Un cliente que te compra desde hace años ve un anuncio y hace un nuevo pedido. Otra persona descubre la marca gracias a una campaña y compra por primera vez.
Es una pregunta legítima cuando tienes que decidir adónde irá el próximo presupuesto. No todas las empresas tienen los datos necesarios para un experimento a gran escala; merece la pena buscar qué método puede aclarar lo suficiente tu decisión.
Los dos pedidos pueden aparecer en un informe publicitario. Para entender el efecto de la publicidad, también hay que preguntarse qué habría pasado sin ella.
Es una pregunta difícil: no podemos observar a la misma persona, en el mismo momento, en las dos situaciones. Lo que sí podemos es construir comparaciones que ayuden a estimar la diferencia.
El mérito en el informe y el efecto adicional
La atribución reparte el mérito entre las interacciones elegibles según unas reglas definidas. La incrementalidad se pregunta qué cambió gracias a la publicidad.
Esta distinción no significa que haya que excluir a los clientes existentes ni descartar el remarketing. Los anuncios pueden darles a conocer un producto, reavivar su interés o animarlos a una nueva compra. Valora ese papel en su contexto.
Cómo es la lógica de un experimento
Una forma de hacerlo es comparar un grupo que puede ver la publicidad que se prueba con un grupo de control que no la ve. Los grupos tienen que formarse de manera que el método experimental reduzca al mínimo las diferencias relevantes entre ellos.
¿Qué diferencia marca el anuncio?
Esquema del método. Sin resultados medidos ni estimaciones numéricas.
Grupo expuesto
- Elegible para la publicidad que se prueba.
- Medir el resultado acordado.
Grupo de control
- Sin la publicidad que se prueba.
- Medir el mismo resultado.
Comparar los grupos según el método experimental acordado.
Interpretar la diferencia con la incertidumbre de la estimación.
| Elemento | Por qué importa |
|---|---|
| El reparto de los grupos | Ayuda a evitar seleccionar a personas que ya tenían más probabilidades de comprar |
| El mismo periodo | Reduce la confusión con las variaciones estacionales o del mercado |
| Un resultado definido de antemano | Aclara si seguimos pedidos, un valor u otra acción |
| Volumen e incertidumbre | Muestra qué precisión puede alcanzar la estimación |
Google describe los grupos de prueba y de control en su documentación sobre Conversion Lift. La herramienta no está disponible para todas las cuentas; la elegibilidad y las condiciones tienen que comprobarse caso por caso. Google Ads: acerca de Conversion Lift (en inglés)
Este esquema muestra la lógica del método. No contiene ningún resultado medido de una campaña de NOT MORE.
Por qué comparar dos meses no resuelve la pregunta
La publicidad se detiene y las ventas bajan. La estacionalidad, la disponibilidad, las promociones u otros cambios también pueden haber influido. La publicidad vuelve y las ventas suben; esos mismos factores pueden seguir influyendo en lo que observamos.
Comparar periodos ayuda a formular hipótesis. Una simple comparación «antes/después» no aísla la causa. Cuanto más importante es la decisión, con más cuidado hay que elegir el método de evaluación.
Dos zonas geográficas no son automáticamente comparables porque tengan un tamaño parecido. Su historial, sus ofertas, sus competidores y el diseño del experimento también cuentan.
Qué hacemos cuando un experimento no es viable
Algunas empresas tienen volúmenes bajos, ciclos de venta largos o recursos insuficientes para un experimento preciso. En esas situaciones, trabaja con los datos disponibles, explicita las hipótesis y mantén claros los límites.
Podemos analizar la evolución de los clientes nuevos y existentes, los cambios en la oferta y el historial de los canales. Estas observaciones orientan la decisión, sin presentarse como una prueba causal exacta.
A veces, la pregunta adecuada es si una medición más profunda cambiaría la decisión lo suficiente como para justificar su coste y su tiempo.
¿Se puede valorar la aportación del anuncio con pocas ventas?
Puedes obtener señales útiles, pero la precisión de una estimación causal puede ser limitada. Con un volumen bajo, unos pocos pedidos pueden cambiar mucho el resultado. Antes de una prueba, definimos el cambio que queremos detectar, la comparación adecuada, la duración y el riesgo de una conclusión equivocada.
Una calculadora de tamaño de muestra necesita hipótesis relevantes. En una prueba sobre compras, el número de impresiones no basta si falta la tasa de conversión supuesta y la unidad comparada. Más impresiones mostradas a las mismas personas no significan automáticamente más observaciones independientes.
¿Qué hacer mientras no hay datos suficientes? Comprueba la medición, la calidad de las solicitudes, el origen de los clientes y las explicaciones alternativas. Puedes tomar una decisión prudente de continuar, con un límite de inversión. Esa decisión tiene que presentarse con su incertidumbre, sin pretender haber demostrado las ventas adicionales que generó el anuncio.
Cómo usamos esta pregunta en la colaboración
En NOT MORE., distinguimos lo que informan los sistemas de lo que podemos demostrar sobre el efecto de una campaña. El método tiene que ser proporcional a la inversión, a los datos disponibles y a la decisión que está en juego.
Un buen resultado vale más cuando entendemos su significado. Un límite reconocido nos ayuda a elegir el siguiente paso con expectativas más claras.
Tres preguntas útiles
- ¿Qué nos dice la atribución y qué hemos comprobado más allá?
- ¿Qué otros factores podrían explicar el cambio?
- ¿Es viable un experimento y cambiaría nuestra decisión?
¿Qué decisión tomarías si entendieras la aportación de la campaña?
Cuéntanos qué actividad piensas mantener, reducir o ampliar, y de qué datos dispones. Podemos ver juntos qué es realista aprender y si un análisis más profundo cambiaría la decisión.