Jon Artolozaga, Head of Data en Mediaplus Equmedia, ha analizado los principales retos y transformaciones que afronta la medición del impacto publicitario en el mercado españo. En un contexto marcado por la pérdida de efectividad de las cookies de terceros y las crecientes exigencias de privacidad, Artolozaga defiende la vuelta a la econometría macro y a las metodologías avanzadas de Marketing Mix Modeling (MMM).
Igualmente, señala que el valor de la Inteligencia Artificial reside en la capacidad de simulación estratégica más que en la producción creativa, y subraya que la unificación de la infraestructura de first-party data es el pilar organizativo clave para garantizar decisiones de inversión defendibles
Desde la perspectiva en Mediaplus Equmedia, ¿en qué punto de madurez real están hoy los anunciantes españoles al medir el impacto directo de sus campañas?
Diría que el mercado español avanza hoy en tres velocidades diferenciadas: un primer grupo, formado por anunciantes de gran consumo, retail y algunas verticales financieras, ya opera con modelos de mix de medios (MMM) integrados en su ciclo de planificación, y toma decisiones de inversión apoyándose en curvas de respuesta y saturación por canal.
Un segundo grupo, muy amplio, mide con solidez el rendimiento de canales digitales, pero mantiene la parte offline bajo métricas de exposición más que de impacto real sobre el negocio.
Y un tercer grupo, especialmente en sectores B2B, sigue midiendo, principalmente, por notoriedad y recuerdo, con una oportunidad enorme todavía por explotar.
Con el fin paulatino de las cookies de terceros y el aumento de los entornos cerrados (walled gardens), la atribución se ha vuelto más compleja. ¿Qué modelos de medición o econometría están funcionando realmente y cuáles han quedado obsoletos?
La atribución multicanal basada en cookies de terceros pertenece ya al pasado y su declive está acelerando una vuelta muy saludable a la econometría.
Lo que sí está funcionando hoy es volver a la medición macro mediante el Marketing Mix Modeling (MMM). En lugar de mirar usuarios individuales, el MMM analiza datos globales de ventas e inversión, lo que lo hace inmune a las restricciones de privacidad. Además, las metodologías modernas (como los modelos bayesianos o herramientas como Robyn) superan a las matemáticas tradicionales porque entienden mejor el impacto del tiempo, la saturación publicitaria y los márgenes de error.
En paralelo, están funcionando muy bien los modelos de experimentación, por ejemplo el geo-testing, como validación cruzada de lo que dice el MMM. Lo que ha quedado obsoleto es la pretensión de reconstruir el customer journey completo persona a persona, debido a que los requerimientos de privacidad de la industria ya no lo permiten.
Se habla mucho del uso de IA para crear contenidos, pero el verdadero valor en medios suele estar en la predicción de comportamientos y la optimización de compras. ¿Dónde está generando la IA un ROI tangible y dónde hay más fuegos artificiales que utilidad?
El ROI tangible está apareciendo con más fuerza en la capa de decisión que en la capa de producción. La modelización permite hoy simular en minutos miles de combinaciones de plan que antes exigían días de trabajo manual. Ese mismo motor de cálculo alimenta la asignación dinámica de presupuesto entre canales, además de anticipar la fatiga publicitaria y la saturación de audiencia antes de que se traduzcan en desperdicio de inversión. Por tanto, hemos pasado de decidir con intuición y datos históricos a hacerlo con simulación en tiempo real.
En cambio, la generación de contenido creativo concentra hoy más ruido que realidad cuando se plantea como sustituto del criterio humano. La IA generativa acelera la producción y multiplica las variantes para testar, pero la estrategia creativa sigue perteneciendo al terreno humano.
La IA solo es tan buena como los datos con los que se alimenta. ¿Cuál es el principal cuello de botella que encuentras al integrar las bases de datos internas del cliente (First-Party Data) con las herramientas de la agencia?
El cuello de botella rara vez es tecnológico; es organizativo y de gobernanza del dato. Con frecuencia, encontramos bases de first-party data con estructuras heterogéneas entre departamentos (CRM, e-commerce, atención al cliente) que nunca fueron diseñadas para dialogar entre sí y, mucho menos, para alimentar un modelo de agencia. A eso se suma la fricción legal y de compliance en torno al tratamiento de datos personales, que ralentiza mucho el intercambio de datos agregados.
La solución que mejor está funcionando pasa por trabajar con capas de agregación y modelos de clean room, donde la agencia recibe señales estadísticas suficientes para calibrar y enriquecer sus modelos sin necesitar acceso a datos individuales. Invertir en esa capa intermedia de gobernanza es la palanca con mayor retorno para cualquier anunciante que quiera aprovechar sus datos propios.
A menudo existe una tensión histórica entre el análisis cuantitativo y la creatividad en publicidad. ¿Cómo se equilibra la toma de decisiones basada estrictamente en datos con la necesidad de asumir riesgos creativos?
Prefiero plantear esta relación como complementaria antes que como una tensión que resolver. Los modelos cuantitativos son muy buenos para responder a la pregunta de cuánto invertir, dónde y con qué frecuencia, pero son mucho más limitados para responder a la pregunta de qué contar y cómo emocionar. Ahí es donde el criterio creativo conserva todo su valor y donde la analítica (pre test, experimentos) cumple mejor su función actuando como red de seguridad.
¿Qué competencias técnicas y de negocio consideras imprescindibles para un Head of Data hoy?
En el terreno técnico, resulta imprescindible un dominio de la modelización estadística aplicada al sector de los medios y un entendimiento profundo de la arquitectura de datos: cómo se integran las fuentes, cómo se gobiernan y cómo se documentan los supuestos de cada modelo a utilizar, porque un modelo sin trazabilidad de sus hipótesis pierde toda su credibilidad ante un cliente.
En el terreno de negocio, la competencia más determinante es la capacidad de traducir un resultado estadístico en una recomendación de inversión para que un director de marketing la pueda defender de manera satisfactoria ante su propio comité.
Si un anunciante tuviera que priorizar una sola inversión técnica en infraestructura de datos para los próximos 12 meses para no quedarse fuera del juego, ¿cuál debería ser y por qué?
Desde mi propia experiencia, recomendaría priorizar la construcción de una capa sólida de first-party data que esté unificada y bien gobernada, con capacidad de conectarse mediante clean rooms o entornos seguros tanto a los walled gardens como a los proveedores de modelización de la agencia.
Esta infraestructura es la base que hace posible todo lo demás: sin ella, cualquier inversión posterior en IA predictiva o en modelos de mix de medios se construye sobre datos frágiles y decisiones poco defendibles. Además, es la inversión con mayor horizonte de vida útil, debido a que las herramientas de IA cambian con rapidez y seguirán haciéndolo.
Seguiremos Comunicando…
