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

por Julian Runge,

Resumen:

El modelado de mezclas de marketing está regresando. Los cambios fundamentales en el ecosistema de la publicidad digital, como los nuevos límites de Apple sobre lo que los anunciantes pueden rastrear, significan que la medición determinista de los efectos de la publicidad digital a nivel de usuario solo se va a hacer más difícil. A medida que estos datos se agoten, las empresas que no se adapten corren el riesgo de encontrarse repentinamente en la oscuridad. En este nuevo panorama, los modelos de mezcla de marketing (MMM) tienen una ventaja específica: pueden producir mediciones (e información) confiables únicamente a partir de la variación natural de los datos agregados y no requieren datos a nivel de usuario.

___

Desde que Neil Borden acuñó el término «mezcla de marketing» en 1949, las empresas han buscado formas de analizar y perfeccionar la forma en que comercializan y promocionan sus productos. Durante mucho tiempo, el principal enfoque analítico de este problema fue el «modelado de combinaciones de marketing», que utiliza los 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, fácilmente superado 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 sobre lo que pueden rastrear los anunciantes, 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 agoten, las empresas que no se adapten 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 confiables (e información) únicamente a partir de la variación natural en agregado datos y no necesita 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 incorrectas y sin una orientación cuidadosa, pueden ser imprecisas y desinformar las decisiones de marketing de una empresa.

Las empresas que quieran empezar (o volver a empezar) a utilizar MMM deben utilizar experimentos publicitarios para perfeccionar su enfoque de marketing digital. Una serie de estudios de campo que realizamos con anunciantes digitales sugiere que el proceso de uso de experimentos para calibrar los modelos es necesario para reducir 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 atencionales y competitivas relacionadas varían mucho de un canal de anuncios. Las campañas publicitarias altamente personalizadas, como las que se utilizan a menudo en los canales digitales, pueden hacer que este último punto sea particularmente destacado. Sin embargo, hay una forma de explicar esto: 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 dos últimos 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 publicitarios vale la pena. En nuestros estudios de casos, la calibración corrigió de media las estimaciones de rentabilidad de la inversión publicitaria basadas en MMM en un 15%. Otros informes han encontrado una corrección de calibración media del 25% en multitud de mercados verticales, incluidos los bienes de consumo, los electrodomésticos, las telecomunicaciones, el sector inmobiliario y la automoción, y en multitud de regiones, como APAC, EE. UU., Brasil, Rusia y Sudáfrica.

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

Experimentos publicitarios que puede esperar realizar en el futuro

Los experimentos precisos con anuncios a nivel de usuario están siendo asediados de la misma manera que lo está 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 los sitios web y las aplicaciones, los experimentos con anuncios deberán centrarse en los resultados in situ (como las visitas, los clics y otras métricas in situ), 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 con 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 con anuncios geográficos pueden proporcionar una verdad básica con la que calibrar el MMM. Este enfoque se ofrece en De Google y De Meta suites de medición, se utiliza durante mucho tiempo en Publicidad televisiva, y ha sido adoptado por los principales anunciantes digitales, como Asos.

Otras formas de experimentar con anuncios en un entorno de publicidad digital con más restricciones de datos pueden provenir 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 entonces compararse 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 publicitarios para calibrar su MMM? Nos gustaría destacar tres formas de calibración que se diferencian en el rigor y la facilidad de implementación:

1. Compare los resultados de los experimentos de MMM y 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/estrategia de anuncio ganadora o que los dos coinciden direccionalmente. Si los resultados son diferentes, modifique y ajuste el MMM hasta que se llegue a un acuerdo.
2. Utilice los resultados del experimento para elegir entre los modelos. Como extensión más rigurosa del enfoque cualitativo, el equipo de análisis de marketing puede crear un conjunto de modelos diferentes y, a continuación, los responsables de la toma de decisiones pueden elegir el que más se ajuste a los resultados del experimento publicitario como resultado clave de interés (por ejemplo, el coste por conversión incremental).
3. Incorpore los resultados del experimento en el MMM. En este caso, los resultados del experimento se utilizan directamente en la estimación del MMM y no solo para compararlos con el resultado del MMM (#1 arriba) o para ayudar a seleccionar el modelo (#2 arriba). Para ello se requiere una comprensión más profunda de los modelos estadísticos. Los resultados del experimento pueden introducir su MMM como dato anterior (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 inferior al 120% y superior del 180%; puede «forzar» la estimación del coeficiente MMM para ese canal a estar 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 con respecto al 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 respecto a los resultados de otros experimentos y las evaluaciones de los expertos.

Al calibrar su MMM, tenga en cuenta también que el MMM y las tiradas 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 en línea y fuera de línea y viceversa. Además, tenga en cuenta los efectos dinámicos, como el stock de anuncios. (Explicar todos los aspectos de la calibración MMM cuantitativa en detalle va más allá del alcance de este artículo, pero los lectores interesados pueden encontrar estudios de casos excelentes y detallados) aquí, aquí, y aquí.)

¿Con qué frecuencia debe calibrar?

Es una pregunta importante, pero difícil y multifacética. Los anunciantes que adopten a fondo la medición de la incrementalidad pueden elegir una solución «siempre activa» en la que la publicidad se valide experimentalmente 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 elaborar una matriz aproximada y sencilla que sirva de base para tomar decisiones sobre la frecuencia de calibración.

El objetivo de la tabla es ofrecer una guía aproximada a los especialistas en marketing que no conocen la calibración experimental de los MMM y la medición de la incrementalidad basada en MMM; tómelo con un grano de sal. Según nuestra experiencia, y según los estudios de casos que hemos realizado, cuanto más segmentados sean sus anuncios y más especializada sea su estrategia publicitaria, más querrá asegurarse de calibrar experimentalmente el MMM que respalda sus decisiones de marketing en un canal. Además, cuanto más gaste en un canal, más dinero pondrá en riesgo y, por lo tanto, en el caso de los canales con una mayor inversión en anuncios, querrá asegurarse de calibrar su MMM con más frecuencia.

Las empresas deben analizar, adaptar y enriquecer esta guía en función de sus conocimientos institucionales y de sus ideas y prioridades operativas actuales. En cualquier caso, puede tener sentido hacer experimentos en épocas «menos importantes» (es decir, no durante la temporada alta de ventas, el lanzamiento de nuevos productos o los grandes eventos externos, como la Super Bowl) y en lugares que ocupan un lugar menos central en la estrategia publicitaria de la marca.

• • •

A medida que los avances en la privacidad cambian de manera fundamental el panorama de la medición de anuncios digitales, le recomendamos adoptar 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 ser útil para integrarse correctamente con un proveedor y configurar un modelo de base interno. Especialmente si depende en gran medida de la publicidad online, calibra su MMM con regularidad mediante experimentos publicitarios para asegurarse de que las medidas son precisas y que sus decisiones de marketing digital están bien informadas.

La combinación del MMM y la calibración experimental, tal como se ha descrito anteriormente, bien podría convertirse en un «nuevo estándar de referencia» para la medición de anuncios en entornos en línea con restricciones de datos. Como mínimo, proporciona una medición fiable y eficaz hasta tecnologías incipientes, como la privacidad diferencial y atribución privada interoperable hacerse una verdadera hueco en la medición de anuncios digitales.