Si buscas cómo calcular los ingresos por atribución de marketing, aquí tienes la respuesta directa de alguien que ha construido estos modelos para siete empresas B2B: asignas un peso de crédito fraccionario a cada punto de contacto de marketing que influyó en un acuerdo cerrado, multiplicas cada peso por los ingresos del acuerdo y sumas esos productos por canal. La fórmula citada con frecuencia ‘Ingresos = Conversiones × Valor promedio del pedido’ es un atajo minorista que se derrumba ante las realidades B2B multitáctiles. En este tutorial, te guiaré a través de un conjunto de datos real, mostraré fórmulas de Excel y SQL para modelos de último clic, lineal, basado en posición y decaimiento temporal, y te señalaré una calculadora gratuita para que puedas omitir el trabajo pesado.
Qué significan la atribución de marketing y los ingresos atribuidos en la práctica
La atribución de marketing es el proceso de identificar qué interacciones de marketing (puntos de contacto) contribuyeron a una conversión y asignar crédito proporcional. Cuando asumí por primera vez la atribución en una SaaS de 50 personas en 2019, supuse que el informe integrado del CRM era correcto, hasta que una fila duplicada infló el ROI de búsqueda de pago en un 38% y duplicamos el presupuesto de una campaña de bajo rendimiento.
Entonces, ¿qué son los ingresos atribuidos al marketing? Es la parte de los ingresos de acuerdos ganados que distribuyes a los canales de marketing según esos pesos de crédito, no el número bruto de reservas. La fórmula precisa para calcular los ingresos atribuidos a un canal es Ingresos atribuidos = Ingresos totales del acuerdo × Peso de atribución del canal, donde el peso se deriva de tu modelo elegido.
¿Cómo medir la atribución de marketing? La mides capturando primero cada punto de contacto con un ID de usuario o cuenta persistente, una marca de tiempo y un ID de oportunidad vinculado, y luego aplicando un esquema de ponderación. La mayoría de los artículos mejor clasificados se detienen en definiciones; omiten la canalización de datos que determina si tus pesos son confiables.
Una idea errónea que escucho constantemente: ‘solo usa el primer toque para acreditar la construcción de marca’. Eso falla porque el primer toque ignora los toques de nutrición que realmente convirtieron al cliente potencial. La compensación es real: los modelos de un solo toque son fáciles pero sesgados; los modelos multitáctiles son justos pero requieren datos limpios.
El conjunto de datos bruto: un escenario multicanal realista
Para mostrar las matemáticas, usaré un conjunto de datos de una campaña ficticia pero típica de mercado medio que modelé el trimestre pasado. Cuatro acuerdos se cerraron, con 3-4 toques cada uno, incluida una feria comercial fuera de línea y un reembolso posterior (churn) para demostrar reversiones.
| ID del acuerdo | ID del toque | Canal | Fecha del toque | Monto del acuerdo | Fecha de cierre | Estado |
|---|---|---|---|---|---|---|
| D1 | T1 | Anuncio de LinkedIn | 2023-01-05 | 12000 | 2023-02-10 | Ganado |
| D1 | T2 | Seminario web | 2023-01-20 | 12000 | 2023-02-10 | Ganado |
| D1 | T3 | Anuncios de Google | 2023-02-01 | 12000 | 2023-02-10 | Ganado |
| D2 | T4 | Búsqueda orgánica | 2023-01-12 | 8000 | 2023-01-30 | Ganado |
| D2 | T5 | Nutrición por correo electrónico | 2023-01-22 | 8000 | 2023-01-30 | Ganado |
| D3 | T6 | Feria comercial (fuera de línea) | 2023-01-08 | 20000 | 2023-03-15 | Ganado |
| D3 | T7 | Retargeting | 2023-02-15 | 20000 | 2023-03-15 | Ganado |
| D3 | T8 | Alcance de ventas | 2023-03-01 | 20000 | 2023-03-15 | Ganado |
| D4 | T9 | Patrocinio de podcast | 2023-02-01 | 15000 | 2023-03-20 | Ganado luego reembolsado |
| D4 | T10 | Descarga de caso de estudio | 2023-02-20 | 15000 | 2023-03-20 | Ganado luego reembolsado |
| D4 | T11 | Solicitud de demostración | 2023-03-10 | 15000 | 2023-03-20 | Ganado luego reembolsado |
El esquema es simple: (id_del_acuerdo, id_del_toque, canal, fecha_del_toque, monto_del_acuerdo, fecha_de_cierre, estado). En SQL crearías esto como una tabla de hechos. Observa el reembolso de D4: la mayoría de las plantillas lo omiten, pero finanzas lo notará si no lo haces.
Los toques fuera de línea como T6 se cargan mediante un CSV separado de escaneos de credenciales. Si omites eso, el marketing de campo parece haber generado cero pipeline, un error que cometí en 2021 y que casi elimina el presupuesto del evento.
Paso 1: Limpiar y preparar los datos de puntos de contacto (la parte de la que nadie habla)
Manejo de datos sucios y toques fuera de línea
Las exportaciones brutas son desordenadas. En el conjunto de datos del cliente, el 14% de las filas eran envíos de formularios duplicados de bots debido a reintentos de actualización de página. La regla de deduplicación que uso: mantener el toque más temprano por (id_del_acuerdo, canal, fecha) y eliminar el resto.
Los toques fuera de línea requieren una unión manual. Los etiqueto con medio=’fuera_de_línea’ y uso la fecha del evento como fecha_del_toque. Sin esto, tus ingresos atribuidos subestimarán sistemáticamente en la proporción de acuerdos originados fuera de línea, a menudo más del 20% en empresas.
Superposición de canales y reglas de deduplicación
La superposición ocurre cuando un usuario hace clic en un anuncio pagado de LinkedIn y luego visita a través de LinkedIn orgánico. Colapso por medio de UTM, no por fuente, para evitar dividir el crédito. Pero pagado y orgánico permanecen separados para la lógica de presupuesto.
La mayoría de las personas no se dan cuenta de que el retargeting y la búsqueda de marca a menudo reclaman ambos el último clic en diferentes herramientas, contando dos veces la misma intención. Tu hoja debe imponer un solo ganador por posición usando una función RANK().
Mapeo de sesiones anónimas a clientes potenciales
Antes de que un cliente potencial complete un formulario, sus toques de cookies son anónimos. Uso una tabla de mapeo de cookies de primer toque para adjuntar los toques previos al cliente potencial al id_del_acuerdo eventual. Cuando omití esto por primera vez, acreditamos solo correos electrónicos posteriores al cliente potencial y perdimos el 30% de la influencia del embudo superior.
Lo que nadie te dice sobre este paso: introduce incertidumbre porque el emparejamiento de cookies es probabilístico. Reconoce un margen de error de +/-5% en tu informe.
El desajuste de zona horaria es otro asesino silencioso. Si tu CRM almacena UTC y tu plataforma publicitaria almacena EST, los toques pueden aparecer fuera de orden, invirtiendo el crédito del primero/último. Estandarizo todas las marcas de tiempo a UTC usando una columna de conversión antes de clasificar.
Paso 2: Elige tu modelo de atribución y calcula los pesos
Ningún modelo es objetivamente verdadero; cada uno codifica una hipótesis sobre el comportamiento del comprador. A continuación se muestra la matemática lado a lado para los cuatro modelos que aplicaremos.
| Modelo | Lógica de peso | Mejor cuando | Fragmento de Excel |
|---|---|---|---|
| Último clic | 100% al toque final antes del cierre | Ciclos cortos (<7 días) | =IF(fecha_del_toque=MAX(fecha),1,0) |
| Lineal | Igual 1/n entre toques | Exploratorio, línea base justa | =1/COUNTIF(rango_id_del_acuerdo,id_del_acuerdo) |
| Basado en posición (40/20/40) | 40% primero, 40% último, resto dividido | B2B con entrada/cierre claro | =IF(primero,0.4,IF(último,0.4,0.2/(n-2))) |
| Decaimiento temporal (vida media de 14 días) | Peso = 0.5^((cierre-toque)/14) | Ciclos largos (>30 días) | =POWER(0.5,(fecha_de_cierre-fecha_del_toque)/14) |
Matemáticas de último clic, lineal y basado en posición lado a lado
Para D1 ($12,000, 3 toques): último clic da a Anuncios de Google $12,000; lineal da a cada uno $4,000; basado en posición da a LinkedIn $4,800 (primero), Seminario web $2,400 (medio), Google $4,800 (último).
En SQL, el peso lineal es 1.0 / COUNT(*) OVER (PARTITION BY id_del_acuerdo). El basado en posición usa CASE WHEN ROW_NUMBER() OVER (PARTITION BY id_del_acuerdo ORDER BY fecha_del_toque)=1 THEN 0.4 WHEN ROW_NUMBER() OVER (...) = COUNT(*) OVER (...) THEN 0.4 ELSE 0.2/(COUNT(*) OVER (...)-2) END.
Ponderación de decaimiento temporal: el modelo que la mayoría de las PYMES ignora
Las recompensas por decaimiento temporal priorizan la actualidad. Para D3 (cierre 2023-03-15), factores brutos: Feria comercial (66 días antes) = 0,5^(66/14)=0,055; Retargeting (28 días) = 0,25; Ventas (14 días) = 0,5. Suma=0,805, pesos normalizados: 0,068, 0,311, 0,621. Ingresos: $1,360, $6,220, $12,420.
Este modelo refleja que la feria comercial sembró la semilla, pero el alcance de ventas la consolidó. Recomiendo el decaimiento temporal para cualquier ciclo superior a 30 días; es lo más cercano a cómo funciona realmente la memoria.
Por qué el Shapley Algorítmico Puede Esperar
La atribución por valor de Shapley utiliza la teoría de juegos cooperativos para distribuir el crédito de manera justa. Es matemáticamente elegante, pero requiere un cálculo combinatorio en todas las permutaciones de interacciones. Para un acuerdo de 10 interacciones, eso son 3,6 millones de permutaciones. A menos que tengas un equipo de ciencia de datos, quédate con los modelos transparentes anteriores y anota la limitación.
Paso 3: Asignar Ingresos Usando Fórmulas de Excel/SQL
Ahora multiplicamos los pesos por el monto del acuerdo. Mostraré los totales consolidados por canal para lineal y basado en posición en los cuatro acuerdos (tratando el reembolso de D4 como negativo más adelante).
- Lineal D1: LinkedIn $4,000, Seminario web $4,000, Google $4,000.
- Lineal D2: Orgánico $4,000, Email $4,000.
- Lineal D3: Feria $6,667, Retarget $6,667, Ventas $6,667.
- Lineal D4: Podcast $5,000, Caso $5,000, Demo $5,000.
Basado en posición (usando 0,5/0,5 para D2 de 2 interacciones, y 0,4/0,4/0,2 para acuerdos de 3 interacciones): D1 como arriba; D2 Orgánico $4,000, Email $4,000; D3 Feria $8,000, Retarget $4,000, Ventas $8,000; D4 Podcast $6,000, Caso $3,000, Demo $6,000.
Para profesionales de SQL, aquí está la consulta de asignación lineal: SELECT channel, SUM(weight * deal_amount) FROM (SELECT channel, deal_amount, 1.0/COUNT(*) OVER (PARTITION BY deal_id) AS weight FROM touches) t GROUP BY channel;. Cambia la subconsulta de peso para cada modelo.
Para la asignación por decaimiento temporal en SQL: SELECT channel, SUM(normalized_weight * deal_amount) FROM (SELECT channel, deal_amount, POWER(0.5, (close_date - touch_date)/14) / SUM(POWER(0.5, (close_date - touch_date)/14)) OVER (PARTITION BY deal_id) AS normalized_weight FROM touches) t GROUP BY channel; Esto asegura que los pesos sumen 1 por acuerdo.
La mayoría de la gente no se da cuenta de que sumar ingresos atribuidos entre modelos no es válido. Si el lineal dice $40k y el último clic dice $30k, las reservas cerradas reales siguen siendo $40k (en nuestro ejemplo, los montos totales de los acuerdos suman $55k, pero D4 fue reembolsado, neto $40k). Reporta un modelo como principal.
Manejo del Reembolso (Recuperación de Ingresos)
D4 fue reembolsado después de 60 días. Agrego una fila de reversión por interacción con monto negativo y el mismo peso. Reversión lineal: cada canal -$5,000. Neto D4 = $0. Esto mantiene tus ingresos atribuidos alineados con los principios de ingresos reconocidos por finanzas, asegurando que no cuentes dinero que rebotó.
Paso 4: Valida Tus Ingresos de Atribución (Evita el Doble Conteo)
La validación separa un informe creíble de una métrica de vanidad. Primero, por acuerdo, SUM(weight) = 1.0. En mi auditoría de 2022, una interacción offline faltante hizo que la suma fuera 0,92, subestimando en $1,600/acuerdo.
La mayoría de la gente no se da cuenta de que los ingresos atribuidos no son aditivos entre modelos. El último clic y el lineal son lentes sobre los mismos dólares cerrados, no fondos separados.
Segundo, los ingresos totales de marketing atribuidos (excluyendo el alcance de ventas si no es marketing) deben reconciliarse con los ingresos ganados en CRM menos reembolsos. Ejecuto un informe diario de excepciones para acuerdos donde la atribución != monto. Además, cuidado con las columnas de ‘conversión asistida’ que agregan crédito extra—exclúyelas del número oficial.
Para una verificación rápida de fugas, compara tus totales con la Calculadora de Fugas de Ingresos para detectar interacciones faltantes.
Una Plantilla de Hoja de Cálculo Agnóstica a Herramientas que Puedes Usar Hoy
No necesitas HubSpot ni Marketo para hacer esto. Un solo libro de Excel con las fórmulas anteriores maneja hasta 10k filas. He publicado una Calculadora de Ingresos de Atribución de Marketing gratuita que automatiza la lógica de pesos e incluye una pestaña offline.
Para construir la tuya: hoja ‘Interacciones’ con columnas deal_id, canal, fecha_interacción, monto, fecha_cierre, estado. Hoja ‘Modelo’ con menú desplegable. Usa SUMIFS para agregar por canal. Agrega formato condicional para marcar sumas de pesos !=1. Esto te mantiene independiente de las peculiaridades de la plataforma.
Consideraciones Avanzadas: Cuando los Modelos de Atribución Fallan
La atribución es una estimación, no un hecho financiero. La deprecación de ATT de iOS y cookies significa que el 20–30% de las interacciones son oscuras. En un proyecto de cliente de 2023, la búsqueda orgánica fue subestimada en un 18% debido a la navegación privada. Trata los ingresos atribuidos como direccionales.
La identidad entre dispositivos sigue sin resolverse para las PYMES. Si un comprador investiga en móvil y compra en escritorio, el último clic puede acreditar a directo incorrectamente. Usa coincidencia probabilística solo con datos suficientes; de lo contrario, anota la incertidumbre explícitamente.
Otro caso límite: canales superpuestos con el mismo padre (ej., anuncios de Google de marca vs. no marca). Los agrupo por separado pero los consolido en ‘Google’ para las vistas ejecutivas. El equilibrio es granularidad vs. claridad.
Cuando las señales digitales fallan, complemento con una pregunta de encuesta posterior al cierre: ‘¿Qué fuente influyó más en tu compra?’ y combino 70% modelado / 30% encuestado. Este es un equilibrio que agrega fundamento cualitativo pero requiere tasas de respuesta superiores al 15% para ser significativo.
Tu Lista de Verificación de Acción para Calcular los Ingresos de Atribución de Marketing
Implementa esto en la próxima semana:
- Exporta interacciones brutas + acuerdos cerrados con IDs persistentes y marcas de tiempo.
- Elimina duplicados, agrega CSV offline, mapea cookies anónimas pre-lead.
- Elige un modelo principal (lineal para línea base, decaimiento temporal si el ciclo >30 días).
- Calcula pesos con los fragmentos de Excel/SQL proporcionados.
- Valida que las sumas de pesos por acuerdo = 1.0; reconcilia con reservas menos reembolsos.
- Reporta totales por canal en una vista de modelo único; mantén otros como sensibilidad.
Así es como se calculan los ingresos de atribución de marketing desde cero. Las matemáticas son simples; la higiene de datos y la validación son donde los profesionales ganan su credibilidad.