Atribución Multitáctil (MTA): Definición y Modelos

La atribución multitáctil (MTA) es un modelo de medición que reparte el crédito de una conversión entre todos los puntos de contacto de marketing con los que un cliente interactuó antes de comprar, en lugar de otorgar todo el crédito a un solo anuncio o clic. Si un comprador vio un anuncio nativo, luego hizo clic en un anuncio de retargeting y después se convirtió tras una búsqueda de marca, la MTA asigna una parte fraccionada de esa conversión a cada uno de los tres toques en lugar de otorgar todo al último.

Modelos comunes de MTA#

Los modelos lineales otorgan el mismo crédito a cada punto de contacto. Los modelos de decaimiento temporal otorgan mayor peso a los puntos de contacto más cercanos a la conversión que a los anteriores. Los modelos basados en posición (en forma de U) otorgan una mayor parte al primer y último toque, repartiendo el resto entre los intermedios. Los modelos basados en datos o algorítmicos, a menudo construidos sobre valores de Shapley o un enfoque similar de teoría de juegos, estiman la contribución marginal de cada toque directamente a partir de datos históricos en lugar de aplicar una regla fija.

Cómo difiere de los modelos de toque único#

La alternativa más sencilla es acreditar el punto de contacto que se activó último dentro de una ventana de atribución, mediante un pixel de conversión en el momento de la compra. Eso es fácil de calcular, pero subvalora sistemáticamente los canales de parte superior del embudo, como los anuncios nativos de descubrimiento, que tienden a presentar un producto más que cerrar la venta. La MTA intenta corregir eso distribuyendo el crédito a lo largo de todo el recorrido, lo que generalmente hace que la publicidad nativa y la publicidad display parezcan más valiosas bajo un modelo MTA que bajo uno de último clic.

Por qué se ha vuelto más difícil implementarla#

La MTA depende de unir los puntos de contacto de un mismo usuario a través de dispositivos y sesiones, lo que requiere identificadores persistentes: cookies, ID de anuncios móviles o una coincidencia de usuario autenticado. Las restricciones de cookies en navegadores y los límites de seguimiento a nivel de plataforma han hecho que esa unión sea más difusa con el tiempo, por lo que los modelos de MTA cada vez se basan más en coincidencias modeladas o probabilísticas para llenar los vacíos en lugar de un seguimiento de clics determinista. Eso explica por qué más anunciantes ahora invierten en la recopilación de datos de primera parte, ya que un registro de usuario que posees directamente sobrevive mejor a los cambios de seguimiento de la plataforma que uno que alquilas.

Dónde encaja junto a otras mediciones#

La MTA funciona mejor como un diagnóstico de medio embudo, mostrando qué puntos de contacto tienden a aparecer juntos en una ruta ganadora, más que como la palabra final sobre el valor de los canales. Los equipos serios de compra de medios revisan periódicamente si el valor implícito del canal que sugiere el modelo MTA se mantiene en una prueba experimental real, ya que un canal que la MTA dice que aporta un tercio de las conversiones puede mostrar casi cero efecto una vez que realmente se desactiva para un grupo de prueba.

Entender qué canales están impulsando la conciencia en la parte superior del embudo comienza por saber qué se está ejecutando realmente. La herramienta de espionaje de anuncios nativos de OpenAdLibrary /spy/native-ad-spy-tool muestra qué anunciantes están ejecutando creatividades nativas en tu sector, un insumo útil antes de decidir cuánto crédito de atribución merece un canal en tu propio modelo.

Notas prácticas de configuración#

Lograr una MTA correcta requiere un identificador de seguimiento consistente en todas las redes para que los puntos de contacto del mismo usuario puedan coincidir, además de una longitud de ventana de atribución aplicada de forma coherente en todos los canales. Las ventanas descoordinadas entre plataformas, por ejemplo una ventana de 7 días en un panel y una de 30 días en otro, invalidarán cualquier comparación de MTA entre canales antes de que el modelo se ejecute. Tener tus datos subyacentes de gasto publicitario y de conversiones limpios vale la pena antes de invertir en un modelo más sofisticado basado en datos.