--- title: "Modelo de atribución MMM: qué muestra y qué no" description: "El modelo de atribución MMM reparte el resultado entre canales, pero no dice qué anuncio funcionó. Aprende qué decisiones permite y cuáles no." canonical: https://adsbeast.pro/blog/es/modelo-de-atribucion-mmm-que-muestra-y-que-no language: es published: 2026-10-10T02:41:57.022Z updated: 2026-10-10T02:41:57.022Z author: "Equipo editorial de ADS Beast" translations: - ar: https://adsbeast.pro/blog/ar/attribution-model-what-it-shows-and-what-it-can-t - en: https://adsbeast.pro/blog/en/attribution-model-what-it-shows-and-what-it-can-t - he: https://adsbeast.pro/blog/he/attribution-model-what-it-shows-and-what-it-can-t - ru: https://adsbeast.pro/blog/ru/modeli-atributsii-i-mmm-chto-pokazyvaet-model-a-chto-net - sk: https://adsbeast.pro/blog/sk/mmm-jednoducho-vysvetlene-co-model-ukazuje-a-co-nie - uk: https://adsbeast.pro/blog/uk/mmm-prostimi-slovami-shcho-pokazuye-model-a-shcho-ni --- # Modelo de atribución MMM: qué muestra y qué no El modelo de atribución MMM reparte el resultado observado (ventas, leads, registros) entre los canales que estuvieron activos en el periodo y estima cuánto aporta cada uno cuando se mueve su inversión. No dice qué anuncio vio una persona concreta, ni en qué orden tocó cada canal, ni prueba causalidad por sí solo. Trabaja con datos agregados y con lo que ya pasó. ## En resumen - El MMM (marketing mix modeling) explica el resultado a nivel de mercado: totales por semana o por mes, no por persona. - Sirve para comparar el aporte de canales entre sí, incluidos los que no tienen clic, como televisión o radio. - No reconstruye el recorrido de un usuario ni distingue dos creatividades dentro del mismo canal. - Su calidad depende del historial de inversión, de la métrica de negocio y de las variables externas que le des. - Complementa, no reemplaza, la atribución por usuario que ves en GA4 o en Google Ads. ## Qué es un modelo de atribución MMM y qué problema resuelve Un modelo de atribución MMM es un análisis estadístico que relaciona la inversión por canal con una métrica de negocio a lo largo del tiempo. Su objetivo es repartir el resultado observado entre los canales que estuvieron activos y estimar cuánto cambia ese resultado si mueves el presupuesto de un canal a otro. El problema que resuelve es concreto: cuando el cliente llega por una recomendación, ve un anuncio en televisión, luego busca la marca y compra, ningún último clic captura esa cadena. El MMM mira el total del mercado y busca la relación entre lo que se invirtió y lo que se vendió, sin depender de que cada persona haya hecho clic en algo. Por eso el modelo de atribución marketing y el modelo de atribución analytics no son lo mismo. El primero parte de la inversión y el resultado agregado; el segundo parte de los eventos que registra tu analítica, con sus propias reglas de reparto. Confundirlos lleva a pedirle al MMM cosas que solo puede dar la medición por usuario. ## Qué muestra el modelo de atribución MMM Muestra la contribución estimada de cada canal al resultado total, y cómo cambia esa contribución cuando varía la inversión. Esa es la respuesta corta. En la práctica, un MMM bien construido entrega tres cosas. Primero, un reparto del resultado por canal: cuánto del total se explica por cada uno, incluyendo los que no generan clics. Segundo, una curva de respuesta por canal, que indica si ese canal ya está saturado o si todavía admite más inversión con retorno razonable. Tercero, escenarios: qué pasaría con el resultado si repartes el presupuesto de otra forma. También separa el efecto de factores que no son medios: estacionalidad, precio, promociones, apertura de tiendas, cambios de surtido. Esa separación es la parte más valiosa y la que más se subestima. Si no la haces, cualquier pico de ventas en una campaña de rebajas se atribuye al canal que coincidió en fechas. Lo que el modelo entrega son estimaciones con un rango de incertidumbre. No son cifras exactas. Un buen informe dice qué tan estable es cada contribución y qué pasa si los supuestos cambian. ## Qué no muestra el modelo de atribución MMM No muestra qué anuncio concreto funcionó, ni qué persona vio qué, ni en qué orden. Eso pertenece a la atribución por usuario. El modelo trabaja con datos agregados: agrupa inversión y resultado por canal y periodo. Al no tener detalle a nivel de impresión ni de persona, no puede distinguir entre dos creatividades del mismo canal, ni reconstruir la secuencia de contactos, ni decir qué público respondió mejor. Tampoco prueba causalidad por sí solo. Encuentra relaciones entre variables en datos históricos. Si dos canales siempre suben y bajan juntos, el modelo tiene dificultades para separar cuánto aporta cada uno. Esa limitación se llama colinealidad y es la razón más común por la que dos proveedores entregan números distintos para el mismo negocio. Y no predice la demanda futura. Proyecta escenarios bajo supuestos que tú defines. Si el mercado cambia, el escenario deja de valer. ## MMM frente a la atribución por usuario: diferencias que importan La atribución por usuario sigue el recorrido de una persona identificable y asigna el mérito a un punto de contacto: el último clic, el primero, o una regla basada en datos. El MMM mira totales por semana o por mes y busca la relación entre inversión y resultado a nivel de mercado. | Criterio | Atribución por usuario | Modelo de atribución MMM | |---|---|---| | Unidad de análisis | Persona o sesión identificable | Totales por canal y periodo | | Canales sin clic (TV, radio) | No los puede valorar | Sí los puede valorar | | Detalle de creatividad | Sí, dentro de la plataforma | No | | Prueba de causalidad | Limitada al punto de contacto | Estimada, con supuestos | | Datos que necesita | Eventos con identificador de usuario | Historial de inversión y métrica de negocio | | Decide | Qué público y qué creatividad ajustar | Cómo repartir inversión entre canales | La atribución basada en datos de GA4 y los modelos de Google Ads operan en el primer mundo: reparten el mérito entre los contactos registrados de cada usuario. El MMM opera en el segundo. Ninguno sustituye al otro, y quien promete que uno reemplaza al otro está simplificando de más. Hay un detalle práctico que conviene tener claro: el modelo de atribución Google Ads reparte dentro de las campañas de esa plataforma. No ve la televisión, ni la radio, ni la recomendación boca a boca. El MMM sí puede incluir esos canales, siempre que tengas su inversión registrada. ## Qué datos necesita y de qué depende la calidad del resultado Necesita historial de inversión por canal y por periodo, la métrica de negocio que quieras explicar y variables externas como estacionalidad, precio o promociones. La calidad del dato de negocio importa más que el número de canales incluidos. El historial debe cubrir suficientes periodos como para que el modelo vea variación. Si el presupuesto cambió poco durante meses, no hay información para separar un canal de otro: el modelo no puede aprender de lo que nunca varió. Con pocas semanas de datos, o con cambios de presupuesto muy bruscos, la estimación se vuelve inestable. La métrica de negocio tiene que ser consistente. Si mides ventas online en un periodo y ventas totales en otro, el modelo compara cosas distintas. Lo mismo con descuentos: si no registras cuándo hubo promoción, ese efecto se confunde con el del canal activo en esas fechas. Antes de contratar un MMM, revisa esto: 1. ¿Tienes la inversión por canal registrada de forma homogénea, sin huecos ni cambios de criterio a mitad de serie? 2. ¿La métrica de negocio está medida igual en todo el periodo? 3. ¿Están anotadas las promociones, los cambios de precio y los eventos externos relevantes? 4. ¿Puedes explicar qué canal estuvo activo cada semana, aunque no tuviera clics? Si la respuesta a alguna es no, el primer trabajo no es modelar: es ordenar el dato. ## Cómo se lee un informe MMM sin sacar conclusiones falsas Se lee como un mapa de contribuciones con incertidumbre, no como una lista de ganadores. Tres hábitos evitan la mayoría de los errores. Mira los rangos, no solo el número central. Si un canal aporta una cifra con un rango amplio, la decisión de mover presupuesto hacia él es arriesgada. Si el rango es estrecho y el canal está lejos de la saturación, la señal es más firme. Comprueba que el reparto cuadra con lo que sabes del negocio. Si el modelo dice que un canal que estuvo apagado dos meses aportó mucho, algo falla en los datos o en los supuestos. El MMM no es una caja negra que se cree sin más. Usa los escenarios como hipótesis para probar, no como órdenes. Si el modelo sugiere que reasignar presupuesto mejora el resultado, la forma de validarlo es un test controlado en una parte del mercado, no un cambio total de un día para otro. Para valorar el conjunto del negocio, conviene leer el resultado junto a métricas agregadas como las que explico en [MER y ROAS: cuándo cada métrica es más honesta](/blog/es/mer-y-roas-cuando-cada-metrica-es-mas-honesta). Un error frecuente es comparar el reparto del MMM con el de la atribución por usuario y concluir que uno miente. No mienten: responden preguntas distintas. El primero dice cuánto aporta cada canal al total; el segundo, a qué contacto se le apunta el mérito de una conversión registrada. ## Decisiones que sí permite y decisiones que no Permite comparar el aporte de canales entre sí y simular escenarios de reparto de inversión a partir de tu propia historia. No permite fijar el presupuesto diario de una campaña ni decidir qué público o qué creatividad activar mañana. Con un MMM puedes decidir si conviene mantener la televisión junto al pago por clic, si un canal está saturado y admite menos inversión, o cómo repartir el presupuesto del próximo trimestre entre canales altos y bajos en el embudo. También puedes justificar ante dirección por qué el último clic no sirve como única vara de medir. No puedes usarlo para ajustar la puja de una campaña, ni para elegir el texto de un anuncio, ni para saber si un creativo concreto funcionó. Eso se decide con la medición a nivel de campaña y con las reglas de cada plataforma. Tampoco puedes pedirle que prediga la demanda del año que viene sin añadir supuestos externos sobre mercado y competencia. Para las decisiones de mezcla de canales conviene apoyarse en el marco completo de producto, precio, plaza y promoción que desarrollo en [Marketing 4P: conecta producto, precio, plaza y promoción](/blog/es/marketing-4p-conecta-producto-precio-plaza-y-promocion). El MMM informa la parte de promoción, pero no decide la estrategia por ti. ## Errores típicos al usar un modelo de atribución El error más común es pedirle al MMM el nivel de detalle de la atribución por usuario. Cuando eso pasa, el informe se llena de conclusiones que el modelo no puede sostener. Otros errores que aparecen una y otra vez: - Meter canales con inversión mal registrada y esperar que el modelo los separe igual. - Ignorar las promociones y luego atribuir su efecto al canal activo en esas fechas. - Cambiar el presupuesto de forma brusca durante el periodo analizado y modelar después como si nada hubiera pasado. - Leer el reparto como una verdad exacta y no como una estimación con rango. - Usar el MMM para decidir el día a día de las campañas. La forma de detectarlos antes de que contaminen el resultado es revisar el dato de entrada con la misma atención que el informe final. Un MMM con datos sucios produce números limpios y equivocados. ## Cómo encaja el MMM con el resto de tu medición El MMM es la pieza agregada de un sistema de medición, no el sistema completo. La medición por usuario cubre el detalle de la campaña; el MMM cubre la mezcla de canales y el efecto de factores externos. Cuando trabajas con varios canales a la vez, incluidos los que no generan clics, el MMM es lo que evita que el reparto de presupuesto se decida por el último clic. Para valorar el retorno de un cliente a lo largo del tiempo y no solo de una compra, la referencia es [Calcular LTV: fórmula y uso real en tus anuncios](/blog/es/calcular-ltv-formula-y-uso-real-en-tus-anuncios). Para el efecto de canales nuevos sin clic tradicional, conviene leer [Publicidad en ChatGPT: cuánto cuesta y cómo medir su efecto](/blog/es/publicidad-en-chatgpt-cuanto-cuesta-y-como-medir-su-efecto). Y si el MMM te dice que un canal social aporta más de lo que parecía, la ejecución de esa parte se apoya en una [estrategia de promoción en redes sociales que convierte](/blog/es/estrategia-de-promocion-en-redes-sociales-que-convierte). ## Siguiente paso Antes de contratar un MMM, ordena el dato: inversión por canal y periodo, métrica de negocio consistente y registro de promociones y cambios de precio. Si ya tienes esa base y quieres ver cómo se traduce en escenarios de presupuesto sobre tu propia historia, revisa las [proyecciones de escenarios de inversión](/features/es/forecasts). ## Preguntas y respuestas ### ¿Qué muestra el modelo de atribución de MMM y qué deja fuera? El MMM reparte el resultado observado (ventas, leads, registros) entre los canales que estuvieron activos en el periodo, y estima cuánto aporta cada uno cuando se mueve su inversión. No dice qué anuncio vio una persona concreta ni en qué orden tocó cada canal: eso pertenece a la atribución por usuario, no al modelo. Tampoco prueba causalidad por sí solo, porque trabaja con datos agregados y con lo que ya pasó. ### ¿Cómo se diferencia el MMM de la atribución por clic o por usuario? La atribución por usuario sigue el recorrido de una persona identificable y asigna el mérito a un punto de contacto, como el último clic o una regla basada en datos. El MMM mira totales por semana o por mes y busca la relación entre inversión y resultado a nivel de mercado. Por eso el MMM puede valorar canales sin clic, como la televisión o la radio, y la atribución por usuario no. ### ¿Qué datos necesita un MMM para dar resultados utilizables? Necesita historial de inversión por canal y por periodo, la métrica de negocio que quieras explicar y variables externas como estacionalidad, precio o promociones. Cuanto más largo y limpio sea el historial, más estable es la estimación; con pocas semanas o con cambios de presupuesto muy bruscos, el modelo tiene menos información para separar un canal de otro. La calidad del dato de negocio importa más que el número de canales incluidos. ### ¿Por qué el MMM no puede decir qué anuncio concreto funcionó? Porque trabaja con datos agregados: agrupa la inversión y el resultado por canal y periodo, no por impresión ni por persona. Al no tener el detalle a nivel de usuario, no puede distinguir entre dos creatividades del mismo canal ni reconstruir la secuencia de contactos. Para eso necesitas medición a nivel de usuario, como la que permite GA4 con sus modelos de último clic y basado en datos. ### ¿Qué decisiones de presupuesto se pueden tomar con un MMM y cuáles no? Sirve para comparar el aporte de canales entre sí y para simular escenarios de reparto de inversión a partir de tu propia historia. No sirve para fijar el presupuesto diario de una campaña ni para decidir qué público o qué creatividad activar mañana: eso se ajusta con la medición a nivel de campaña y con las reglas de cada plataforma. Tampoco predice la demanda futura por sí solo; para eso hay que añadir supuestos externos.