¿Qué son los modelos de atribución?
Cuando hablamos de modelos de atribución hacemos referencia a la asignación que se hace de cada conversión, no importa el tipo, y sus ingresos, a la fuente de la misma. De lo que se trata es de tener la opción de evaluar y optimizar cada una de nuestras acciones de marketing.
Tenemos infinidad de opciones a la hora de impactar a nuestro público objetivo. Además de los ya tradicionales, se han unido todos aquellos relacionados con el sector digital. Cualquier consumidor puede estar online desde cualquier sitio y en cualquier momento. Por eso, las marcas hacen uso, cada vez más de todos los canales online que tienen a su disposición.
En nuestro papel de consumidores, podemos observar como en los procesos de compra resultamos impactados en diferentes momentos con información o publicidad que, de diversas formas, condicionando así nuestra decisión de compra.
El camino que recorre un usuario hasta efectuar la conversión, se denomina customer journey o, sin usar anglicismos, ruta de conversión. Como marca, la amplia variedad de customer journeys puede complicarnos notablemente la atribución: ¿A cuál de todos los canales le atribuimos la conversión? ¿Cuál ha sido el responsable de la misma?
En realidad, los modelos de atribución son los encargados de contestar a estas dudas, y por supuesto a ayudar a marcas y anunciantes a ser más eficientes y optimizar la distribución del presupuesto.
Modelos de atribución multicanal
Pero vamos a dar un paso más. A continuación, vamos a explicar a qué nos referimos cuando hablamos de modelos de atribución multicanal.
Modelo de última interacción
Es el más común y el que utilizan habitualmente herramientas de analítica web. En realidad, es un modelo poco útil, ya que afirma que, únicamente es el último impacto que reciba el usuario el que tendrá influencia en la conversión.
En las rutas de conversión, solamente nos aparecerían conversiones atribuibles a directo y orgánico si hacemos caso a este modelo, es decir, estaríamos ignorando el peso del canal social, referrals, etc.
Más claro, evitémoslo en lo posible.
Modelo último clic indirecto
En este caso se atribuye la totalidad del crédito de la conversión a la última campaña previa a esta. Atención porque, en este caso, se entiende como campaña, cualquier canal de captación a excepción del tráfico directo.
Según Google, «Analytics utiliza este modelo de forma predeterminada al atribuir un valor de conversión a los informes que no sean de embudo multicanal.»
No es necesario ser un experto para darse cuenta de que es absurdo atribuir el 100% del crédito a un canal determinado si posteriormente vamos a necesitar más impactos para alcanzar la conversión. Sin contar, claro, que esto supone que, todos los esfuerzos para lograr reconocimiento de marca y tráfico directo, no sirven absolutamente para nada, ya que nunca vamos a atribuir conversiones a este canal.
Modelo último clic de Adwords
Este canal atribuye el 100% del valor de la conversión al último anuncio de Adwords que haya visto el consumidor antes de la conversión.
También es poco útil, a excepción de que queramos atribuir el máximo valor a los anuncios de Adwords que hayan generado conversiones, sin tener en cuenta al resto de canales que hayan estado implicados en el funnel de conversión.
Modelo primera interacción
Conocido como modelo de primera interacción, o de primer clic, atribuye el 100% del valor de la conversión al primer clic, de este modo, estamos ignorando todo lo que ha pasado después que haya llevado a la conversión.
Según Google, podría ser útil para aquellas campañas que dan a conocer productos o servicios desconocidos, dándoles un peso significativo de descubrimiento en la conversión final.
Modelo lineal
El modelo lineal concede el mismo valor a cada canal que haya participado en la ruta de conversión. Nos puede servir si hacemos campañas para mantener el contacto con el usuario y la intención es darle el mismo valor todos estos impactos. Sin embargo, ofrece poca información sobre la influencia de los canales y no resulta demasiado útil.
Modelo de deterioro del tiempo
En ese caso la utilidad es mayor, ya que da más valor a los puntos de contacto cercanos a la conversión, y menor a los más alejados de esta.
El declive de la conversión que está determinado es de 7 días, es decir, un punto de contacto de un impacto que pase 7 días antes de la conversión tendrá la mitad del valor de un impacto que se produzca el mismo día de la conversión. Mientras que, aquellos impactos que se lleven a cabo 14 días antes de la conversión tendrán una cuarta parte del valor de los impactos del mismo día de la conversión.
Modelo según la posición
En este caso, se atribuye un 40% a la primera y última interacción de la ruta de conversión, y el 20% restante es repartido entre el resto de las interacciones.
En cualquier caso, no importa la herramienta de analítica utilizada, hasta las más sencillas, contarán con los modelos de última interacción, primera interacción o lineal.
Otras herramientas más completas como Google Analytics nos dan la opción de aplicar modelos en función de la posición o de deterioro en el tiempo. Este último es el que nos dará mejores resultados desde un principio, y es recomendable utilizarlo de inicio.
Modelos de atribución de Google Analytics
Pero además de los modelos de atribución multicanal, existen otros dos modelos propios de Google Analytics:
Último clic indirecto
Es el que usa Google Analytics por definición. No se tiene en cuenta el tráfico directo y se atribuye el 100% del valor de la conversión al último canal donde el cliente haya hecho clic antes de efectuar una compra o una conversión. Esto quiere decir que el canal directo únicamente recibirá crédito por la conversión si es el único canal que ha participado en la misma.
Último clic de Google Ads
En este caso, será el último clic en un anuncio de búsqueda de Google Ads el que recibirá el 100% de la conversión y del valor económico de la misma, sin importar la posición de este clic en la ruta de conversión.
Modelos de atribución basados en datos
Los modelos de atribución basados en datos, se conocen también con términos como data-driven attribution o dynamic attribution, y están basados en complejos algoritmos matemáticos que se encargan de analizar todos los customer journeys, y evalúan y determinan la importancia que tiene cada canal en la conversión.
Todos estos modelos pueden obtener información externa a la empresa, (aspectos demográficos, comportamientos del usuario, más allá de sus puntos de contacto con la empresa, etc)
Los modelos de atribución basados en datos han ido desarrollándose de un modo importante, influenciados sobre todo por la aparición de la inteligencia artificial y, más concretamente, del machine learning.
Pero, aunque pueda parecer el más eficiente, plantea algunos inconvenientes que debemos tener en cuenta:
- Las herramientas de atribución basadas en datos todavía no han conseguido, de una manera totalmente efectiva, solventar todos los retos que plantea la atribución
- Tienen un coste económico elevado.
- Se necesita un gran volumen de datos de calidad. Esto suelen manejarlo solamente empresas con un elevado volumen de tráfico e impresiones, y que ya tienen un buen desarrollo en su analítica digital, pudiendo sacar conclusiones estadísticamente significativas.
- Para algunas marcas, no todos los canales tienen los mismos KPIs, lo que complica la eficiencia de las herramientas de atribución.
- No todos los datos pueden ser tenidos en cuenta por el algoritmo.
¿Cuál es el mejor modelo de atribución?
Nuestro objetivo no puede ser únicamente conocer el peso en la conversión, además, debemos poner el foco en comprender el peso que cada una de las campañas, grupos de anuncios y palabras clave han tenido en la campaña.
Debemos medir correctamente la atribución para el conjunto de Google Ads, ya que esto nos permite tomar decisiones como incrementar o reducir el presupuesto de la campaña. Pero, si además podemos medir la atribución entre campañas, grupos de anuncios y palabras clave, la optimización será mucho mayor, podremos, modificar pujas de CPC máximo, variar el presupuesto, optimizar los diferentes ajustes de puja por ubicación y dispositivo, etc.