¿Atribución en Marketing con AI?
¿Seguimos midiendo el "último click"? ¿O dejamos que la IA ponga los datos en su sitio?
La semana pasada estaba en una call con el VP de marketing de una gran compañía del mundo tradicional corporativo (del programa MEGA de la CCB) facturan alrededor de los ~$5M ARR. Me mostró su dashboard de atribución todo orgulloso. LinkedIn Ads: 23% de pipeline. Google Ads: 31%. Organic: 18%.
Le pregunté: “¿Y el podcast de tu CEO que tiene 15K descargas mensuales? que le han invertido un buen cash para que se vea hermoso el setup ¿La charla en ese evento donde conociste a 3 prospectos interesantes que pasaron a demo de una? ¿Las 47 veces que tu deck circuló por Slack en empresas objetivo? (esta fue una tactica de “se nos filtro el documento privado del nuevo producto”).
Silencio.
De hecho si lo desmenuzamos y esta pregunta es para ti, si tu que estas leyendo:
¿Tus vendedores cuando crean el contacto o deal en el CRM, diligencian el source?
¿Tienes reglamentado tu sistema de UTMs?
Conectar tus campañas y canales, cool fácil, pero lo que no logras procesar o sabes como hacerlo ¿qué?
“No está en el dashboard.”
Exacto. Ese es el problema.
No es que no sepas hacer marketing. Es que estás optimizando para lo visible mientras el 70% de las decisiones de compra se toman en la oscuridad alias “dark funnel”. Y lo peor: tus modelos de atribución están reforzando este sesgo, premiando lo que es fácil de medir.
Hoy vamos a hablar de cómo la IA está resolviendo este problema fundamental del marketing moderno. No la IA del hype, sino la que está destrozando y reconstruyendo los modelos de atribución desde cero.
Bueno, pero antes de entrar en este mundo oscuro, si no te quieres complicar la vida y gran parte de tu negocio gira en torno a los ads, este recurso es exclusivo para ti.
CAPI CRM, si no tienes idea de lo que hablo, con más urgencia deberías descargar esta guía, ya que te explica como podemos solucionar gran parte de la atribución cuando conectas de forma correcta tus ADS con tu CRM, pero le das carretera a los datos con AI para mejorar tu presupuesto en anuncios.
Dos gigantes se unieron para explicártelo de la mejor forma, solo debes dedicarle un par de minutos a este playbook para comprender lo que te digo, fácil a un click 👇🏻
El teatro de las métricas de atribución
Seamos honestos sobre la atribución de marketing actual. La mayoría de los modelos son un teatro de una única función, lo se, suena grosero pero no hace referencia a eso, solo que estos modelos en un inicio no contemplan que hoy nuestros usuario no tienen 1 escena, son varias y debemos reunir los datos para consolidar analisis.
Es nuestra responsabilidad tomar la base de estos modelos y evolucionarla al contexto actual del customer journey. ¿Quién se encarga de esto? Nosotros somos los Einsteins de esta época.
Last-Touch: el favorito de Google Ads
Lo que dice: “Este anuncio de Google generó la venta.”
La realidad: Ignora que el cliente vio un webinar, leyó blogs, escuchó podcasts y tuvo múltiples reuniones internas antes de buscar tu marca. El anuncio solo fue el último paso, pero se lleva todo el crédito.
Consecuencia: Inviertes demasiado en la captura de demanda (ads) y no en la creación de demanda (contenido y comunidad).
First-Touch: el ego del brand awareness
Lo que dice: “El éxito se debe a nuestro primer contacto.”
La realidad: Un primer toque no tiene el mismo valor que los 15 puntos de contacto que vinieron después.
Consecuencia: Sobrestimas el inicio del embudo y no sabes qué acciones realmente cierran negocios.
Multi-Touch Lineal: la mediocridad diplomática
Lo que dice: “Todos los contactos son iguales.”
La realidad: Un banner visto por 2 segundos no tiene el mismo impacto que un webinar de 60 minutos con preguntas y respuestas.
Consecuencia: No distingues qué realmente mueve la aguja en tu proceso de ventas.
El problema de fondo: modelos basados en reglas de un usuario con patrones pasados.
Time-decay, U-shaped, W-shaped... son fórmulas preestablecidas que no se basan en tu realidad, tu data o tu viaje de compra.
DISCLAIMER: HubSpot ha realizado un buen trabajo con sus nuevas funcionalidades, si realmente tienes tu suite bien configurada o quieres tomarte en serio tu CRM, ellos tienen ya un modulo de AI Data que te permite automatizar gran parte de estas atribuciones.
Ahora como podemos ver o tratar de resolver esto y ponerle velita a ese bendito dirk finnil 👇🏻
El Framework dark-first attribution (Mi pre-modelo)
Aquí está mi pre-framework de 4 capas para implementar atribución que realmente funcione en 2025 (mm 2026 aunque si documentas el proceso o me brindas feedback de este modelo en los 90 días que nos queda del año seria fabuloso).
Vas a encontrar términos que tu cerebro considerara técnicos o complejos, o spanglishseanos, pero puedes dominarlos, ahí entra al grupo tu curiosidad intelectual y fortaleces tu rol técnico marketero/a. Yo lo he aprendido en estos últimos 4 años que me he interesado por la data.
Capa 1️⃣ : Visibility layer - Iluminar lo invisible
Objetivo: Capturar señales del dark funnel que los métodos tradicionales ignoran.
Tácticas técnicas:
View-through attribution (no solo click-through)
LinkedIn Company Intelligence API: trackea cuando alguien ve tu ad/post orgánico y luego visita tu sitio “directamente”
Channel99 reporta 2-4x más engagement atribuido cuando implementas esto
Intent data de terceros
Bombora, G2 Buyer Intent, ZoomInfo: detectan cuando companies están researching topics relacionados a tu solución
Puedes ver que “Account X” está buscando info sobre “marketing automation” sin que hayan visitado tu sitio aún
Reverse IP lookup + Company-level tracking
Herramientas como 6sense identifican qué companies (no solo individuals) están visitando tu sitio anónimamente
Mapeas tráfico “directo” a accounts reales
Self-reported attribution
Form field obligatorio: “¿Cómo nos conociste?”
Onboarding surveys: “¿Qué te convenció de comprarnos?”
Exit surveys para churned customers
Refine Labs lo implementó y descubrió que todo su pipeline venía de organic search y su podcast—cosas que su atribución “fancy” no estaba viendo
Output de Capa 1: Ya no solo trackeas clicks. Trackeas impressions, intent surges, branded search spikes, direct traffic patterns, y lo más importante: self-reported sources.
—
Capa 2️⃣: Intelligence layer - IA que aprende de tu realidad
Objetivo: Usar machine learning para asignar crédito basado en comportamiento REAL, no reglas inventadas.
Cómo funciona la magia:
Los modelos algorítmicos/ML-based de atribución analizan miles de customer journeys históricos y encuentran patrones:
Qué combinaciones de touchpoints llevan a conversiones de mayor valor
Qué secuencias aceleran el sales cycle
Qué interacciones son “assist” críticos vs vanity metrics
Cómo diferentes personas en un buying committee interactúan con tu marca
Ejemplo real:
HockeyStack y Factors.ai usan modelos ML que:
Analizan 17+ tipos de touchpoints (ads, website, emails, calls, G2 reviews, intent data)
Identifican patterns a nivel de persona Y account
Asignan crédito dinámicamente basado en qué realmente predice conversiones
Se re-entrenan continuamente con nueva data
Lo crítico aquí: No estás diciendo “last-touch vale 100%”, estás diciendo “IA, analiza 10,000 deals cerrados y dime qué patrones realmente importan.”
Técnicas ML específicas que se usan:
Shapley Values (de game theory): calcula la contribución marginal de cada touchpoint
Bayesian Attribution Models: actualiza probabilidades a medida que aparece nueva evidencia
Random Forests / Neural Networks: encuentran relaciones no-lineales entre touchpoints (para empezar estudia sobre correlación y el rabbit hole te ira guiando hasta aquí, si no tienes de como, escribeme o comenta y te comparto un ejercicio desde marketing para entender el termino correlación)
Markov Chains: modelan probabilidades de transición entre estados en el journey
—
Capa 3️⃣: Integration layer - un sistema, no 17 dashboards
El problema que nadie admite: Tu atribución está rota porque tus datos están en 15 sistemas diferentes que no hablan entre sí.
LinkedIn dice una cosa. Salesforce dice otra. Google Analytics dice otra. Finance tiene sus propios números. prácticamente tienes un frances, un gringo y un japones hablando de engagement rate sin traductor.
Solución técnica:
Unified data infrastructure donde TODA tu data converge como el queso con bocadillo (si eres español, jalea de guayaba):
CRM como single source of truth para deals
Salesforce, HubSpot, Pipedrive
Conectores nativos a TODAS tus ad platforms
LinkedIn, Google, Meta, TikTok, Reddit, G2, Capterra
Web analytics + reverse IP
GA4, pero complementado con 6sense, Clearbit, etc.
Intent data feeds
Bombora topics, G2 intent, ZoomInfo signals
Conversational intelligence
Gong, Chorus: análisis de sales calls para ver qué messaging realmente funciona
Herramientas que hacen esto bien:
HockeyStack: 17 sources integradas, timeline única por account/person
Channel99: Especializado en view-through + LinkedIn integration
Dreamdata: B2B revenue attribution completa, incluye offline touchpoints
6sense: El OG de account-level intelligence + intent data
Output Capa 3: Un customer journey completo por account. No guesses, data real.
—
Capa 4️⃣: Action layer - de insights a decisiones
La pregunta que importa: ¿Y ahora qué hago con esto?
Tener mejor atribución es inútil si no cambia tus decisiones. Aquí está lo que deberías poder hacer:
1. Budget reallocation basada en contribución real
Ejemplo: Descubres que tu podcast genera 40% de influenced pipeline pero solo le asignas 5% del budget.
Acción: Aumentas producción de podcast de 1x/semana a 3x/semana, inviertes en promoting episodes, creas micro-content del podcast.
2. Content strategy informed por dark funnel signals
Ejemplo: Intent data muestra que cuentas están buscando “LinkedIn automation” pero tu contenido top performer es sobre “email marketing.”
Acción: Creas un cluster de contenido sobre LinkedIn automation, porque ESO es lo que el mercado está buscando ahora.
3. ABM plays activados por engagement patterns
Ejemplo: 6sense detecta que la cuenta X (enterprise target) tuvo 12 visitas en 3 días, vieron pricing, comparativas, y case studies.
Acción: Alert automático a Sales + secuencia ABM personalizada se activa (LinkedIn ads personalizados, direct mail, outreach coordinado), con tacto, no generes la sensación de acoso digital.
4. Sales enablement basado en winning patterns
Ejemplo: Tu ML model identifica que deals que tienen un technical demo + pricing call + case study matching su industria cierran 3x más rápido.
Acción: Creas playbook para SDRs/AEs que replica esta secuencia en todos los deals.
Sé que esto es jodido si no tienes bases técnicas o un equipo técnico que te respalde. Estamos hablando de reconstruir cómo piensas sobre meas urement, invertir en nuevas tools, cambiar procesos que han estado ahí por años.
Pero aquí está la realidad: el journey customer map cambió y no podemos seguir haciendo lo de siempre para resultados diferentes (filosofía cliché pero real)
La IA en atribución no es solo nice to have o siguiente hype cycle. Es la única forma viable de entender qué está pasando cuando el 70% de las decisiones se toman fuera de tu vista.
Puedes seguir optimizando para lo visible y preguntarte por qué tu CAC sube y tus conversions bajan.
O puedes aceptar que el marketing requiere nueva infraestructura, nuevos modelos, y nueva mentalidad.
No necesitas ser perfecto. Necesitas empezar.
Start con self-reported attribution. Con view-through tracking. Con preguntarle a 10 customers cómo realmente te conocieron.
La conversación con ese VP que mencioné al principio terminó con él diciendo: Fuck, y ya no tengo mucho presupuesto para esto. (si los VPs corporativos tambien madrean).
Pero ese es el primer paso: admitir que estamos volando a ciegas o vision borrosa, tenemos cracks en las sombras que han solucionado esto pero no hablan a la comunidad.
🧠 El segundo paso: dejar que la IA sea nuestro copiloto.
Te dejo con esta pregunta:
Si descubrieras mañana que el 60% de tu pipeline viene de un canal en el que no estás invirtiendo (porque no lo puedes medir), ¿qué harías? ¿Seguirías confiando en tu dashboard actual?
Cuéntame en los comments o mándame un DM. Siempre leo todo. 💬
Recuerda que HubSpot y Meta han construido esta guía con casos prácticos de como incluso en las universidades con segmentaciones múltiples y complejas se puede crear un ecosistema sincronizado donde recae a una atribución limpia.
🧠 Mi top 3 de herramientas recomendadas para esta semana:
➡️ Yuma se esta convirtiendo en una herramienta AI importante para e-commerces que operan en Shopify.
➡️ Oboe me ha sorprendido, ya que justo para todos estos conceptos técnicos solo debo darle un buen prompt y me construye un minicurso personalizado.
➡️ Scispace como si fuera CSI para que ejecutes tareas de investigación que puedes orientar para levantar insights de tus ICPs.
Nos leemos pronto,