Atribución multitáctil: el modelo que se rompe donde terminan los datos

Un modelo de atribución multitáctil es fácil de nombrar y difícil de auditar. La mayoría de las páginas que explican uno las publica una empresa que lo vende, así que el diagrama que estás leyendo lo dibujó el proveedor cuyo modelo aparece en él. Eso no es un escándalo, y es una razón para saber exactamente dónde termina el diagrama: hay cuatro tipos de punto de contacto que no aparecen en él en absoluto.

Esto es lo que cuesta. Un informe de canales imprime un porcentaje para cada canal y ninguna línea en ningún sitio para lo que excluye. Esa omisión no se anuncia. Un canal que no generó nada este trimestre y un canal cuyo trabajo nunca se contó acaban en la misma fila del mismo informe con el mismo valor, y la aritmética que hay detrás de los dos es correcta.

Así que la línea que parece más débil es a menudo la que hizo su trabajo en un sitio al que el modelo no llega. Los toques se escapan por cuatro puertas concretas, y cada una tiene un nombre, un mecanismo y un coste. Cuando sabes cuáles de ellas tocan tu peor canal, la conversación de presupuesto deja de ser sobre el panel.

Qué asigna en realidad la atribución multitáctil

La atribución multitáctil, también llamada atribución multitoque, reparte el crédito de una conversión entre todos los toques que puede observar, así que un recorrido que pasa por un anuncio de búsqueda, un seminario web, una impresión de retargeting y una solicitud de demo recibe cuatro reclamaciones fraccionadas en lugar de un solo clic que se lo lleva todo. Las fracciones suman uno, y el informe imprime un total por canal que se lee como una respuesta.

Debajo de esa aritmética hay un supuesto que conviene decir en voz alta: todos los toques que contribuyeron se observaron, se ataron a un identificador y se unieron a la conversión dentro de una ventana que todavía no había caducado. El modelo no pone a prueba el supuesto. Lo da por hecho y divide.

Si lo que estás eligiendo es un producto y no cuestionando un resultado, nuestra comparativa de mejores herramientas de atribución cubre esa decisión. Lo que sigue se sostiene con cualquier herramienta que instales.

Los cuatro puntos de contacto que tu modelo no puede ver

Cada mecanismo de los que siguen encoge el conjunto de toques que el modelo puede identificar, y ninguno lanza un error. Cada uno devuelve un número limpio con un trozo del recorrido plegado en la columna de otro.

La pérdida de consentimiento y el denominador identificable que se encoge

Empieza por el denominador, porque es la parte que la gente equivoca. Cuando un visitante rechaza el seguimiento, o nunca se le pregunta de una forma que la ley reconozca, la sesión sigue ocurriendo y el clic sigue ocurriendo. Lo que desaparece es el identificador que habría atado esa sesión a una conversión tres semanas después.

El modelo no responde imprimiendo un total más bajo con un agujero dentro. Imprime la misma conversión, pegada a los toques que sí llevaban un identificador. El crédito se redistribuye entre los que sobreviven al filtro, no se borra.

Las cifras publicadas de aceptación son más frágiles de lo que parecen. El State of Data Privacy Benchmark de 2026 de Didomi, publicado en mayo de 2026, informa de una tasa de aceptación de cookies del 94,2 por ciento en Estados Unidos, con un 5,8 por ciento que las rechaza. Lee el método y la cifra se mueve: la mayoría de las leyes estatales de privacidad tratan la inacción como consentimiento implícito, así que mezcla las aceptaciones activas con visitas en las que nadie eligió nada. Una tasa de aceptación del 94,2 por ciento y una cuota identificable del 94,2 por ciento son afirmaciones distintas, y el benchmark midió la primera.

Eso es aritmética, no una observación, y funciona así: las conversiones sin consentimiento no aparecen como no atribuidas. Aparecen atribuidas a los toques que sí se podían ver, lo que sesga hacia lo que lleve el identificador más fuerte, normalmente lo que tiene sesión iniciada y lo de la parte baja del embudo.

Multidispositivo y el problema del hogar

La Match Rates Guide de Relay42, recogida por Landbase en una guía de proveedor publicada en 2026, cuenta 6,58 dispositivos conectados y unos 12 identificadores por persona, y concluye que el emparejamiento perfecto es matemáticamente imposible. Trata la fuente como lo que es, un documento de proveedor, y fíjate en que la dirección del argumento se sostiene sin la precisión.

Vas a ir a buscar una tasa de emparejamiento multidispositivo verificada. Yo lo hice y no encontré ninguna. Las fuentes que tratan el problema describen el mecanismo y se detienen ahí. La cifra que te cita un proveedor es muy probablemente su propio benchmark sobre su propio tráfico, y no debería sostener una línea de presupuesto.

La versión del hogar es peor porque no es una brecha de dispositivos. La investigación de Forrester de 2026, recogida en guías de atribución B2B, sitúa una decisión de compra típica en 13 personas interesadas internas y nueve influyentes externos, cada una con un recorrido separado. Tu modelo sigue a individuos. La decisión pertenece a un grupo, en dispositivos que no has visto nunca.

Una conversión en la que intervinieron tres personas y cinco dispositivos aterriza como una sola fila, pegada al identificador que llegó el último en el dispositivo que resultó convertir. Los otros cuatro dispositivos no se quedaron cortos. Estaban ausentes, y su parte se mudó al canal que era dueño de la última sesión.

Los jardines amurallados

Este es estructural. Por eso ha dejado de registrarse como problema.

El State of Programmatic Report de 2026 de Comscore, publicado en enero de 2026, encontró que el 87 por ciento de los compradores de medios considera los indicadores de rendimiento entre canales dentro de las plataformas programáticas críticos o valiosos para decidir. El Outlook Study de 2026 de IAB sitúa el foco de los anunciantes en la medición multiplataforma en el 72 por ciento en 2026, frente al 64 por ciento un año antes. Los dos grupos de compradores quieren ese número único que les permitiría comparar plataformas, y los dos se lo están pidiendo a la propia plataforma. La plataforma es por tanto participante en la subasta y a la vez quien lleva la cuenta de su propio resultado.

Cada plataforma cuenta conversiones dentro de su propia ventana, contra su propio grafo de identidad, con reglas que escribe ella misma. Ninguna comparte con las demás una capa de identidad que reconociera la misma venta cuando aparece en tres de ellas.

Lo que significa, aritméticamente y no por observación, que la suma entre plataformas puede superar el total real. Nadie está inflando nada. Cada plataforma reclama correctamente una venta según su propia definición de reclamar, y tres definiciones incompatibles producen tres reclamaciones por una venta. Por eso la cifra de un proveedor no se puede auditar desde fuera. Tu informe no imprime un recuento excesivo. Imprime cuatro totales con una nota al pie, y luego alguien los suma en una diapositiva.

Conversión offline y de latencia larga

El más silencioso de los cuatro. Parece una atribución limpia en lugar de una que falta.

La investigación de Optifai de 2026, recogida en guías de atribución para SaaS B2B, sitúa los ciclos de venta un 22 por ciento más largos que en 2022, con una mediana de 84 días y los acuerdos empresariales por encima de 100.000 dólares de valor anual de contrato a menudo en 180 días o más. A lo largo de seis meses los puntos de contacto se multiplican, las ventanas de cookies caducan, la gente cambia de dispositivo y la señal se degrada.

Y aquí viene lo peor. Una conversión que se cierra después de que la ventana se apague no se archiva como no atribuida, lo que al menos sería honesto y aparecería en un informe de huecos. Se archiva como directa u orgánica, porque ningún toque de pago sobrevivió para reclamarla. Un equipo que pasó cinco meses construyendo demanda con eventos, contenido y una acción comercial caras recibe un informe que dice que el acuerdo llegó solo.

He visto retirar el presupuesto a un canal por exactamente esa lectura. El trabajo era real. El informe estaba limpio. Los dos habían dejado de describirse el uno al otro.

Qué le hace el crédito fraccionado a una decisión de presupuesto

Voy a convertir la aritmética en dinero, con números redondos. Es un ejemplo ilustrativo, no un benchmark de tu cuenta ni de la de nadie.

Supón que gastas 100.000 dólares al trimestre en cuatro canales: 40.000 en búsqueda de pago, 30.000 en social de pago, 15.000 en seminarios web y contenido, y 15.000 en eventos. Tu herramienta de atribución informa de ingresos, y te han pedido que encuentres 20.000 dólares para el trimestre siguiente.

Búsqueda de pago: 400.000 dólares atribuidos. Social de pago: 250.000. Seminarios web y contenido: 150.000. Eventos: 80.000.

Ordena esos cuatro números y eventos queda último por un margen amplio. En la página no hay ambigüedad. El movimiento obvio es sacar los 20.000 de eventos.

Superpón dos puntos ciegos a esa clasificación. El programa de eventos es donde empiezan las relaciones empresariales, y los acuerdos por encima de 100.000 dólares de valor anual de contrato duran más de 180 días, que es más allá del final de la ventana. Cuando esas conversiones se cierran, llegan como directas u orgánicas. Mientras tanto, las conversaciones de eventos ocurren entre varias personas y varios dispositivos, y uno de los asistentes nunca aceptó un aviso de seguimiento, así que las sesiones que sí llevaban un identificador fueron al canal que tocaron más cerca de la compra.

Eventos sí produjo los ingresos. Se contaron, solo que no en la columna de eventos.

Aplica la misma superposición a la búsqueda de pago. Es la que está más cerca de la conversión, así que hereda todo lo que perdieron los otros canales. Sus 400.000 incluyen conversiones que empezaron en un seminario web y se cerraron a través de una búsqueda de marca que el comprador hizo después. Eso no convierte a la búsqueda en un mal canal. Significa que el número de búsqueda y el número de eventos miden cantidades distintas y se están clasificando como si midieran la misma.

Lo que sale de aquí es una asignación, que es lo que en realidad te estaban pidiendo: eventos conserva su presupuesto y gana una salvedad declarada, la cifra de búsqueda se descuenta en un importe concreto por lo que heredó, y los 20.000 salen del canal que no tiene ni un punto ciego ni un retorno demostrado. Es una decisión distinta de la que produjo la clasificación en bruto, y no cuesta nada tomarla una vez que has dicho en voz alta qué toques no puede ver cada número.

Aquí importa un límite, porque los argumentos vecinos se difuminan entre sí. Nuestro artículo sobre medición de marketing defiende que los canales que el stack no puede ver quedan sin reportar. Este muestra cuáles son esos toques, en qué punto del recorrido se caen y qué le hace la redistribución a la línea de un canal. Aquel trabaja con números. Este trabaja con puntos de contacto.

Cuadrar las cifras contra el CRM es un trabajo aparte y le corresponde a la atribución de ingresos, que parte del registro del CRM en lugar del punto de contacto. Si estás montando la presentación que lleva estos números, la pregunta sobre herramientas está en herramientas de analítica de marketing, no aquí.

Arregla los datos o cambia el método

Existen tres respuestas honestas, y cuestan cosas distintas. Ninguna hace desaparecer los puntos ciegos.

Arregla la capa de identidad. Gestión de consentimiento que registre una elección real, una plataforma de datos de cliente que cosa identificadores, etiquetado del lado del servidor y una decisión deliberada sobre qué pasa con el tráfico no autenticado. Esto estrecha el problema del denominador y no hace nada por los jardines amurallados ni por la latencia larga. Es el primer movimiento correcto cuando tu cuota identificable es tan pequeña que el modelo está dividiendo un número fino entre uno grande.

Ejecuta una prueba de incrementalidad. Una prueba de exclusión responde a otra pregunta, qué habría pasado sin el gasto, y nuestro artículo sobre pruebas de incrementalidad cubre los diseños. Empléala en el único canal cuyo valor no puedes resolver con un argumento.

Cambia el método. El modelado de mezcla de marketing trabaja en el nivel agregado, no en el nivel de usuario, así que esquiva la identidad por completo y trae sus propios límites a cambio. Es una opción legítima, y otra disciplina.

Algunos equipos recorrerán esa lista, arreglarán lo que puedan y aun así sostendrán un número que no pueden defender del todo. Para ellos el movimiento honesto es dejar de presentar el número como completo: colgarle los cuatro puntos ciegos, marcar los canales que tocan y dejar que la decisión ocurra con la salvedad a la vista. Es un informe con peor aspecto y una decisión mejor, y prefiero defender el primero antes que repetir la segunda.

Conclusión

Vuelve a ese informe de canales. El canal que está abajo sigue abajo, y ahora sabes qué no puede ver la clasificación.

No vas a obtener una respuesta limpia sobre cuánto del recorrido es invisible, y no voy a inventármela. Medir lo que un modelo no puede ver requiere algo distinto del modelo. Lo que sí puedes hacer es nombrar los cuatro mecanismos, decir cuáles tocan tu canal con peor rendimiento y dejar de permitir que un número incompleto decida adónde va el dinero.

Un modelo que no puede ver un toque no informa de un hueco. Informa de la victoria de otro.