Qué es lo que la publicidad digital hace mal

La eficacia de los anuncios digitales está muy sobrevalorada. Un estudio a gran escala de los anuncios en eBay descubrió que la eficacia de los anuncios de búsqueda de marca estaba sobreestimada hasta un 4,100%. Un análisis similar de Anuncios en Facebook vomitó un número del 4.000%. A pesar de todos los datos que tenemos, parece que las empresas todavía no tienen la respuesta a una pregunta que se hizo por primera vez el famoso minorista del siglo XIX John Wanamaker: ¿Qué mitad del presupuesto de publicidad de mi empresa se desperdicia?

Sin embargo, debería ser posible responder a esta pregunta. Porque lo que se interpone en el camino no es la falta de información —el problema al que se enfrentó Wanamaker— sino más bien una confusión fundamental entre la correlación y la causalidad.

La falacia de la conversión

Cuando los representantes de marketing venden espacios publicitarios a los clientes, afirman que los anuncios crearán o provocarán un cambio de comportamiento, un fenómeno que normalmente se denomina elevador. Respaldan la afirmación apuntando al número de personas que compran un producto después de ver el anuncio, lo que normalmente se conoce como conversión tarifa.

Para explicar la diferencia entre ambas cosas a mis alumnos, hago que se imaginen que, el primer día de clase, me quedé en la puerta repartiendo folletos anunciando la clase a todos los alumnos que entraban. Luego les pregunto: «¿Cuál es la tasa de conversión de mis anuncios?» Siempre responden correctamente «al 100%» porque el 100% de las personas que vieron el anuncio «compraron» o se inscribieron en la clase. Luego pregunto: «¿En qué medida le cambiaron esos anuncios su comportamiento?» Como todos ya se habían apuntado a la clase mucho antes de ver el anuncio, todos responden: «En absoluto». Así que, si bien la tasa de conversión de mi anuncio es del 100%, el aumento del anuncio (la cantidad de cambios de comportamiento que provoca) es cero.

Aunque mi ejemplo es un poco simplista, demuestra por qué la confusión entre el aumento y la conversión puede crear problemas a la hora de medir el ROI del marketing. Las grandes marcas pagan mucho dinero a los consultores para que «segmenten» sus anuncios a las personas con más probabilidades de comprar sus productos. Sin embargo, a menos que la segmentación se dirija a los clientes que aún no están preparados para comprar los productos, la conversión de clic en efectivo no generará nuevos ingresos. La clave para que la publicidad dé sus frutos es conseguir que la gente compre sus productos (o done a una campaña política o se vacune) que de otro modo no lo habría hecho.

Elevador de medición

Supongamos que queremos saber si (A) unirse al ejército (B) provoca que los ingresos salariales vitalicios de una persona disminuyan. No podemos simplemente comparar los salarios de las personas que ingresan en el ejército con los que no, porque hay muchos otros factores (C) que podrían estar impulsando las diferencias que podríamos ver en las cifras brutas.

Por ejemplo, las personas con acceso a trabajos mejor remunerados tienen menos probabilidades de unirse al ejército en primer lugar (esto es B, lo que provoca A). Y las personas con más educación o habilidades eligen no entrar en el ejército (C provoca tanto A como B). Así que lo que al principio parece una relación causal entre el servicio militar y los salarios medios más bajos podría ser simplemente una correlación inducida por estos otros factores. El desafío, entonces, consiste en controlar estos otros factores y, al mismo tiempo, aislar la relación que queremos examinar.

Podemos hacerlo creando un grupo de control. Si asignamos a algunas personas al azar para que se unan al ejército, el grupo que se una (el grupo de tratamiento) tendrá, de media, la misma educación y habilidades (y edad, sexo, temperamento, actitudes, etc.) que el grupo que no se una (el grupo de control). Con una muestra lo suficientemente grande, las distribuciones de todas las características observables y no observables entre las personas asignadas a los grupos de tratamiento y control son las mismas, lo que convierte al tratamiento en sí mismo en la única explicación que queda de cualquier diferencia en los resultados entre los dos grupos. En igualdad de condiciones, podemos estar seguros de que nada más que su servicio militar puede generar diferencias salariales.

El problema es que no siempre podemos hacer esto. Un científico tendría dificultades para justificar un estudio que obligara aleatoriamente a personas a entrar en el ejército. En estos casos, buscamos lo que se conoce como «experimentos naturales», fuentes naturales de variación aleatoria que imitan un experimento aleatorio.

Un buen experimento natural utilizado por Josh Angrist para medir el efecto del servicio militar en los salarios es el sorteo que se impuso a los ciudadanos estadounidenses durante la Guerra de Vietnam. A todos los ciudadanos varones se les asignó un número de lotería y estos números se eligieron al azar para determinar quién había sido reclutado. La lotería de draft fue un experimento natural que creó variaciones aleatorias en las probabilidades de que las personas se unieran al ejército. Angrist utilizó esta variación para estimar el efecto causal del servicio militar en los salarios.

De manera similar, Christos Nicolaides y yo utilizamos el clima como un experimento natural para entender el efecto de los mensajes en las redes sociales en la conducta al hacer ejercicio. Aunque las personas que corren más tienden a tener amigos que corren más, la variación del clima nos ayudó a estimar el grado en que reciben mensajes sociales de nuestros amigos causa nosotros para correr más.

Cuando analiza los datos y empieza a realizar experimentos, aprende rápidamente que los efectos de los anuncios online no son los que cabría esperar. En Yahoo! estudio, por ejemplo, los investigadores descubrieron que los anuncios gráficos en línea aumentaban las compras un 5% de forma rentable. Pero casi nada de ese aumento se debió a clientes leales y habituales: el 78% provino de personas que nunca habían hecho clic en un anuncio antes y el 93% de las ventas reales se produjeron más tarde, en las tiendas físicas del minorista, y no mediante respuestas directas en Internet. En otras palabras, el modelo estándar de causalidad de los anuncios en línea (según el cual la visualización se traduce en un clic, lo que, a su vez, lleva a la compra) no describe con precisión cómo los anuncios afectan a lo que hacen los consumidores.

Las ventajas del marketing causal

Hallazgos como ese podrían explicar por qué Procter & Gamble y Unilever, los abuelos del marketing de marca, pudieron mejorar su rendimiento en marketing digital a pesar de reducir drásticamente sus presupuestos de publicidad digital. En 2017, Marc Pritchard, director de marca de P&G, redujo el presupuesto de publicidad digital de la empresa en 200 millones de dólares, o un 6%. En 2018, Unilever fue aún más lejos y redujo su publicidad digital en casi un 30%. ¿El resultado? Un aumento del 7,5% en el crecimiento orgánico de las ventas de P&G en 2019 y un aumento del 3,8% para Unilever.

Las mejoras fueron posibles porque ambas empresas también cambiaron su gasto en medios, pasando de centrarse anteriormente en la frecuencia (medida en clics o visitas) a uno centrado en el alcance, el número de consumidores a los que llegaban. Los datos mostraban que anteriormente llegaban a algunos de sus clientes con anuncios en las redes sociales de diez a veinte veces al mes. Este nivel de bombardeo se tradujo en una disminución de las devoluciones y probablemente incluso molestó a algunos clientes leales. Así que redujeron su frecuencia un 10% y destinaron ese dinero a la publicidad para llegar a clientes nuevos y poco frecuentes que no veían anuncios.

También examinaron muy de cerca a los compradores primerizos para entender las motivaciones de compra, lo que les permitió identificar, con bastante precisión, grupos prometedores de clientes poco visitados. Por ejemplo, en su convocatoria de resultados del cuarto trimestre de 2019 describieron que estaban pasando de «objetivos demográficos genéricos como «mujeres de 18 a 49 años» a «audiencias inteligentes», como madres primerizas y propietarios de lavadoras por primera vez.

La oleada de datos personales detallados e individuales que crea la publicidad en línea nos ha dado la respuesta a la pregunta que hizo John Wanamaker. Puede permitir a los vendedores medir los efectos de los medios con precisión y saber qué mensajes funcionan y cuáles no. Asegúrese de distinguir la correlación de la causalidad, como hicieron P&G y Unilever, y no se dirige a las personas que ya son sus clientes más leales.