Mejores datos = mejor ROI para el negocio

Antes de empezar a hablar de ROI – retorno de la inversión-, déjanos recordarte esta famosa frase del estadístico británico George Box: «todos los modelos están mal».

En marketing, es fácil engañarse y creer que el éxito de cualquier campaña puede ser medido a través de una simple comparación entre ganancias e inversión. Por otro lado, empresas sin acceso a algunos datos simplemente comparan los resultados generados en un periodo de tiempo con un periodo de tiempo control. Esta metodología es bastante incompleta: hay que recordar que el viaje del consumidor no es tan sencillo.

Después tenemos los modelos de atribución, lo que supone un gran salto hacia adelante en el análisis de los resultados de la campaña. Los modelos de atribución nos ayudan a supervisar el viaje de todos y cada uno de los clientes. Esto nos ayuda a entender mejor cómo ciertos proyectos influyen en ciertos resultados, sin embargo tiene ciertas limitaciones cuando intentamos medir el impacto o a la hora de intentar optimizar nuestro presupuesto de marketing. La medición del ROI por medio de la atribución algorítmica elimina estas limitaciones.

Cálculo del ROI

El cálculo del ROI (retorno de la inversión) no es tarea fácil. No sólo se necesita un modelo de atribución para que funcione, sino que necesitas conocer también un punto de referencia para los resultados y el crecimiento, así como familiarizarte con todas las variables externas sobre las que no tenemos control. Es importante entender todo el proceso matemático que hay detrás y, por supuesto, tener acceso a grandes volúmenes de datos. Es mejor construir un buen modelo apoyado por una gran cantidad de datos, que un gran modelo con sólo una pequeña cantidad que lo respalde.

Puede que no estemos familiarizados con alguno de estos conceptos. Vamos a explicar un poco más en detalle:

Punto de referencia

A menos de que tu producto sea completamente inútil o innecesario, lo más probable es que ya se esté vendiendo. Seguramente ya tienen algunos clientes leales a la marca y, con suerte, también algo de crecimiento. Es posible que ya sepamos que para comparar los resultados de una campaña es necesario saber cuánto se vende sin ninguna estrategia de marketing. Sin embargo, entender el «crecimiento natural» es la parte complicada, porque algunas veces podemos atribuir un cierto crecimiento a elementos como el boca a boca, reseñas online, etc.

Variables internas

En esta etapa, es necesario iniciar el proceso de comparación de iniciativas versus resultados. No sólo en términos de ventas: dependiendo de su producto o servicio, las iniciativas también podrían incluir una promoción de una sola vez, descuentos, ajustes de precios o programas de fidelización, mientras que los resultados podrían variar desde las visitas hasta las suscripciones de nuestra web. Es importante recordar que una sola iniciativa puede tener un impacto en más de un resultado, por lo que es necesario que midamos qué iniciativa ha tenido efecto en qué resultado y analizar con cuidado estos comportamientos (obsérvese el uso de la palabra ‘impacto’, la correlación no implica causalidad).

Variables externas

A veces se puede hacer todo bien y no obtener los resultados deseados. De la misma manera, hacer todo mal, y conseguir los resultados de una campaña de marketing exitosa. Bienvenido al mundo de las variables externas: cosas sobre las que no tenemos control y que pueden tener un gran impacto en todo lo que hacemos. Algunas de estas cosas son fáciles de medir y predecir; como algunos cambios en tendencias, el clima y las estaciones. Algunas son eventos conocidos como “cisne negro”, los cuales son imposibles de predecir.

Modelos de Atribución

Pensemos en los modelos de atribución como un mapa que nos guía a lo largo del viaje del consumidor, donde podemos ver por dónde caminan nuestros clientes y hacia dónde van. A veces nosotros tenemos control sobre los caminos (canales pagados), pero otras veces no (canales orgánicos). Este mapa nos ayudará a desarrollar una comprensión más profunda de los consumidores y los viajes individuales que han tomado para llegar a nuestro producto o servicio. Los problemas comienzan cuando se intenta optimizar el presupuesto basándonos en esta información: no todos los consumidores toman la misma ruta, no tenemos control sobre todos los caminos y, muchas veces, el optimizar un camino nos hace descuidar otros. Adicionalmente, los modelos de atribución no toman en cuenta las variables externas y éstas también influyen en el resultado.

Aquí es donde entran los algoritmos.

Atribución Algorítmica

Una vez se han tenido en cuenta todas las variables, es necesario encontrar el modelo de atribución que mejor se adapte a la campaña que queremos definir. Afortunadamente se puede construir y probar un algoritmo para crear un modelo que realmente refleje la realidad de nuestro negocio. Para probar el algoritmo, hay que alimentarlo con todas las variables del año pasado y compararlo con los resultados reales. Si son parecidos, puedes continuar, si no, es el momento de reajustar e intentarlo de nuevo. Es importante utilizar una muestra lo suficientemente grande para asegurarse de que el modelo funciona en todos los escenarios y que no fue sólo un golpe de suerte.

Próximos pasos

Ahora que ya hemos encontrado nuestro modelo, podemos empezar a jugar con él. ¿Qué hubiera pasado si hubiésemos invertido más en la iniciativa A y un poco menos en la iniciativa B? ¿Cómo se debe distribuir el presupuesto entre diferentes iniciativas? ¿Qué combinación rindió el mejor ROI? Saber cómo impactó cada iniciativa en los resultados generados le ayudará a maximizar el rendimiento y la inversión.

Nota al margen: se podría argumentar que los resultados no son tan simples de analizar como sugiere el modelo («todos los modelos están equivocados»). Por ejemplo, si una campaña de AdWords no está funcionando puede ser porque ahora no es el momento de invertir en Adwords, pero también puede ser porque el anuncio no apela al consumidor o porque se está centrando en las palabras clave o sitios equivocados. La realidad es que antes de hacer modelos de atribución para ver qué iniciativas y plataformas están funcionando y cuáles no, hay que enfocarnos en la optimización para asegurarnos que todos nuestros esfuerzos no estén fallando por otras razones.

Debemos tener en cuenta que el análisis predictivo no se trata sólo de predecir el futuro (modelos predictivos), sino que también se puede utilizar para la clasificación (análisis descriptivo). Cuando se combinan, estos modelos demuestran ser bastante poderosos porque nos ayudan a predecir cómo cada iniciativa de marketing puede afectar a un tipo específico de consumidor. Sin embargo, hay que tener cuidado al hacer recomendaciones basadas en el análisis predictivo; las tendencias cambian, los precios suben, el interés público disminuye y cada día se introducen nuevos productos y servicios en el mercado. Tenemos que considerar cada nueva variable que pueda aparecer. Nada es constante para siempre, pero esto no debe desanimarte a la hora de modelar, buscar ideas, hacer recomendaciones o incluso hacer predicciones. Hay que ser inteligentes y entender que cometeremos algunos errores de juicio. Las cosas pueden evolucionar, pero es mejor tener una idea sobre la ruta que queremos seguir, en lugar de simplemente de ir por un camino a ciegas y esperando que pase lo mejor.

Predecir y estimar el ROI – retorno de la inversión- es un proceso que es tanto una ciencia como un arte. Es una tarea difícil que está demostrando ser cada vez más necesaria en un mundo donde los CEOs y CFOs están menos interesados en la notoriedad de marca o el alcance, y más interesados en el ROI dentro del departamento de marketing. Así que, pensando en la idea de que todos los modelos están mal y planteando la pregunta “¿por qué deberíamos esforzarnos en hacerlo?”, probablemente lo mejor sería leer cómo George Box complemento su cita 11 años después de decirla por primera vez: «Recuerda que todos los modelos están mal; la pregunta práctica es, ¿qué tan mal tienen que estar para no ser útiles?».