Una venta atribuida no prueba que una campaña o un chat la haya generado. Por eso, antes de comparar resultados, reviso el modelo, la ventana de atribución y los pedidos duplicados: el último clic puede recibir el 100 % del crédito, aunque hayan intervenido otros contactos.
En este artículo explico cómo leer esos paneles sin confundir crédito con ventas adicionales:
<u>El límite del reporte es claro:</u> faltan fuentes identificables y mediciones comparables. Lo presento como una guía de lectura, no como un estudio con cifras verificadas.
Este texto resume cómo leer paneles de atribución en e-commerce. Si incorporás fuentes o paneles propios, registrá muestra, país, canal, período, volúmenes, campaña, modelo y ventana de atribución. Aclará qué evento define el período - inicio del chat, creación del pedido o pago - y si una nueva interacción reinicia la ventana.
Marcá cada dato ausente como “no informado”, sin reemplazarlo con supuestos. Estos requisitos ayudan a distinguir atribución de asistencia. Medir incremento requiere, además, una comparación válida. Con esa base, podés comparar cuánto crédito asigna cada modelo a campañas, chats y recuperación de carritos abandonados.
Definí qué registros vas a incluir antes de analizar. Cada pedido debe tener un ID válido, fecha y hora, moneda, importe bruto y estado de pago, entrega, cancelación o devolución. Cada conversación necesita canal, marca de inicio, identificador de cliente o sesión cuando esté disponible y un resultado identificable.
Separá las respuestas automáticas sin intervención comercial de las recomendaciones de producto, la asistencia en checkout y las derivaciones humanas. Excluí pruebas, compras internas, fraude, spam y duplicados, e informá las cantidades y los motivos. Las cancelaciones completas no cuentan como ventas válidas, pero conviene conservarlas para conciliar los registros.
Unificá web, WhatsApp, Instagram y tienda en una tabla de eventos. Incluí source, medium, campaign, anuncio o creativo, página de entrada, marca temporal e IDs de sesión, cliente, conversación, carrito, checkout y pedido. Conservá el recorrido clic → chat → carrito → pedido, junto con impresiones, visitas, respuestas y reembolsos. Así podés identificar qué contactos ocurrieron antes de la compra.
Registrá actor y tipo de respuesta para distinguir IA, persona y transferencia. Un saludo automático no alcanza para atribuir una venta a IA. Clasificá como coincidencias directas los vínculos basados en identificadores validados. Separalos de las inferencias por dispositivo, horario o señales incompletas, y calculá los resultados con y sin coincidencias inciertas. Recién con la secuencia armada podés leer los resultados por modelo.
Usá definiciones paralelas para las tres medidas:
Aclará cómo tratás los impuestos, el envío y las devoluciones parciales. Etiquetá las recompras como ventas de clientes existentes, no automáticamente como adquisición. Mostrá los pesos como ARS $125.000,50, las fechas en DD/MM/YYYY y los horarios en ART (UTC−3). Mantené las monedas separadas, salvo que documentes la fuente, el tipo de cambio y la fecha.
Conciliá los pedidos y los ingresos diarios por moneda contra los registros de la tienda. Deduplicá pedidos por ID de pedido y pago, y conversaciones por ID y canal. Medí los pedidos sin fuente, las coincidencias inciertas y las diferencias de ingresos.
Documentá el consentimiento, las bajas y la eliminación de datos para la vinculación individual. Una venta registrada no prueba por sí sola una coincidencia individual ni habilita esa vinculación. Separá las conversiones por impresión sin clic (view-through), por clic y modeladas.
Registrá la versión de la regla y cualquier cambio de integración, UTM o zona horaria. Con los datos conciliados, pasá al análisis de campañas, recuperación y soporte asistido para comparar modelos sin mezclar ventas atribuidas, asistidas y recuperadas.
Modelos de atribución en e-commerce: cómo reparten el crédito
Una vez conciliados los datos de campañas, chats y pedidos, podés ver cómo se reparte el crédito según la regla elegida. El material disponible solo muestra ese reparto: no permite comparar campañas ni medir su impacto incremental.
Los modelos distribuyen el crédito de un mismo recorrido de distintas maneras.
| Modelo | Asignación del crédito | Uso | Límite |
|---|---|---|---|
| Primer clic | 100 % al primer contacto | Descubrimiento | Ignora los demás contactos |
| Último clic | 100 % al último contacto | Disparador final | Subestima los demás contactos |
| Lineal | Crédito igual para todos los contactos | Visión general | No pondera el peso de cada contacto |
| Decaimiento temporal | Más crédito a los contactos cercanos a la compra | Ciclos cortos | Penaliza los contactos tempranos |
| Basado en posición (40/40/20) | 40 % al primero, 40 % al último y 20 % a los contactos intermedios | Equilibrar apertura y cierre | Usa pesos fijos |
Cada modelo responde una pregunta distinta sobre el descubrimiento, el cierre o el recorrido. La atribución reparte crédito; no demuestra causalidad.
Para comparar campañas, mantené fijos el método y la ventana de atribución. Si reportás ingresos, inversión, ROAS o ROI, usá también la misma base de cálculo y reglas idénticas.
ROAS y ROI no miden lo mismo. Aclará qué costos incluye cada uno y no los compares si cambian las reglas de atribución.
Al comparar paneles, revisá sus criterios de medición. Las diferencias entre plataformas, las muestras no equivalentes y las interacciones no registradas pueden distorsionar la comparación.
Con los datos conciliados, el panel distingue dos usos: recuperar carritos mediante estrategias de WhatsApp y generar ventas desde soporte con IA.
Definí quiénes son elegibles: clientes que abandonaron el carrito dentro de un período fijo. Registrá el tamaño del grupo, los mensajes enviados, las entregas, las respuestas, las órdenes recuperadas, el ingreso neto, el tiempo entre el abandono y la compra, y el ingreso neto por conversación.
Desglosá los resultados por canal, categoría de producto, valor del carrito, cliente nuevo o recurrente, dispositivo, geografía, consentimiento, exposición a descuentos y tiempo desde el abandono. El material no reporta mediciones comparables por grupo.
Calculá la conversión sobre los clientes elegibles de cada grupo. Usá el mismo período de seguimiento y expresá los importes en pesos argentinos (ARS). Para calcular el margen de contribución, restá del ingreso neto los costos de producto, las comisiones de pago, el envío y los costos variables de mensajería o plataforma. No vuelvas a descontar descuentos ni devoluciones.
Ingreso atribuido no es lo mismo que ingreso incremental. El primero vincula una orden con un mensaje. Para estimar el segundo, necesitás comparar con un grupo testigo aleatorio: un grupo no contactado no equivale a un control aleatorio.
No se reportan resultados comparables ni asignación aleatoria.
Clasificá cada conversación por intención y vinculala con las órdenes mediante IDs estables. Medí conversión asistida, ticket neto, resolución y recompra. Reportá el ingreso atribuido por separado.
Compará clientes elegibles del mismo período y usá un seguimiento igual para medir la recompra: 30, 60 o 90 días. Segmentar por categoría o historial no elimina el sesgo de intención de compra. Quienes consultan pueden estar más cerca de comprar.
El panel debería mostrar solo tres capas para facilitar la lectura de los resultados:
En todas las capas, mostrá el denominador junto a cada tasa.
Conciliá las órdenes con el backend de la tienda, deduplicá los eventos de compra del navegador y del servidor, y registrá la zona horaria. Auditá cancelaciones, reembolsos posteriores al período, ventas offline y casos asignados por error al grupo testigo aleatorio. Si una orden combina recuperación y soporte, mostrá esa superposición por separado, pero contá su ingreso una sola vez en el total.
Los paneles muestran crédito asignado a campañas, carritos recuperados y ventas asistidas. Pero no prueban incrementalidad ni rentabilidad: el crédito depende del modelo de atribución y, para evaluar la rentabilidad, hay que mirar el margen de contribución.
Los recorridos entre dispositivos, el consentimiento y los cambios de privacidad dejan contactos sin registrar. El último clic sesga cómo se reparte el crédito entre campañas, chats y pedidos. Además, el chat suele atraer usuarios que ya tienen mayor intención de compra.
Las condiciones comerciales también afectan los resultados. Descuentos, devoluciones, cancelaciones, recompras y duplicados distorsionan el total. Separá Hot Sale y CyberMonday de las semanas habituales: las promociones, el stock y la demanda cambian durante esos eventos.
En Argentina, facturar más pesos no significa vender más unidades ni obtener más margen. Compará pedidos, unidades y valores a precios constantes.
Antes de analizar los datos, fijá la ventana, el evento de conversión y el modelo principal. Usá las mismas definiciones para todos los canales y períodos. Mostrá ingreso bruto, ingreso neto y margen por separado, sin volver a restar los descuentos que ya están incluidos en el neto. Aclará si los importes están expresados en ARS nominales o a precios constantes.
Publicá resultados por cliente y producto solo cuando las muestras sean suficientes. Para medir incrementalidad, usá grupos testigo aleatorios. Informá el tamaño de la muestra, la incertidumbre, las fechas de la fuente y de extracción, y las fallas de calidad de los datos.
La ventana depende de tu ciclo de ventas y del volumen de conversiones. Para carritos recuperados y ventas en WhatsApp, se recomienda usar entre 24 y 72 horas. Ese plazo ayuda a separar las conversiones directas de las asistidas y obtener datos más limpios.
Si tu ciclo dura hasta 7 días o tenés menos de 100 conversiones mensuales, alcanzan ventanas cortas. Para analizar datos históricos o ciclos de venta largos, se sugieren ventanas de 30 a 90 días.
Medí el aporte incremental de la IA, no solo las ventas totales. Para eso, establecé una línea de base con los datos de abandono y recuperación anteriores a su uso. Después, clasificá las interacciones según quién las resolvió: la IA o el equipo humano.
Conectá WhatsApp, Instagram y tu tienda mediante identificadores únicos para atribuir cada venta a la IA o a una persona. Auditá tanto los casos que la IA atendió sin derivar como los que pasó al equipo humano. Así podés verificar que las consultas se hayan resuelto y que los registros coincidan con los datos de tu e-commerce.
No necesitás llegar a una cantidad específica de clientes para escalar. Necesitás una línea de base sólida y datos limpios. Registrá primero tus tasas actuales de abandono y recuperación: así vas a comparar los resultados con tu punto de partida, no con cero.
Burbuxa reúne datos de ventas, soporte y marketing en tiempo real para distinguir entre la recuperación atribuida y el incremento real. Así, no cuenta como incremento las ventas que habrían ocurrido de todos modos.
