Para entender el comportamiento que los clientes tienen dentro de los canales de contacto de una marca (web, app, newsletter, banner, etc), y poder moldear las transacciones que tienen lugar en estos canales con el fin de conocer si una campaña es efectiva y/o rentable, una de las herramientas que nos ayudan a descubrirlo son los modelos de atribución. Pero ¿qué son exactamente?
Estos modelos son un conjunto de reglas que determinan cómo se asigna el valor de ventas y/o conversiones a los diferentes canales/campañas que han intervenido en una conversión durante un plazo de tiempo. En otras palabras, se busca comprender cómo ha sido la interacción de un usuario con los puntos de contacto puestos por la marca dentro de una campaña, para así determinar cómo repartir el éxito de las conversiones, sea económica o cuantitativa, entre las diferentes fuentes.
Existen dos grandes grupos de modelo de atribución: los basados en posición y los basados en datos. Como veremos a continuación, ambos tienen la capacidad de simplificar la realidad, pero a su manera. Ya el basado en datos es un modelo que se podía usar en Universal Analytics (UA) a través de la herramienta Google Attribution. Pero uno de los grandes avances de Google Analytics 4 (GA4), es que este modelo viene integrado por defecto, por lo que permite la posibilidad de tomar los datos de las fuentes a las que tiene acceso Google para trazar la ruta que recorre el usuario hasta la conversión, ofreciendo así un entorno específico para analizar la atribución de conversiones. Eso sí, la configuración de la atribución sólo se aplica a las dimensiones de canal con ámbito de evento. Esto quiere decir que afectaría a los informes de publicidad, de los cuales se puede hacer una comparación entre modelos, y los informes personalizados que se puedan crear en “Explorar”.
¿Por qué usamos los modelos de atribución?
Una de las primeras necesidades es para calcular métricas de marketing como puedan ser el retorno de inversión publicitaria (ROAS), o sobre la inversión (ROI) y así analizar lo que ha generado cada canal desde el punto de vista de la optimización de campañas/canales para invertir mejor. Por otro lado, también nos ayudan a entender el comportamiento de los clientes ante los diferentes impactos que la marca crea. Es decir, dependiendo el modelo que apliquemos, se podrá intuir cómo los clientes están interactuando con la marca, qué canales facilitan la conversión, etc. Por último, son muy útiles para entender si la estrategia establecida es efectiva o no.
Modelos de atribución en GA4
Actualmente, en Google Analytics 4 podemos encontrar tres tipos de modelos:
1. Modelo multicanal basado en reglas o basados en posición: son aquellos modelos donde todo el mérito de repartir el éxito de la conversión se determina únicamente por la posición que haya ocupado un canal dentro de la ruta.
- Último clic multicanal: Atribuye el 100% de la conversión al último canal en el que el cliente ha hecho clic. Para ello, busca en las sesiones anteriores para ver si puede atribuir la conversión a la última campaña. Si no la encuentra, entonces asigna la conversión al tráfico directo. Este sería el equivalente al modelo de atribución último clic indirecto que usa por defecto UA en sus informes estándar.
- Primer clic multicanal: Atribuye el 100% de la conversión al primer canal en el que el cliente ha hecho clic.
- Lineal multicanal: Distribuye el valor de la conversión de manera uniforme entre todos los canales con los que el cliente ha interactuado antes de realizar la conversión.
- Según la posición multicanal: Atribuye el 40% del valor de la conversión a la primera y a la última interacción y distribuye el 20% restante de manera uniforme entre el resto de las interacciones.
- Declive en el tiempo multicanal: Atribuye más valor de conversión a los puntos de contacto que se registren en los momentos más próximos a una conversión. El valor se distribuye tomando como base una vida útil de 7 días.
El uso o no de cada uno de estos modelos dependerá de los objetivos marcados por las empresas. Por ejemplo, el último clic multicanal es el más conservador porque otorga todo el mérito al último canal, prestando más atención a la conversión. Por eso lo suelen utilizar aquellas marcas que son más reconocidas o están más consolidadas en un sector. En cambio, el del primer clic es un enfoque más interesante para empresas recién constituidas o con poca imagen de marca dentro del sector, ya que les ayuda a conocer los canales situados al principio de la ruta que ayudaron a crear otras rutas que acabaron convirtiendo. En otras palabras, tienen un foco más centrado en la captación. Por último, los modelos lineal, según posición y declive en el tiempo tienen en cuenta las visitas intermedias en las que el usuario no tiene del todo claro la compra y hace una búsqueda más exhaustiva. Empresas que vendan productos o servicios de un coste elevado, como escuelas de negocio o aseguradoras, son a los que más les podría interesante esta tipología de modelos ya que arroja luz a cómo se comporta el usuario en esta fase de consideración y replanteamiento de la compra de un producto. En este caso, se podría decir que no sólo se fijan en la captación y conversión, sino también en la persuasión hacia el cliente.
2. Modelos basados en reglas con preferencia a Google Ads: Como bien dice este modelo, únicamente tiene en cuenta la medición en las interacciones con la plataforma de anuncios de Google, por lo que únicamente sería útil usarlo cuando la estrategia está centrada en ese canal. Además, también es muy útil para conocer cómo actúan las diferentes campañas de publicidad.
- Preferencia al último clic de Google Ads: Este modelo intenta trabajar como lo haría el propio Google Ads a la hora de atribuir las conversiones. Es decir, atribuye el 100% del valor de la conversión al último canal de Google Ads en el que el cliente ha hecho clic antes de completar una conversión. Si no se produjera ningún clic en el canal de Ads en ningún punto de la ruta, el modelo atribuye el valor de la conversión al último clic multicanal.
3. Modelo de atribución basado en datos: El modelo distribuye el valor de la conversión en función de los datos correspondientes a cada evento de conversión. Es decir, el valor que se le asignan a las conversiones depende de cómo el usuario ha interactuado con los diferentes canales a lo largo del customer journey antes de la conversión o compra. En estos modelos no solo intervienen los criterios de posición, sino que también tienen en cuenta una serie de reglas adicionales que les hacen ser un poco más realistas.
Este modelo funciona a través de algoritmos de aprendizaje automático, los cuales evalúan tanto las rutas de conversión como las rutas sin conversión para aprender cómo los diferentes puntos de contacto afectan a las conversiones. En otras palabras, el modelo contrasta lo que ha pasado con lo que podría pasar y así determina los puntos de contacto con mayor probabilidad de conversión. A diferencia de lo que veíamos en UA, en GA4 este modelo añade más iteraciones y correcciones en el cálculo para evaluar la cercanía de una visita o de una conversión, aplicando una corrección para rutas incompletas gracias al machine learning.
Desafíos y otras alternativas
Desde el punto de vista teórico, y si trabajáramos con mediciones perfectas y nuestros clientes se mantuvieran siempre dentro del entorno de Google, estos modelos serían efectivos. Pero la realidad es muy distinta ya que el comportamiento del usuario desde que hace un primer contacto con una campaña hasta su conversión no es lineal, sino todo lo contrario. Es por esto por lo que estos modelos deben ser tomados con cautela ya que existen limitaciones. Por ejemplo, es importante recalcar que los modelos de atribución están diseñados para todos aquellos puntos que se pueden rastrear, es decir, que no tendrán en cuenta elementos offline. Otra de las limitaciones es la falta de comunicación entre herramientas. Actualmente en el mercado podemos encontrar: Google Ads, Facebook Ads, Google Analytics 4, Adobe Analytics, Zanox, etc.. Cada una mide su entorno y cuenta con sus propios modelos de atribución (como Facebook Ads), y no ponen facilidades para compartir esos datos con el resto. Sin olvidar todo lo relacionado con consentimiento de terceras partes y seguimiento de cookies, del cual ya hemos hablado en este blog.
Cómo podemos ver, aunque no existe una solución de atribución que resuelva de manera precisa y completa los desafíos que presenta el análisis del Customer Journey de un cliente dentro de una campaña o conversión, la información que proporcionan es fundamental para conocer una representación alternativa de la realidad. Al final, los modelos de atribución lo que nos ofrecen es una visión holística con la que poder establecer un marco de referencia. Pero para ello, es importante contar con todos los datos de los que dispongamos para que nos ayuden a tomar las decisiones más cercanas a la realidad y está claro que entender cómo contribuye cada canal es un buen comienzo.