Estrategias para generar y medir el impacto incremental en publicidad

En el contexto de la publicidad, se está produciendo una transformación significativa gracias a la creciente adopción de campañas publicitarias basadas en inteligencia artificial, como Performance Max de Google. Este cambio de paradigma ha sido seguido por otras plataformas como Meta, LinkedIn y Bing, que han lanzado iniciativas similares, demostrando la universalidad del interés en soluciones impulsadas por IA en el ámbito del pago por clic. Estas campañas prometen un enfoque revolucionario para la publicidad en línea, reduciendo la carga de trabajo de los anunciantes a simples entradas iniciales como la URL y el objetivo de marketing deseado. La promesa es que la inteligencia artificial de la plataforma será capaz de gestionar de forma autónoma la creación de activos, la elección de los canales más apropiados, la optimización y las estrategias de puja, dejando a los anunciantes la tarea de observar los resultados obtenidos.

Estas estrategias publicitarias avanzadas se basan en complejos algoritmos de aprendizaje automático y Analytics predictivos capaces de identificar al usuario más propenso a la conversión en tiempo real y de ofrecer mensajes publicitarios altamente personalizados y oportunos. La guía oficial de Google para las campañas PMax ilustra el concepto de llegar a la “persona adecuada, en el momento adecuado, con el mensaje adecuado y en la plataforma adecuada”. Esto es posible gracias a la capacidad de los algoritmos de IA para analizar vastos conjuntos de datos de comportamiento del usuario, prediciendo con precisión los momentos más oportunos para la conversión.

La IA generativa desempeña un papel crucial en este proceso, integrando la capacidad de crear contenido dinámico y personalizado directamente dentro de la experiencia conversacional que ofrecen las plataformas. Este enfoque permite la generación automática de activos publicitarios dinámicos que se adaptan en tiempo real a las necesidades y preferencias de los usuarios objetivo.

Otro aspecto clave de estas campañas basadas en IA es su naturaleza multiplataforma: no requieren que los anunciantes predeterminen en qué plataformas transmitir sus mensajes, ya sea YouTube, Gmail, Discover u otros canales. El propio algoritmo determina el canal más eficaz para cada mensaje.

La complejidad y eficacia de los algoritmos que subyacen a las campañas publicitarias automatizadas basadas en inteligencia artificial es un tema de considerable interés y relevancia en el contexto del marketing digital contemporáneo. Estas tecnologías avanzadas han demostrado que pueden ofrecer resultados significativos en términos de aumento del ROAS y reducción de los costes de adquisición al operar sobre un modelo que implica una amplia recopilación y análisis de datos.

Un aspecto central de este proceso es la aplicación de modelos predictivos, que analizan los comportamientos, preferencias y trayectorias en línea de los usuarios para anticipar sus acciones futuras, incluido el interés en productos o servicios específicos.

Esta evaluación en tiempo real de la oportunidad de interacción se basa no solo en la probabilidad de conversión, sino también en una valoración del valor que una sola impresión puede generar para la campaña.

Este enfoque holístico permite optimizar los recursos publicitarios, asegurando que la inversión se dirija hacia los usuarios con mayor probabilidad de realizar la acción deseada, por lo que expertos del sector han planteado importantes cuestiones sobre su capacidad real para generar conversiones incrementales.

En este contexto, estudios recientes han empezado a cuestionar el valor incremental que aportan estas campañas, planteando la pregunta crítica: ¿los algoritmos de IA en las campañas publicitarias realmente aportan un rendimiento incremental medible y significativo a las empresas?

Cómo lograr un rendimiento incremental

Lograr un rendimiento incremental en marketing digital es un desafío constante para las agencias y profesionales del sector. Un experimento realizado por Pace, una agencia especializada en Marketing Science ubicada en Segeltorp, Estocolmo, ofreció información significativa en esta dirección, demostrando la eficacia de un enfoque basado en la ampliación de la cobertura del mensaje publicitario al cambiar el enfoque de las campañas de la conversión al alcance.

Tradicionalmente, las campañas de publicidad en línea han tendido a centrarse en objetivos de conversión, dirigiéndose a individuos ya considerados listos para comprar. Este enfoque, aunque eficaz para generar ventas inmediatas, tiende a hacer que los algoritmos sean “perezosos”, lo que limita su alcance a un público objetivo estrecho. Sin embargo, el experimento de Pace reveló que cambiar el presupuesto de campañas centradas en la conversión a campañas orientadas al alcance resultó en un aumento del 50 por ciento en las ventas. Este resultado subraya la importancia de difundir el mensaje publicitario de forma más uniforme e inclusiva, llegando a clientes potenciales más allá de los que están inmediatamente listos para convertir.

El algoritmo de alcance, a diferencia de los algoritmos centrados en la conversión, adopta un enfoque más estadístico y distribuido, con el objetivo de llegar eficazmente al mayor número de personas objetivo. Esto se traduce en una mayor probabilidad de llegar a usuarios que, aunque inicialmente no se consideraban cercanos a la conversión, pueden verse positivamente impactados por la campaña, contribuyendo así a aumentos significativos en las ventas.

Otro aspecto crucial observado en el experimento se refiere a la tendencia de las campañas altamente centradas en la conversión a favorecer el contenido y los canales transaccionales, descuidando los mensajes de marca más informativos o narrativos. Esta elección, aunque pueda parecer eficiente a corto plazo, conduce con el tiempo a la saturación del público objetivo y a la degradación del rendimiento, limitando las oportunidades de generar ingresos incrementales.

Para superar estos desafíos, es fundamental adoptar un enfoque equilibrado que también incluya estrategias de concienciación, es decir, iniciativas centradas en la parte superior del embudo de marketing. Esto mantiene viva la atención a la marca entre un público más amplio, al tiempo que garantiza la eficiencia en la asignación del presupuesto. La implementación de campañas orientadas a la concienciación requiere la identificación de una audiencia bien definida y altamente cualificada, lo que subraya la importancia de estrategias de segmentación sofisticadas y una cuidadosa planificación estratégica para maximizar el retorno de la inversión publicitaria.

La evolución de las normativas de privacidad y la consiguiente restricción del uso de audiencias de terceros han planteado a las empresas el reto de reconsiderar y dar mayor valor a sus datos de primera parte. Estos datos, que consisten en toda la información propiedad de la empresa recopilada directamente de las interacciones con clientes y usuarios, son un recurso crucial para desarrollar estrategias de marketing dirigidas y personalizadas. Aunque en el pasado la abundancia de datos de terceros disponibles para la compra pudo haber oscurecido el valor de los datos de primera parte, hoy en día se vuelve imperativo para las empresas aprovechar plenamente esta información para construir una ventaja competitiva.

Los datos de primera parte no se limitan únicamente a la información personal de los usuarios, sino que incluyen un amplio espectro de datos generados a partir de las interacciones con los canales digitales de la empresa, como el comportamiento de navegación por el sitio web rastreado a través de herramientas como Google Analytics. Estos datos, cuando se utilizan de forma ética y de acuerdo con la normativa vigente, pueden convertirse en potentes palancas para optimizar las campañas publicitarias y la segmentación avanzada.

Un elemento clave en la eficacia de las estrategias basadas en datos de primera parte es la implementación de un sistema de identificación de usuario persistente, conocido como “ID de usuario persistente”. Esta tecnología supera las limitaciones impuestas por la eficacia reducida de las cookies y píxeles de seguimiento tradicionales al proporcionar un método más estable y fiable para reconocer a los usuarios en diferentes puntos de contacto y sesiones. El ID de usuario persistente puede derivarse de una variedad de fuentes, como hashes de correo electrónico o identificadores generados mediante técnicas de huella digital probabilística. Además, el aprovechamiento del ID de usuario retrospectivo puede recuperar y asociar las acciones pasadas de un usuario, mejorando significativamente la precisión de la segmentación.

El uso de esta tecnología facilita la creación de grupos de audiencia basados en comportamientos, intereses e interacciones previas específicos, lo que permite el uso de algoritmos de inteligencia artificial para enriquecer y segmentar aún más estos datos. Este enfoque no solo mejora la personalización de las campañas publicitarias, sino que también permite estrategias de alcance dirigidas a interceptar nuevos clientes de alto potencial, aprovechando la información de primera parte para identificar perfiles similares a los de los clientes existentes.

A pesar de las percepciones de un supuesto fin de las estrategias basadas en lookalike, las empresas siguen beneficiándose de métodos evolucionados como las audiencias predictivas o las expansiones de audiencia, que representan la evolución natural del concepto de lookalike en un contexto donde los datos de primera parte desempeñan un papel central. Plataformas como LinkedIn y Google han introducido algoritmos avanzados que aprovechan los datos de primera parte para mejorar estas estrategias, demostrando la eficacia de tales enfoques en el contexto de las campañas publicitarias modernas.

Paralelamente a la transformación de las estrategias de segmentación, resulta fundamental adoptar nuevos métodos para la medición del rendimiento y la atribución de conversiones.

En este contexto, los Marketing Mix Models (Modelos de Mezcla de Marketing) emergen como una solución eficaz para evaluar el impacto incremental de las campañas, ofreciendo a las empresas la capacidad de medir con precisión el retorno de sus iniciativas de marketing, como demostró el experimento realizado por Pace.

Modelo de Mezcla de Marketing

Los Marketing Mix Models (MMMs) son un pilar fundamental en el campo del análisis de marketing, ofreciendo una visión detallada y cuantitativa de la eficacia de las diferentes acciones de marketing sobre los indicadores clave de rendimiento, como las ventas. Estos modelos abordan un dilema histórico en marketing, expresado elocuentemente por John Wanamaker: “La mitad de mi presupuesto publicitario se desperdicia, pero no sé qué mitad”.

Mediante el uso de MMMs, las empresas buscan desentrañar esta incertidumbre optimizando la asignación de recursos publicitarios para maximizar el retorno de la inversión.

En las últimas décadas, la industria del marketing digital ha sido testigo de una evolución significativa, impulsada por la creciente adopción de modelos estadísticos avanzados. Esta tendencia se basa en tres pilares principales: una notable expansión de las capacidades computacionales, un acceso sin precedentes a vastos conjuntos de datos, a menudo disponibles casi en tiempo real, y un compromiso creciente por parte de las empresas con una cultura de toma de decisiones basada en datos. En este contexto, los MMMs han evolucionado, integrando metodologías econométricas establecidas con innovaciones de la inteligencia artificial y el aprendizaje automático.

La combinación de modelos econométricos, desarrollados originalmente en la década de 1960, con algoritmos de ML e IA representa un avance significativo. Este enfoque híbrido no solo minimiza el riesgo de error humano, garantizando resultados de análisis más precisos y fiables, sino que también reduce drásticamente el tiempo necesario para el procesamiento e interpretación de datos.

Mientras que en el pasado, analizar los resultados de un Marketing Mix Model podía llevar hasta seis meses o incluso un año, la adopción de técnicas de ML e IA permite ahora realizar estos análisis mensualmente. Esto transforma los MMMs en herramientas de análisis extremadamente potentes capaces de ofrecer información operativa en un tiempo significativamente reducido, y facilita la adopción de estrategias de marketing ágiles, donde las decisiones pueden tomarse y adaptarse rápidamente en respuesta a la dinámica cambiante del mercado.

Cómo funcionan los Marketing Mix Models y qué información nos proporcionan

Los Marketing Mix Models representan una metodología analítica avanzada y fundamental en el campo del marketing cuantitativo, diseñada para medir y aislar el efecto de varios factores en las ventas de una marca, permitiendo así la identificación precisa de aquellos componentes que contribuyen al aumento de las ventas. Este enfoque analítico permite a las empresas comprender en detalle qué parte de las ventas es atribuible a acciones de marketing específicas y qué elementos no están bajo su control directo.

La versatilidad de los MMMs los convierte en herramientas valiosas para analizar un amplio espectro de variables que influyen en las ventas, tanto en el contexto del marketing online como offline. Consideran no solo las actividades de marketing directamente cuantificables, como la publicidad en varios canales, sino también aquellas menos tangibles y difíciles de atribuir a un coste específico, como las promociones y los eventos. También es importante la capacidad de estos modelos para tener en cuenta factores exógenos —como la inflación— que pueden afectar a las ventas independientemente de las estrategias de marketing implementadas.

Al aislar los efectos de cada variable, los MMMs proporcionan información valiosa sobre la contribución incremental de acciones de marketing específicas a los ingresos generales. Por ejemplo, una empresa podría descubrir que el 92 por ciento del aumento de la facturación es atribuible a las actividades de marketing impreso, obteniendo así una evaluación cuantitativa de la eficacia de ese canal. Al mismo tiempo, los modelos son capaces de “limpiar” el efecto de las variables no relacionadas con el marketing, proporcionando una visión más clara y limpia del impacto de las acciones de marketing en las ventas.

Un beneficio crucial del uso de los MMMs es la capacidad de determinar la asignación óptima del presupuesto publicitario entre los canales de marketing, maximizando así la incrementalidad. Esto se traduce en una gestión más eficiente de los recursos de marketing, lo que permite a las empresas optimizar el retorno de las inversiones publicitarias y adaptar estratégicamente sus campañas según la eficacia de cada canal.

En resumen, los MMMs ofrecen:

• Un análisis detallado de la contribución de cada canal de marketing.
• La capacidad de limpiar el efecto de las variables exógenas, ofreciendo una imagen más precisa del impacto de las actividades de marketing.
• Información sobre la saturación del canal, lo que permite a las empresas identificar cuándo una mayor inversión en un canal determinado puede no traducirse en un aumento proporcional de las ventas.

Además, los MMMs están diseñados con un enfoque de “privacidad desde el diseño”, ya que se basan en datos agregados a nivel de tiempo (diario, semanal o mensual) en lugar de datos individuales. Este aspecto los hace particularmente valiosos en el entorno actual de crecientes preocupaciones por la privacidad. Su capacidad para operar sin depender de datos a nivel individual permite que estos modelos analíticos sigan siendo aprovechados incluso frente a los desafíos que plantea la limitación del seguimiento de datos de usuario.La relevancia y eficacia de los MMMs se destacan aún más por la inversión de grandes empresas tecnológicas, que han comenzado a lanzar códigos de código abierto para facilitar la adopción e implementación de estos modelos. Tal es el caso de Google, que recientemente lanzó Meridian. La decisión de Google de poner a disposición una herramienta de Marketing Mix Modeling (MMM) de código abierto subraya su comprensión de que la restricción en el acceso a datos clave, dentro de ecosistemas exclusivos, dificulta la capacidad de los anunciantes para evaluar con precisión la eficacia de los anuncios digitales. Este esfuerzo demuestra la creciente importancia de los MMMs como una herramienta esencial para analizar y optimizar las estrategias de marketing en la era digital.

Experimento de Lift

En el ámbito del análisis del rendimiento publicitario, los especialistas en marketing digital utilizan una variedad de herramientas para cuantificar la eficacia de sus campañas. Además de los tradicionales Marketing Mix Models, existen métodos experimentales como los Tests de Lift (Lift Experiments), que ofrecen la posibilidad de evaluar el impacto incremental de una campaña publicitaria de forma preventiva y precisa. Estos experimentos, centrados en la medición del efecto incremental, permiten comparar los resultados obtenidos por la campaña con los que se habrían producido en su ausencia.

La adopción de modelos estadísticos avanzados es crucial en la implementación de los Tests de Lift, ya que permite determinar con precisión la diferencia de rendimiento entre el grupo expuesto a la campaña y el grupo de control. La selección de estos grupos se basa en criterios de segmentación geográfica, una práctica que permite una distribución estratégica de la visibilidad de la campaña. Antes de iniciar el experimento, se realiza un análisis preliminar para determinar cómo se distribuye geográficamente la variable de interés y, en consecuencia, decidir qué áreas geográficas incluir en la muestra de tratamiento (expuestas a la campaña) y cuáles excluir (grupo de control).

Para ejemplificar, se podría decidir lanzar una campaña publicitaria en regiones específicas de Italia, mientras que otras permanecen sin exposición a la campaña. Durante el período de tratamiento, se recopilan y analizan datos sobre las conversiones en los grupos expuestos y de control. Al final del experimento, la aplicación de pruebas estadísticas permite evaluar la significación real de la diferencia observada en las conversiones, confirmando o no la presencia de un aumento real.

Los Tests de Lift resultan particularmente útiles por dos razones principales: en primer lugar, permiten probar el efecto incremental de una campaña en métricas específicas como conversiones, ventas o ingresos con un presupuesto limitado antes de invertir recursos más sustanciales.

En segundo lugar, proporcionan una oportunidad para comparar la eficacia de diferentes estrategias publicitarias, por ejemplo, evaluando la incrementalidad generada por campañas con objetivos de alcance frente a campañas centradas en la conversión utilizando el mismo contenido publicitario.

Además, el enfoque integral de los geoexperimentos garantiza una evaluación completa del potencial de una campaña, optimizando la asignación del presupuesto de manera eficaz y respetuosa con la privacidad, ya que se basan en datos agregados.

El uso de los Tests de Lift en el contexto de las estrategias de marketing digital representa, por tanto, una evolución significativa en la capacidad de las empresas para medir y optimizar la eficacia de sus campañas publicitarias, impulsando decisiones basadas en pruebas y aumentando el retorno de la inversión publicitaria.

En cuanto a los Tests de Lift realizados directamente por las plataformas, al centrarse exclusivamente en sus canales, hacen que sea complejo comparar el rendimiento de múltiples campañas y diferentes canales. Además, estas pruebas son susceptibles a las actualizaciones tecnológicas y a los cambios en las políticas de las plataformas individuales, lo que puede comprometer la precisión de los resultados. Como resultado, es aconsejable recurrir a socios externos para estas pruebas.