El 38.9% de tus leads puede estar registrándose bajo la marca equivocada

Analizamos un reporte de 5,414 registros de usuarios provenientes de campañas pagas en una plataforma que conecta marcas con su audiencia a través de múltiples anunciantes. El hallazgo central: 38.9% de los registros con marca identificable aterrizaban en una campaña de una marca distinta a la del anuncio que originó el click.

Esto no es un error de tracking. Es un comportamiento real del usuario que la mayoría de los sistemas de atribución de último click no está diseñado para capturar — y que, si lo ignorás, te lleva a apagar campañas que en realidad están funcionando mejor de lo que el reporte dice.

El escenario: múltiples marcas, un mismo pool de audiencia

El negocio analizado opera un modelo donde distintas marcas corren campañas pagas para atraer al mismo tipo de usuario final a una plataforma común. Cada marca paga su propio anuncio, con su propio presupuesto, para "su" campaña específica.

El supuesto implícito de cualquier reporte de UTM estándar es que un click en el anuncio de la Marca A produce un registro en la campaña de la Marca A. Los datos mostraron otra cosa: casi 1 de cada 4 registros del total (14.9%) terminaba específicamente en campañas de una categoría distinta (contenido musical) sin importar qué marca originó el click.

Por qué pasa esto (y por qué no es un bug)

El usuario que hace click en un anuncio no está comprando lealtad a esa marca — está evaluando una oportunidad. Si la plataforma le muestra, en el mismo flujo de onboarding, otras campañas activas que también le interesan, el usuario se registra en varias. El click pago compró la entrada del usuario al ecosistema, no un registro exclusivo y aislado a una sola campaña.

Esto valida un principio que muchos equipos de performance ignoran: el objetivo real de una campaña de captación no siempre es la conversión inmediata que estás midiendo, es la entrada del usuario a un sistema donde después se distribuye. Medir solo la conversión directa de esa campaña subestima sistemáticamente su verdadero retorno.

El problema práctico que esto genera

Si tu reporting se basa en atribución de último click por UTM, vas a ver:

• Campañas que "no convierten" cuando en realidad están alimentando conversiones que se le atribuyen a otra campaña.
• Decisiones de recorte de presupuesto basadas en números que no reflejan el valor real generado.
• Comparaciones entre marcas o campañas que son injustas, porque una marca puede estar "regalando" registros a otra sin que nadie lo vea en el dashboard.

Cómo corregirlo sin reconstruir todo el stack de tracking

Medir a nivel persona, no a nivel UTM

La corrección estructural es dejar de preguntar "¿qué UTM trajo este registro?" y empezar a preguntar "¿qué campaña fue el primer touch de esta persona, y en qué otras campañas apareció después?". Esto requiere un identificador de usuario persistente (email, teléfono o ID interno) que sobreviva el cruce entre campañas, no solo el parámetro de la URL de la sesión.

Adoptar first-touch para atribución de origen, no solo last-touch

Last-click sigue siendo útil para optimización de subasta (qué anuncio hizo el click), pero para reportar el valor real de una campaña de captación necesitás first-touch a nivel usuario: qué campaña fue la puerta de entrada real a todo el ecosistema, incluso si el registro "oficial" quedó marcado en otra.

Reportar cross-registración como métrica, no como ruido

En vez de esconder este comportamiento, convertilo en un dato accionable: cuánto tráfico pago de la Marca A está generando valor medible en la Marca B. Esto te da argumentos reales para conversaciones internas de distribución de presupuesto entre marcas o líneas de negocio.

Conclusion

Si administrás presupuesto pago para más de una marca, producto o campaña dentro del mismo ecosistema, no asumas que tu reporte de UTMs refleja la realidad del comportamiento del usuario. Pedí (o armá) un cruce de registros por identidad de usuario, no solo por parámetro de campaña, antes de tomar la próxima decisión de recorte o escalado de presupuesto. Es la diferencia entre optimizar contra un dato falso y optimizar contra lo que realmente está pasando.