Atribución como asignación de crédito: el problema fundacional
Un modelo de atribución toma la secuencia de interacciones de un usuario antes de una conversión y reparte un valor (generalmente 1, o el ingreso de la transacción) entre los canales o tácticas que participaron. Los modelos más simples — último clic, primer clic, lineal, de decaimiento temporal — son reglas heurísticas que no requieren estimación estadística. Los modelos basados en datos (data-driven) ajustan pesos con algoritmos de aprendizaje, pero siguen operando sobre la misma materia prima: secuencias observacionales de exposición y resultado.
El problema es que la exposición a un anuncio no es un evento aleatorio. Los usuarios que ven un anuncio de retargeting ya visitaron el sitio; los que buscan una marca ya la conocen. Sin un mecanismo de aleatorización o un diseño de identificación que controle la selección, el crédito asignado confunde la propensión del usuario con el efecto del canal. Esto no es un matiz técnico: es la diferencia entre medir cuánto contribuyó un canal y medir cuánto habría ocurrido de todas formas.
La frase «atribución basada en datos» sugiere objetividad, pero «datos» aquí significa datos observacionales con selección endógena — exactamente el escenario donde la inferencia causal exige diseños específicos.
El espejismo del coeficiente: qué identifican realmente los diseños observacionales
Haddad et al. [2] caracterizan un problema que tiene traducción directa al marketing: el problema del coeficiente faltante. En su contexto — demanda de activos financieros —, los diseños de variables instrumentales transversales y diferencia en diferencias identifican la elasticidad relativa (diferencia entre elasticidad propia y cruzada) pero no los patrones de sustitución entre activos. Los coeficientes sobre los observables absorben mecánicamente la sustitución, dejando ese parámetro sin identificar.
Traducido al lenguaje de atribución: cuando un modelo observacional asigna crédito a un canal controlando por características del usuario (demografía, historial de navegación, dispositivo), los coeficientes de esas características absorben parte del efecto de sustitución entre canales. El modelo puede decirnos que el canal A tiene más efecto relativo a B, pero no cuánto del gasto desplazado de A se redirige a B, ni cuánto simplemente desaparece. La atribución observacional identifica diferencias relativas, no niveles absolutos de contribución.
De la atribución a la incrementalidad: lo que exige la causalidad
La respuesta canónica es la experimentación. Pero la experimentación en marketing no opera en el vacío: las intervenciones se administran en el espacio (geográfico, de audiencias), y los efectos se derraman entre unidades. Watson et al. [8] formalizan este problema y demuestran que, bajo aleatorización por conglomerados, los datos identifican la forma del kernel de spillover pero no su nivel. El nivel queda aliasado con el intercepto y el efecto directo, independientemente del tamaño muestral. Todo estimador descansa necesariamente en un supuesto de anclaje que fija ese nivel.
Esto significa que incluso un experimento bien diseñado — un test geo, un lift test por audiencia — produce estimaciones que dependen de un supuesto no verificable sobre el nivel de contaminación entre tratamiento y control. La atribución perfecta no existe ni siquiera en el mundo experimental.
La lección operativa para quien construye o consume modelos de atribución: un modelo de atribución que ignora el spillover entre canales (el usuario vio display, luego buscó la marca, luego convirtió en orgánico) está cometiendo exactamente el error que Watson et al. caracterizan — confundir la forma del efecto con su nivel. Y la solución no es simplemente «hacer un experimento», sino diseñar el experimento con conciencia de la geometría de contaminación y declarar explícitamente el supuesto de anclaje utilizado.
La decisión de especificación como fuente de incertidumbre oculta
Creemos que uno de los riesgos menos discutidos de los modelos de atribución es la fragilidad a la especificación. Ventana de atribución de 7 días o de 30. Incluir o excluir impresiones de vista. Ponderar por recencia o no. Cada decisión genera un modelo distinto con resultados potencialmente divergentes, y la industria rara vez reporta la dispersión entre especificaciones.
Saraceno y Calcagnì [9] proponen representar cada especificación admisible como una distribución de probabilidad sobre un espacio de salida común, y medir la incertidumbre inferencial mediante herramientas geométricas: diámetros del espacio de especificaciones, baricentros de Fréchet y medidas de dispersión. Su argumento central es que los resúmenes escalares convencionales — el número puntual que entrega un modelo de atribución — pueden perder simultáneamente la variación del efecto y la variación de la incertidumbre.
La práctica habitual reporta una sola especificación del modelo de atribución y presenta sus resultados como si fueran estables.
El marco de multiverso muestra que la incertidumbre por especificación puede ser tan grande como la incertidumbre estadística, y que ignorarla equivale a elegir la respuesta antes de formular la pregunta [9].
Covariables generadas por IA y el nuevo riesgo de los modelos de atribución algorítmicos
Una tendencia emergente es alimentar modelos de atribución con características extraídas por LLMs — sentimiento del copy, clasificación de intención del usuario, scoring de creatividad. Duan y Pelger [1] documentan que las covariables generadas por IA introducen sesgo sistemático por alucinación y sesgo de anticipación, y que estos errores pueden invalidar la inferencia cuando se usan como variables observadas en estimaciones posteriores. Las características generadas son proxies ruidosos cuyos perfiles de error varían entre modelos y entre prompts.
Su framework AI-PI propone corrección de sesgo basada en un conjunto de calibración etiquetado humanamente, ponderación adaptativa entre pares modelo-prompt y diseño óptimo del conjunto de calibración. La lectura que hacemos es directa: si una plataforma o herramienta de atribución usa features generadas por IA sin calibración humana, la inferencia resultante carece de garantías.
Diseño experimental cuando el resultado es binario: lo que la atribución debería aprender
La mayoría de los resultados relevantes en atribución son binarios: convirtió o no, compró o no, visitó la tienda o no. Azriel, Krieger y Kapelner [7] demuestran que para resultados binarios, cualquier diseño balanceado que satisfaga una condición de balance de covariables es asintóticamente óptimo, y que la estimación insesgada de la varianza es imposible — se requieren estimadores conservadores. Su framework integra diseños de bloqueo con inferencia basada en el estadístico CMH, obteniendo intervalos de confianza asintóticamente válidos.
Esto tiene una implicación concreta para equipos de marketing: cuando se ejecuta un lift test con KPI binario, el diseño de aleatorización importa tanto como el análisis posterior. Un modelo de atribución que se alimente de resultados experimentales mal diseñados heredará el sesgo del diseño, por sofisticado que sea el algoritmo de asignación de crédito.
Este dato de Ganong, Garg y Kasy [4] no habla directamente de atribución, pero ilumina un riesgo estructural: cuando los equipos de marketing seleccionan los tests que «funcionaron» para calibrar sus modelos de atribución, replican exactamente el sesgo de publicación que distorsiona la literatura académica. La media de los experimentos exitosos sobreestima el efecto verdadero entre 5 y 8 veces. Un modelo de atribución calibrado con los tests ganadores del último año no mide la realidad — mide una versión inflada de ella.
Lo que debería exigírsele a un modelo de atribución honesto
Creemos que un modelo de atribución honesto debería hacer tres cosas que la mayoría no hace. Primera: declarar explícitamente su supuesto de anclaje — qué canal o baseline asume contribución cero, y por qué [8]. Segunda: reportar no una estimación puntual sino la dispersión entre especificaciones admisibles, haciendo visible la incertidumbre que la elección de ventana, touchpoint y modelo introduce [9]. Tercera: cuando incorpore señales generadas por IA, exigir calibración humana documentada con garantías de consistencia [1].
Un modelo de atribución no es un oráculo. Es un marco de decisión que, como todo instrumento de medición, tiene resolución finita, supuestos no verificables y zonas ciegas. La pregunta relevante no es «¿qué modelo de atribución debo usar?» sino «¿qué estoy dispuesto a asumir, y cuánto cambia mi conclusión si asumo otra cosa?».
Fuentes consultadas
Fuentes consultadas
- Inferencia con covariables generadas por IA: sesgo sistemático, ruido y el marco AI-PI. ver
- Inferencia causal para elasticidad de demanda: variables instrumentales, diferencia en diferencias y el problema del coeficiente faltante. ver
- Aprendizaje experiencial y social: evidencia de un experimento de campo sobre adopción de comportamiento. ver
- Síntesis de literatura y corrección del sesgo de selección en meta-análisis aplicado. ver
- Diferencia en discontinuidades (difference-in-discontinuities): identificación en experimentos naturales con fronteras geográficas. ver
- Alberto Bordino, Thomas B. Berrett, and Olga Klopp. Direct and efficient estimation of bilinear forms in staggered tensor panels. arXiv:2607.06330, 2026.
- David Azriel, Abba M. Krieger, and Adam Kapelner. Optimal Designs with Robust Inference for Binary Treatment Effects. arXiv:2607.05768, 2026.
- Samuel I. Watson, Penny Hancock, Jack Fraser-Govil, Kieran DeWalt, and Thomas A. Smith. Embracing Spillover: Spatial Effects in Experiments. arXiv:2607.06506, 2026.
- Giovanni Saraceno and Antonio Calcagnì. Towards a Geometric Characterization of Multiverse Analysis. arXiv:2607.11345, 2026.