Recientemente, la consultora tecnológica FiT, perteneciente al grupo t2ó ONE, presentó las principales conclusiones de su Whitepaper sobre Medición, un informe que analiza las claves para optimizar el rendimiento de las campañas publicitarias combinando Marketing Mix Modeling, atribución e incrementalidad con una estrategia de precisión.
Para profundizar en los hallazgos del informe y conocer de primera mano cómo estas metodologías pueden transformar la medición en entornos publicitarios complejos, entrevistamos a José Alberto Benavides, Growth and Business Director en FiT. Durante la conversación, el experto compartió insights valiosos sobre cómo las marcas pueden tomar decisiones más acertadas al integrar estos enfoques, así como los retos más comunes a los que se enfrentan las empresas al implementar modelos de medición avanzados.
Cabe destacar que FiT ha facturado 6,6 millones de euros durante 2024. Estos resultados demuestran que el mercado está en auge, por lo que apostar por la innovación en tecnología aplicada al marketing y la medición, es en este momento oportuno y necesario.
¿Cómo ha evolucionado la medición del rendimiento publicitario?
La medición del rendimiento publicitario ha cambiado significativamente con el tiempo, pasando de métodos determinísticos basados en cookies y píxeles a enfoques más avanzados y complejos. Antes, las empresas dependían de cookies para rastrear el comportamiento del usuario y atribuir conversiones a puntos de contacto específicos, como clics en anuncios. Sin embargo, con las restricciones de privacidad, como la eliminación de cookies de terceros en navegadores como Chrome, el empoderamiento y mayor conocimiento del usuario, y la fragmentación del customer journey, este enfoque se ha vuelto menos efectivo.
¿Qué papel juegan hoy el Marketing Mix Modeling, la atribución y la incrementalidad?
Las empresas están adoptando metodologías como el Marketing Mix Modeling (MMM), la atribución digital y la medición de incrementalidad. El MMM analiza el impacto de todos los factores, tanto online como offline, en los resultados de negocio mediante modelos econométricos, mientras que la atribución asigna valor a los puntos de contacto digitales dentro del customer journey. La incrementalidad, por su parte, es más táctico y mide el impacto real de una campaña comparándola con lo que habría ocurrido sin ella, utilizando métodos como experimentos A/B o pruebas de geo-lift.
¿Cómo podemos obtener una visión precisa del impacto de las campañas?
La clave hoy parece ser combinar estas metodologías con inteligencia artificial (AI) para obtener una visión más precisa del impacto de las campañas. La AI optimiza modelos de atribución mediante aprendizaje automático y mejora la precisión del MMM con técnicas como la inferencia bayesiana y el ML causal, además de automatizar pruebas de incrementalidad en tiempo real (AI in Marketing | IBM). Un detalle inesperado es el resurgimiento del MMM, que, aunque tradicionalmente usado para canales offline, está ganando tracción en el mundo digital debido a los desafíos de privacidad y el uso de la tecnología como facilitador de esta técnica.
¿Cuáles son las principales diferencias entre el MMM y los modelos de atribución digital? ¿Cómo pueden combinarse para obtener una visión más precisa del impacto de las campañas?
El MMM y la atribución digital son herramientas complementarias, cada una con fortalezas distintas. El MMM proporciona una visión macro a largo plazo, analizando cómo diferentes canales y factores (como promociones, gasto en TV, etc.) contribuyen a los resultados, a las ventas, de negocio. En contraste, la atribución digital se centra en asignar crédito a los puntos de contacto digitales específicos, como clics en anuncios o vistas de display. Es decir, asignará el crédito a los canales según su contribución real al Revenue, permitiendo identificar su impacto efectivo y detectar posibles infra o sobre estimaciones. La integración de ambos parece ser la mejor práctica, ya que el MMM ofrece una visión estratégica, mientras que la atribución digital permite ajustes operativos.
Vemos que el concepto de incrementalidad es clave para entender el impacto real de una campaña. ¿Cómo puede medirse con precisión y qué desafíos enfrenta esta metodología?
Es una metodología utilizada para medir el impacto real de una campaña de marketing o una intervención específica sobre un grupo de usuarios. Se divide la audiencia en grupos de test y control, al grupo de test se le muestra la campaña y al grupo de control no. Las diferencias entre ambos grupos son los resultados de incrementalidad. Ayuda a determinar cuánto de un resultado (por ejemplo, ventas, conversiones, clics) se debe directamente a la intervención en cuestión y cuánto hubiera ocurrido de todos modos. El test de incrementalidad es crucial porque ayuda a las empresas a entender la verdadera efectividad de sus esfuerzos de marketing, eliminando el ruido de otros factores que pueden influir en los resultados.
¿De qué manera la IA y el machine learning están optimizando la capacidad de los modelos de medición para mejorar la planificación estratégica de campañas?
La AI y el machine learning están transformando la medición al optimizar modelos de atribución, mejorar la precisión del MMM y automatizar pruebas de incrementalidad. Por ejemplo, la AI puede analizar grandes volúmenes de datos para identificar patrones que los humanos podrían pasar por alto, como el impacto de interacciones cruzadas entre canales. También permite personalización a escala, ajustando campañas en tiempo real según el comportamiento del usuario. En el MMM, distintas técnicas y el ML mejoran la capacidad de predecir resultados, mientras que en la incrementalidad, la AI automatiza la ejecución de pruebas, reduciendo el tiempo y los costos.
¿Cómo pueden las empresas asegurarse de medir con precisión el impacto de cada canal sin caer en la sobrevaloración de unos sobre otros?
En un entorno multicanal, evitar la sobrevaloración de ciertos canales es crucial. El MMM ofrece una visión global, analizando el impacto de todos los canales juntos, mientras que las pruebas de incrementalidad validan el efecto real de campañas específicas.. Por ejemplo, se pueden usar pruebas de incremento de conversión en plataformas como Amazon Ads para evaluar el impacto de anuncios display. La atribución basada en datos, usando modelos avanzados como Shapley o Deep Learning, es útil en entornos digitales para asignar crédito de manera más equitativa.
¿Cómo han cambiado los hábitos del consumidor digital en los últimos años y qué estrategias deben adoptar las marcas para conectar con ellos de manera más efectiva?
El comportamiento del consumidor ha cambiado, afectando la medición. El uso de dispositivos móviles ha aumentado, con un crecimiento del 65% en búsquedas de “social commerce” en cinco años, reflejando una preferencia por compras integradas en plataformas sociales (10 Key Consumer Behavior Trends (2024 & 2025)). La omnicanalidad es común, con consumidores interactuando a través de email, redes sociales y tiendas físicas, lo que complica la atribución. Además, las expectativas de respuestas rápidas y hiperpersonalización son altas, y el auge de comunidades e influencers juegan un importante papel en las decisiones de compra. Esto requiere estrategias de medición que capturen estas dinámicas.
¿Cómo puede la combinación de MMM, atribución e incrementalidad ayudar a mejorar la personalización de las campañas sin perder escalabilidad?
Lograr personalización a escala es un desafío. El MMM identifica patrones macro de respuesta a la inversión, como qué canales generan mayor retorno a largo plazo, mientras que la atribución digital ayuda a optimizar tácticas a nivel individual, ajustando anuncios según el comportamiento en tiempo real. La incrementalidad valida qué estrategias realmente impulsan el negocio, asegurando que los recursos se asignen a campañas efectivas.
¿Qué tendencias marcarán el futuro de la medición en marketing y cómo crees que evolucionarán las herramientas y metodologías en los próximos años?
El futuro está en los modelos de medición privacy-first con menos dependencia de cookies y en los avances en modelos causales con IA para entender la relación entre inversiones y resultados. También está en la expansión del Retail Media Measurement y en el uso de modelos híbridos de MMM, atribución e incrementalidad, potenciado por la IA e integrados con herramientas de BI.
Seguiremos Informando…
