Pruebas de Incrementalidad: Definición y Cómo Funciona

Las pruebas de incrementalidad son un experimento controlado que estima cuánta de la actividad de conversión reportada para un canal publicitario causó realmente la publicidad, en lugar de basarse en las conversiones que el seguimiento de la plataforma atribuye a sus anuncios. Retienes a un grupo de usuarios o geografías de ver los anuncios de un canal específico, y luego comparas el resultado con un grupo que los vio. Una prueba bien diseñada interpreta la brecha entre los grupos como una estimación del efecto incremental del canal para esa audiencia, ese período y esa configuración, reportada junto con su incertidumbre; los resultados que permanecen en el grupo de control son los que ocurrieron sin los anuncios.

Por qué los números reportados por la plataforma pueden diferir de los resultados incrementales#

Las plataformas publicitarias atribuyen conversiones a los anuncios según sus propias reglas. Si alguien ya iba a comprar a través de búsqueda orgánica o un clic de búsqueda de marca, y también vio un anuncio de retargeting en el camino, el seguimiento de conversiones estándar aún puede asignar ese crédito al anuncio dentro de su ventana de atribución. Un crédito más suave, donde una plataforma cuenta una conversión después de que alguien simplemente vio un anuncio, agranda la brecha; ese mecanismo se llama atribución view-through. Por lo tanto, las conversiones que reporta una plataforma no son lo mismo que las conversiones que causaron sus anuncios. Las pruebas de incrementalidad hacen una pregunta diferente: si este canal no hubiera hecho publicidad, ¿la conversión aún habría ocurrido?

Esa es una pregunta diferente a la que responde un píxel de seguimiento por sí solo, por lo que las pruebas de incrementalidad se usan junto a los paneles de la plataforma, no en sustitución de ellos.

Cómo los equipos lo implementan en la práctica#

Se utilizan varios diseños. Una prueba a nivel geográfico asigna regiones a una condición de prueba o de control, por ejemplo mostrando los anuncios de un canal en algunas regiones y reteniéndolos en otras, y compara resultados como ventas o conversiones entre las regiones; los experimentos geográficos de Google asignan aleatoriamente regiones no superpuestas, mientras que GeoLift de Meta construye un control sintético a partir de regiones no tratadas. Una prueba a nivel de usuario utiliza la herramienta de aumento de conversiones de una plataforma publicitaria: Conversion Lift de Meta asigna aleatoriamente personas a un grupo de prueba que ve los anuncios y a un grupo de control que no los ve, y Google Ads Conversion Lift ofrece estudios basados en usuarios y basados en geografía, aunque Google dice que no está disponible para todas las cuentas.

Cómo se estima el efecto depende del diseño. En una prueba aleatorizada a nivel de usuario, la estimación es la diferencia de resultados entre el grupo de prueba y el grupo de control, que puede reportarse como conversiones adicionales o como un porcentaje sobre el grupo de control. Como ejemplo hipotético, si 10,000 usuarios de prueba producen 300 conversiones y 10,000 usuarios de control producen 250, el aumento estimado es de 50 conversiones, o un 20% sobre el grupo de control, incluso si la plataforma atribuyó las 300 conversiones a sus anuncios. Las pruebas geográficas normalmente no se basan en esa resta simple: comparan las regiones tratadas con lo que un modelo, como un control sintético construido a partir de regiones no tratadas, dice que habrían producido sin los anuncios. Un canal con un ROAS fuerte reportado por la plataforma puede mostrar un efecto incremental mucho menor en una prueba; cuán grande es la brecha depende del canal, la audiencia y la ventana de medición.

Para qué se utiliza#

Los compradores de medios usan las pruebas de incrementalidad para informar la asignación de presupuesto entre redes, no solo para auditar un canal en aislamiento. Un resultado describe la audiencia, el período y el nivel de gasto que se probaron.

Los archivos públicos de anuncios no pueden medir la incrementalidad. Que un anuncio se haya observado durante mucho tiempo no demuestra que haya causado conversiones adicionales, porque la ad longevity registra cuánto tiempo se vio un anuncio, no el gasto ni los resultados. Lo que los archivos sí pueden ofrecer son hipótesis: las páginas de ad intelligence de OpenAdLibrary muestran qué creatividades y redes se ha observado que usa un anunciante, y durante cuánto tiempo, lo que puede ayudarte a decidir qué probar con tu propio grupo de control antes de comprometer el ad spend de una prueba.

Errores comunes#

El grupo de control debe ser lo suficientemente grande, y estar asignado de forma aleatoria o emparejado con el suficiente cuidado, para detectar una señal real y no solo ruido. Una prueba corta en un canal de bajo volumen puede no tener suficientes conversiones para detectar un efecto, y la documentación de GeoLift de Meta advierte de que ejecutar una prueba geográfica sin un análisis de potencia previo conlleva una alta probabilidad de no encontrar aumento incluso cuando existe. Un pico estacional o una promoción en todo el sitio no invalidan por sí mismos una prueba aleatorizada, porque ambos grupos los experimentan, pero el aumento medido describe entonces ese período y puede no mantenerse en semanas normales. Un evento que llega solo a un grupo, como una promoción regional en una prueba geográfica, puede sesgar el resultado, así que mantén el resto del marketing constante entre las regiones de prueba y de control. Ejecuta la prueba durante un período representativo que cubra al menos un ciclo de compra, dimensiona el control con un cálculo de potencia y no la detengas antes de tiempo solo porque el número interino parece bueno o malo.