First-touch vs last-touch: ¿qué modelo de atribución distorsiona tu ROAS?

Si tus reportes de ROAS de paid ads parecen inconsistentes — distintos canales reclamando las mismas conversiones, debates de presupuesto que nunca se cierran, Meta y Google insistiendo cada uno en que merece más crédito — la causa raíz casi siempre es la elección del modelo de atribución. El reporting de first touch vs last touch attribution en paid ads representa los dos extremos de un espectro, y ambos distorsionan tus números en direcciones predecibles y opuestas. Esta guía explica cómo cada modelo tergiversa tu funnel, qué escenarios maneja mejor cada uno y el camino hacia la atribución data-driven para los equipos listos para superar los modelos single-touch.

Por qué la atribución importa más que el ROAS en sí

El ROAS es un ratio: ingresos divididos entre inversión. Cambia el modelo de atribución y cambias el numerador de ingresos de cada canal sin tocar la inversión real. Un canal con un ROAS de 3,5× bajo last-touch podría mostrar 1,8× bajo first-touch — el mismo rendimiento real, reportado como casi el doble de malo. La elección del modelo de atribución puede disparar una reasignación de presupuesto de seis cifras basada en nada más que una convención de medición.

Eso es lo que está en juego en la cuestión del modelo de atribución. No es algo académico. Según el Nielsen Annual Marketing Report de 2024, el 65% de los marketers afirmó que les cuesta atribuir el rendimiento entre canales — y los modelos single-touch son la razón principal, porque fuerzan a los journeys multi-touchpoint a una única asignación de crédito que no deja contento a nadie.

Atribución first-touch: en qué acierta y en qué falla

La atribución first-touch da crédito al canal donde el cliente interactuó por primera vez con tu marca. La conversión ocurrió por culpa del anuncio que generó awareness, y ese anuncio se lleva el 100% del crédito — sin importar todo lo que pasó en las semanas o meses entre ese primer clic y la compra final.

Dónde es útil el first-touch: para evaluar qué canales introducen nuevos clientes a escala, el first-touch da una señal clara. Si quieres saber qué canal aporta el mayor volumen de compradores potenciales, la atribución first-touch es la lente correcta. Identifica bien los canales de prospecting como el motor del volumen de top-of-funnel.

Dónde distorsiona el first-touch: la atribución first-touch infla sistemáticamente el ROAS de los canales de awareness. Un anuncio de prospecting de Meta que alcanzó a un cliente seis meses antes de que convirtiera se lleva el 100% del crédito de ingresos, aunque el cliente visitara la web doce veces vía búsqueda orgánica y viera tres anuncios de retargeting antes de comprar. El touchpoint de awareness generó awareness — no cerró la venta por sí solo.

Para marcas DTC y dropshippers con ciclos de consideración cortos (72 horas o menos), el first-touch es una simplificación razonable porque ocurren pocos touchpoints entre la primera y la última interacción. Para anunciantes B2B, marcas de suscripción o compras de alta consideración con ciclos de 30+ días, el first-touch sobrevalora salvajemente el ROAS del upper-funnel y te llevará a sobreinvertir en prospecting mientras infrainviertes en los touchpoints de nurturing y retención que de verdad cierran ingresos.

Atribución last-touch: en qué acierta y en qué falla

La atribución last-touch da crédito a la última interacción antes de convertir — casi siempre una branded search, una visita directa o un anuncio de retargeting. Es el modelo por defecto en la mayoría de plataformas de analytics, incluido el histórico default de Google Analytics, y encaja bien con un buyer journey simple en el que un anuncio impulsa una compra.

Dónde es útil el last-touch: para optimizar la fase de conversión, la atribución last-touch revela qué anuncios y landing pages concretos cierran tratos de la forma más eficiente. Si quieres optimizar tus creatividades de retargeting o tu estrategia de pujas en branded search, el last-touch da señal directa.

Dónde distorsiona el last-touch: la atribución last-touch es catastrófica para evaluar los canales de generación de demanda. Cada campaña de prospecting de Meta, cada pre-roll de YouTube y cada impresión de display que introdujo al cliente en la marca se lleva cero crédito — a pesar de que el cliente nunca habría buscado tu marca si esos touchpoints de upper-funnel no hubieran creado awareness.

La consecuencia práctica es que los equipos que usan atribución last-touch infrafinancian de forma constante los canales de upper-funnel, porque esos canales parecen no rentables en los datos. Con el tiempo, el volumen de branded search que esos canales generaban antes cae, y el equipo se pregunta por qué baja el ROAS de last-touch — sin atar cabos entre recortar la inversión en prospecting y vaciar el pipeline que la branded search estaba convirtiendo.

La distorsión del ROAS en la práctica

Para hacer la distorsión concreta, piensa en un único customer journey:

• Día 1: clica un anuncio de prospecting de Meta → visita la web → no compra
• Día 8: ve un anuncio de retargeting de Meta → visita la web → no compra
• Día 15: busca el término de marca en Google → clica en la branded search de pago → compra 200 €

Bajo last-touch, Google Ads se lleva el 100% del crédito de los 200 € de ingresos. Meta se lleva 0 € a pesar de dos interacciones publicitarias.

Bajo first-touch, Meta se lleva el 100% del crédito de los 200 € (por el clic de prospecting del Día 1). Google se lleva 0 € a pesar de cerrar la venta.

Bajo atribución data-driven, los 200 € se reparten entre los tres touchpoints según su contribución estadística — quizá el prospecting de Meta se lleva el 35%, el retargeting de Meta el 25% y la branded search de Google el 40%.

Solo el modelo data-driven aproxima la contribución económica real de cada canal. Ambos modelos single-touch producen números que llevarán a la decisión de presupuesto equivocada para al menos uno de los tres canales de este journey.

El análisis de reported-roas-vs-true-roas-framework documenta esta brecha con más detalle — por qué el ROAS que muestra tu herramienta de reporting y el ROAS que estás generando de verdad pueden divergir de forma significativa basándose solo en la elección del modelo.

Linear, time-decay y position-based: los modelos intermedios

Entre el first-touch y el last-touch existen tres modelos intermedios que reparten el crédito entre múltiples touchpoints:

Atribución linear reparte el crédito de la conversión por igual entre todos los touchpoints. Cada interacción del customer journey recibe la misma parte. En el ejemplo de tres touchpoints de arriba, cada canal se lleva el 33%. La linear es simple y evita el sesgo hacia un solo canal del first y el last-touch, pero sobrevalora touchpoints que en realidad no influyeron en la decisión (una impresión de banner que el usuario quizá ni vio).

Atribución time-decay da más crédito a los touchpoints más cercanos a la conversión, descontando de forma exponencial las interacciones más antiguas. En un journey de 30 días, un touchpoint a 28 días de la conversión se lleva una fracción del crédito asignado al touchpoint a 2 días. La time-decay encaja mejor que el last-touch puro para ciclos de consideración largos, porque sigue premiando la recencia sin ignorar por completo los touchpoints de awareness anteriores.

Atribución position-based (en U) reparte el crédito entre el primer y el último touchpoint, normalmente un 40% a cada uno, distribuyendo el 20% restante por igual entre las interacciones intermedias. Reconoce que tanto el primer awareness como la conversión final son significativos, a la vez que acredita los touchpoints de mid-funnel que apoyaron el journey.

Cada uno de estos modelos introduce distorsiones distintas. La elección correcta depende de la estructura de tu funnel, la duración típica de la consideración y qué pregunta de negocio intentas responder.

Atribución data-driven: requisitos y limitaciones

La atribución data-driven (DDA) usa machine learning para analizar tus paths de conversión reales y asignar pesos de crédito según la contribución estadística de cada touchpoint a la probabilidad de conversión. En lugar de aplicar una regla fija, la DDA aprende de tus datos.

La DDA está disponible de forma nativa en Google Analytics 4 para propiedades elegibles. Los requisitos son exigentes: normalmente 300+ conversiones al mes por canal y diversidad de paths suficiente para que el modelo identifique patrones significativos. Para cuentas por debajo de esos umbrales, la DDA revierte a last-touch, lo que anula su propósito.

El abandono de los modelos single-touch rígidos ya está en marcha en toda la industria. Gartner señaló en 2024 que la atribución multi-touch y el marketing-mix modeling estaban entre las prioridades de mayor crecimiento para los equipos de performance marketing que buscan precisión cross-channel — una respuesta directa al problema de mala asignación de presupuesto que crean el first-touch y el last-touch cuando los funnels abarcan varias plataformas.

Las limitaciones de la DDA son reales. Es una caja negra — no puedes inspeccionar por qué un canal concreto recibió un peso de crédito concreto. Es sensible a los datos que recibe, lo que significa que un tracking de UTM roto o huecos en tus datos de conversión producen pesos poco fiables. Y solo puede modelar touchpoints que ocurrieron en canales trackeables: no puede ponderar visitas a tienda física, llamadas telefónicas ni la newsletter que un cliente leyó pero desde la que no clicó.

Por eso arreglar la calidad de los datos aguas arriba — UTM consistentes, nomenclatura de campañas limpia, Conversions API fiable — es el prerrequisito para que la atribución data-driven funcione, no una mejora opcional.

Cómo elegir el modelo correcto para tu funnel

El framework para seleccionar un modelo de atribución arranca con dos preguntas: ¿cuánto dura tu ciclo de consideración típico? y ¿cuántos touchpoints tiene un cliente típico antes de convertir?

Para las agencias que gestionan cuentas de varios clientes y funnels, la respuesta variará según el cliente — que es exactamente por qué importa el framework de cross-channel-ad-analytics-fragmented-reporting-fix: construye una capa de reporting capaz de mostrar las diferencias de modelo de atribución por cliente sin exigir una reconciliación manual para cada cuenta.

Cómo ayuda Wevion con la visibilidad de la atribución

Wevion ayuda a construir el prerrequisito para que cualquier modelo de atribución funcione: datos limpios y consistentes en origen. El UTM Builder impone una única estructura de etiquetado en todas las campañas para que las plataformas de analytics reciban inputs uniformes. La integración con Conversions API garantiza que la propia atribución de Meta tenga señal server-side completa, en lugar de depender solo del pixel del navegador, que las restricciones de iOS y de los navegadores degradan progresivamente.

La analítica cross-account de Wevion muestra el rendimiento por campaña y por canal para que puedas comparar lo que reclama el reporting de cada plataforma frente a lo que muestra tu analytics — el análisis de brecha que identifica dónde las diferencias de modelo están creando malas asignaciones de presupuesto. Las funcionalidades ayudan a preparar y mostrar esta comparación; la decisión sobre qué modelo creer para qué elección de presupuesto sigue siendo de tu equipo.

Como Wevion sincroniza los datos de campaña en una cadencia de unos 15 minutos, la capa de analytics refleja un rendimiento casi al día en lugar de los números de ayer, algo que importa cuando evalúas diferencias de rendimiento a nivel de modelo que cambian con la optimización de las campañas.

Un plan práctico de transición: de last-touch a multi-touch

Si ahora mismo corres con last-touch puro y quieres pasar a un modelo más preciso, el riesgo de la transición es manejable con un enfoque de ejecución en paralelo:

Paso 1 — Audita la consistencia de los UTM. Antes de cambiar ningún modelo, verifica que tus etiquetas UTM sean consistentes en todos los canales de paid. Un etiquetado inconsistente produce inputs basura para cualquier modelo multi-touch. La guía how-to-build-utm-tracking-system-paid-ads ofrece el checklist de configuración.

Paso 2 — Activa un modelo multi-touch en paralelo. En GA4, activa la atribución data-driven (si eres elegible) o la position-based como modelo de comparación. Corre el modelo actual y el nuevo a la vez durante 4–6 semanas sin cambiar decisiones de presupuesto con el modelo nuevo.

Paso 3 — Cuantifica el desplazamiento del crédito. Identifica qué canales ganan y pierden crédito con el modelo nuevo. Los canales que ganan crédito con multi-touch son los que tu modelo actual está infrafinanciando; los que pierden crédito están probablemente sobrefinanciados.

Paso 4 — Haz ajustes incrementales de presupuesto. No reasignes el 30% del presupuesto de la noche a la mañana por un cambio de modelo. Haz desplazamientos del 10–15%, deja que los datos de rendimiento se asienten a lo largo de uno o dos ciclos de reporting, y luego ajusta de nuevo. La reasignación rápida basada en un modelo nuevo antes de que el modelo se haya validado con tus datos reales es una causa habitual de caídas innecesarias de rendimiento.

Para cerrar

El debate first-touch vs last-touch no va de qué modelo es correcto — ambos están equivocados de formas predecibles. El first-touch sobrevalora el awareness e infla el ROAS del upper-funnel. El last-touch sobrevalora los canales de la fase de conversión y oculta la contribución de la generación de demanda. El objetivo es elegir el modelo cuyas distorsiones produzcan el menor número de decisiones de presupuesto equivocadas para tu funnel concreto.

Para compras de impulso de ciclo corto, el last-touch suele ser suficiente. Para funnels multi-touchpoint con ciclos de 7+ días, un modelo multi-touch o data-driven producirá una asignación de presupuesto significativamente mejor. En todos los casos, un tracking limpio aguas arriba — UTM consistentes, Conversions API completa — es la condición previa para que cualquier modelo produzca un output fiable.

Empieza una prueba gratuita de 14 días de Wevion — o quédate en el plan gratuito permanente — y construye la base de datos que convierte tu modelo de atribución en un instrumento en lugar de en una fuente de confusión.

Esta guía forma parte de nuestro hub de educación del ecosistema — explora el cluster completo para playbooks relacionados.