{"id":2527,"date":"2019-04-29T09:56:00","date_gmt":"2019-04-29T09:56:00","guid":{"rendered":"https:\/\/www.lamagnetica.com\/?p=2527"},"modified":"2023-01-24T10:55:38","modified_gmt":"2023-01-24T10:55:38","slug":"modelos-de-atribucion-de-conversiones-en-google-analytics","status":"publish","type":"post","link":"https:\/\/www.lamagnetica.com\/es\/blog\/modelos-de-atribucion-de-conversiones-en-google-analytics\/","title":{"rendered":"Modelos de atribuci\u00f3n de conversiones en Google Analytics"},"content":{"rendered":"\n

Un aspecto clave cuando realizamos una acci\u00f3n de marketing es ser capaces de medir los resultados y rentabilidad de la inversi\u00f3n. Un buen an\u00e1lisis debe permitir redistribuir la inversi\u00f3n desde los canales con peor rendimiento a los que generan mayor beneficio.<\/p>\n\n\n\n

En este sentido, buscaremos maximizar el retorno de nuestra inversi\u00f3n <\/strong>(ROI), es decir, debemos ser capaces de optimizar nuestra inversi\u00f3n para sacar el m\u00e1ximo valor de los recursos<\/strong>. El ROI mide, por tanto, la rentabilidad de una acci\u00f3n a trav\u00e9s de la relaci\u00f3n entre inversi\u00f3n y beneficio.<\/p>\n\n\n\n

Google Analytics <\/strong>ofrece los datos necesarios para monitorizar el proceso de conversi\u00f3n: el comportamiento de los usuarios y el seguimiento de los distintos canales de tr\u00e1fico. En esta monitorizaci\u00f3n ser\u00e1 clave el entendimiento y correcto tratamiento de estos datos, donde intervienen los modelos de atribuci\u00f3n.<\/strong><\/p>\n\n\n\n

Modelos de Atribuci\u00f3n de Google Analytics<\/strong><\/h2>\n\n\n\n

Los modelos de atribuci\u00f3n <\/strong>proporcionan las reglas para atribuir una conversi\u00f3n (venta, lead o cualquier otro comportamiento del usuario en la web que hayamos designado como conversi\u00f3n) a cada uno de los canales que han intervenido en el proceso de conversi\u00f3n. Para comprender la utilidad de este concepto, veremos los modelos de atribuci\u00f3n predeterminados de Analytics con un ejemplo.<\/p>\n\n\n\n

Imaginemos la siguiente ruta de conversi\u00f3n:<\/p>\n\n\n\n

\n
\"Modelos
Modelos de atribuci\u00f3n.<\/figcaption><\/figure>\n<\/figure>\n\n\n\n

En este proceso de conversi\u00f3n, asociado a un usuario determinado, han sido necesarias cuatro visitas a la web para la conversi\u00f3n final. Las cuatro se han realizado a trav\u00e9s de canales diferentes. El canal de descubrimiento ha sido una campa\u00f1a de b\u00fasqueda, mientras que la conversi\u00f3n final se ha originado a trav\u00e9s de un env\u00edo de email.<\/p>\n\n\n\n

De forma predeterminada Google Analytics asigna la conversi\u00f3n al \u00faltimo canal de esta ruta, siempre que esta no sea una visita directa (modelo de \u00faltimo clic indirecto). Bajo esta premisa, estar\u00edamos obviando el papel de descubrimiento de la campa\u00f1a SEM, as\u00ed como la intervenci\u00f3n del resto de canales. A la hora de analizar el rendimiento de esta campa\u00f1a o de cara a evaluar las acciones de un departamento determinado, nos interesa tener en cuenta el papel que juega cada canal.<\/p>\n\n\n\n

Con el objetivo de adaptarse a cada razonamiento, Google Analytics ofrece una serie de modelos de atribuci\u00f3n preestablecidos:<\/p>\n\n\n\n

\n
\"Tipolog\u00edas
Tipolog\u00edas de modelos de atribuci\u00f3n.<\/figcaption><\/figure>\n<\/figure>\n\n\n\n

Modelo de \u00faltima interacci\u00f3n: <\/strong>Atribuye el 100% de la conversi\u00f3n al \u00faltimo canal de contacto. En este caso al Email<\/em>.<\/p>\n\n\n\n

Modelo de \u00faltimo clic indirecto: <\/strong>Atribuye el 100% de la conversi\u00f3n al \u00faltimo canal de contacto siempre que este no sea tr\u00e1fico directo, en cuyo caso se atribuir\u00eda la conversi\u00f3n al canal previo. En nuestro ejemplo se atribuir\u00eda la conversi\u00f3n al Email<\/em>.<\/p>\n\n\n\n

Modelo de \u00faltimo clic de Google Ads:<\/strong> La conversi\u00f3n se asigna en su totalidad al \u00faltimo canal de Google Ads en intervenir. En este caso corresponder\u00eda con la campa\u00f1a de b\u00fasqueda<\/em>. Esta l\u00f3gica corresponde con la atribuci\u00f3n de Google Ads o plataformas como Facebook Ads.<\/p>\n\n\n\n

Modelo de primera interacci\u00f3n:<\/strong> Se atribuye el 100% de la conversi\u00f3n a la primera visita o punto de contacto. En este caso, a la campa\u00f1a de b\u00fasqueda<\/em>.<\/p>\n\n\n\n

Modelo de atribuci\u00f3n lineal:<\/strong> La conversi\u00f3n se atribuye de forma igualitaria entre todos los canales que intervienen. De esta manera, el valor de la conversi\u00f3n se divide entre los canales participantes<\/em>. En este caso un 25% entre los cuatro canales que intervienen.<\/p>\n\n\n\n

Modelo de declive en el tiempo:<\/strong> Los puntos de contacto m\u00e1s cercanos en el tiempo al momento de la conversi\u00f3n obtienen un porcentaje de atribuci\u00f3n superior, que disminuye a medida que la visita se aleja en el tiempo. En este caso, si suponemos que las \u00faltimas dos visitas se han realizado el mismo d\u00eda, recibir\u00edan el mismo porcentaje de atribuci\u00f3n.<\/p>\n\n\n\n

Modelo seg\u00fan la posici\u00f3n:<\/strong> En este modelo, el primer y el \u00faltimo canal<\/em> reciben un 40% del valor de la conversi\u00f3n. El 20% restante se distribuye igualitariamente entre el resto de los canales que intervienen.<\/p>\n\n\n\n

Implicaciones en la elecci\u00f3n de un modelo de atribuci\u00f3n<\/strong><\/h2>\n\n\n\n

El segundo de estos modelos, como dec\u00edamos, es el que muestra de forma predeterminada Google Analytics en los informes, lo que favorecer\u00e1 a los canales que culminan la conversi\u00f3n. Dependiendo de nuestras necesidades podremos establecer cualquiera de ellos como el modelo de atribuci\u00f3n de nuestra web.<\/p>\n\n\n\n

\"Men\u00fa<\/figure>\n\n\n\n

<\/p>\n\n\n\n

La herramienta de comparaci\u00f3n de modelos <\/strong>de Analytics nos permite estudiar las diferencias generadas entre los diferentes modelos de atribuci\u00f3n. Este estudio es \u00fatil a fin de comprender c\u00f3mo influye la elecci\u00f3n del modelo de atribuci\u00f3n sobre la valoraci\u00f3n de las acciones realizadas.<\/p>\n\n\n\n

\n
\"Herramienta
Model Comparison Tool.<\/figcaption><\/figure>\n<\/figure>\n\n\n\n

En el ejemplo que se muestra se compara el modelo de \u00faltimo clic indirecto y el de primera interacci\u00f3n. En un primer vistazo ya apreciamos las variaciones en el volumen de conversiones asignadas a cada canal seg\u00fan el modelo. A trav\u00e9s de la \u00faltima columna del informe podemos ver r\u00e1pidamente estas diferencias. En este caso podr\u00edamos analizar -ver \u00faltima columna de la imagen- qu\u00e9 canales presentan m\u00e1s conversiones de las que culminan (verde)<\/strong> <\/span>y viceversa (rojo)<\/span><\/strong>.<\/p>\n\n\n\n

 Vemos tambi\u00e9n como el CPA (Coste Por Adquisici\u00f3n) var\u00eda seg\u00fan el modelo que seleccionemos.<\/p>\n\n\n\n

Tener en cuenta estos datos es esencial para la toma de decisiones, pues del an\u00e1lisis depende la validez de las valoraciones sobre los diferentes canales y acciones. Este estudio permitir\u00e1 no descartar determinados canales o acciones de marketing porque no den un ROI directo, como vemos, es necesario tener en cuenta qu\u00e9 papel tienen dentro de la ruta de conversi\u00f3n. <\/p>\n\n\n\n

Limitaciones de los modelos de atribuci\u00f3n<\/strong><\/h2>\n\n\n\n

En la valoraci\u00f3n de los distintos canales de tr\u00e1fico debemos tener en cuenta tambi\u00e9n una serie de limitaciones.<\/p>\n\n\n\n

La ruta de conversi\u00f3n no es lineal.<\/strong> En el proceso de compra de un mismo usuario pueden intervenir diferentes dispositivos. De igual forma, no todo el proceso de decisi\u00f3n se limita a las interacciones online que medimos en Analytics, sino que hay que valorar tambi\u00e9n los contactos offline que se producen entre marca-usuario.<\/p>\n\n\n\n

En este sentido, existen ciertas limitaciones que producen, por ejemplo:<\/p>\n\n\n\n