canal, ahí sí vale la pena mirarlo como señal cruzada.
Ese es el terreno del modelo de mix de medios. Meridian, que Google abrió a todos los anunciantes, está diseñado para incorporar los resultados de experimentos de incrementalidad como información previa del modelo, de manera que el MMM quede calibrado con evidencia causal real y no solo con correlaciones históricas (blog de Google Ads & Commerce). Google sumó además Meridian GeoX para correr experimentos geográficos (Search Engine Journal).
Ninguna señal de medición explica sola el resultado
Cada método tiene un punto ciego distinto, y eso es exactamente lo que los hace útiles en conjunto.
El propio Google lo reconoce: el MMM destaca en la evaluación del desempeño entre canales pero se queda corto en velocidad y granularidad, mientras los reportes de atribución sirven para la optimización del día a día y cargan con las limitaciones de privacidad (Think with Google). Ninguna de las dos herramientas fue diseñada para reemplazar a la otra.
La regla de trabajo que aplicamos es esta: cuando tres métodos con sesgos diferentes apuntan en la misma dirección, la hipótesis se sostiene y se puede mover presupuesto. Cuando se contradicen, la contradicción también es información, y normalmente señala que estamos midiendo dos cosas distintas sin darnos cuenta.
La confianza no viene de la precisión decimal de un número. Viene de la convergencia de evidencia independiente.
Cómo ordenamos la medición de performance en un proyecto
En los proyectos de paid media que gestionamos, la rutina es corta y se sostiene en cuatro decisiones.
- Una sola fuente de verdad de negocio. El pedido real, el que existe en el ERP o en la plataforma de ecommerce. Google Ads, GA4 y Meta son instrumentos de diagnóstico, no el marcador del partido.
- La atribución se usa para optimizar dentro del canal, que es donde funciona bien, y no para repartir presupuesto entre canales, que es donde falla.
- Un experimento de incrementalidad por canal relevante y por trimestre. No hay volumen de reportería que reemplace un grupo de control.
- Un MMM solo cuando hay volumen que lo justifique, y siempre calibrado con los resultados de esos experimentos.
Y una regla de conversación que ahorra reuniones completas: antes de discutir de quién fue la venta, definir qué decisión concreta depende de la respuesta. Si ninguna decisión cambia según el resultado, la discusión es sobre el reporte y no sobre el negocio.
El futuro del performance no está en el modelo de atribución perfecto
No se trata de encontrar el modelo de atribución definitivo. Ese modelo no existe, y el hecho de que Google haya retirado cuatro de los suyos por falta de uso sugiere que la industria ya lo asumió.
Se trata de aprender a leer varias señales a la vez, entender qué mide cada una y qué deja fuera, e interpretar con criterio cuando no coinciden. Eso es lo que separa un equipo que reporta números de uno que toma decisiones de negocio.
La próxima vez que las plataformas no cuadren, la pregunta no es quién está mintiendo. Es qué está midiendo cada una, y qué decisión estamos tratando de tomar.
