Arreglando la atribución con experimentos (de una vez por todas)

Desde que empecé a trabajar en marketing digital, las quejas sobre la atribución siempre han sido continuas: “no entiende el cross-device”, “el cookie window es muy corto”, “Facebook no se puede ver en Google Analytics”… Pero pocas veces se aportaban soluciones, y raramente se nombraba el principal problema de la atribución.

He aquí el principal problema de la atribución en Google Analytics y en plataforma

La atribución distribuye las ventas entre los diferentes canales basado en unas reglas determinadas o un modelo algorítmico, pero en ese proceso, no tienen en cuenta qué canal o qué táctica realmente causó esa venta. Es una máquina de analizar correlaciones, que entiende solamente comportamientos, pero no te permite ver las causas.

Veamos un ejemplo. Roberto ve un anuncio de tu tienda de disfraces en la app de Instagram. Interactúa con el carrousel, pero no entra en la web. Piensa que le molan los disfraces y que podría ser un buen regalo para su hija, que cumple años pronto. Cuando vuelve del trabajo, lo comenta con su esposa y los dos entran en la web de tu tienda con el móvil de la pareja, buscando en Google el nombre de marca. No compran, pero al día siguiente, Roberto acaba el proceso con su ordenador del trabajo, después de clicar en un anuncio de SEM de marca. SEM de Marca se lleva la venta en GA4.

Una compra, tres dispositivos, dos personas: imposible de medir con atribución tradicional, aunque bastante habitual como recorrido de compra, incluso en sectores con tickets medios bajos.

Si sumamos todos esos recorridos mal medidos, nos encontramos con una atribución de canales engañosa

Multipliquemos todos los Robertos x 1.000. Se acaba el mes, y tenemos que reportar todas las ventas generadas por el equipo de performance. Tenemos dos fuentes de datos que utilizamos de forma regular:

• Datos de atribución: para reportar ventas totales, usando generalmente GA4
• Datos de plataforma: para optimizar y también evaluar algunos canales, a causa de las discrepancias entre diferentes fuentes de datos

Seguramente, observaremos lo siguiente – centrándonos en los canales de publicidad, para concentrar esfuerzos:

• Las campañas de SEM de Marca representarán 20-30% de las ventas totales, y coincidirán bien entre GA y plataforma. El ROAS será estratosférico.
• SEM Genérico: 10% de las ventas, con un buen match entre plataforma y GA4. Tendremos un retorno de la inversión correcto (espero que recuperes la pasta, al menos)
• Paid Social: Meta (por ejemplo) lucirá mucho mejor en la plataforma que en GA4, dónde a menudo incluso es invisible
• Retargeting: no pintará mal en GA4, aunque habrá cierta discrepancia entre los datos de plataforma y los datos de atribución. El ROAS seguirá siendo muy bueno, de todas maneras.

¿Y qué decisiones tomamos con estos datos, que son incompletos?

Malas decisiones, que nos llevan a:

• Volvernos dependientes de canales que son fáciles de medir, como SEM Genérico
• No invertir suficiente en el mid-funnel: canales que impactan a los compradores activos de la categoría antes incluso de que busquen

“Vale listo, ya sabemos que la atribución nos da malos datos, pero ¿qué hacemos para arreglarlo?”

Tenemos que empezar a hacer experimentos para entender la incrementalidad de cada canal. Con los experimentos, intentaremos responder a la siguiente pregunta: ¿qué porcentaje de las ventas totales no hubiera sucedido si no hubiéramos invertido en cada canal? Con esto, iremos más allá de la atribución tradicional, que prima los canales que son fáciles de medir, y empezaremos a entender las tácticas que realmente generan ventas.

Vamos a repasar diferentes tipos de experimentos que nos permitirán empezar a medir mejor:

1. Geo Tests o Matched Market Tests (MMT)

• Descripción: Estos experimentos dividen geográficamente a la audiencia en grupos de control y prueba. Se lanza la campaña solo en las áreas de prueba y se compara el rendimiento con las áreas de control que no vieron la campaña. La diferencia entre los dos grupos proporciona una medida del impacto incremental de la campaña.
• Herramientas recomendadas: Hay paquetes en R diseñados específicamente para este tipo de análisis, como Google Causal Impact y Meta GeoLift, que emplean técnicas de inferencia causal para determinar el impacto real de una campaña. Necesitarás una persona que sepa algo de programación para que te ayude a entender el sistema, pero una vez lo pilles, es relativamente fácil realizar los análisis con un nivel básico de código, o incluso con la ayuda de ChatGPT.
• Basado en hechos reales: gracias a este análisis, en Fiera descubrimos que Youtube era casi igual de efectivo que SEM Genérico para uno de nuestros clientes

2. Conversion Lifts en Plataforma

• Descripción: Estos experimentos, realizados en plataformas publicitarias, dividen aleatoriamente a la audiencia en grupos de control y prueba. El grupo de prueba ve los anuncios mientras que el grupo de control no. Al final del período del experimento, se compara la conversión entre los dos grupos para determinar el impacto incremental de los anuncios.
• Consideraciones: Es esencial tener en cuenta que estos tests a menudo requieren una inversión mínima y pueden estar limitados por problemas técnicos inherentes a la atribución. Pregúntale a tu Account Manager cuáles son los pasos para realizar uno de estos tests: pero en general, solo necesitas dinero, y tener un setup fuerte de medición – server-to-server recomendado.
• Basado en hechos reales: podrás encontrar cuántas de las ventas que mides en Meta son realmente atribuibles a la plataforma

3. PSA (Public Service Announcements)

• Descripción: En lugar de mostrar un anuncio comercial, una parte de la audiencia ve un anuncio de una ONG o de otra entidad no relacionada. Al comparar las conversiones entre este grupo y aquellos que vieron el anuncio real, podemos medir el impacto incremental del anuncio.
• Beneficio: Los PSA son útiles porque cualquier conversión que ocurra después de ver un anuncio de una ONG se puede considerar como “ruido”, permitiendo una comparación más clara del verdadero impacto de tu anuncio.
• Basado en hechos reales: gracias a un DSP que permitía correr este tipo de tests, pudimos descubrir que ninguna de las conversiones que medíamos en programática era incremental

4. Go-Dark Tests

• Descripción: Estos experimentos implican “apagar” temporalmente un canal de marketing en particular o reducir significativamente su presencia. Al observar el impacto en las métricas clave durante este período “oscuro”, se puede determinar cuánto valor estaba aportando realmente ese canal. Es especialmente útil para evaluar la eficacia de las campañas de SEM de marca.
• Basado en hechos reales: un porcentaje de las conversiones que medimos en SEM de Marca se irían a SEO sin los anuncios: ¿te imaginas que son cerca del 100%? No sería la primera vez que lo veo, así que mejor que lo pruebes

Los resultados de los experimentos te servirán para validar la atribución

Una vez empieces este camino te encontrarás con alguna sorpresa desagradable, y otras positivas. Pero todos los experimentos te darán un resultado que te podrá servir para cruzar los datos de la atribución con una medida mucho más cerca de la realidad.

Volvamos al ejemplo inicial:

Gracias a los experimentos que hemos realizados, hemos visto que Paid Social es igual de eficiente que SEM de Marca (pues da el mismo número de ventas incrementales), y que no nos vale la pena seguir invirtiendo en Remarketing porque no genera casi ningún impacto incremental, pues solamente el 7% de las ventas que estamos midiendo en plataforma no hubieran ocurrido sin ese canal.

¿Y luego qué?

Para las compañías con un channel mix complejo, el estado ideal es algo parecido a lo siguiente:

1. Entendemos el impacto de marketing gracias a la atribución, informada con experimentos que demuestran cuántas ventas son causadas realmente cada canal, y enriquecida con encuestas.
2. Además, tomamos decisiones de distribución de presupuestos con un modelo de Marketing Mix Modelling, que también utiliza los resultados de los experimentos para calibrar el modelo.

El camino es largo, pero vale la pena: te ganarás el respeto de management, y sabrás que estarás tomando decisiones que realmente impactan en el negocio y las ventas.