¿La publicidad personalizada funciona tan bien como afirman las empresas de tecnología?

Varias importantes empresas de tecnología han creado recientemente plataformas que pretenden educar a las empresas sobre la mejor manera de promocionarse a sí mismas y a sus productos en Internet. Los ejemplos incluyen Meta para negocios (anteriormente Facebook for Business; «Obtenga orientación paso a paso, información del sector y herramientas para hacer un seguimiento de su progreso, todo en un solo lugar»), Piense con Google ( «Lleve su marketing más allá con Google») y Twitter para empresas ( «Haga crecer su negocio con los anuncios de Twitter»).

Estos sitios son muy atractivos. Proporcionan a las pequeñas y medianas empresas una gran cantidad de información realmente útil sobre cómo hacer negocios en Internet y, por supuesto, ofrecen una variedad de herramientas y servicios de publicidad diseñados para ayudar a esas empresas a mejorar su rendimiento.

Todos estos sitios tienen el mismo objetivo básico. Quieren que comprenda que sus herramientas y servicios son potentes y altamente personalizados, y quieren que invierta su dinero de marketing en ellos.

No es tan simple como parece

Facebook es quizás la más insistente de las tres empresas citadas anteriormente. En las últimas semanas, la empresa ha emitido anuncios que cuentan todo tipo de historias inspiradoras sobre las pequeñas empresas a las que ha ayudado con sus nuevos servicios. Tal vez haya visto algunos de estos anuncios en los aeropuertos, revistas o sitios web. My Jolie Candle, un fabricante de velas francés, «encuentra hasta el 80% de sus clientes europeos a través de las plataformas de Facebook». Chicatella, una empresa de cosméticos eslovena, «atribuye hasta el 80% de sus ventas a las aplicaciones y servicios de Facebook». Mami Poppins, un proveedor alemán de artículos para bebés, «utiliza los anuncios de Facebook para generar hasta la mitad de sus ingresos».

Eso suena impresionante, pero ¿realmente deberían esperar las empresas efectos tan grandes de la publicidad? El hecho es que cuando Facebook, Google, Twitter y otras grandes empresas tecnológicas «educan» a las pequeñas empresas sobre sus servicios, suelen sacar conclusiones incorrectas sobre los efectos causales de la publicidad.

Pensemos en el caso de un cliente de consultoría nuestro, una empresa europea de bienes de consumo que durante muchos años ha posicionado su marca en torno a la sostenibilidad. La empresa quería saber si un anuncio en Internet que afirma su comodidad podría ser realmente más eficaz que uno que hace una afirmación sobre la sostenibilidad. Con la ayuda de Facebook for Business, hizo una prueba A/B de los dos anuncios y, a continuación, comparó el retorno de la inversión en publicidad entre las dos condiciones. La rentabilidad, según la prueba, fue mucho mayor para el anuncio de sostenibilidad. Lo que significa que es en lo que la empresa debe invertir, ¿verdad?

En realidad, no lo sabemos.

Hay un problema fundamental con lo que Facebook hace en este caso: las pruebas que ofrece con el título «A/B» no son en absoluto pruebas A/B. Esto no lo entienden bien, ni siquiera los vendedores digitales con experiencia.

Entonces, ¿qué pasa realmente con estas pruebas? He aquí un ejemplo:

1. Facebook divide a una gran audiencia en dos grupos, pero no todos los miembros de los grupos recibirán un tratamiento. Es decir, mucha gente no verá nunca un anuncio.

2. Facebook empieza a seleccionar personas de cada grupo y ofrece un tratamiento diferente según el grupo del que se haya tomado la muestra de una persona. Por ejemplo, una persona seleccionada del grupo 1 recibirá un anuncio azul y una persona seleccionada del grupo 2 recibirá un anuncio rojo.

3. Facebook utiliza entonces algoritmos de aprendizaje automático para refinar su estrategia de selección. El algoritmo podría aprender, por ejemplo, que los jóvenes tienen más probabilidades de hacer clic en el anuncio rojo, por lo que empezará a publicar ese anuncio más a los jóvenes.

¿Ve lo que está pasando aquí? El algoritmo de aprendizaje automático que Facebook utiliza para optimizar la publicación de anuncios en realidad invalida el diseño de la prueba A/B.

Esto es lo que queremos decir. Las pruebas A/B se basan en la idea de la asignación aleatoria. Pero, ¿las tareas que se hacen en el paso 3 anterior son aleatorias? No. Y eso tiene implicaciones importantes. Si compara a las personas tratadas del grupo 1 con las personas tratadas del grupo 2, ya no podrá sacar conclusiones sobre el efecto causal del tratamiento, porque las personas tratadas del grupo 1 ahora se diferencian de las personas tratadas del grupo 2 en más dimensiones que solo el tratamiento. Las personas tratadas del Grupo 2 a las que se les puso el anuncio rojo, por ejemplo, acabarían siendo más jóvenes que las personas tratadas del Grupo 1 a las que se les puso el anuncio azul. Sea lo que sea esta prueba, no es una prueba A/B.

No es solo Facebook. El sitio Think with Google sugiere que las métricas tipo ROI son causal, cuando en realidad son simplemente asociativo.

Imagínese que una empresa quiere saber si una campaña publicitaria es eficaz para aumentar las ventas. Respondiendo a esta pregunta, el sitio sugiere, implica una combinación sencilla de tecnología básica y matemáticas sencillas.

Primero, configuró el seguimiento de conversiones para su sitio web. Esto le permite hacer un seguimiento de si los clientes que han hecho clic en un anuncio han realizado una compra. En segundo lugar, calcula los ingresos totales de estos clientes y divide entre (o resta) sus gastos de publicidad. Ese es su retorno de la inversión y según Google, es «la medida más importante para los minoristas porque muestra el efecto real que Google Ads tiene en su negocio».

En realidad, no lo es. El análisis de Google es erróneo porque carece de puntos de comparación. Para en serio sepa si la publicidad está generando beneficios para su negocio, necesitará saber cuáles serían los ingresos en ausencia de publicidad.

Twitter for Business ofrece un poco propuesta más complicada.

En primer lugar, Twitter trabaja con un agente de datos para tener acceso a las cookies, los correos electrónicos y otros datos de identificación de los clientes de una marca. Y luego Twitter añade información sobre cómo estos clientes se relacionan con la marca en Twitter, si hacen clic en los tuits promocionados de la marca, por ejemplo. Se supone que esto permite a los analistas de marketing comparar los ingresos medios de los clientes que interactuaron con la marca con los ingresos medios de los clientes que no lo hicieron. Si la diferencia es lo suficientemente grande, según la teoría, entonces justifica el gasto en publicidad.

Este análisis es comparativo, pero solo en el sentido de comparar manzanas y naranjas. La gente que compra cosméticos con regularidad no los compra porque vea tuits promocionados. Ven tuits promocionados de cosméticos porque compran cosméticos con regularidad. Los clientes que ven los tuits promocionados de una marca, en otras palabras, son personas muy diferentes a las que no.

Confusión causal

Las empresas pueden responder a dos tipos de preguntas con los datos: pueden responder a las preguntas de predicción (por ejemplo, «¿Comprará este cliente?») y preguntas de inferencia causal (como: «¿Este anuncio hará que este cliente compre?»). Estas preguntas son diferentes, pero se combinan fácilmente. Responder a las preguntas de inferencia causal requiere hacer comparaciones contrafácticas (por ejemplo, «¿Este cliente habría comprado sin este anuncio?»). Los algoritmos inteligentes y las herramientas digitales creados por las grandes empresas de tecnología suelen presentar comparaciones entre manzanas y naranjas para respaldar las inferencias causales.

Las grandes tecnologías deberían ser muy conscientes de la distinción entre predicción e inferencia causal y de lo importante que es para una asignación eficaz de los recursos; al fin y al cabo, llevan años contratando a algunas de las personas más inteligentes del planeta. Dirigirse a los posibles compradores con anuncios es un problema puro de predicción. No requiere inferencia causal y es fácil de hacer con los datos y algoritmos actuales. Persuadir a la gente para que compre es mucho más difícil.

Hay que elogiar a las grandes empresas de tecnología por los útiles materiales y herramientas que ponen a disposición de la comunidad empresarial, pero las pequeñas y medianas empresas deben saber que las plataformas de publicidad persiguen sus propios intereses cuando ofrecen formación e información, y que estos intereses pueden o no estar alineados con los de las pequeñas empresas.

Nota del editor(16 de diciembre): El titular de este artículo se ha actualizado.