# Atribución data-driven vs último clic: en qué se diferencian > Cambiar de modelo no crea ni destruye ventas: cambia a quién se las apuntas. Y como las pujas automáticas leen esa apuntación, cambia también dónde va tu dinero mañana. Fuente: https://www.nashmarketinglabs.com/blog/atribucion-data-driven-vs-ultimo-clic Autor: Nash Marketing Labs, agencia de paid media (Google Ads, Meta Ads, TikTok Ads, LinkedIn Ads). Fecha: 2026-09-06 --- **El modelo de último clic asigna el 100% de la conversión a la última interacción antes de la compra. El modelo data-driven reparte esa misma conversión en fracciones entre todos los puntos de contacto, calculando el peso de cada uno al comparar las rutas de los usuarios que convirtieron con las de los que no.** El total de conversiones no cambia: cambia el reparto. Esa frase parece un tecnicismo de informe y es en realidad una decisión de presupuesto. Si atribuyes a último clic, la marca y el retargeting salen brillantes porque siempre están al final de la ruta, y lo que abre la demanda (vídeo, display, genéricas, prospección) sale caro y acaba recortado. El data-driven mueve mérito hacia arriba del embudo. Como las pujas automáticas optimizan contra las conversiones atribuidas, el modelo no solo describe el pasado: dirige el gasto futuro. ## Qué hace exactamente cada modelo **Último clic.** Regla fija y determinista: la conversión entera va al último clic registrado antes de la compra. Es transparente, se explica en una frase y cuadra con la intuición de "lo que cerró la venta". Su defecto es estructural: no hay forma de que un anuncio que nunca cierra reciba mérito, por mucho que sea el que abre todas las rutas. **Data-driven.** No hay regla fija: el sistema construye un modelo con tus propios datos comparando las rutas de conversión con las rutas que no acabaron en conversión. Si las rutas que incluyen un formato concreto convierten más que las equivalentes sin él, ese formato recibe más peso. El reparto es tuyo y cambia con el tiempo, porque se recalcula con tus datos. De ahí sale la primera consecuencia práctica: **el data-driven no es comparable entre cuentas**. Dos anunciantes del mismo sector pueden tener repartos distintos porque sus rutas son distintas. No hay un "peso estándar del display" que puedas copiar de un benchmark. Y la segunda: el data-driven necesita rutas con varios puntos de contacto para tener algo que repartir. En una cuenta donde casi todo el mundo entra por marca y compra en la misma sesión, el modelo tiene poco material y su reparto se parecerá mucho al de último clic. No está roto: es que ahí no hay recorrido que modelar. ## Qué cambia en tus números cuando cambias de modelo El efecto es siempre el mismo y conviene anticiparlo antes de abrir el panel, porque el primer día asusta: - **Las campañas de marca y el retargeting pierden conversiones.** Están al final de la ruta, que es justo donde el último clic les daba el 100%. Su coste por conversión empeora en el informe sin que haya cambiado nada en la realidad. - **Prospección, vídeo, display y genéricas ganan.** Aparecen conversiones donde antes había ceros, y campañas que parecían un gasto puro pasan a tener un retorno defendible. - **El total se mantiene.** Si el total sube o baja de verdad, no es el modelo: es la ventana de conversión, un cambio de etiquetado o una conversión duplicada. - **Aparecen decimales.** Verás "18,42 conversiones". No es un error de redondeo: es un reparto fraccionado. Cuadrar eso contra un backend que cuenta pedidos enteros produce diferencias que no son un fallo de medición. - **El histórico se reescribe.** Al cambiar el modelo, la plataforma reprocesa el pasado con el modelo nuevo. Un informe exportado antes del cambio y otro después no cuadran aunque hablen del mismo mes. Ese último punto es el que rompe reuniones. Antes de tocar el modelo conviene exportar el histórico tal como está y guardarlo con fecha, porque después no hay forma de recuperarlo desde el panel. ## El detalle que casi nadie tiene en cuenta: el modelo dirige las pujas La atribución no es solo un informe. Las estrategias automáticas (maximizar conversiones, tCPA, tROAS) optimizan contra las conversiones _atribuidas_. Cambiar el modelo cambia el objetivo que persigue el algoritmo. Con último clic, el sistema aprende que lo que produce conversiones es la marca y el retargeting, y ahí concentra la puja. Con data-driven, empieza a ver retorno en tramos altos del embudo y puja por ellos. Por eso el cambio tiene un periodo de transición de un par de semanas en el que el reparto de gasto se mueve solo, y por eso **no se cambia el modelo y la estrategia de puja en la misma semana**: si mueves las dos cosas a la vez, no hay forma de saber a qué atribuir el resultado. La consecuencia operativa: mide el efecto del cambio con una métrica que no dependa del modelo. Ingresos totales contra inversión total, es decir el [MER](https://www.nashmarketinglabs.com/blog/mer-vs-roas), o pedidos nuevos del backend contra inversión. Si el MER se mantiene o mejora mientras el reparto interno se reordena, el cambio está funcionando aunque el [ROAS](https://www.nashmarketinglabs.com/blog/roas-vs-roi) de tus campañas de marca se haya hundido en el informe. ## Lo que ninguno de los dos modelos resuelve Los dos modelos son **intra-plataforma**. El data-driven de Google reparte mérito entre campañas de Google; no sabe que el usuario vio tres anuncios en Instagram antes. El de Meta hace lo propio dentro de Meta. Sumar el ROAS de las dos plataformas cuenta la misma venta dos veces, y el modelo de atribución no arregla eso: es un problema de otra naturaleza. Meta, además, no juega con las mismas reglas: su reparto es de último toque dentro de su ecosistema y lo que decide de verdad cuántas conversiones ves es la [ventana de atribución](https://www.nashmarketinglabs.com/blog/ventana-atribucion-meta-ads) (7 días clic, 1 día visualización). Comparar Meta y Google "por modelo" sin igualar antes las ventanas es una fuente inagotable de discusiones falsas: hemos visto cuentas donde una supuesta duplicidad de datos eran simplemente dos ventanas de atribución distintas conviviendo en el mismo informe. Y ninguno de los dos mide incrementalidad. Que un canal reciba mérito no significa que sin él no hubiera habido venta. Para eso hacen falta apagados controlados o tests de incrementalidad, no un modelo de reparto. ## Cuál usar en tu cuenta La recomendación por defecto es **data-driven**, y no por moda: si vas a usar puja automática con varios formatos, el último clic le está enseñando al algoritmo una versión falsa de tu embudo. Con estas excepciones y matices: - **Cuenta de un solo formato y ruta corta** (solo Search, compra en la misma sesión): da casi igual. Usa último clic por transparencia, es más fácil de explicar y de cuadrar. - **Poco volumen de conversiones.** El data-driven se comporta de forma parecida al último clic cuando no hay rutas suficientes que modelar. No esperes un cambio grande. - **Generación de leads con cualificación posterior.** Aquí el problema no es el modelo, es el evento: si optimizas al formulario y no al lead cualificado, el reparto perfecto de un objetivo equivocado sigue siendo un objetivo equivocado. Antes de tocar la atribución, revisa [qué se está contando](https://www.nashmarketinglabs.com/blog/counting-types-google-ads-lead-gen). - **Reconciliación contable.** Para cuadrar con administración, el último clic con conversiones enteras es más manejable. Se puede mantener un informe secundario a último clic sin que sea el modelo que dirige las pujas. Regla que aplicamos en las cuentas que gestionamos: el modelo de atribución decide el reparto interno; el arbitraje de si la inversión total funciona lo hace el MER y el [CAC](https://www.nashmarketinglabs.com/blog/cac-vs-cpa) contra el backend. Cuando esas dos capas se confunden, se acaba recortando el canal que abre la demanda porque no cierra la venta. ## Preguntas frecuentes ### ¿Qué es la atribución data-driven? Es un modelo que reparte cada conversión en fracciones entre todos los puntos de contacto de la ruta, en lugar de dárselo entero a uno. El peso de cada punto no viene de una regla fija: se calcula con tus propios datos comparando las rutas que acabaron en conversión con las que no. Por eso el reparto es distinto en cada cuenta y cambia con el tiempo. ### ¿Qué diferencia hay entre atribución data-driven y último clic? El último clic aplica una regla fija: el 100% del mérito a la última interacción antes de convertir. El data-driven no tiene regla fija y reparte el mérito en fracciones según el peso que tus datos den a cada punto de contacto. El total de conversiones es el mismo en los dos; lo que cambia es a qué campañas se apuntan, y eso normalmente significa menos mérito para marca y retargeting y más para prospección, vídeo y genéricas. ### ¿Cuál es mejor, data-driven o último clic? Para una cuenta con varios formatos, rutas de varios pasos y puja automática, el data-driven es mejor porque el último clic le enseña al algoritmo un embudo que no existe. Para una cuenta de un solo canal con compra en la misma sesión, o con muy poco volumen de conversiones, la diferencia es mínima y el último clic gana en transparencia y en facilidad para cuadrar con el backend. ### ¿Por qué me aparecen conversiones con decimales? Porque el data-driven reparte cada conversión en fracciones entre los puntos de contacto de la ruta. Una campaña que participó en varias rutas sin ser siempre la última se lleva trozos de conversión, y la suma da decimales. No es un error: al sumar todas las campañas, el total vuelve a ser un número entero de conversiones. ### ¿Cambiar el modelo de atribución afecta a las pujas? Sí, y es el efecto más importante del cambio. Las estrategias automáticas optimizan contra las conversiones atribuidas, así que al cambiar el modelo cambia el objetivo que persigue el algoritmo y el reparto de gasto se mueve solo durante una o dos semanas. Por eso no conviene cambiar el modelo y la estrategia de puja a la vez: no podrías saber cuál de los dos cambios produjo el resultado. ### ¿Cambiar el modelo cambia mis datos históricos? Sí. Al cambiar el modelo, la plataforma reprocesa el histórico con el modelo nuevo, así que un informe exportado antes del cambio y otro exportado después no cuadran aunque cubran el mismo periodo. Conviene exportar y guardar el histórico con la fecha del cambio antes de tocar nada. ### ¿Meta tiene atribución data-driven? No en el mismo sentido que Google. Meta reparte a último toque dentro de su propio ecosistema y lo que determina cuántas conversiones ves es la ventana de atribución configurada, normalmente 7 días clic y 1 día visualización. Además ninguno de los dos sistemas ve al otro: el modelo de Google solo reparte entre campañas de Google y el de Meta entre las suyas, así que sumar el ROAS de ambos cuenta ventas dos veces. ## Más recursos - [Ventana de atribución en Meta Ads: 7 días clic vs 1 día clic](https://www.nashmarketinglabs.com/blog/ventana-atribucion-meta-ads) - [CAC vs CPA: en qué se diferencian y cuál mirar](https://www.nashmarketinglabs.com/blog/cac-vs-cpa) - [MER vs ROAS: qué métrica usar y cuándo](https://www.nashmarketinglabs.com/blog/mer-vs-roas) - [Counting types en Google Ads: el ajuste de una casilla que arregla campañas de lead gen](https://www.nashmarketinglabs.com/blog/counting-types-google-ads-lead-gen) --- Contacto: https://www.nashmarketinglabs.com/diagnostico - Diagnostico de Viabilidad gratuito en 5 minutos.