Los avances de los últimos años en medición, que suponen pasar de un modelo de atribución last clic por defecto a otros tipos de modelos, más justos con las interacciones previas a la última en la que se produce la conversión, intentan comprender mejor el proceso de compra del cliente.
Este proceso, compuesto habitualmente por varias sesiones de navegación en distintos canales, suponen el paso del cliente del momento inicial, en la parte superior del funnel, pasando por la consideración, hasta terminar con la conversión.
Para medir el retorno de la inversión de una forma justa con cada fuente de tráfico, la evolución de los modelos de conversión, hasta llegar a los modelos data driven basados en algoritmos, ha sido clave. Pero hay una cuestión que sigue teniendo un margen de trabajo y de mejora importante: ¿cuántas de las conversiones que conseguimos con tráfico pagado son realmente incrementales? Dicho de otra forma, ¿cuántas conversiones se producirían igualmente en caso de no invertir en un determinado formato, momento o fuente de tráfico?
El foco en performance puede no favorecer la incrementalidad
El hecho de que una buena parte de la inversión se centre en conseguir buenos resultados hace que buena parte de la inversión se destine a usuarios potenciales clientes que ya están cerca de convertir.
Puede ser el caso de los anuncios para búsquedas de marca en Google Ads o los anuncios de remarketing, a personas que han dejado productos en el carrito. Estos tipos de anuncios consiguen buen ROAS, porque son clics con bajo coste, la conversión es alta, y por tanto el ROAS es alto. Pero ¿cuántas de estas conversiones se hubieran producido igualmente sin esa inversión? Teniendo en cuenta que esos usuarios están cerca de finalizar su proceso de compra.
Modos de probar la incrementalidad
La mejor forma de intentar demostrar la incrementalidad es haciendo pruebas. Por ejemplo, pausando campañas de Google Ads y midiendo las diferencias. Lo más probable en el caso de parar pujas por keywords de marca del propio anunciante es, si no hay competidores que pujen por ellas, que se pierda una parte del tráfico pero una parte proporcionalmente menor de los ingresos, ya que los resultados orgánicos recuperan la parte del tráfico más interesada realmente en acudir a la web del anunciante a convertir. El total de tráfico desde buscador descenderá, pero la conversión de ese tráfico será superior a la del tráfico orgánico cuando también estaban activos los anuncios. Además, el anunciante se ahorra el coste de los clics pagados.
Otra prueba que se puede hacer es con la lista de emails de nuestros clientes registrados. A un grupo enviarle únicamente el email, a otros impactarles también en redes sociales y a un tercer grupo en redes sociales y remarketing. Y analizar las diferencias en busca de incrementalidad.
La propuesta de Google: una aproximación con 3 herramientas
En un artículo publicado en Think with Google, el buscador propone utilizar 3 herramientas con el objetivo de centrarse en la incrementalidad: marketing mix modeling, modelos de atribución data driven y experimentos centrados en análisis de causalidad.
![incrementalidad](https://cdn.prod.website-files.com/61801f88d983e9bb5edaa4c5/666b8deec460ef1038e1e542_incrementalidad.webp)
- Marketing mix modeling (MMM): El MMM es un análisis muy detallado de los efectos de la publicidad realizados en el pasado para poder predecir el efecto de introducir variaciones en el futuro. Es una herramienta útil a medio y largo plazo, aunque es tan eficaz como rigurosa y exhaustiva sea la información que se emplea. Por ejemplo, debe dividirse la inversión y sus efectos por cada una de las plataformas de vídeo en que nos hemos anunciado y, en el caso de la inversión en buscadores, por lo menos en keywords de marca y genéricas. El objetivo es poder entender los distintos impactos de forma granular.
- Modelos de atribución data driven: los modelos de atribución basados en datos son de gran utilidad, porque el MMM no es una herramienta ágil que permita tomar decisiones de rectificación durante las campañas. Los modelos de atribución data driven sí permiten introducir cambios, al medir los resultados de las campañas mejor que con los modelos last clic, al reflejar una visión más real del customer journey.
- Experimentos centrados en análisis de causalidad: pruebas específicamente centradas en causalidad de la conversión o lift, es decir, en análisis de incrementalidad. No se debe confundir estos experimentos con incrementos en la inversión publicitaria o test A/B, estos experimentos se conciben y realizan buscando únicamente probar causalidad entre acción y conversión. Un ejemplo de experimento sería el que hemos mencionado previamente con los clientes registrados (un grupo de receptores de newsletter expuesto además a publicidad en redes sociales, el otro no).
En la búsqueda por conseguir el mejor rendimiento de las inversiones publicitarias, que siempre dependen de un presupuesto limitado, no es suficiente centrarse en conseguir el máximo ROAS por cada canal.
Debemos continuar investigando el comportamiento de nuestros clientes y de nuestros impactos para entender cómo influimos en las conversiones y sobre todo maximizar la incrementalidad que conseguimos con nuestras inversiones.