400 €Ingresos atribuidos÷50 €Inversión=8
Incrementalidad
Una sola pregunta: ¿qué habría ocurrido sin esta campaña? La incrementalidad compara personas expuestas y no expuestas, aísla el efecto real del medio y confronta el MMM con la realidad.
¿Qué es la incrementalidad?
Tomemos una campaña. Entre las personas que la han visto, un 20 % compra el producto. El reflejo es atribuir ese 20 % a la campaña. Sin embargo, algunas personas no expuestas también compran: ya conocían la marca, vieron otro anuncio o habrían comprado de todos modos.
El efecto real no es el total observado entre los expuestos, sino la diferencia respecto a un grupo de control comparable. Un experimento de incrementalidad establece este vínculo causal. Su límite: mide una palanca durante un periodo concreto, no la dinámica de todo el mix.
Grupo expuesto4 compras observadas
Grupo no expuesto3 compras sin campaña
4 − 3 =11 compra incremental
ROAS o iROAS: la diferencia en un ejemplo
Una campaña cuesta 50 €. Se observan cuatro compras de 100 € entre los expuestos. El grupo no expuesto demuestra que tres de ellas habrían ocurrido sin campaña.
400 € − 300 €Ingresos atribuidos − Ingresos sin campaña÷50 €Inversión=2
La cifra para tomar decisionesPor qué la atribución no es suficiente
La atribución reparte el crédito de una conversión entre puntos de contacto. Mide una eficacia relativa, no el impacto causal. El multi-touch no resuelve el problema: cada plataforma reclama conversiones en su propio informe. Sin una referencia externa, la suma puede superar la realidad.
Atribución calibrada →Ventas reclamadas1 000 000
≠
Ventas reales500 000
Cuatro familias de métodos, dos de ellas escalables
Los cuatro responden a la misma pregunta contrafactual con diseños distintos. Los dos últimos aprovechan más los datos existentes y son más repetibles.
Geo lift testing
Comparar dos zonas geográficas similares, una expuesta a la campaña y otra no.
A/B lift testing
Crear dos segmentos de audiencia dentro de un mismo medio y medir la diferencia.
Acelerado por IA
Control sintético
Pausar una palanca y estimar mediante un algoritmo qué habría ocurrido sin la pausa.
Acelerado por IA
Variaciones de inversión
Variar la inversión manteniendo constante el presupuesto total y calcular los lifts resultantes.
Cómo entran estos resultados en el modelo
mediaROI no ejecuta los tests. Los resultados disponibles — generados por sus equipos, las plataformas o sus partners de medición — se integran en el MMM bayesiano como priors. Informan al modelo sobre una palanca y un periodo sin obligarlo a reproducir la cifra.
Cuanto más documentada está una palanca, mejor separa el modelo canales que evolucionan juntos. Los aprendizajes dejan de ser diapositivas archivadas y se convierten en una entrada estadística.
Resultados de incrementalidad
Priors
MMM bayesiano
Atribución calibrada
Resultados aportados por sus equipos, plataformas o partners de medición.
Tres métodos que se controlan entre sí
Ninguno basta por sí solo. Cuando los tres convergen, puede asignar presupuesto sin discutir el método.
MMM
La visión holística y fuente de verdad: todas las palancas, baseline y variables externas.
Atribución calibrada
La lectura diaria por campaña, corregida por los coeficientes del MMM.
Incrementalidad
La comprobación causal puntual que confronta e informa al modelo.
Descubre la plataforma
30 minutos para recorrer un modelo completo y hacer tus preguntas