Atribución sin mitología: un enfoque pragmático en BigQuery

Cada reporte de canal se atribuye la misma venta. La búsqueda pagada dice que generó el pedido. El correo también. La campaña de marca del mes pasado también. Sume los totales y habrá vendido más de lo que despachó. El problema no son las matemáticas. Es la creencia de que existe una respuesta perfecta.

Qué puede y qué no puede hacer la atribución

La atribución reparte el crédito de una conversión entre los puntos de contacto que la precedieron. No puede probar que un punto de contacto causó la venta, porque los clientes que iban a comprar de todos modos también hacen clic en anuncios. Tampoco ve lo que no se registra: conversaciones fuera de línea, sesiones limitadas por privacidad o la recomendación de un amigo.

Bien usada, es un lente consistente para comparar canales en el tiempo. Mal usada, se convierte en una herramienta para discutir presupuestos.

Un enfoque práctico en BigQuery

Si sus eventos de analítica web se exportan a BigQuery, puede construir la atribución desde los datos crudos y mantener la lógica en sus manos. El flujo típico es sencillo.

1. Construya una tabla limpia de sesiones: una fila por sesión con fuente, medio, campaña y marca de tiempo, usando una agrupación de canales consistente.
2. Vincule sesiones con usuarios mediante los identificadores que legítimamente tiene, como un ID de inicio de sesión, y sea honesto sobre la parte que permanece anónima.
3. Cree una tabla de conversiones con ID de pedido, marca de tiempo, valor y clave de usuario o sesión.
4. Defina una ventana de retrospectiva, por ejemplo de unas semanas, y relacione cada conversión con las sesiones dentro de ella.
5. Aplique las reglas de crédito y guarde los resultados en una tabla que los tableros puedan leer.

Comience con reglas simples

Empiece con último clic no directo, primer clic y un reparto por posición que dé más crédito al primer y al último contacto. Cada uno es fácil de explicar y de verificar con una muestra de recorridos reales de clientes. Los modelos complejos basados en datos pueden ayudar a escala, pero son más difíciles de auditar y pueden esconder datos débiles detrás de resultados sofisticados.

Ejecute los modelos simples lado a lado. Si un canal se ve fuerte en todos, la conclusión es sólida. Si solo se ve bien en uno, tómelo como una advertencia, no como un hallazgo.

Límites que conviene decir en voz alta

• El consentimiento y las restricciones de los navegadores hacen que algunos recorridos estén incompletos o ausentes.
• Los recorridos entre dispositivos se rompen si los usuarios no están identificados.
• Los canales de la parte alta del embudo, como video o marca, rara vez reciben crédito basado en clics.
• Las conversiones fuera de línea y por teléfono requieren una captura aparte para aparecer.
• Eventos idénticos pueden definirse de forma distinta entre los reportes de las plataformas y su warehouse.

Publique estas salvedades junto con las cifras. Quienes toman decisiones confían más en un modelo cuando sus límites son visibles.

Use experimentos para resolver las preguntas grandes

Cuando una decisión de presupuesto es grande, pruébela. Pause un canal en algunas regiones o reserve una parte de la audiencia como grupo de control, y compare los resultados. Las pruebas geográficas o de grupo de control son imperfectas, pero miden el impacto incremental de una forma que ningún modelo de atribución puede. Mantenga las pruebas simples y lo bastante largas para reducir el ruido.

Hágala útil

Acuerde las definiciones con finanzas y marketing antes de construir nada: qué cuenta como conversión, qué ventana aplica, cómo se tratan las devoluciones. Documéntelas en el mismo repositorio que las consultas. Revise los resultados cada mes, mire un puñado de recorridos individuales y ajuste. El objetivo es una vista compartida y explicable, no una declaración de verdad.

Si desea ayuda para configurar las tablas o revisar su agrupación de canales, podemos revisar sus datos junto con usted.

← Volver a todas las perspectivas