¿Está muerta la atribución multitáctil? Creación de una mejor solución de medición del rendimiento

El antiguo objetivo de la atribución de marketing suena simple: averiguar qué puntos de contacto, canales y/o campañas son más eficaces para impulsar a los clientes a la conversión.

En el mundo digital, nuestra capacidad para atribuir el impacto se basa en identificadores deterministas que nos permiten unir las interacciones de marketing. Luego, se aplica un modelo, ya sea basado en reglas o basado en datos, a estas interacciones para ajustar el peso del crédito asignado a cada interacción a lo largo del recorrido del cliente.

Entonces, la atribución teóricamente les da a los especialistas en marketing el poder de comprender y evaluar el valor de los diferentes tipos de interacciones de marca en la decisión de conversión de un consumidor. El ideal platónico de un modelo de atribución produciría una visión holística de cada punto de contacto en el viaje del usuario y evaluaría con precisión su importancia para llevar a las personas al objetivo final.

Algunos modelos se han acercado, como la atribución multitáctil, mientras que otros tienen puntos ciegos bien conocidos, como el último toque.

Pero simplemente no es posible realizar un seguimiento preciso de todos los puntos de contacto que pueden haber influido en un evento de conversión. Probablemente nunca lo será. E incluso si lo fuera, es posible que la atribución no nos brinde la imagen completa que necesitamos.

La atribución por sí sola es un objetivo inherentemente defectuoso

La atribución perfecta ha sido una quimera de marketing durante mucho tiempo; Desde los días de John Wanamaker, los especialistas en marketing han estado obsesionados con la idea de un marco de medición universal que demuestre que generan valor.

Pero incluso si pudiera ver todos los puntos de contacto y lograr una atribución holística perfecta, ¿eso le daría toda la información que necesita para crear la estrategia de marketing perfecta? Después de todo, la atribución por su propia naturaleza siempre está mirando por el espejo retrovisor. No mira hacia el futuro ni proporciona un camino a seguir. Tampoco tiene en cuenta las señales críticas de inversión en medios, como los rendimientos decrecientes.

La medición del rendimiento debe centrarse en el uso de datos para comprender dónde debería ir su próximo mejor dólar, no solo hasta dónde llegó el último dólar. Debe poder ver sus datos y responder preguntas prospectivas como:

• ¿Dónde podemos aumentar los presupuestos para escalar nuestras conversiones mientras mantenemos nuestro ROAS actual?
• ¿Qué palancas puedo utilizar para optimizar el rendimiento de la campaña?

No puede responder ese tipo de preguntas si solo está mirando un modelo que asigna crédito retroactivo además de un conjunto de datos incompletos. La fría y dura verdad es que la atribución multitoque determinista no es una panacea; si ese es el único modelo del que depende para tomar decisiones, no puede brindar esas respuestas.

La obsolescencia de datos está dificultando la atribución multitoque determinista

Ya sea que esté o no de acuerdo en que la idea misma de la atribución solo nos lleva a la mitad de nuestro destino final de medición, todos podemos estar de acuerdo en que muchos especialistas en marketing todavía están en deuda con los modelos de atribución. Como con todos los modelos, no existe la perfección. Si bien ha habido avances a lo largo de los años, con la atribución basada en datos derivados del valor de Google de particular importancia, todavía hay muchas incógnitas en juego cuando se trata del futuro de la atribución.

Esto se debe a que el estado actual de los datos de marketing solo complica las cosas. Mientras plataformas como Meta, Google y Snap luchan por hacer frente a la transparencia de seguimiento de aplicaciones (ATT) de Apple, los directores financieros de esas empresas serían los primeros en admitir que la obsolescencia de datos es su mayor desafío.

Al menos algunos de los problemas prácticos con la atribución son humanos: las personas están obsesionadas con conectar los puntos y encontrar patrones, existan o no. A menudo recibimos preguntas de los especialistas en marketing sobre cómo funciona la atribución dentro de Google Analytics debido a las inconsistencias con otros conjuntos de datos.

Probablemente esté familiarizado con este desafío: la interfaz de usuario de Facebook Business Manager afirma que la plataforma generó 10 veces más conversiones de lo que está viendo informado en Google Analytics. Entonces, ¿cuál tiene razón?

La respuesta es que ambos están equivocados, solo que de diferentes maneras. Ninguna cantidad de matemáticas divertidas (es decir, cálculos de proxy que miren el delta entre los dos puntos de datos a lo largo del tiempo) lo ayudarán a resolver la ecuación y calcular perfectamente cuánto crédito deberían obtener los anuncios de Facebook.

Al final del día, este es un problema de observabilidad de datos; los datos están incompletos, pero buscamos una respuesta de todos modos.

Si eso es confuso, piénselo de esta manera: digamos que está en una llamada telefónica con recepción irregular. Por cada 10 palabras, te pierdes una palabra. Lo más probable es que todavía puedas entender la esencia de la conversación porque tienes mucho más contexto.

Pero cuando empiezas a perder oraciones enteras o cada palabra, te vas a encontrar en problemas. Eso se debe a que las entradas son demasiado limitadas y fragmentadas para sacar conclusiones precisas. Eso es exactamente lo que está sucediendo actualmente con la atribución determinista en todas las plataformas publicitarias, y es algo que ninguna cantidad de modelos puede resolver por completo.

¿Recuerdas ese anuncio de T-Mobile del Super Bowl donde Rob Gronkowski invita a Tom Brady a retirarse en Florida, pero Brady solo puede escuchar una palabra y piensa que Gronk le está diciendo que vaya a jugar en Tampa Bay? Esa es la atribución hoy. Esa es la realidad a la que se enfrentan las marcas con la pérdida de datos.

Las plataformas están recurriendo a modelos para tratar de cerrar las brechas. Esencialmente, están tomando los datos limitados que tienen, como las pocas palabras que Gronk puede escuchar decir a Tom en el comercial, y usan la tecnología para modelar el resto de la conversación.

Esto es comparable a cómo ChatGPT predice la siguiente palabra más probable a medida que compila las respuestas. Muchas veces tiene sentido, pero a veces alucina y te dice que Elon Musk va a ser el próximo presidente de Estados Unidos.

Por supuesto, siempre hay un rango de error en el modelado, pero si la pérdida de datos es lo suficientemente grave, no se puede construir un modelo preciso. Luego, la verdadera pregunta comienza a tomar forma: ¿cuánto puede confiar en que las plataformas publicitarias acierten?

Es por eso que necesita ampliar su conjunto de herramientas de medición.

El modelado de mezcla de medios y las pruebas de incrementalidad pueden acercarlo a comprender el impacto

La atribución sigue siendo una construcción poderosa, pero la metodología subyacente debe cambiar para que pueda evolucionar hacia la era moderna. Debe hacer algunas preguntas difíciles para averiguar qué tipo de marco y conjunto de herramientas de medición funcionarán para su organización, como:

• ¿Qué medida necesita para tomar decisiones inteligentes sobre la planificación de inversiones en todos los canales y plataformas?
• ¿Dónde están las mejores oportunidades para escalar su combinación de medios existente de la manera más eficiente posible?

Como industria, nos hemos acostumbrado a pensar en una versión imaginaria de la atribución perfecta como el final de todo, pero solo estaba destinado a ser utilizado como una guía.

Eso no quiere decir que no sea útil. Pero debe cambiar su enfoque hacia el futuro y dejar que la atribución sea un componente de su toma de decisiones, no el único árbitro.

Y si bien no existe una solución perfecta, existe una imperfecta que nos acerca mucho más a la meta: la atribución unificada combinada con el modelado de mezcla de medios (MMM), en el que utiliza algunos datos y modelos deterministas para el resto. El objetivo es aprovechar los datos anteriores para predecir futuras inversiones. Está enraizado en el crecimiento, no rehén del desempeño pasado.

Para hacerlo bien, debe invertir en pruebas sólidas de incrementalidad, que lo ayudarán tanto a validar los datos de rendimiento modelados como a obtener una imagen más clara de cómo sus campañas están afectando el recorrido completo del cliente.

Las pruebas de incrementalidad geobasadas son vitales para la calibración del modelado de mezcla de medios. También es la solución de medición más poderosa para determinar dónde está invertido de más o de menos en un momento dado.

La mayoría de las marcas no se sienten muy cómodas con las pruebas de incrementalidad. Algunos lo han hecho antes, pero históricamente la mayoría no son buenos en eso. Si ahí es donde está su marca, necesita socios confiables con una metodología predecible que se adapte a las necesidades y peculiaridades de sus desafíos comerciales únicos.

Es hora de una solución orientada al futuro que integre múltiples herramientas: el marco de medición del desempeño

Uno de los grandes desafíos con los modelos tradicionales de combinación de medios es la velocidad de acción. En Wpromote, creamos un modelo de combinación de medios de alta velocidad y una herramienta de planificación de escenarios de inversión llamada Planificador de crecimiento como parte de nuestra plataforma de marketing Polaris para abordar tanto los desafíos de desaprobación de datos como la capacidad de acción.

Growth Planner constituye el núcleo de nuestro marco de medición del rendimiento. Esencialmente, pronostica todo el año de un cliente para encontrar la inversión óptima de dólares disponibles para alcanzar los objetivos de ingresos. También se puede usar para optimizaciones semanales para que su marca pueda mantenerse ágil y adaptarse a nuevos desarrollos.

Growth Planner analiza todos sus canales de marketing y todo el embudo para maximizar los márgenes porque la rentabilidad es el objetivo final. Le dice cómo invertir hasta la táctica específica, hasta el canal, hasta el mes, la semana, el día.

Nos aseguramos de que el modelo se mantenga honesto y siga mejorando a través de pruebas continuas de incrementalidad, y podemos alimentar entradas de datos avanzados adicionales como el valor predictivo de por vida en el modelo para informar aún más las decisiones de inversión. Luego, alimentamos los datos de Growth Planner al análisis de sala limpia de datos en áreas clave de inversión.

La medición seguirá siendo un desafío en plataformas como Google y Facebook y canales de medios como CTV. Si realmente desea saber cómo se está desempeñando realmente su marketing, debe comenzar a explorar la medición de soluciones de medición que cumplen con la privacidad.

Descubra cómo anticiparse a los cambios en la privacidad de los datos que afectarán a su empresa descargando el Estado de los datos 2023.