Tradicionalmente, los analistas más avanzados han minimizado el impacto de esta configuración por defecto usando diferentes variables para almacenar el tracking code con diferentes allocations methods “ first”, “most recent”, “linear” en las variables o habilitando eventos de éxito con métricas de participación “participation”.

Esto obligaba a realizar implementaciones y configuraciones complejas que además del propio coste de implementación, muchas veces exigían de explicaciones muy desarrolladas para hacerlas entendibles a usuarios de diferentes perfiles y que debido a esta complejidad eran fuente de malinterpretaciones y de reporte erróneo.

Attribution IQ

A finales de 2018 Adobe lanza esta nueva funcionalidad cuya intención era eliminar el gap existente en este campo respecto a otras herramientas de mercado que llevaban ya tiempo dando otras visiones del “path to conversión” más adecuadas a los tiempos actuales.

Mediante esta funcionalidad se implementan diferentes modelos y distintas posibilidades de incorporarlos los análisis y reportes de la workspace.

Pueden ser aplicados a todas las métricas dimensiones y clasificaciones disponibles en nuestra taxonomía de Adobe ( con la excepción de las métricas preconstruidas de la herramienta como visitas, visitantes, páginas vistas, entradas…)

Las ventanas de conversión también son configurables (pueden establecerse a nivel de visita, visitante o por tiempo que se desee con un máximo de 90 días)

Pueden ser usadas en tanto  las freeform tables como en métricas calculadas y además nos generan un panel especial en workspace donde comparar modelos y ver las contribuciones de cada canal en los procesos de conversión.

Modelos Basados en Reglas

Los modelos disponibles en la herramienta son los que detallamos a continuación.

	Modelo de Atribución	Definición	Caso de uso
	Last Touch	100% del crédito de la conversion al touchpoint más cercano a la conversión.	El modelo de atribución más común. Se utiliza con frecuencia para journeys de ciclo corto.
	First Touch	100% del crédito al pirmer touchpoint detectado en la ventana de conversión	Otro muy común y útil para analizar los canales que más impacto tienen en la fase de awarness del journey ( display, social)
	Same Touch	100% al mismo hit donde se produce la conversión Si no es simultaneo al touch point este se agrega con valor ‘none’	Útil para evaluar el contenido y la UX del momento de conversión.
	Linear	El crédito se reparte por igual a cada touchpoint	Útil para procesos de conversión de maduración larga o experiencias con mayor engagement (suscripciones o procesos recurrentes como notificaciones push)
	U-Shaped	40% del crédito a la primera y última, y el restante 20% dividido entre los puntos intermedios.	Ideal para medir los canales que inician la conversión y los que cierran la misma.
	J-Shaped	60% a la última interacción, 20% a la primera, y el restante 20% dividido entre los puntos intermedios.	Para priorizar finders y closers, pero aumentando el foco en el cierre de conversiones.
	Inverse J	60% a la primera interacción, 20% a la última, y el restante 20% dividido entre los puntos intermedios.	Igual que el anterior, pero aumentando el foco en los finders
	Custom	Permite especificar el crédito a los primeros y últimos touchpoints y el porcentaje de cada intermedio.	Permite modelizar con total libertad y adaptando a caso en concreto.
	Time-Decay	Sigue un decaimiento exponencial. La fórmula usada para calcular es 2^(-t/media vida), donde t es el tiempo entre un touchpoint y la conversión.	Útil para medir campañas con ciclo de conversión corto o con un carácter temporal limitado.
	Participation	100% del crédito a cada touchpoint. .El número total de conversiones se sobreestima usando este método.	Ayuda a entender cuanto están los usuarios expuestos a una interacción concreta. Útil para calcular content-velocity o entender las partes claves de un site en el proceso de conversión.

Modelo Algorítmico

Algorítmico

Usa métodos matemáticos para una mejor distribución del crédito de las conversiones.

Ideal para elegir el mejor modelo de atribución sin uso de ajustes prueba-error o métodos heurísticos.

El mayor avance de Attribution IQ está en el uso, además de los basados en reglas, de modelos de base estadística. Lamentablemente sólo disponibles para la versión Ultimate de Adobe Analytics y para Customer Journey Analytics (que forma parte de la nueva evolución de herramientas de análisis y activación del dato que supone Adobe Experience Platform y de la que hablaremos próximamente)

Siguiendo la documentación de Adobe “El algoritmo utilizado para la atribución se basa en el dividendo de Harsanyi de la teoría de juegos cooperativa. El dividendo de Harsanyi es una generalización de la solución del valor de Shapley (llamada así por Lloyd Shapley, economista ganador del Premio Nobel) para distribuir crédito entre los jugadores en un juego con contribuciones desiguales al resultado”

Evidentemente la idoneidad de estos modelos viene dada cuando hay un número elevado de touchpoints diferentes en ventanas largas de conversión para que los algoritmos puedan alcanzar significancia estadística.

Conclusiones

Attribution IQ sin duda ayuda a ampliar nuestras capacidades de análisis de manera bastante sencilla para el usuario final de la herramienta. Sin duda viene a cubrir un hueco que antes quedaba un tanto huérfano dentro de las funcionalidades de la herramienta.

Las limitaciones que vamos a encontrar a la hora de explotar estos modelos son por un lado inherentes a la propia naturaleza de las herramientas de analítica que solo nos va a permitir analizar lo que ocurre en nuestro site (todo atribución post-view de la fase de awarness queda fuera) y a los hábitos de consumo digital actuales ( navegación con un cada vez mayor número de dispositivos con diferente peso en cada momento del journey de conversión) lo que siempre nos va a ofrecer una foto incompleta del proceso de conversión.