Atribución MMM para eCommerce: guía con GA4 y Sheets

Si has notado que GA4 cada vez explica peor “quién convirtió” (consent mode, ad blockers, walled gardens, cambios de atribución), no estás solo. En eCommerce, seguir tomando decisiones con last click o con informes incompletos suele llevar a recortar inversión donde no toca (normalmente SEO y upper-funnel) y a sobrepremiar el retargeting. La alternativa práctica, especialmente cuando necesitas una visión de negocio y no de usuario, es el MMM: un modelo que mira el histórico, aprende patrones y estima contribuciones.

En SEOAGIL trabajamos esto como parte de proyectos de medición y automatización (GA4, GTM, dashboards y modelos). Si quieres aterrizarlo en tu stack, puedes ver nuestro método de trabajo orientado a crecimiento o nuestros servicios para eCommerce.

1. Qué es MMM y cuándo usarlo (vs GA4 y last click)

Marketing Mix Modeling es un enfoque estadístico que modela una métrica de negocio (por ejemplo, ingresos diarios) como resultado de varias “fuerzas”: inversión en medios (Ads), demanda orgánica (SEO), campañas (email), estacionalidad, promociones, precio, stock, etc. Su ventaja es que no necesita identificar usuarios; trabaja con series temporales agregadas.

¿Qué problema resuelve? En 2026, la atribución por usuario está condicionada por consentimiento, privacidad y ecosistemas cerrados. GA4 sigue siendo imprescindible para analítica y activación, pero no es un oráculo de causalidad. MMM no “sustituye” GA4: lo complementa para responder preguntas de presupuesto:

• ¿Cuánto negocio incremental aporta SEO más allá del último clic?
• ¿Estamos sobre-invirtiendo en retargeting porque captura conversiones que habrían ocurrido igual?
• ¿Qué parte de la subida/bajada viene de estacionalidad, promociones o cambios de precio?

Cuándo tiene sentido MMM (pragmático):

• Histórico suficiente: ideal 12–24 meses con granularidad diaria o semanal.
• Variación en inputs: cambios reales en inversión/canales; si todo es plano, el modelo no aprende.
• Decisiones de presupuesto: reasignación entre SEO/Ads/CRM, no micro-optimización de creatividades.
• Entorno sin cookies fiable: consent bajo, tráfico alto de iOS/Safari, ad blockers, etc.

Cuándo NO usarlo como primera opción:

• Negocios con poco volumen o historial (startups recientes).
• Cuando necesitas atribución a nivel campaña/keyword en tiempo real (ahí manda performance + experimentación).
• Si no puedes controlar variables críticas (promos, precio, stock): el modelo puede confundir causas.

Idea clave: MMM da una estimación probabilística del mix, no una “verdad exacta”. Por eso conviene usarlo junto con tests incrementales (geo-experimentos, holdouts) cuando sea posible. Si quieres construir una capa de medición sólida de eCommerce (tracking + rendimiento + CRO) revisa también cómo trabajamos la base web porque la calidad de datos empieza en la implementación.

2. Datos mínimos: qué exportar de GA4 y cómo prepararlo

Para un MMM simple en Sheets, la receta es: una fila por día (o semana) y columnas con el resultado + palancas. El error típico es intentar “meter todo” (demasiadas variables, duplicadas o correlacionadas) y terminar con un modelo inestable. Empieza mínimo, valida, y luego añade complejidad.

Métrica objetivo (Y) recomendada para eCommerce:

• Ingresos diarios (revenue) o transacciones. Ingresos suele ser más estable si el ticket medio varía por promos.

Variables explicativas (X) mínimas (lo que “empuja” el revenue):

• Sesiones por canal (o usuarios) desde GA4: Organic Search (SEO), Paid Search, Paid Social, Organic Social, Email, Direct, Referral.
• Gasto publicitario (ideal): importado desde plataformas (Google Ads/Meta) o unificado en un sheet. Si no tienes gasto, usa clics/impresiones como proxy, pero es menos interpretable.
• Promos: una columna binaria (0/1) para días con promoción fuerte o campañas comerciales.
• Estacionalidad: día de la semana (dummies), mes, y/o festivos relevantes del país.
• Precio o descuento medio (si disponible): especialmente en eCommerce con variación de pricing.
• Stock-out o disponibilidad (si tienes dato): una variable simple evita atribuir caídas a “falta de marketing”.

Qué exportar de GA4 (sin herramientas externas):

• Informe exploración o estándar con dimensión Fecha.
• Métricas: Ingresos, Sesiones (o Usuarios), Transacciones.
• Dimensión: Grupo de canales predeterminado de la sesión (Session default channel group).

Cómo preparar el dataset en Sheets:

• Unifica el calendario: crea una columna “date” continua sin huecos. Si faltan días, rellena con 0 en variables (ojo con revenue; si hubo ventas offline, intégralas).
• Evita mezclar definiciones: si usas “sesiones por canal” para unos, no uses “usuarios por canal” para otros.
• Controla cambios de tracking: migraciones, cambios de consent, cambios en GTM. Marca esos días con una variable “break” (0/1).
• Normaliza outliers: picos por errores (duplicación de compras) deben corregirse antes del modelo.

Consejo práctico: si tu objetivo es impacto real de SEO, asegura que “Organic Search” no esté contaminado por campañas mal etiquetadas. Una auditoría rápida de UTMs y canalización suele ser el 80/20. Si necesitas ayuda en esa capa, en consultoría de medición y SEO lo montamos con criterios de negocio (no solo “que recoja datos”).

3. Modelo MMM en Google Sheets: plantilla paso a paso

Un MMM “simple” en Sheets suele ser una regresión donde el objetivo es explicar ingresos con variables de marketing + controles. Para que sea útil, necesitas introducir dos ideas típicas del MMM: adstock (efecto retardado) y saturación (rendimientos decrecientes). En Sheets puedes hacerlo de forma aproximada sin meterte en librerías.

Estructura de pestañas recomendada:

• DATA: tabla diaria con todas las columnas.
• FEATURES: columnas transformadas (adstock, log, dummies).
• MODEL: salida de la regresión, validaciones y contribuciones.

Paso 1: define columnas en DATA (ejemplo mínimo):

• date
• revenue
• sessions_organic
• sessions_paid_search
• sessions_paid_social
• sessions_email
• promo (0/1)

Paso 2: aplica adstock (efecto que “se arrastra”):

Para una variable X (por ejemplo, paid_search), crea una columna paid_search_adstock con una tasa de decaimiento lambda (0–1). Fórmula conceptual:

adstock_t = X_t + lambda * adstock_{t-1}

En Sheets, si X está en C (desde C2) y adstock en D:

D2 = C2
D3 = C3 + $L$1 * D2

Donde L1 contiene lambda (por ejemplo 0,5). Copias hacia abajo. Repite para canales que tengan efecto retardado (Paid Social, Display, etc.). Para SEO, el adstock puede representar persistencia de demanda/visibilidad; úsalo con cuidado y valida estabilidad.

Paso 3: saturación (rendimientos decrecientes):

Transforma inputs con LOG (siempre que valores > 0) o con una función tipo log(1+x):

paid_search_sat = LN(1 + paid_search_adstock)

Esto ayuda a que el modelo no asuma linealidad perfecta (doblar inversión no siempre dobla ventas).

Paso 4: estacionalidad:

• Columna dow (día de semana) y crea dummies (mon, tue, …) o usa una codificación simple si quieres mantenerlo ligero.
• Marca periodos especiales (Black Friday, rebajas) con variables 0/1 si no quieres complicarte con calendarios.

Paso 5: ejecuta la regresión:

Sheets no es un entorno estadístico avanzado, pero puedes usar:

• Función LINEST para regresión lineal múltiple.
• O el complemento de análisis de datos (si lo tienes habilitado) para obtener coeficientes.

Ejemplo con LINEST (conceptual):

=LINEST(revenue_range, features_range, TRUE, TRUE)

Incluye intercepto y estadísticas. En “features” mete: organic (transformada), paid_search_sat, paid_social_sat, email, promo, estacionalidad.

Paso 6: contribuciones por canal:

Con coeficientes (betas), calcula contribución diaria:

• contrib_paid_search_t = beta_paid_search * paid_search_sat_t
• contrib_seo_t = beta_seo * organic_feature_t

Y luego suma por periodo para obtener % de aportación. Importante: interpreta como explicación del modelo, no como “verdad absoluta”.

Si este setup te parece “demasiado manual”, es normal: Sheets es genial para prototipar, pero requiere disciplina. En proyectos reales solemos automatizar exports y limpieza (n8n + APIs + BigQuery) y dejar a Sheets como capa de lectura. Puedes ver el enfoque en SEOAGIL y, si quieres, pedir una implementación guiada.

4. Cómo leer resultados: impacto de SEO, Ads y estacionalidad

Una vez tengas coeficientes y contribuciones, la parte crítica es interpretar sin autoengañarte. En MMM, los canales compiten por explicar la misma subida/bajada: si dos variables se mueven juntas (por ejemplo, Paid Search y Direct), el modelo puede repartir mérito de forma inestable. Por eso necesitas mirar signo, magnitud, estabilidad y sentido de negocio.

Cómo interpretar el impacto de SEO:

• Si el coeficiente de SEO (Organic Search) es positivo y estable en distintas ventanas (por ejemplo, entrenas con 18 meses y validas con los últimos 3), es una señal de contribución real.
• Si SEO sale “bajo” pero sabes que el canal orgánico mueve demanda, revisa colinealidad con Direct/Brand y revisa definiciones de canal (UTMs, autoetiquetado, tráfico de apps).
• Si SEO aparece “negativo”, casi siempre es un síntoma: variable mal construida, cambios de tracking, estacionalidad mal capturada o una promo que coincide con caída orgánica.

Ads (Paid Search / Paid Social):

• Revisa si el modelo está capturando saturación. Sin saturación, tenderá a sobreestimar el canal que más varía.
• Comprueba coherencia con negocio: si subes inversión y el modelo no ve impacto, puede ser porque el efecto va con retardo (adstock bajo) o porque el gasto está mal alineado temporalmente (facturación vs delivery).

Estacionalidad y promos:

• Si el modelo atribuye demasiado a canales en periodos como Black Friday, probablemente te falta una variable de evento o el descuento medio.
• Si al meter dummies de día de semana baja la contribución de email, puede ser correcto: email suele concentrarse ciertos días.

Qué mirar para validar “calidad” (sin inventar métricas):

• Error de predicción en un periodo de validación (holdout). Aunque sea simple (MAPE/MAE calculados a mano), debe mejorar respecto a un baseline.
• Residuos: si el modelo falla siempre los mismos días (picos), te faltan variables (promos, stock, campañas de marca).
• Estabilidad de coeficientes: reentrena cambiando 1–2 meses y mira si los betas cambian drásticamente.

El objetivo final es poder decir: “En este trimestre, el modelo estima que SEO explicó X% del revenue modelado, Ads Y%, estacionalidad Z%”, y usarlo para decidir presupuesto y foco. Si quieres conectar MMM con planificación y automatización (alertas, reporting, pipelines), puedes hacerlo desde una base de medición sólida; si no la tienes, habla con nosotros y lo aterrizamos a tu caso.

5. Errores comunes y checklist de validación del modelo

MMM es potente, pero también es fácil construir un “modelo que parece funcionar” y en realidad solo está ajustando ruido. Estos son los errores que más veo en eCommerce al montar MMM en Sheets:

Errores comunes:

• Demasiadas variables desde el minuto 1 (cada campaña, cada canal, cada métrica). Resultado: coeficientes inestables.
• Colinealidad: Paid Search sube a la vez que Direct y Brand; el modelo no sabe qué variable “causa”.
• No controlar promos y precio: el modelo atribuye al canal lo que en realidad es descuento.
• Cambio de tracking (GA4, GTM, consent) sin variable de ruptura: el modelo interpreta la caída de medición como caída de negocio.
• Mezclar gasto con sesiones sin alinear: gasto por fecha de factura vs rendimiento por fecha de impresión/clic.
• Ventana temporal insuficiente: menos de 3–6 meses raramente es útil; 12–24 meses suele ser el mínimo práctico.

Checklist práctica (validación rápida):

• [ ] ¿Hay una fila por día/semana sin huecos en el calendario?
• [ ] ¿La métrica objetivo (revenue/transacciones) es consistente y no tiene duplicados por tracking?
• [ ] ¿Las variables de marketing están en la misma escala temporal (misma fecha de referencia)?
• [ ] ¿Has marcado promos, rebajas y eventos fuertes con variables 0/1?
• [ ] ¿Has incorporado estacionalidad (al menos día de semana)?
• [ ] ¿Usas adstock en canales donde el efecto no es instantáneo?
• [ ] ¿Aplicas alguna forma de saturación (LN(1+x) o similar)?
• [ ] ¿Existe un periodo de validación (holdout) y el modelo no está sobreajustado?
• [ ] ¿Los coeficientes tienen sentido de negocio (signo, magnitud, estabilidad)?
• [ ] ¿Puedes explicar el modelo a alguien de negocio en 2 minutos sin tecnicismos?

Si fallas varios checks, no “fuerces” el MMM: vuelve al dataset. En consultoría, lo normal es iterar 3–6 veces hasta tener un modelo interpretable. Si te interesa que lo dejemos operativo con automatización y reporting (sin que dependa de una hoja frágil), puedes revisar nuestros servicios y el apartado de metodología.

6. Conclusión: próximos pasos y cuándo externalizarlo

Con GA4 + Google Sheets puedes montar un MMM inicial que te ayude a responder la pregunta que importa: qué canales están generando crecimiento incremental cuando la atribución por usuario ya no es fiable. En 2026, esto es especialmente útil para defender inversión en SEO (que a menudo queda infravalorado por last click) y para entender si Ads está aportando demanda nueva o solo capturando intención existente.

Próximos pasos recomendados (por orden):

1. Mejora el dataset: añade gasto real por canal, descuento/price index y variables de stock.
2. Valida con holdout: deja las últimas 4–8 semanas fuera y comprueba predicción.
3. Itera transformaciones: ajusta lambda de adstock y revisa saturación.
4. Triangula con experimentos: cuando puedas, lanza tests incrementales (por regiones, por periodos) para validar direcciones.
5. Industrializa: automatiza extracción, limpieza y actualización (evita copiar/pegar).

Cuándo externalizarlo:

• Si necesitas un modelo defendible para comité (inversión de 6–7 cifras/año) y quieres control de sesgos, colinealidad y estabilidad.
• Si tu tracking/canales son complejos (marketplaces, afiliación, omnicanal, múltiples países).
• Si quieres pasar de “modelo en Sheets” a un sistema: pipelines, QA, alertas, dashboards y decisiones recurrentes.

MMM no es magia: es método, datos consistentes y un enfoque orientado a decisiones. Si lo haces bien, tendrás una brújula mucho más útil que el último clic.

Preguntas frecuentes

¿MMM sustituye a GA4?

No. GA4 es clave para analítica de producto, embudos, audiencias y activación. MMM complementa a GA4 cuando buscas impacto incremental a nivel canal y presupuesto, especialmente en entornos con pérdida de señal (cookies/consent).

¿Cuánto histórico necesito para un MMM en eCommerce?

Como mínimo práctico, 12 meses para capturar estacionalidad. Idealmente 18–24 meses si hay cambios de inversión y campañas. Con menos, el modelo puede confundir estacionalidad con marketing.

¿Puedo hacerlo solo con sesiones por canal, sin gasto?

Se puede como aproximación, pero es menos útil para decisiones de presupuesto porque sesiones ya incluyen efectos de marca, SEO y cambios de tracking. Si puedes, incorpora gasto por canal (o al menos clics/impresiones) y alinea fechas.

¿Cómo mido el impacto de SEO si gran parte acaba en Direct o Brand?

Es un caso típico. En MMM, prueba a modelar SEO con variables más “causales” (por ejemplo, sesiones orgánicas no-brand si puedes estimarlas, o un proxy de visibilidad) y controla eventos de marca. Aun así, habrá reparto de mérito: por eso es importante validar con ventanas distintas y, cuando sea posible, con experimentos.

¿Qué señales indican que mi MMM está “mal”?

Coeficientes con signos absurdos (canales “negativos”), cambios drásticos al añadir/quitar pocas semanas, o un modelo que solo encaja en el pasado pero falla en validación. Casi siempre es un problema de dataset (promos/price/stock/tracking) o de colinealidad.