La incrementalidad en Marketing mide las ventas que no habrían existido sin la campaña, comparando a los clientes que la recibieron con un grupo de control parecido que quedó fuera. Ese número es el que se puede defender ante un directorio y el que debería mover el presupuesto del próximo año.
LA PREGUNTA QUE ORDENA EL PRESUPUESTO
El reporte mensual de Marketing responde con mucha precisión cuántas ventas tocó una campaña dentro de la ventana de atribución. Para operar los canales esa información sirve, y harto. Pero cuando un directorio aprueba el presupuesto está pensando en otra cosa, porque quiere saber qué parte del crecimiento existe gracias a esa inversión. Esa es la pregunta de la incrementalidad, y la verdad es que cambia la conversación entera: cuántas ventas no habrían existido sin la campaña.
Un cliente que ya venía decidido busca la marca en Google, aparece un aviso pagado, hace clic y compra. La plataforma suma esa venta a su ROAS con toda honestidad contable, porque la venta ocurrió y el aviso estuvo ahí. Lo que ese registro deja abierto es si la venta habría llegado igual por el resultado orgánico o por una visita directa. Ese hueco explica por qué el ROAS reportado por la plataforma suele contar una historia generosa.
QUÉ ES INCREMENTALIDAD, EXPLICADO SIN ESTADÍSTICA
El primer concepto es el contrafactual, que es lo que habría pasado en el mismo período, con los mismos clientes, si la campaña nunca hubiera salido. Nadie puede observarlo de forma directa, porque cada cliente vive una sola historia. El segundo es el grupo de control, que resuelve ese problema con un sorteo: se separa al azar una parte de la audiencia que no recibe la campaña, y como el azar reparte por igual a los entusiastas, a los indecisos y a los que nunca iban a comprar, la diferencia entre ambos grupos al final del período corresponde a lo que causó la campaña.
Kohavi, Tang y Xu (2020) cuentan un caso de Microsoft Office 365: los usuarios que sufrían errores y caídas cancelaban con menor frecuencia, porque las tres cosas nacían del uso intensivo del producto, y nadie concluiría que conviene mostrar más errores. Con la publicidad pasa algo parecido, porque los avisos llegan por diseño a quienes tienen mayor probabilidad de comprar, y por eso el experimento aleatorizado ocupa la cima de la jerarquía de evidencia que recogen los autores. Lo desarrollo en por qué la atribución y la causalidad responden preguntas distintas.
LO QUE DICE LA EVIDENCIA
El estudio que mejor dimensiona la tarea es el de Lewis y Rao (2015). Analizaron 25 experimentos de campo con grandes retailers y empresas de servicios financieros en Estados Unidos, cada uno con sobre 500.000 usuarios únicos y la mayoría sobre el millón, que en conjunto sumaron USD 2,8 millones de inversión publicitaria. El hallazgo central es el ruido: la desviación estándar de las ventas por persona era típicamente diez veces su promedio, así que el efecto de un aviso rentable queda escondido entre clientes que compran mucho, poco o nada por razones propias. Para lograr un ROI de 25%, la campaña mediana tenía que subir las ventas promedio por persona en USD 0,35, sobre una variable con promedio de USD 7 y desviación estándar de USD 75.
El error estándar mediano del ROI fue de 26,1%, lo que implica que el intervalo de confianza mediano del ROI superaba los 100 puntos porcentuales de ancho. Para distinguir con confianza una campaña muy rentable, con ROI de 50%, de una que apenas empata, la campaña mediana tendría que haber sido nueve veces más grande; para separar diferencias de 10 puntos de ROI, las que se usan al evaluar inversiones, tendría que haber sido 62 veces más grande. Los autores agregan un ejemplo realista en que el efecto de selección, el de mostrarle el aviso a quien ya iba a comprar, llega a 30 veces el tamaño del efecto causal del aviso. Con esa proporción, un método que solo observa queda muy expuesto.
Para un gerente, la lectura útil tiene que ver con el diseño del test: los autores reconocen que el panorama mejora con mayor inversión por persona o con ventas base estables, y ven en los experimentos aleatorizados un avance porque inyectan información sin sesgo al mercado. Gordon y sus coautores (2019) llegaron a una conclusión coherente con 15 experimentos en Facebook: los métodos observacionales, incluso con abundantes variables demográficas y de comportamiento, con frecuencia no reprodujeron el resultado del experimento.
Kohavi y sus coautores aportan la otra mitad del argumento: solo un tercio de las ideas testeadas en Microsoft mejoró la métrica que buscaba mejorar, y en entornos muy optimizados como Bing y Google la tasa de éxito, según algunas mediciones, ronda entre 10% y 20%. Bing corre sobre 10.000 experimentos al año. Uno de ellos, un cambio menor en cómo se mostraban los títulos de los avisos, pasó más de seis meses olvidado en el backlog y al testearse subió los ingresos de Bing en 12%, sobre USD 100 millones anuales solo en Estados Unidos.
CUATRO HERRAMIENTAS Y CUÁNDO USAR CADA UNA
Cada forma de construir un grupo de control calza con un tipo de decisión, y así las uso para elegir.
| Herramienta | Qué compara | Cuándo conviene | Qué necesita | Cuidado con |
|---|---|---|---|---|
| Test A/B | Dos versiones asignadas al azar a usuarios | Creatividades, landing pages, ofertas, correos | Tráfico suficiente y asignación individual | Responde qué versión rinde y deja abierta la pregunta del canal completo |
| Holdout (grupo retenido) | Audiencia con campaña frente a una parte que queda sin ella | CRM, retención, retargeting, estudios de lift de plataforma | Audiencia identificable y disposición a no impactar a un grupo | Depende de identificar personas, con consentimiento |
| Geoexperimento | Zonas activadas frente a zonas de control | Medios masivos, offline, empresas sin rastreo individual | Zonas comparables, historia de ventas por zona y varias semanas | Incluye en la muestra a quienes la campaña nunca alcanzó, lo que pide más volumen |
| MMM | Ventas agregadas en función de la inversión por canal, estacionalidad y precio | Repartir el presupuesto anual entre canales | Historia larga y consistente de inversión y ventas | Sigue siendo un modelo correlacional hasta que un experimento lo calibra |
El sorteo del test A/B es la lógica que sostiene a las otras tres. El geoexperimento merece atención especial en Chile, porque funciona sin rastrear personas y su costo está al alcance de empresas medianas, como explico en el experimento que una pyme sí puede pagar; eso sí, Lewis y Rao advierten que la aleatorización geográfica exige más volumen, así que las zonas tienen que estar bien pareadas.
LA CULTURA DE EXPERIMENTACIÓN COMO VENTAJA
Si la mayoría de las ideas falla al testearse, la ventaja competitiva está en testear muchas ideas por unidad de tiempo, con un costo por experimento bajo. Esa es la lección más práctica de Kohavi, y se apoya en cuatro hábitos.
El primero es el OEC, el criterio general de evaluación: la métrica que el equipo acuerda antes de lanzar y que se puede medir en una o dos semanas sin traicionar el largo plazo. Los autores descartan la utilidad de corto plazo como OEC, porque subir precios la infla por un tiempo, y proponen el valor de vida del cliente. El segundo es la potencia estadística, la probabilidad de detectar un efecto real cuando existe, que se suele fijar entre 80% y 90% al diseñar. El tercero es el SRM, el desbalance entre el tamaño planificado y el real de los grupos: en un experimento de MSN con más de 800.000 usuarios por variante, la proporción resultó 0,992 en lugar de 1; al corregir el filtro de bots que la causaba, el resultado se dio vuelta y el compromiso de los usuarios subió 3,3%. El cuarto es la ley de Twyman, que dice que una cifra que parece muy interesante o distinta suele estar equivocada, y que en Bing se traduce en alertas automáticas cuando los ingresos de un test suben demasiado.
TRIANGULAR: CADA MÉTODO EN SU LUGAR
Medir todo con experimentos sería caro e innecesario, así que la arquitectura que propongo a los equipos tiene tres capas. La atribución queda para lo táctico dentro de un canal, como elegir entre creatividades, keywords o audiencias, donde el sesgo afecta de forma parecida a las opciones comparadas. Los experimentos entregan la verdad causal en las decisiones grandes, como escalar un canal o cortar una campaña. El MMM da la foto completa del presupuesto, y gana credibilidad cuando sus estimaciones se calibran con esos experimentos, que es el tema de MMM en 2026 con Meridian y Robyn. Para una mirada de conjunto de los modelos sirve esta comparación de MMM, MTA, atribución e incrementalidad.
La misma lógica sirve en retención, donde el grupo de control encuentra a los clientes que cambian su conducta por la intervención (lo explico en el artículo sobre uplift y retención), y gana valor a medida que las señales individuales se debilitan, que es el escenario de medir sin cookies bajo la Ley 21.719.
QUÉ SIGNIFICA PARA TU NEGOCIO: UNA FRASE Y UN NÚMERO
La frase que propongo llevar al directorio es esta: de cada $100 de ventas que la plataforma le atribuye a la campaña, tantos se sostienen en un test con grupo de control. El número es esa proporción. Con cifras ilustrativas, si la plataforma reporta un ROAS de 6 y el test sostiene un ROAS incremental de 2,4, el 40% del ROAS reportado es incremental, y la decisión de presupuesto se toma con el 2,4. Ese ROAS incremental es el que se compara con el punto de equilibrio y con el Incremental Net Profit ROI.
Así que la pregunta que conviene instalar en cada revisión de resultados es “¿cuánto de este ROAS se sostiene en un test?”. Cuando el equipo se acostumbra a responderla, el presupuesto empieza a moverse hacia los canales que crean ventas nuevas y la conversación con Finanzas gana un idioma común.
CÓMO APLICARLO MAÑANA
- Elige una sola decisión grande para tu primer test, como el canal con mayor inversión.
- Acuerda por escrito el OEC y los umbrales de decisión antes de lanzar: con qué resultado se escala, con cuál se mantiene y con cuál se corta.
- Elige la herramienta según la tabla; si tu medio no permite identificar personas, parte con un geoexperimento.
- Calcula tamaño y duración antes de empezar, con una potencia de 80%; si el cálculo no cierra, sube la inversión por persona en el grupo de test o suma más zonas a la prueba.
- Revisa el balance de los grupos, aplica la ley de Twyman a cualquier resultado espectacular y lleva al directorio la proporción incremental con su rango.
Cuando un equipo corre su primer test con grupo de control, lo que más cambia es la calidad de la conversación interna, porque la discusión se ordena alrededor de una cifra que todos aceptan. En los proyectos donde he medido incrementalidad, ese momento suele llegar con el primer resultado y empuja a construir la capa de medición y analítica de Marketing para repetir el ejercicio cada trimestre. Estoy convencido de que la próxima ventaja de los equipos de Marketing en Chile está en experimentar seguido, con tests acotados y bien diseñados, porque cada uno deja una cifra que el directorio puede repetir de memoria en la siguiente sesión de presupuesto.
PREGUNTAS FRECUENTES
¿Qué es la incrementalidad en Marketing?
La incrementalidad en Marketing es la parte de las ventas que existe gracias a una campaña, es decir, las ventas que no habrían ocurrido sin ella. Se mide comparando a los clientes que recibieron la campaña con un grupo de control parecido, elegido al azar, que quedó fuera. La diferencia entre ambos grupos es el efecto causal de la campaña.
¿Cuál es la diferencia entre atribución e incrementalidad?
La atribución asigna las ventas registradas a los puntos de contacto que el cliente tuvo antes de comprar, como un clic o una impresión. La incrementalidad estima cuántas de esas ventas causó la campaña, usando un grupo de control. La atribución sirve para decisiones tácticas dentro de un canal, y la incrementalidad sirve para decidir cuánto invertir en cada canal.
¿Cuándo conviene un geoexperimento y cuándo un MMM?
Un geoexperimento conviene para medir con precisión un canal o una campaña específica, activándola en unas zonas y dejando otras como control, sin necesidad de rastrear personas. Un MMM conviene para repartir el presupuesto anual entre todos los canales a partir de la historia de inversión y ventas. Lo recomendable es combinarlos y usar los geoexperimentos para calibrar el MMM.
¿Por qué medir el retorno de la publicidad exige muestras tan grandes?
Medir el retorno de la publicidad exige muestras grandes porque las ventas de cada persona varían mucho y el efecto de un aviso por persona es pequeño frente a esa variación. Lewis y Rao (2015) encontraron, en 25 experimentos con grandes anunciantes, que la desviación estándar de las ventas individuales solía ser diez veces su promedio, y que distinguir con confianza diferencias de 10 puntos de ROI habría exigido campañas de 62 veces el tamaño de la mediana.
REFERENCIAS
- Gordon, B. R., Zettelmeyer, F., Bhargava, N. y Chapsky, D. (2019). A comparison of approaches to advertising measurement: Evidence from big field experiments at Facebook. Marketing Science, 38(2), 193-225. https://doi.org/10.1287/mksc.2018.1135
- Kohavi, R., Tang, D. y Xu, Y. (2020). Trustworthy online controlled experiments: A practical guide to A/B testing. Cambridge University Press. https://doi.org/10.1017/9781108653985
- Lewis, R. A. y Rao, J. M. (2015). The unfavorable economics of measuring the returns to advertising. The Quarterly Journal of Economics, 130(4), 1941-1973. https://doi.org/10.1093/qje/qjv023
LA SERIE
- El ROAS te está mintiendo (y tu plataforma lo sabe)
- Deja de retener a los clientes que se van a ir
- Atribución no es causalidad
- Geo-tests: el experimento que una pyme sí puede pagar
- MMM en 2026: Meridian, Robyn y por qué tu modelo necesita un experimento que lo calibre
- Medir sin cookies: zero-click, resúmenes de IA y Ley 21.719