¿Qué es el «teatro de la atribución» en el marketing para SaaS?

La diferencia entre correlación y causalidad es la que hay entre dos variables que se mueven a la vez (correlación) y una variable que realmente provoca un cambio en otra (causalidad). El «Attribution Theatre» consiste en presentar datos de marketing correlacionados, como dashboards que muestran conversiones al alza junto a una campaña, como si demostraran que esa campaña causó el crecimiento, cuando ningún test controlado ha confirmado el vínculo. Para los equipos de SaaS, confundir una cosa con la otra supone volcar presupuesto en canales que solo parecen eficaces.

¿Cuál es la diferencia real entre correlación y causalidad?

Correlación significa que dos métricas suben o bajan a la vez. Causalidad significa que una de ellas es directamente responsable del cambio en la otra. Un equipo de SaaS puede notar que las altas de prueba aumentaron la misma semana en que lanzó una campaña de anuncios en LinkedIn. Eso es una correlación. Si los anuncios provocaron de verdad esas altas, y no un lanzamiento de producto, una mención en prensa o la demanda estacional, es otra pregunta que la correlación por sí sola no puede responder.

Demostrar la causalidad exige aislar una variable y mantener constante todo lo demás, normalmente mediante un experimento controlado. Demostrar la correlación solo requiere dos líneas en un gráfico que se muevan en la misma dirección. Esa brecha entre «se movieron a la vez» y «provocó el movimiento» es exactamente donde falla la mayoría de los informes de atribución, y es donde vive el Attribution Theatre.

¿Qué es el Attribution Theatre?

El Attribution Theatre consiste en elaborar informes de atribución pulidos y de apariencia segura que asignan el mérito a los canales de marketing a partir de la correlación, y presentar después ese mérito como si estuviera demostrado de forma causal. Parece rigor. Funciona como una conjetura.

La mecánica es parecida en la mayoría de los equipos de B2B SaaS que caen en esto. Un dashboard atribuye ingresos a un canal según reglas de último toque o de multitoque. Nadie ha hecho un test de holdout para comprobar si esos ingresos habrían llegado igualmente. El equipo presenta el informe en una reunión del consejo como un hecho. La dirección reasigna presupuesto en función de ese hecho. Nadie vuelve a comprobar si la reasignación movió realmente el resultado, porque el dashboard del trimestre siguiente ya toca entregarlo.

El nombre importa porque recoge algo que la jerga de los informes suele ocultar: la apariencia de certeza, no su sustancia. Un experimento de campo a gran escala en eBay es el caso documentado más claro de esta brecha. Como los clics en búsquedas y el comportamiento de compra están correlacionados, el retorno de la búsqueda de pago es una fracción de las estimaciones convencionales no experimentales, y los anuncios de palabras clave de marca no tienen beneficios medibles a corto plazo (NBER). El estudio concluyó que, si eBay desactivara sus anuncios de búsqueda de marca, el tráfico al sitio web de eBay se mantendría prácticamente igual, ya que seguiría llegando por los resultados de búsqueda orgánica, que a eBay no le cuestan nada (CEPR). Los dashboards de atribución llevaban años haciendo teatro, atribuyendo a la inversión publicitaria ventas que se habrían producido igualmente.

¿Por qué es importante para los equipos de crecimiento de SaaS?

Los equipos de crecimiento de SaaS están expuestos de forma estructural al Attribution Theatre porque los proveedores diseñan las herramientas de atribución para mostrar correlación y luego las presentan como si mostraran causalidad. Google Analytics, la mayoría de los informes de CRM y los modelos multitoque por defecto funcionan con el mismo principio: registrar lo que ocurrió antes de una conversión y repartir el mérito en consecuencia. Ninguno de ellos, por diseño, puede decirte qué habría pasado sin ese punto de contacto.

Investigaciones que replicaron este patrón fuera de eBay encontraron el mismo efecto de sustitución a una escala menor, pero aún significativa. Una replicación en Edmunds.com halló el mismo efecto de sustitución con una magnitud mucho menor: se recuperó mediante búsqueda orgánica menos de la mitad del tráfico de búsqueda de pago. La dirección del sesgo es coherente aunque la magnitud varíe, que es el patrón que cualquier equipo de crecimiento debería esperar de los informes basados en correlación: tienden a exagerar el impacto, no a infravalorarlo.

La consecuencia financiera se agrava rápidamente en una empresa SaaS con un presupuesto ajustado. Un análisis de trabajos de incrementalidad a escala de producción concluyó que la atribución por último toque sigue siendo la señal de decisión dominante en la publicidad digital, a pesar de las abundantes pruebas de que los resultados atribuidos pueden sobrestimar el impacto causal entre 2 y 10 veces. Un fundador que reasigna inversión a partir de esa cifra inflada no está optimizando. Está financiando una ilusión.

Para los equipos de SaaS en fase inicial y de fase de crecimiento, esto importa más que para las grandes empresas con funciones dedicadas de ciencia de datos. Una startup de diez personas suele tener un dashboard, un responsable de crecimiento y ninguna capacidad para hacer un análisis causal paralelo antes de cada decisión de presupuesto. El Attribution Theatre prospera justo en ese entorno: mucha presión por mostrar una cifra y poca capacidad para cuestionarla.

¿Cómo detectar el Attribution Theatre en tus propios informes?

Hay algunas señales constantes que distinguen una afirmación causal genuina de una teatral:

• No existe grupo de control ni holdout. Si nadie puede decir cómo habría sido la métrica sin el canal o la campaña, la cifra del dashboard es una correlación disfrazada de resultado.
• La «causa» fue en sí misma una reacción. Si un comercial solo ofrece un descuento a clientes que ya muestran señales de abandono, el descuento se correlacionará con el churn aunque sea un síntoma y no un factor causal.
• La cronología no cuadra. Si la supuesta causa ocurrió después del efecto, o tan cerca de él que pasaron otras diez cosas al mismo tiempo, la correlación no se puede separar del ruido.
• La métrica se movió para todos, no solo para el grupo tratado. Si las sesiones, los ingresos o las altas subieron en todos los canales a la vez, es poco probable que una sola campaña sea el único motor.
• Nadie sabe explicar cómo habría sido el «éxito» si la campaña hubiera fracasado. Una afirmación causal necesita un contrafactual falsable. Una afirmación basada en la correlación rara vez lo tiene.

Cualquier equipo que no pueda responder al menos a tres de estas preguntas sobre un resultado que reporta está haciendo Attribution Theatre, lo llame así o no.

¿Cómo pasan los equipos de SaaS de la correlación a la causalidad?

La solución no son más dashboards. Son los tests controlados. Los holdouts aleatorizados, los experimentos con división geográfica y los despliegues por fases son las herramientas habituales para aislar una variable y observar su efecto real, y a pequeña escala no hace falta un equipo de ciencia de datos para ejecutarlos. Una empresa SaaS que pruebe un nuevo email de onboarding puede dejar al 10% de las nuevas altas sin recibirlo y comparar las tasas de activación. Ese único test aporta más certeza causal que un año de dashboards basados en correlación.

Aquí es donde el enfoque de Seedling para los informes de crecimiento se diferencia de la mayoría de las configuraciones de analítica por defecto: empuja a los equipos hacia hipótesis comprobables y comparaciones con holdout, en lugar de instantáneas de atribución estáticas, de modo que un supuesto éxito tenga que superar una comprobación antes de convertirse en una decisión de presupuesto. El objetivo no es desconfiar de todos los dashboards. Es crear el hábito de preguntarse cómo se vería una métrica sin la intervención antes de atribuirle el mérito a esa intervención.

El Attribution Theatre no es señal de un mal marketing. Es señal de una cultura de reporting que premia las respuestas seguras sobre las correctas. Los equipos de SaaS que crecen con eficiencia no son los que tienen los modelos de atribución más sofisticados. Son los que están dispuestos a poner a prueba una afirmación antes de actuar en consecuencia, y a admitir cuándo el dashboard mostraba una coincidencia y no una causa.