Si vendés por Instagram, WhatsApp y tienda online, un modelo simple como last-click suele pagar mal las comisiones. Mi conclusión es directa: para referidos, conviene definir reglas por canal, ventanas según el tipo de compra y pesos por toque antes de mirar solo el cierre.
En este tema, yo me quedo con una idea central: la atribución no solo mide ventas; también decide quién cobra. Y cuando una compra pasa por varios pasos, una regla única suele dejar afuera parte del recorrido. Eso pega en ROI, CAC, comisiones y margen.
Puesto en simple, esto es lo que hay que resolver:
También veo un patrón claro en e-commerce en Argentina:
si una compra es de menos de ARS 20.000, una ventana de 7 a 14 días puede alcanzar;
si está entre ARS 30.000 y ARS 80.000, suele servir 30 días;
y si supera ARS 80.000, muchas veces hace falta ir a 45 a 90 días.
Mi resumen corto: si Instagram descubre, WhatsApp acompaña y la tienda cierra, no conviene darle el 100% del crédito a un solo punto. First-touch, last-touch, lineal, time-decay y modelo en U sirven como base, pero en journeys mixtos yo usaría una capa custom con reglas escritas en una planilla y datos unidos por UTM, cupones, ID de cliente, ID de orden y fecha/hora.
| Tema | Punto clave |
|---|---|
| Modelos base | First-touch, last-touch, lineal, time-decay y posición |
| Ventanas | según categoría y ticket |
| Canales | Instagram, WhatsApp y tienda online cumplen roles distintos |
| Regla de prioridad | El código de referido puede tener prioridad sobre otros rastreos |
| Validación | Comparar ambos modelos por 30–60 días |
| Métricas a mirar | CAC, margen neto, ingresos por referidos y personas recompensadas |
En pocas palabras: yo no tomaría la atribución como un tema solo de analítica. La usaría como una regla de negocio: quién recibe el crédito, cuánto recibe y bajo qué condición.
Modelos de Atribución para Referidos: Comparativa Completa
Estos son los cinco modelos base más usados. Sirven como punto de partida para ver, con bastante claridad, dónde empieza a romperse la atribución estándar.
Tomemos este recorrido: Instagram descubre, WhatsApp acompaña, tienda cierra.
| Modelo | Lógica de crédito | Complejidad | Mejor caso de uso | Limitación principal |
|---|---|---|---|---|
| First-touch | Todo al primer toque | Baja | Medir adquisición inicial | Ignora el cierre |
| Last-touch | Todo al último toque | Baja | Optimizar la conversión final | Sobrevalora canales de cierre |
| Lineal | Partes iguales entre todos | Media | Recorridos multi-paso | Trata todos los toques igual |
| Time-decay | Más peso a toques recientes | Media | Ciclos de compra cortos | Puede subvalorar el descubrimiento |
| Position-based | 40% primero / 40% último / 20% medio | Media | Recorridos con apertura y cierre claros | Requiere supuestos de ponderación |
Cada modelo pone el foco en un momento distinto del journey. Y ahí aparece el ruido: cuando ese mismo referido pasa por varios canales antes de comprar, la lectura deja de ser tan limpia.
El modelo define cuánto crédito se asigna. La ventana define durante cuánto tiempo ese crédito sigue vigente. Son dos ajustes distintos, y los dos pesan.
Las ventanas más comunes van de 7 a 90 días. Una ventana de 7 días suele encajar mejor con compras impulsivas y de ticket bajo. Una de 30 días suele usarse como valor por defecto en e-commerce general. Cuando la compra lleva más tiempo de decisión, conviene moverse a 45 a 90 días, porque el referido pudo haber influido semanas antes de que la operación se cierre.
Dentro de esa ventana, hay tres mecanismos que suelen contar:
En recorridos omnicanal - por ejemplo, alguien descubre en Instagram, pregunta mediante campañas automatizadas en WhatsApp y termina comprando en la tienda - muchas veces no existe un clic final prolijo, de punta a punta. Por eso, combinar estos mecanismos ayuda a achicar los huecos de atribución.
La regla es bastante directa: cuanto más alto el ticket y más largo el tiempo de decisión, más larga debería ser la ventana. En journeys omnicanal, esa lógica empieza a mostrar límites.
La atribución estándar se rompe cuando el recorrido pasa por varios canales y se estira por varios días.
En e-commerce argentino, el caso más común suele ser así: una Story de Instagram con un código de referido, después una consulta por WhatsApp sobre talles y cuotas, y al final una compra en la tienda online. El sistema estándar corta ese recorrido en pedazos. Entonces, cuando la venta se concreta, le da todo el mérito al último clic y deja afuera todo lo anterior.
WhatsApp empeora ese problema porque ahí no hay simples clics: hay conversaciones. Un chat puede durar días, incluir fotos, preguntas sobre stock real y respuestas sobre envíos a distintas provincias. Todo eso mueve la venta, pero no deja una URL rastreable. Y acá no se juega solo un tema técnico. También define quién se lleva la comisión.
Cuando pasa esto, usar una sola forma de atribución ya no alcanza. Hace falta armar reglas por canal y usar una ventana distinta según el tipo de compra.
Last-click suele premiar de más al mensaje final. First-click hace lo mismo con el primer contacto, incluso si el peso de la venta estuvo en WhatsApp o en la charla previa.
El problema, entonces, no es la venta en sí. El error está en darle todo el crédito a un solo toque, como si el resto del recorrido no hubiera importado.
| Situación | ¿Modelo estándar alcanza? | Por qué falla |
|---|---|---|
| Clic en link de referido → compra en la misma sesión | Sí | El recorrido es corto y el modelo estándar alcanza. |
| Abandono de carrito → mensaje final por WhatsApp → compra inmediata | Sí | El cierre ocurre en un tramo corto y el mensaje es claramente decisivo. |
| Varios referidores activos en distintos canales para la misma persona | No | El crédito completo termina en una sola fuente, aunque influyeron varias. |
| Automatización de recupero de carrito que cierra la venta | No | El cierre se atribuye a la automatización y no al referidor original. |
Centralizar WhatsApp, Instagram y la tienda online en una sola fuente de datos ayuda a reconstruir el recorrido completo. También permite conservar la fuente original del lead, en lugar de perderla en el último paso.
Ahí aparece el punto de quiebre: cuando esa continuidad se rompe, hay que definir reglas custom. Esto es clave al aplicar estrategias de WhatsApp para aumentar ventas en entornos multicanal.
Si el recorrido se corta por canal, la atribución tiene que pasar a reglas concretas. Antes de implementar nada, definí qué cuenta, cuánto pesa, cuánto dura y qué recompensa activa.
La atribución custom no crea reglas de la nada. Lo que hace es reflejar el papel real de cada touchpoint dentro del recorrido. En un caso típico, Instagram genera descubrimiento, WhatsApp acompaña y empuja la decisión, y la tienda online confirma y cierra la compra.
Instagram funciona como canal de descubrimiento. Conviene rastrear Stories, DMs y el link en bio con UTM + ID del referidor, y registrar cada contacto en el CRM.
WhatsApp cumple el rol de asistencia. Una pregunta por talles, una validación de stock o un link de pago pueden cambiar una compra. Por eso, esas interacciones tienen que quedar registradas como eventos en el CRM o en la capa de atribución. No conviene dejarlas perdidas en chats sin datos.
La tienda online actúa como canal de cierre. En el checkout, capturá el código de referido, el ID del cliente y el valor de la orden. Si podés hacerlo del lado del servidor, mejor: así la data persiste entre dispositivos y no depende de cookies.
Con esa base, conviene bajarlo a una matriz simple de uso.
| Tipo de producto | Rango de precio (ARS) | Ventana sugerida | Lógica |
|---|---|---|---|
| Cosmética / reposición rápida | Hasta ARS 20.000 | 7–14 días | Compra rápida |
| Indumentaria / calzado de rango medio | ARS 30.000–80.000 | 30 días | Compra planificada |
| Electrónica / alta consideración | Más de ARS 80.000 | 45–90 días | Alta consideración |
En productos de alta consideración, suele rendir extender la ventana hasta cubrir dos ciclos de cobro. Tiene lógica: muchas personas comparan, consultan y recién compran después, cuando cobran.
Sobre los pesos por toque, el modelo posicional o en U suele encajar bien en recorridos con Instagram + WhatsApp + tienda. Asigna 40% al primer toque, 40% al último y distribuye el 20% restante entre los toques intermedios. Para marcas nuevas o recorridos más cortos, el modelo lineal - mismo crédito para todos los toques - resulta más simple de implementar y también más fácil de explicar al equipo.
Antes de tocar integraciones, dejá todo documentado en una tabla simple. Esa planilla sirve como fuente única de referencia para growth, soporte y tecnología.
| Canal | Toques válidos | Modelo | Ventana | Recompensa | Tope |
|---|---|---|---|---|---|
| Instagram Stories | Story con sticker de enlace y UTM del referidor | Posicional | 7–14 días | 5–10% de la venta neta o monto fijo por orden | Tope por orden (por ejemplo, ARS 10.000) |
| Consulta de producto, link de pago, recuperación de carrito | Posicional o time-decay | 30 días | 5–10% de la venta neta o monto fijo por orden | Tope por orden (por ejemplo, ARS 10.000) | |
| Tienda online | Código de referido en checkout | Sobrescribe cualquier otro tracking si hay código | Ventana ilimitada para el código | 5–10% de la venta neta o monto fijo por orden | Tope por orden (por ejemplo, ARS 10.000) |
Hay una regla de prioridad que conviene dejar escrita desde el día uno: el código de referido ingresado en el checkout sobrescribe cualquier otro tracking. Si no aparece código, entra en juego el modelo posicional según los toques que hayan quedado registrados.
La idea es que esa matriz ya quede lista para conectarse después con los datos de venta y el CRM.
Con las reglas por canal, ventana y peso ya definidas, el paso que sigue es ponerlas a prueba con datos reales.
Uní UTM, cupones, IDs de cliente y de orden, timestamps normalizados y eventos de WhatsApp, Instagram y cierre de compra.
Arrancá con un modelo base de last-touch de 30 días. Es simple de auditar y te da un punto de comparación claro para medir después qué cambia. Burbuxa centraliza productos, órdenes, clientes, inventario, descuentos y políticas, y además vincula conversaciones con ventas.
Después de 30 a 60 días, compará los dos modelos sobre las mismas órdenes. La idea es etiquetar cada orden con el resultado de ambos en paralelo y revisar todo dentro del mismo período.
| Métrica | Interpretación |
|---|---|
| Ingresos por referidos (ARS) | El modelo custom reconoce toques intermedios en WhatsApp e Instagram que el estándar ignoraba. |
| Referentes recompensados | Más referentes reciben crédito cuando se consideran los toques de descubrimiento, no solo el cierre. |
| CAC de referidos (ARS) | El modelo custom aísla mejor los clientes nuevos reales, bajando el CAC efectivo. |
| Margen neto de las órdenes referidas | Recompensas más precisas evitan sobrepagar en órdenes de bajo margen. |
Acá hay dos métricas que pesan más que el resto: el margen neto y el CAC. Un programa puede parecer rentable si mirás solo revenue, pero igual comerse el margen si las reglas de atribución le dan crédito de más a ciertos canales. Dicho simple: no alcanza con vender más; importa cuánto te queda.
Si el modelo custom corrige mejor la asignación de crédito, conviene ajustar pesos y ventanas antes de escalar.
Los modelos estándar sirven como punto de partida, pero no alcanzan por sí solos. En recorridos omnicanal donde Instagram abre el descubrimiento, WhatsApp acompaña la decisión y la tienda cierra la venta, last-touch solo no refleja bien quién influyó de verdad en la compra.
Cuando definís reglas por canal, ventanas alineadas con el ciclo de compra y pesos por toque bien marcados, el programa de referidos deja de mandar todo el crédito al último clic. La atribución custom ordena algo muy concreto: quién cobra, cuándo cobra y por qué cobra en recorridos omnicanal.
No conviene dejar last-click cuando el recorrido es largo y tiene muchos puntos de contacto. Tampoco cuando querés que el modelo reconozca el descubrimiento y el nurturing, y no solo el cierre.
En esos casos, suele tener más sentido pasar a modelos multitouch. Sobre todo si ya tenés suficiente volumen de datos y tus campañas mezclan WhatsApp e Instagram, con varios contactos antes del checkout.
Definí cómo vas a repartir el crédito de cada venta entre los puntos de contacto. Acá tenés tres modelos simples y muy usados:
Para saber de dónde vino cada venta de verdad, usá UTMs o enlaces únicos. Eso te permite identificar el canal de origen y calcular los ingresos atribuidos por canal sin adivinar.
Sin ese seguimiento, pasa lo de siempre: parece que un canal “vende” solo porque fue el último clic, cuando en realidad otro hizo gran parte del trabajo antes.
Como mínimo, necesitás datos de cada touchpoint del cliente:
Si querés unir el recorrido entre sistemas, hace falta además un identificador. Puede ser un customer ID, un teléfono o un order ID. También sumá la fuente, la sesión o campaña (UTM) y el canal de origen.
Sin ese cruce por ID, la trazabilidad se corta. Así de simple.
