A diferencia de los modelos de atribución basados en reglas -como el que atiende al primer o último clic, a la primera o última interacción, el lineal, el de deterioro en el tiempo y el que contempla la posición-, el modelo de atribución basado en datos consiste en una solución algorítmica que asigna crédito a diferentes impresiones a lo largo del tiempo.

El modelo de atribución basado en datos (Data Driven Attribution) se calcula en tiempo real, a medida que el algoritmo asigna un peso específico a cada punto de contacto. Así, la puntuación podría variar en función de los sitios o aplicaciones que contribuyan a las conversiones; o como consecuencia de un cambio en el patrón de navegación de los consumidores. De este modo, la atribución será diferente para cada marca o campaña.

Parece lógico pensar que una mejor atribución conlleva un mejor rendimiento. Pensemos que la atribución basada en datos  ofrece resultados más precisos, ya que tiene en cuenta múltiples señales, como el formato del anuncio o el tiempo transcurrido entre la interacción con el anuncio y la conversión. Cuando se combina con estrategias de licitación automatizadas, la atribución basada en datos puede impulsar conversiones adicionales con el mismo coste por adquisición.

Esto se puede lograr gracias a predicciones sobre el impacto incremental que tendrá un anuncio específico en la consecución de una conversión, que permiten ajustar las ofertas y maximizar el ROI. Google afirma que la atribución basada en datos puede suponer una reducción del 18% en el coste de las ventas con respecto al último clic. En la actualidad, el modelo de atribución basado en datos es compatible con los anuncios de búsqueda, compras, visualización y YouTube.

Modelo de atribución basado en datos: cookies y privacidad

El modelado de datos cobrará mucha más importancia cuando se eliminen las cookies de terceros. El aprendizaje automático puede compensar lagunas en los datos y es útil para descubrir nuevos conocimientos sobre el comportamiento de los consumidores, ya que permite conservar la medición incluso cuando se carece de cookies u otros identificadores.

Google afirma que la atribución basada en datos no solo permite comprender con mayor precisión cómo ha contribuido cada punto de contacto de marketing a una conversión, sino que lo hace respetando la privacidad del usuario, una de las grandes preocupaciones de la industria. Google recuerda que, como ya ocurre con sus otras soluciones de medición, el Data Driven Attribution respeta las decisiones de las personas sobre el uso de sus datos y asegura aplicar estrictas políticas contra las técnicas encubiertas que pueden comprometer la privacidad de los usuarios.

Así, Google trabaja en la creación de soluciones centradas en la privacidad más efectivas y duraderas. «Ante el cambiante panorama de la privacidad, los profesionales del marketing necesitan nuevos enfoques de medición que cumplan sus objetivos y den prioridad a los usuarios. Por ello, hemos invertido en nuevas herramientas que le ayuden a preparar su medición para el futuro», explican en Ads & Commerce Blog.

Accesibilidad tras la eliminación de los requisitos de datos

Si bien los modelos de atribución algorítmicos no son algo nuevo, desde su puesta en marcha han pasado ya varios años y si no la ha convertido en predeterminada hasta ahora es porque en muchos supuestos no alcanza los umbrales de volumen. Es decir, los anunciantes más pequeños generan menos ventas, descargas u otras conversiones, y, por lo tanto, la cantidad de información no es suficiente para un modelo de atribución basado en datos.

Sin embargo, desde Google aseguran que, gracias a cómo han ido mejorando y entrenando el modelo de atribución basado en datos, se ha eliminado esta barrera y que en la actualidad es posible ejecutar atribuciones basadas en datos para cualquier tipo de campaña. Para ayudar a todos los anunciantes a aprovechar una mejor atribución y mejorar su rendimiento, se han eliminando los requisitos de datos y se ha hecho compatible con otros tipos de conversiones. No obstante, los anunciantes más modestos -aquellos que no cuentan con proveedores de medición ni reservan presupuestos de prueba- pueden continuar utilizando los modelos de atribución tradicionales, como el último clic.

Aquellos anunciantes que aún no trabajen con el modelo de atribución basado en datos deben plantearse comenzar a familiarizarse con este método de medición, ante la incertidumbre de qué ocurrirá cuando desaparezcan las cookies de terceros. Hay que tener en cuenta que, a medida que el sector siga evolucionando, la atribución del último clic se quedará cada vez más corta para las necesidades de los anunciantes. Si buscas una agencia de medios que te ayude a lograr un mayor rendimiento de las campañas, contacta con nosotros y un equipo especializado te guiará en la consecución de objetivos.

Las pruebas de incrementalidad comparan los resultados obtenidos entre un grupo de prueba y un grupo de control. De este modo, es posible aislar las variables que intervienen en una conversión, lo que convertiría el Incrementality testing en una metodología más precisa, que logra medir la relación causa-efecto y elimina las conjeturas.

Los modelos de atribución no son capaces de identificar a los usuarios en todos los dispositivos y canales, lo que pone en entredicho la calidad de los datos. Además, no son transparentes, son subjetivos, no permiten la predicción, no tienen en cuenta factores externos ni permiten la medición de medios tradicionales. Por su parte, los numerosos puntos ciegos de la atribución multitáctil -derivados de los jardines amurallados de las grandes plataformas o los canales offline- tampoco permiten realizar un seguimiento preciso de impresiones o individuos en su camino a la conversión, a pesar de que se trata de un modelo de atribución de valor para más de la mitad de los especialistas de marketing estadounidenses, según datos de Nielsen.

En este contexto, las pruebas de incrementalidad se centran en los canales o medios específicos. La división del mercado en dos grupos hace posible exponer a uno de ellos a determinadas variables que intervengan en su comportamiento, a fin de poder realizar una medición antes y después para comprender el impacto. A pesar de que el procedimiento puede parecer similar, el Incrementality testing se aleja considerablemente de las pruebas A/B testing tradicionales, si bien la división geográfica es aplicable a las pruebas de incrementalidad si se realiza correctamente.

El verdadero valor de las pruebas de incrementalidad lo hallamos en que son capaces de analizar inversiones individuales, midiendo el impacto directo en los resultados generales del negocio, prescindiendo de la necesidad de identificar y medir cada paso que dé el consumidor en su recorrido. Esto puede eliminar la subjetividad que tanto preocupa a anunciantes y especialistas del marketing, alcanzando incluso a contemplar el efecto halo de una inversión.

De igual modo, no hay lugar para la ambigüedad, por su alejamiento de factores como la estacionalidad, la ubicación geográfica o el cross marketing. La capacidad de salvar la barrera de los impactos que se producen fuera del canal online es otra de las grandes ventajas de las pruebas de incrementalidad frente a los modelos de atribución.

La efectividad de los modelos de atribución lleva tiempo en entredicho, parece que se han quedado cortos en el ecosistema publicitario actual. No ayuda la falta de estándares, las trabas puestas por las grandes compañías como Amazon, Google o Facebook, o la dificultad de la medición en móvil y del salto entre dispositivos. Ni siquiera la Inteligencia Artificial ha dado respuesta a la necesidad de un modelo de atribución preciso.

Ante la falta de datos que permitan extraer conclusiones reales, algunos anunciantes combinan determinados modelos de atribución con Incrementality testing, a fin de validar la medición de la atribución y poder ajustar el modelado para un mejor rendimiento de los anuncios.

Las pruebas de incrementalidad han ayudado ya a entender a muchas marcas cuál es el funcionamiento de las conversiones en su negocio concreto, aportando luz acerca de aspectos como si es adecuado o no hacer remarketing y durante cuánto tiempo o en qué meses incrementar el presupuesto y en qué canales. Conviene tener en cuenta las pruebas de incrementalidad a la hora de realizar una medición para valorar si realmente ayuda a tomar mejores decisiones.

Si buscas una agencia que te ayude a tomar mejores decisiones en las campañas que realizas para tu marca, contacta con Kanlli, agencia de medios digitales que pone tecnología y data al servicio de las grandes ideas.

Para tratar de arrojar un poco de luz sobre este aspecto se propuso la metodología Ghost ads (anuncios fantasma), mediante la cual se experimentó con el comportamiento de compra comparando un grupo de usuarios expuestos a una campaña y un grupo de control. Han pasado varios años desde entonces, pero la metodología parece ser válida: hay indicios de que importantes compañías de medios podrían estar desarrollando este método de experimentación.

La metodología Ghost ads se deduce de un trabajo de investigación realizado por los economistas científicos Garrett Johnson, Randall Lewis y Elmar Nubbemeyer. Su experimento publicitario perseguía entender cómo se comportarían respecto a una marca una serie de individuos que no habían sido expuestos a publicidad de la misma (grupo de control), frente a otro grupo de individuos a los que sí se habían servido anuncios, tratando de identificar, así, a los posibles consumidores del grupo de control.

Con la aplicación de esta metodología, los consumidores del grupo de control ven únicamente una combinación de anuncios de la competencia, esos que en realidad verían si la marca objeto del experimento no se hubiera anunciado. Entonces se estudia su comportamiento de consumo y se compara con el comportamiento de aquellos individuos que sí fueron impactados por la marca, tratando de dar respuesta a la pregunta de en qué medida mostrar anuncios afecta al comportamiento.

La metodología Ghost ads supone una buena herramienta para determinar la atribución y tiene destacadas ventajas sobre otro tipo de métodos experimentales como pueden ser los test A/B o las comparaciones entre el comportamiento de usuarios expuestos a anuncios comerciales frente a otros expuestos a anuncios de servicio público o PSA. En el caso de los test A/B la desviación viene por comparar usuarios independientemente de si han estado o no expuestos a los anuncios; Si nos fijamos en el método anuncio/PSA, el sesgo está determinado porque no se están comparando usuarios iguales (no tiene las mismas motivaciones un comprador que quien realiza una donación a una ONG).

Es por esto que la metodología Ghost ads se presenta como la más adecuada, ya que tiene en cuenta sólo a aquellos usuarios expuestos a la campaña y compara usuarios de la misma naturaleza. Así, la metodología Ghost ads reduce el coste de la experimentación, mejora la precisión de la medición hasta 10 veces y es compatible con plataformas RTB. Además, se propone una variante, denominada «predicted ghost ads» compatible con las plataformas de publicidad display. De hecho, los predicted ghost ads servidos en la red display de Google registraban, en 2015, más de 100 millones diarias de anuncios experimentales.

Para demostrar la efectividad de su metodología, los promotores experimentaron con una campaña de retargeting de display para un e-commerce. Experimentar con una campaña de retargeting generaba cierta controversia, ya que se preveía que un porcentaje de usuarios convirtiera, aunque no fuera impactado por un anuncio, debido a que era un grupo que ya había mostrado interés en la compra. Sin embargo, y a pesar de ello, los resultados del experimento evidenciaron que las campañas de retargeting funcionan: el tráfico procedente de los anuncios incrementó en un 17% las visitas al e-commerce y esto supuso un aumento de las ventas del 11%.

En definitiva, parece que la metodología Ghost ads resulta muy adecuada para la medición de la efectividad de los anuncios, con la ventaja añadida de que estos experimentos resultan baratos y escalables. Así, los anunciantes deberían comenzar a experimentar con Ghost ads e incluir esta experimentación en su rutina, máxime teniendo en cuenta que la tecnología permite no solo su aplicación en anuncios display, sino que es compatible con publicidad programática en radio y televisión.

Si deseas poner en marcha una campaña de medios para potenciar las conversiones o hacer crecer tu marca, contacta con Kanlli y nuestros especialistas en paid media te ofrecerán la solución que mejor convenga a tus objetivos.

Vía: Think with Google

Cada vez se hace más evidente que los modelos de atribución con un punto de contacto -como aquellos que asignan la venta al primer o último clic- no permiten entender cuál de todos los canales tuvo más peso. Esta incertidumbre hace imposible una optimización adecuada, pero los avances en el ámbito de la atribución multicanal son constantes y en los últimos tiempos hemos asistido a la aparición de modelos de atribución avanzados que ayudan a determinar con mayor exactitud cuál es el canal que mejor convierte.

Junto a los modelos de atribución con un punto de contacto, cohabitan los modelos de atribución con múltiples puntos de contacto que contemplan el conjunto de todos los caminos que han llevado a la conversión, teniendo en cuenta múltiples criterios, entre ellos el ciclo de compra del consumidor, los objetivos del anunciante, los canales o el comportamiento de los usuarios dentro del site.

Sin embargo, estos modelos también tienen una desventaja clara: que el peso de cada uno de ellos se pondera a priori, lo que conlleva un sesgo que no permite atribuir con suficiente precisión las ventas. En este tipo encontramos modelos como el lineal, el lineal decreciente, el modelo en U y los modelos personalizados basados en criterios predefinidos.

Modelos de atribución algorítmicos

Son estas debilidades las que han propiciado la aparición de metodologías basadas en algoritmos, ya que no presentan sesgos al estar basados en análisis estadísticos de datos puros. Algunos de estos modelos algorítmicos tienen en cuenta aspectos como el análisis del comportamiento de los usuarios durante la navegación del site, pero no tienen la suficiente fiabilidad estadística, ya que su grado de precisión dependerá de un gran número de indicadores para la medición.

Frente a ellos, nos encontramos modelos de atribución algorítmicos tienen en cuenta la estructura de los caminos que llevan a la conversión, lo que supone un aprendizaje sobre el peso que tiene cada elemento del mix media. Requieren de menos criterios, por lo que los resultados tienen un mayor índice de fiabilidad.

Los modelos de atribución algorítmicos suponen muchas ventajas por encima de los modelos de atribución basados en un punto de contacto o en aquellos basados en múltiples puntos de contacto pero a los que se les ha pre asignado un valor, ya que gracias a los algoritmos se puede definir con mayor precisión qué porcentaje del valor total corresponde a cada touchpoint, alejándose de las especulaciones. Por ejemplo Google cuenta con el modelo algorítmico Data Driven Atribution (DDA), que ofrece una visión global del mix de medios apoyado en el DATA obtenido de todos los productos de Google que se hayan puesto en relación con Analytics, como AdWords, DoubleClick for Advertisers o su red de display.

Existen modelos de atribución algorítmicos muy complejos que tienen en cuenta las características de cada cliente, canal o táctica, así como la agrupación de canales dentro del journey. En este sentido, los CRM avanzados pueden ayudar, pero únicamente herramientas de nivel empresarial o especializadas pueden ofrecer funciones completas de atribución y analítica cross-channel, como Oracle Eloqua, IBM Enterprise Marketing Management, Datalicious o Convertro, que suelen suponer un elevado coste.

Adopción de modelos de atribución algorítimicos

A pesar de que los modelos de atribución son clave para optimizar las campañas en un mix de medios, su adopción por parte de los profesionales del marketing es todavía muy baja en nuestro país. A la cabeza se encuentran Reino Unido y Estados Unidos, donde, según el estudio «Bring Algorithmic Attribution Up to Speed: Accelerate Your Attribution Insights for More Effective Digital Channel Optimization«, llevado a cabo por Forrester Consulting y Visual IQ, un 58% de los profesionales del marketing cree importante o muy importante la posibilidad de optimizar rápidamente los canales de comercialización sobre una base diaria. Sin embargo, sólo el 33% de ellos asegura estar poniéndolo en práctica.

La falta de presupuesto y la dificultad que entraña la gestión de datos son las principales barreras con las que se encuentran muchos profesionales. Para ganar velocidad en la toma de decisiones, la inversión multicanal debe ser realizada por ordenadores, complejos softwares que se encarguen de dar a la atribución un nuevo enfoque y que permitan una rápida optimización del gasto en todos los canales de comunicación.

En relación a ello, del informe se desprende que el 53% de los encuestados asegura que los algoritmos les resultan de ayuda al comienzo de las campañas, mientras que el 51% se vale de ellos durante los momentos clave en relación a las ventas. Es cierto que, al menos de momento, las máquinas no pueden hacer todo el trabajo. Utilizar adecuadamente los algoritmos pueden ayudar a los anunciantes en momentos clave para la conversión, ya que posibilitan que éstos se adapten rápidamente a un escenario muy cambiante. Es por ello que los modelos de atribución algorítmicos resulta muy ventajosos.

En este sentido, es evidente que los modelos atribución algorítmicos deben ser capaces de ofrecer respuestas en tiempo real, moverse al mismo ritmo que el marketing. Pero eso no es todo: para obtener el máximo valor en sus campañas, al margen de un modelo de atribución avanzado basado en algoritmos, los profesionales del marketing deben disponer de herramientas complementarias como las plataformas de gestión de datos (DMP) y de compra programática, instrumentos que ayuden a identificar a la audiencia adecuada para elegir y comprar de manera inmediata y más efectiva el inventario de espacios publicitarios.

Vía: eMarketer

La atribución de las conversiones no es tarea sencilla, ya que en muchas ocasiones es difícil discernir el motivo real que llevó al usuario a realizar la acción. Es decir, se sabe que en la mayoría de los casos en los que se produce una conversión, ha sido necesario que el usuario haya mantenido un contacto reiterado con la marca, incluso a través de diferentes canales y en un período dilatado de tiempo. Por tanto, en muy pocas ocasiones un único canal es el responsable de esa conversión o venta.

¿Qué son los modelos de atribución?

Son un sistema para asignar un valor de contribución al objetivo de ventas o conversiones de cada uno de los canales que intervienen en el customer journey o experiencia de cliente.

Tipos de modelos de atribución

Pero no es sencillo: existen modelos se atribución estándares y es probable que ninguno de ellos nos dé una información certera al cien por cien. Lo importante será elegir aquél que mejor se ajuste a los objetivos de cada negocio, y también podemos crear un modelo personalizado con la info específica para nuestro negocio.

Último clic. En este caso, el mérito se le asigna al último canal que ha impactado al usuario de manera directa antes de la conversión y obvia al resto de canales. La desventaja de este modelo es que obvia el resto de canales, por lo que no podemos cuantificar su influencia y, por tanto, su importancia en la conversión.

Último clic Adwords. Este modelo otorga el mayor peso a Adwords, incluso si el último clic se ha producido en otro canal. Se trata de un modelo impulsado por Google, debido a que le beneficia, pero ni es realista ni nos permite saber el peso que el resto de canales tuvo en el proceso.

Último clic indirecto: Este modelo descarta el tráfico directo y atribuye todo valor de conversión al último canal en el que el usuario hizo clic antes de realizar una compra o una conversión. Este modelo es el utilizado por Google Analytics cuando atribuye un valor de conversión a los informes que no sean de embudo multicanal. La desventaja es que obvia el resto de canales, incluyendo el de clic directo.

Primer clic. Se produce el caso contrario. Con este modelo se presupone que el responsable de la conversión fue el primer canal de interacción, asumiendo que fue este primer contacto el que desencadenó la acción. Tampoco parece muy acertado deducir que el primer impacto fue el desencadenante de la conversión, pues da por hecho que no fue otro canal, y eso no se puede afirmar con rotundidad en ningún caso.

Atribución lineal. Es aquel que asigna el mismo peso a todos los canales que han influido en el proceso de conversión, independientemente de donde provenga el último clic. Al tener en cuenta todos los canales por igual, da una idea aproximada de cuáles han sido los responsables de la conversión, pero por el contrario no nos permite saber cuál de ellos ha aportado más valor en el proceso.

Deterioro del tiempo. Se trata de un modelo basado en el concepto de deterioro exponencial que otorga más valor a aquellos impactos más cercanos al momento de la conversión. Este modelo otorga la mitad del valor al punto de contacto ocurrido siete días antes de la conversión con respecto a aquel que se produzca el mismo día de la conversión, y va perdiendo valor de semana en semana hasta un máximo de 30 días de antelación a la compra.

Según la posición. Se trata de un híbrido de los modelos de último y primer clic, dividiendo entre ambas el 80% del crédito y asignando el 20% a las interacciones intermedias. Más salomónico, pero también inexacto.

Cómo crear un modelo de atribución personalizado

Al margen de los tipos de modelos de atribución anteriormente descritos, Google permite, a través de su herramienta de comparación de modelos, crear hasta 10 modelos personalizados que utilicen las reglas que en cada caso se les indiquen. Esta funcionalidad es muy útil de cara a poder ajustar lo máximo posible a las necesidades de nuestro negocio un modelo de atribución personalizado. En la página de Ayuda de Analytics detallan paso por paso cómo crear un modelo de atribución personalizado.

Como veíamos al principio, modelos de atribución hay muchos, y ninguno va a ser capaz de asignar con certeza el mérito a uno u otro punto de contacto. Los enumerados aquí son los que Google considera predeterminados, pero el gran reto del performance marketing son los modelos de atribución avanzados, ya que sólo así seremos capaces de afinar todo lo posible y conocer el peso real que cada canal tuvo en el proceso de conversión, una información muy valiosa de cara a poder optimizar nuestras campañas.

Si buscas una agencia de performance marketing que te ayude con tu estrategia de marketing de resultados, contacta con Kanlli y nuestro equipo de profesionales te ofrecerá la solución más adecuada a tus objetivos.

Fuente: Google Analytics

El seguimiento multiplataforma busca identificar cuándo un mismo usuario visita una web independientemente del dispositivo que utiliza para ello: ordenador de escritorio o dispositivos móviles. Lo que se quiere saber es si quien accede a nuestra web desde un ordenador de escritorio, es la misma persona que lo hizo con anterioridad a través del móvil, o viceversa.

En la actualidad, gigantes como Google o Facebook ya disponen de datos que asignan las visitas a uno u otro dispositivo, pero fuera de ellos se plantea el gran reto para este tipo de rastreo, tan importante no sólo para asignar ventas, sino para plantear las estrategias adecuadas en cada canal del mix. En el caso de Google Analytics se realiza mediante el user ID, mientras que Facebook utiliza el cross-device tracking en sus analítica de ads.

Más difícil es aún si entran en juego otras plataformas como la televisión, canal que puede ser el origen de la visita que un usuario realiza a una web y de la consecuente compra o conversión. La popularización de la Smart TV hará necesario que se desarrollen aplicaciones nativas de compra online también para este dispositivo.

Lo que los anunciantes necesitan es un método basado en datos para optimizar las campañas y conseguir realmente los resultados que están buscando, pero el perfeccionamiento de los modelos de atribución pasa necesariamente por una mejora tecnológica, de manera que no es algo de lo que vayamos a disponer a corto plazo.

Detengámonos en el móvil: se ha demostrado que se trata de un canal de venta muy eficaz que todos los comerciantes deberían incorporar en su estrategia omnicanal o cross-channel; de hecho, en el último año el m-commerce se ha disparado en España. Para determinar la eficacia de los canales móviles, las marcas deben ser diligentes en la adopción de un modelo de atribución entre dispositivos, pues sólo así los anunciantes podrán obtener la información más precisa posible sobre el uso que sus clientes hacen de los móviles y de lo que convierte a la venta.

En este sentido, las estrategias de marketing móvil debe ir de la mano del seguimiento multiplataforma y los modelos de atribución. Mientras que la atribución y el seguimiento multiplataforma es fundamental para la comprensión de los orígenes de las conversiones, también es importante que las marcas ofrezcan mensajes específicos en función de las características de cada canal, por lo que son necesarios, también, como punto de partida o reenfoque en nuestras campañas de marketing, tanto en el enfoque estratégico, como en el táctico.

Por todo ello, podemos concluir que la atribución de la conversión es uno de los grandes retos de los profesionales del marketing de cara a optimizar la rentabilidad de las campañas de marketing. Se hacen cada vez más necesarios modelos y soluciones estandarizados y de mayor precisión que ayuden en esta fase de la analítica; salvar este escollo será un avance de extraordinarias dimensiones en el ámbito del marketing digital.

Si buscas una agencia de performance marketing que ponga en marcha una estrategia de marketing de resultados para tu empresa, contacta con Kanlli y estudiaremos tu caso sin compromiso.

En la actualidad, el modelo comúnmente aceptado asigna la venta al último clic, pero desde hace mucho tiempo el mercado está exigiendo unos modelos de atribución mucho más avanzados, que determinen la importancia real que tiene cada canal implicado en el proceso de venta.

Llegar a conocer con absoluta certeza qué es lo que lleva a un usuario a la conversión resulta imposible. Ni tan siquiera preguntándole al propio individuo llegaríamos a estar seguros de cuánto peso tuvo en su decisión cada uno de los impactos recibidos. A pesar de ello, parece sensato pensar que el modelo de atribución del último clic tiene serias carencias al excluir tajantemente el peso de otros canales del proceso de venta cuando existe un mix, independientemente de que esta asignación pueda ser válida en muchos casos, dependiendo del número de canales en los que se esté presente.

En esta misma línea, existen modelos de atribución basados en diferentes combinaciones que parecen provenir de ese dicho de «para gustos, colores». Me refiero a la atribución al primer clic; al modelo lineal que, de forma muy salomónica, otorga el mismo valor a todos los actores del proceso; al de deterioro del tiempo, que otorga más peso a las acciones más cercanas en el tiempo a la conversión; o al que valora la primera y la última acción muy por encima de las que conforman la transición entre ambas.

El marketing de resultados necesita de modelos de atribución avanzados para poder tomar buenas decisiones, ya que sólo conociendo de dónde procede el grueso de las ventas es posible potenciar unos canales en detrimento de otros. Modelos heurísticos o estadísticos han intentado mejorar la atribución, sin embargo, el primero de ellos genera una atribución bastante arbitraria, mientras que el segundo resulta muy costoso y tiene el riesgo de ofrecer datos retrospectivos.

Frente a todos estos modelos de atribución, surge el modelo Data Driven Atribution (DDA), basado en la premisa de que los diferentes canales no convierten por sí solos, de manera que ofrece una visión global del mix de medios de la inversión en performance marketing. De todos los planteados, este modelo parece ser el más fiable por su naturaleza matemática, ya que se trata de un algoritmo de Google que se apoya en el DATA y que se basa en el concepto de la solución de los juegos cooperativos ideada en los años 50 por el premio Nobel de Economía Lloyd Shapley.

El modelo de atribución DDA contempla las distintas combinaciones entre canales, y, al compararlas, atribuye una probabilidad de conversión a cada uno de los canales que sirve para determinar qué grado de implicación ha tenido cada uno de ellos en el proceso de venta. Además, tienen en cuenta el histórico.

En este mismo sentido, la compañía de servicios globales de información, Experian, defiende la necesidad de desarrollar un modelo de atribución «multi-contacto», que tome como punto de partida los modelos estadísticos y posibilite interpretar la contribución de cada canal. Los modelos «multi-contacto» permitirían, además, generar scorings de usuario, gracias a los cuales se podría realizar una estimación de aspectos como las probabilidades de conversión y, además, permite llevar los modelos predictivos al ámbito del retargeting, donde resulta crucial poder identificar la contribución que cada canal tiene en las conversiones, imprescindible en marketing de resultados.

En Kanlli somos conscientes de la importancia de la atribución para estimar el retorno de la inversión (ROI) en marketing digital y así poder optimizar el mix de canales de nuestros clientes, por eso, creemos que cuanto más sofisticados sean los modelos desarrollados, más cercanos a la realidad serán los datos proporcionados. En este sentido, el modelo DDA responde a la necesidad de medir la atribución a la venta de los distintos canales donde la marca está presente sin preferencias y desagregando el peso entre los diferentes impactos que recibe el usuario.

Si deseas que nuestra agencia de performance marketing idee una estrategia de marketing de resultados para tu empresa, contacta con Kanlli y estudiaremos tu caso detalladamente.

Fuentes: Marketing Redes, Experian