Incrementalidad sin presupuesto gigante: pruebas de holdout para pymes

Incrementalidad es la parte de las ventas que solo ocurrió porque el anuncio estuvo activo. Se puede medir sin presupuesto de gran marca: apagas el anuncio en un grupo parecido al que sigue anunciando y comparas el resultado de los dos. En una cuenta pequeña, la forma más simple es un holdout geográfico, en el que una región se queda sin anuncios durante la prueba.

La atribución cuenta quién hizo clic; la incrementalidad cuenta quién no habría comprado sin el anuncio

La atribución reparte el crédito entre puntos de contacto. No sabe qué habría pasado sin el anuncio. Quien ya iba a comprar, pero antes hizo clic en tu anuncio de remarketing, aparece como conversión en el informe y como una venta que habrías tenido de todos modos.

Por eso las dos preguntas son distintas:

• Atribución: ¿a qué anuncios se acreditaron estas ventas?
• Incrementalidad: ¿cuántas de estas ventas dejarían de existir si apagara el anuncio?

La segunda solo se responde con un grupo de comparación, es decir, personas (o lugares) que no vieron el anuncio. La idea es la de cualquier experimento: un grupo de prueba recibe el anuncio, un grupo de control, también llamado holdout, no lo recibe, y la diferencia entre los dos es el efecto.

Las plataformas miden lift, pero no siempre para el tamaño de tu cuenta

Antes de armar algo manual, conviene saber qué existe listo. Verificado hoy en la documentación oficial.

• Google Ads

  Qué dice la documentación

  El Conversion Lift por geografía divide la audiencia por regiones y sirve también para medir conversiones offline y otros canales. Está disponible para varios tipos de campaña, pero el acceso exige hablar con un representante de Google. La página dice que el requisito de presupuesto tiende a ser mayor que el de los estudios por usuarios y que el resultado es más ruidoso y no viene segmentado por demografía.

• Meta

  Qué dice la documentación

  El estudio de lift crea un grupo de prueba aleatorio de cuentas del Accounts Center y un grupo de control que no ve anuncios; treatment_percentage y control_percentage suman 100. El acceso es limitado y la documentación indica contactar al representante de Meta. Una vez iniciado el estudio, no se puede cambiar el treatment_percentage ni los objetivos.

Dos consecuencias prácticas. Primero, para quien invierte poco, estas pruebas pueden simplemente no estar disponibles. Segundo, aun disponibles, miden una plataforma a la vez; la documentación de Google destaca justamente que el formato por geografía permite mirar varios canales.

Si no tienes acceso, el diseño de abajo responde la misma pregunta con más trabajo manual y menos precisión.

Un holdout geográfico manual cabe en una cuenta pequeña

El diseño mínimo tiene cuatro piezas. Es un método estadístico general, no una herramienta de plataforma, así que los cuidados de abajo son criterio nuestro, no una regla oficial.

1. 1.Dos regiones comparables. Elige áreas (estados, áreas metropolitanas) con volumen de ventas del mismo orden de magnitud y comportamiento parecido. Llama A a la que mantiene los anuncios y B a la que se queda sin ellos.
2. 2.Un período anterior. Antes de apagar nada, mira semana a semana cuánto vende B en relación con A. Si la razón B/A es estable, A sirve de regla para B. Si oscila mucho, la comparación no te dará nada confiable.
3. 3.Un período de prueba que cubra el ciclo de compra. Si el cliente tarda dos semanas entre el primer clic y la compra, una prueba de una semana mide casi nada. Usa al menos el ciclo completo y semanas enteras, para no mezclar fin de semana con día hábil.
4. 4.Una región de control de verdad. En B, excluye la región de la segmentación de todas las campañas pagadas que controlas, no solo de una.

La lectura se hace en tres pasos: calcula la razón B/A del período anterior, aplica esa razón a las ventas de A en la prueba para estimar cuánto vendería B con anuncios y compáralo con lo que B vendió de verdad.

Un ejemplo con la cuenta hecha

Los números de abajo son hipotéticos. Una tienda online anuncia en dos regiones. En las 4 semanas anteriores a la prueba, A hizo 200 pedidos y B hizo 180, luego B/A = 180 ÷ 200 = 0,9. Después, durante 4 semanas, el anuncio quedó activo solo en A, con R$ 12.000 de inversión. La plataforma atribuyó 120 conversiones a esa inversión.

• Razón B/A antes

  Valor

  0,9

  Cuenta

  180 ÷ 200

• Pedidos en A en la prueba

  Valor

  260

  Cuenta

  observado

• Pedidos esperados en B con anuncios

  Valor

  234

  Cuenta

  0,9 × 260

• Pedidos en B en la prueba (sin anuncios)

  Valor

  198

  Cuenta

  observado

• Pedidos perdidos en B

  Valor

  36

  Cuenta

  234 − 198

• Pedidos incrementales en A

  Valor

  40

  Cuenta

  36 ÷ 0,9

• Parte incremental de las ventas de A

  Valor

  15,4%

  Cuenta

  40 ÷ 260

• CPA según el informe

  Valor

  R$ 100

  Cuenta

  12.000 ÷ 120

• CPA incremental

  Valor

  R$ 300

  Cuenta

  12.000 ÷ 40

El informe dice que cada venta costó R$ 100. La prueba dice que el anuncio generó 40 ventas que no existirían sin él, una de cada tres de las 120 atribuidas, y que cada venta extra costó R$ 300.

Eso no significa que el anuncio no valga la pena. Depende del margen: si la ganancia de cada pedido cubre R$ 300, sigue pagando la cuenta. Lo que cambia es la decisión, que pasa a basarse en el costo de la venta que solo existió por el anuncio.

Dónde la prueba engaña

Un holdout manual tiene límites que debes tener presentes antes de actuar sobre el resultado.

• Oscilación normal. Si la razón B/A varía, por ejemplo, entre 0,85 y 0,95 de una semana a otra antes de la prueba, una diferencia de pocos puntos en la prueba no prueba nada. Compara el efecto con esa oscilación histórica; solo confía cuando sea claramente mayor.
• Pocas conversiones. Con pocos pedidos por región, una sola venta grande cambia el resultado. El diseño funciona mejor cuando cada región tiene un volumen razonable por semana.
• Fuga entre regiones. La gente viaja, y los medios nacionales (TV, influencers, email) llegan a las dos regiones. El efecto del canal probado queda diluido.
• Eventos en medio de la prueba. Una promoción, un feriado o una caída del sitio en solo una de las regiones invalida la comparación. Anota todo lo que ocurra.
• Efecto de largo plazo. Cuatro semanas sin anuncios dicen poco sobre lo que pasa en seis meses, como el efecto sobre la marca y la recompra.

Cómo aplicarlo

1. 1.Elige una sola pregunta, por ejemplo: "¿el remarketing paga su propia cuenta?".
2. 2.Lista candidatas para A y B y calcula la razón B/A semana a semana en las últimas 8 a 12 semanas; quédate con el par de razón más estable.
3. 3.Define la duración antes de empezar, cubriendo al menos un ciclo de compra completo, y no termines la prueba antes solo porque el resultado parece bueno.
4. 4.Excluye a B de todas las campañas pagadas relevantes y registra la fecha.
5. 5.Al final, rehaz la tabla del ejemplo con tus números y compara el efecto con la oscilación histórica de la razón.
6. 6.Decide con el margen en la mano: ¿el CPA incremental cabe en la ganancia por pedido?
7. 7.Si el resultado es ambiguo, díselo al cliente y repite con un período más largo u otro par de regiones, en vez de forzar una conclusión.

Fuentes

• Ayuda de Google Ads: Comparing lift types
• Meta for Developers, Marketing API: Lift studies