Desde que comencé a trabajar en marketing digital, las quejas sobre la atribución siempre han sido continuas: “no entiende cross-device”, “la ventana de cookies es demasiado corta”, “Facebook no se puede ver en Google Analytics”… Pero pocas soluciones fueron a veces se proporcionaban, y rara vez se mencionaba el principal problema de atribución.

Aquí está el principal problema con la atribución en Google Analytics y en la plataforma

La atribución distribuye las ventas entre diferentes canales basándose en ciertas reglas o un modelo algorítmico, pero en este proceso, No tienen en cuenta qué canal o qué táctica provocó realmente esa venta.. Es una máquina de análisis de correlaciones, que sólo entiende comportamientos, pero no permite ver las causas.

veamos un ejemplo. Roberto ve un anuncio de tu tienda de disfraces en la aplicación de Instagram. Interactúa con el carrusel, pero no entra a la web. Piensa que los disfraces son geniales y que podrían ser un buen regalo para su hija, cuyo cumpleaños es pronto. Cuando regresa del trabajo, lo comenta con su mujer y los dos entran con el móvil de la pareja a la web de su tienda, buscando en Google la marca. No compran, pero al día siguiente, Roberto finaliza el proceso en el ordenador de su trabajo, tras hacer clic en un anuncio SEM de la marca. SEM de Marca gana la venta en GA4.

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

Si sumamos todas estas rutas mal medidas, encontramos una atribución de canal engañosa.

Multipliquemos todos los Robertos x 1.000. El mes está terminando y tenemos que reportar todas las ventas generadas por el equipo de desempeño. Tenemos dos fuentes de datos que utilizamos de forma regular:

• Datos de atribución: para informar las ventas totales, generalmente utilizando GA4
• Datos de la plataforma: optimizar y también evaluar algunos canales, debido a discrepancias entre diferentes fuentes de datos

Seguramente observaremos lo siguiente, centrándonos en los canales publicitarios, para concentrar esfuerzos:

• Las campañas SEM de marca representarán entre el 20% y el 30% de las ventas totales y combinarán bien entre GA y la plataforma. Él ROAS Será estratosférico.
• SEM genérico: 10% de las ventas, con buen match entre plataforma y GA4. Tendremos un correcto retorno de la inversión (espero que recuperes el dinero, al menos)
• Social pago: Meta (por ejemplo) se verá mucho mejor en la plataforma que en GA4, donde a menudo es incluso invisible.
• Retargeting: No quedará mal en GA4, aunque habrá cierta discrepancia entre los datos de la plataforma y los datos de atribución. De todos modos, el ROAS seguirá siendo muy bueno.

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

Malas decisiones, que nos llevan a:

• Volverse dependiente de canales fáciles de medir, como el SEM genérico
• No invertir lo suficiente en la mitad del embudo: canales que impactan a los compradores de categorías activas incluso antes de que realicen la búsqueda

“Está bien, listo, ya sabemos que la atribución nos da datos incorrectos, pero ¿qué hacemos para solucionarlo?”

Tenemos que empezar a hacer experimentos para comprender la incrementalidad de cada canal. Con los experimentos intentaremos responder a la siguiente pregunta: ¿qué porcentaje de las ventas totales no habría ocurrido si no hubiésemos invertido en cada canal? Con esto iremos más allá de la atribución tradicional, que prioriza canales fáciles de medir, y comenzaremos a entender las tácticas que realmente generan ventas.

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

1. Pruebas geográficas o pruebas de mercado coincidentes (MMT)

• Descripción: Estos experimentos dividen geográficamente a la audiencia en grupos de control y de prueba. La campaña se lanza solo en las áreas de prueba y el rendimiento se compara 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: Existen paquetes en R diseñados específicamente para este tipo de análisis, como Impacto causal de Google y Objetivo GeoLift, que utilizan técnicas de inferencia causal para determinar el impacto real de una campaña. Necesitarás una persona que sepa algo de programación para ayudarte a entender el sistema, pero una vez que lo dominas, es relativamente fácil realizar el análisis con un nivel básico de código, o incluso con la ayuda de ChatGPT.
• Basada en hechos reales: Gracias a este análisis, en Feroz Descubrimos que YouTube era casi tan efectivo como el SEM genérico para uno de nuestros clientes.

2. La conversión se convierte en plataforma

• Descripción: Estos experimentos, realizados en plataformas publicitarias, dividen aleatoriamente a la audiencia en grupos de control y de 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 señalar que estas pruebas a menudo requieren una inversión mínima y pueden estar limitadas por cuestiones técnicas inherentes a la atribución. Pregúntele a su administrador de cuentas cuáles son los pasos para realizar una de estas pruebas: pero en general, solo necesita dinero y tener una configuración de medición sólida (se recomienda de servidor a servidor).
• Basada en hechos reales: Podrás encontrar cuántas de las ventas que mides en Meta son realmente atribuibles a la plataforma.

3. PSA (Anuncios de servicio público)

• Descripción: En lugar de mostrar un anuncio comercial, una parte de la audiencia ve un anuncio de una ONG u otra entidad no relacionada. Al comparar las conversiones entre este grupo y los que vieron el anuncio real, podemos medir el impacto incremental del anuncio.
• Beneficio: Los anuncios de servicio público son útiles porque cualquier conversión que se produzca después de ver un anuncio de una ONG puede considerarse “ruido”, lo que permite una comparación más clara del verdadero impacto de su anuncio.
• Basada en hechos reales: Gracias a un DSP que nos permitió ejecutar este tipo de pruebas, pudimos descubrir que ninguna de las conversiones que medimos programáticamente era incremental.

4. Pruebas de oscuridad

• 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 efectividad de las campañas SEM de marca.
• Basada en hechos reales: un porcentaje de las conversiones que medimos en Brand SEM se destinaría a SEO sin los anuncios: ¿te imaginas que están cerca del 100%? No sería la primera vez que lo veo, así que será mejor que lo pruebes.

Los resultados de los experimentos te ayudarán a validar la atribución.

Una vez que inicies este camino te encontrarás con algunas sorpresas desagradables, y otras positivas. Pero todos los experimentos le darán un resultado que puede usarse para cruzar los datos de atribución con una medida. mucho más cerca de la realidad.

Volvamos al ejemplo inicial:

Gracias a los experimentos que hemos realizado, hemos visto que Paid Social es igual de eficiente que Brand SEM (ya que da el mismo número de ventas incrementales), y que no merece la pena seguir invirtiendo en Recomercialización porque casi no genera impacto incremental, ya que sólo el 7% de las ventas que estamos midiendo en la plataforma no se habrían dado sin ese canal.

¿Y entonces que?

Para empresas con una combinación de canales compleja, el estado ideal es algo como el siguiente:

1. Entendemos el impacto del marketing gracias a la atribución, basada en experimentos que demuestran cuántas ventas genera realmente cada canal y enriquecidas con encuestas.
2. Además, tomamos decisiones de asignación de presupuesto con un modelo de Marketing Mix Modeling, 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 la gerencia y sabrás que estarás tomando decisiones que realmente impactarán el negocio y las ventas.

Mantente informado de las noticias más relevantes en nuestro canal Telegrama