¿Un nuevo estándar de referencia para la medición de anuncios digitales?

Desde que Neil Borden acuñó el término «combinación de marketing» en 1949, las empresas han buscado formas de analizar y refinar la forma en que comercializan y promocionan sus productos. Durante mucho tiempo, el principal enfoque analítico para este problema fue la «modelización de la combinación de marketing», que utiliza datos agregados de ventas y marketing para sugerir ajustes estratégicos en las iniciativas de marketing de una empresa. Pero en el ámbito de la medición de anuncios digitales, este enfoque se adoptó en gran medida para un gigante anticuado, superado fácilmente por la atribución inmediata, precisa y determinista que permitía la nueva tecnología.

Ahora, sin embargo, el modelaje de mezclas de marketing está regresando.

¿Por qué? Por un lado, los cambios fundamentales en el ecosistema de la publicidad digital —como los nuevos límites de Apple a lo que los anunciantes pueden rastrear— significan que la medición determinista a nivel de usuario de los efectos de la publicidad digital solo va a ser más difícil. A medida que estos datos se agotan, las empresas que no se adaptan corren el riesgo de encontrarse repentinamente en la oscuridad. En este nuevo panorama, los modelos de mezcla de marketing (MMM) tienen una ventaja específica: son capaces de producir mediciones (e información) fiables únicamente a partir de la variación natural en agregado datos y no requieren datos a nivel de usuario.

Sin embargo, hacer que los MMM formen parte de su conjunto de herramientas de análisis de marketing no es tan fácil como pulsar un interruptor. En condiciones equivocadas y sin una orientación cuidadosa, pueden ser imprecisos y pueden desinformar las decisiones de marketing de la empresa.

Las empresas que quieren empezar (o volver a empezar) a utilizar los MMM tienen que utilizar experimentos con anuncios para aplicar su enfoque de marketing digital. Una serie de estudios de campo que realizamos con anunciantes digitales sugiere que el proceso de utilizar experimentos para calibrar los modelos es necesario para aliviar las posibles imprecisiones en las estimaciones de MMM. En este artículo, analizamos por qué debe y cómo puede hacer precisamente eso y prosperar en el nuevo panorama de la medición de anuncios digitales.

Por qué son importantes los experimentos

Los MMM son geniales porque funcionan con datos agregados. Pero pueden tener problemas cuando sus estrategias publicitarias y las dinámicas de atención y competencia relacionadas varían mucho según los canales de publicidad. Las campañas publicitarias altamente personalizadas, como las que se utilizan a menudo en los canales digitales, pueden hacer que este último punto destaque especialmente. Sin embargo, hay una forma de explicarlo: si refina su MMM mediante una calibración experimental, guiándose por un plan de medición bien entendido, puede confiar más en la información que le proporciona.

¿Cómo lo sabemos? Durante los últimos dos años, realizamos 18 estudios de casos con anunciantes de aplicaciones en Norteamérica y Europa, comparando las mediciones basadas en MMM con las basadas en experimentos. Hemos encontrado algunas ideas importantes.

En primer lugar, la calibración mediante experimentos con anuncios da sus frutos. En nuestros estudios de casos, la calibración en promedio corrigió las estimaciones de rentabilidad de la inversión publicitaria basadas en MMM en un 15%. Otros informes han encontrado una corrección media de calibración del 25% en multitud de mercados verticales, incluidos bienes de consumo, electrodomésticos, telecomunicaciones, bienes raíces y automoción, que se mueven rápidamente, y en multitud de regiones, incluidas APAC, EE. UU., Brasil, Rusia y Sudáfrica.

En segundo lugar, los anuncios digitales con segmentación más limitada parecen requerir más calibración. Los anuncios de audiencia personalizados en EE. UU. requerían el mayor ajuste de calibración general, del 56%. Esto sugiere que las empresas que dependen de unos pocos canales y marcas más pequeñas con segmentos de mercado especializados tal vez quieran realizar experimentos para refinar sus modelos con más frecuencia.

Experimentos publicitarios que puede esperar realizar en el futuro

Los experimentos precisos de anuncios a nivel de usuario están siendo asediados al igual que la medición de anuncios a nivel de usuario. A medida que disminuya la capacidad de observar de forma determinista el comportamiento de los usuarios en sitios web y aplicaciones, los experimentos con anuncios tendrán que centrarse en los resultados in situ (como las visitas, los clics y otras métricas del sitio), basarse en la privacidad diferencial para hacer coincidir los resultados fuera del sitio con el comportamiento in situ o utilizar la llamada aleatorización agrupada. Con la aleatorización agrupada, la asignación de los anuncios experimentales ya no se controla a nivel de usuario, sino a escalas menos granulares, como las regiones geográficas.

Por ejemplo, con los experimentos de anuncios geográficos, los consumidores de ciertos códigos postales, áreas de mercado designadas, estados o incluso países verán campañas publicitarias experimentales y los consumidores de otros no. Las diferencias en las ventas y el reconocimiento de la marca entre las unidades geográficas expuestas y no expuestas se utilizan para medir el impacto incremental de los anuncios experimentales. Los experimentos de geopublicidad pueden proporcionar una verdad básica con la que calibrar el MMM. Este enfoque se ofrece en De Google y Meta es suites de medición, se utiliza desde hace mucho tiempo en Publicidad televisiva, y ha sido adoptado por los principales anunciantes digitales, como Asos.

Otras vías de experimentación publicitaria en un entorno de publicidad digital con más restricciones de datos pueden venir a través de tecnologías como privacidad diferencial. La privacidad diferencial permite hacer coincidir la información entre diferentes conjuntos de datos (observados en diferentes aplicaciones y sitios web) sin revelar información sobre las personas. La aleatorización inducida en una aplicación o sitio web (en un conjunto de datos) podría compararse entonces con resultados como las compras observadas en otra aplicación o sitio web (en otro conjunto de datos).

Calibrar un MMM

Entonces, ¿cómo puede utilizar los experimentos con anuncios para calibrar su MMM? Nos gustaría destacar tres formas de calibración que difieren en rigor y facilidad de implementación:

1. Compare los resultados de los experimentos con MMM y los anuncios para asegurarse de que son «similares». Este enfoque es cualitativo y fácil de implementar. Similar puede significar que, como mínimo, ambos enfoques eligen la misma variante o estrategia de anuncio ganadora o que los dos coinciden direccionalmente. Si los resultados son diferentes, modifique y afine el MMM hasta que se llegue a un acuerdo.
2. Utilice los resultados del experimento para elegir entre los modelos. Como una extensión más rigurosa del enfoque cualitativo, el equipo de análisis de marketing puede crear un conjunto de modelos diferentes y, luego, los responsables de la toma de decisiones pueden elegir el que más se ajuste a los resultados del experimento publicitario para el resultado clave de interés (por ejemplo, el coste por conversión incremental).
3. Incorpore los resultados de los experimentos en el MMM. En este caso, los resultados del experimento se utilizan directamente en la estimación del MMM y no solo para compararlos con los resultados del MMM (#1 arriba) o para ayudar a seleccionar el modelo (#2 arriba). Hacerlo requiere un conocimiento más profundo de la modelización estadística. Los resultados del experimento pueden introducir su MMM como dato previo (por ejemplo, si utiliza un modelo bayesiano) o se pueden utilizar para imponer un rango permitido a los coeficientes del modelo. Por ejemplo, supongamos que su experimento publicitario en un canal específico muestra una rentabilidad de la inversión publicitaria del 150% con un límite de confianza del 120% inferior y el 180% superior; puede «forzar» la estimación del coeficiente MMM para que ese canal esté dentro de ese rango.

El tercer enfoque es el más riguroso, pero también es la estrategia más difícil de implementar. Si decide adoptarlo, le recomendamos que lo haga junto con el segundo enfoque. En otras palabras, 1) identifique un conjunto de modelos candidatos que produzcan estimaciones razonables en relación con el resultado del experimento; 2) incorpore los resultados del experimento en la estimación MMM; y 3) elija el modelo que produzca los resultados más equilibrados con los resultados de otros experimentos y evaluaciones de expertos.

Al calibrar su MMM, tenga en cuenta también que la MMM y las ejecuciones de experimentos pueden tener un alcance diferente (por ejemplo, toda la publicidad que solo en línea) y que puede haber efectos de interacción, por ejemplo, entre los anuncios y las ventas online y offline y viceversa. Además, tenga en cuenta los efectos dinámicos, como el stock de anuncios. (Explicar todos los aspectos de la calibración cuantitativa del MMM en detalle va más allá del alcance de este artículo, pero los lectores interesados pueden encontrar casos prácticos excelentes y detallados aquí, aquí, y aquí.)

¿Con qué frecuencia debe calibrar?

Es una pregunta importante, pero difícil y multifacética. Los anunciantes que adopten con ahínco la medición de la incrementalidad pueden elegir una solución «siempre activa» en la que la publicidad se valide de forma experimental de forma coherente. Este enfoque puede funcionar bien para las grandes empresas internacionales que pueden darse el lujo de «quedarse a oscuras» en determinadas geografías en un momento dado. Basándonos en lo que hemos visto en los últimos años trabajando con anunciantes digitales, hemos intentado crear una matriz aproximada y sencilla que sirva de base para tomar decisiones sobre la frecuencia de calibración.

Ver más gráficos de HBR en Datos e imágenes

El objetivo de la tabla es ofrecer una guía aproximada para los vendedores que son nuevos en la calibración experimental de los MMM y la medición de la incrementalidad basada en MMM; tómelo con reservas. Según nuestra experiencia, y según los estudios de casos que hemos realizado, cuanto más segmentados sean sus anuncios y más específica sea su estrategia publicitaria, más querrá asegurarse de calibrar experimentalmente el MMM que apoya sus decisiones de marketing en un canal. Además, cuanto más gaste en un canal, más dinero pondrá en riesgo y, por lo tanto, para los canales con una mayor inversión en publicidad, querrá asegurarse de calibrar su MMM con más frecuencia.

Las empresas deben analizar, adaptar y enriquecer esta guía basándose en sus conocimientos institucionales y en sus ideas y prioridades operativas actuales. En cualquier caso, puede tener sentido hacer experimentos en momentos «menos importantes» (es decir, no durante las temporadas altas de ventas, el lanzamiento de nuevos productos o los grandes eventos externos, como la Superbowl) y en lugares que son menos importantes para la estrategia publicitaria de la marca.

• • •

A medida que los avances en la privacidad cambian radicalmente el panorama de la medición de los anuncios digitales, le recomendamos que adopte el MMM como parte clave de la caja de herramientas de análisis de marketing. Hay buenos vendedores que venden más o menos soluciones plug-and-play. Además, si no tiene experiencia interna preexistente en MMM, un consultor experimentado puede serle útil para integrarse correctamente con un proveedor y establecer un modelo de referencia interno. Especialmente si depende en gran medida de la publicidad online, calibre regularmente su MMM mediante experimentos con anuncios para asegurarse de que sus mediciones son precisas y de que sus decisiones de marketing digital están bien informadas.

La combinación del MMM y la calibración experimental, tal como se ha descrito anteriormente, podría convertirse en un «nuevo estándar de referencia» para la medición de anuncios en entornos de Internet con restricciones de datos. Como mínimo, proporciona mediciones fiables y eficaces hasta que las tecnologías incipientes, como la privacidad diferencial y atribución privada interoperable hacerse un verdadero hueco en la medición de anuncios digitales.