Cómo armar el rompecabezas de las mediciones
¿Recuerdas que la medición en nuestros días y época se trata de la mentalidad correcta? Pero, incluso si nos enfrentamos a esta nueva realidad con una actitud positiva y con la plena intención de aprovecharla al máximo, trabajar con tantas fuentes de datos para evaluar nuestro desempeño hace que las cosas sean cada vez más complejas.
La publicación de hoy trata sobre cómo comprender el valor específico (y las limitaciones) de cada fuente de datos y cómo aprovechar al máximo todo en paralelo: Desde la unión de las piezas, hasta la lectura del SKAN vs. otros datos de último toque, y las formas de incluir metodologías de arriba hacia abajo como la incrementalidad y el MMM.
En otras palabras, vamos a desglosar la medición de abajo hacia arriba frente a la de arriba hacia abajo, analizaremos los pros y los contras de la medición del último clic frente a la medición del impacto y cómo puede aprovechar al máximo ambas.
Cómo entender las distintas fuentes de datos de último clic
SKAN, conversiones autoinformadas de redes, servicios publicitarios, deep links de medios propios y sus cohortes consentidas: todas son metodologías ascendentes de último clic. En algunos casos, solo obtienes uno, y en otros puedes tener varios al mismo tiempo.
Entonces, ¿cómo interpretas los datos provenientes de estas fuentes de datos de último clic?
Primero, comprende para qué caso específico se aplica cada metodología y qué nivel de granularidad proporciona. Algunas fuentes brindan exhaustividad, como el número total de instalaciones y eventos, otras profundidades, incluyendo los datos de las creatividades y los eventos que tienen lugar después del primer día, lo que te ayuda a construir la curva de LTV.
Algunos incluso ofrecen ambos, pero no para todas las fuentes de tráfico. Profundicemos en los detalles:
1 – los datos de SKAN solo se aplican a las campañas de aplicación a aplicación, en forma agregada y sin detalles creativos.
Ten en cuenta que cuando se opera con volúmenes más pequeños o con muchos editores, los datos pueden ser parciales dada la probabilidad de permanecer por debajo del umbral de privacidad requerido, lo que producirá conversiones “nulas”.
2 – La mayoría de las redes publicitarias proporcionan conversiones autoinformadas, lo que permite a los especialistas en marketing interpretar los datos directamente desde su interfaz.
Dicho esto, ten en cuenta que muchos SRNs, incluyendo Meta y Google, incluyen el modelado de datos.
Eso significa que los números que observas se extrapolan de la conversión observada y lo que la red cree que pudo haber sucedido con más detalles. Sus diferentes metodologías significan que solo son válidos dentro del entorno de la red que los proporciona.
Definitivamente utiliza datos modelados para complementar otros datos, como la perspectiva imparcial proporcionada por tu MMP, pero recuerda que los intereses de la red y los tuyos pueden diferir a veces.
Recibe en tu bandeja de entrada las últimas noticias de marketing e insights de expertos
3 – Apple Ads API (Adservices) te brinda granularidad extendida hasta el nivel de palabra clave, lo que te permite analizar todos los eventos, así como una gran cantidad de información sobre LTV y retención en particular. Pero esto solo se aplica a Apple Search Ads y vive en un entorno separado de otros métodos.
4 – Los deep links también te brindan profundidad de granularidad cuando se trata de la medición de eventos, pero solo se aplican a casos específicos, como tus propios medios y web-to-app.
5 – La cohorte consentida : cuando el IDFA está disponible a través de la suscripción, es un arma de doble filo: los marketers pueden acceder a la granularidad en su totalidad (incluyendo los detalles de las creatividades y los eventos posteriores al día 1), pero solo para una fracción de su tráfico.
El mecanismo de suscripción doble, en el lado de los anunciantes y editores , hace que sea particularmente complicado para los especialistas en marketing evaluar su volumen total de conversión por un lado, mientras que por el otro, sirve como una herramienta extremadamente útil para poder medir la calidad del tráfico procedente de un editor específico.
Cuando discutas métricas dentro de tu equipo de marketing u otras partes interesadas dentro de tu organización, ¡asegúrate de estar hablando de lo mismo!
Comparar CPIs a través de Adservices vs SKAN no es una comparación de manzanas con manzanas (juego de palabras). Sus metodologías, por ejemplo, ventana de atribución diferente, umbrales de volumen, etc., son tan diferentes que no se pueden poner una al lado de la otra.
Expande tu perspectiva
En algunos casos, puedes obtener una mejor imagen de tu rendimiento real mediante el uso de varias fuentes en conjunto. Veamos el caso de una campaña Meta:
- Facebook te brinda métricas detalladas de interacción con los anuncios, que son útiles para comprender cómo interactúa tu audiencia con tus anuncios y si tus mensajes resuenan. Sin embargo, esto no te informa cómo tus usuarios se convierten más adelante en el embudo.
- Las conversiones autoinformadas brindan una idea aproximada de cómo se distribuyen las conversiones (incluso en el caso de las creatividades), pero están muy modeladas y es posible que desees evitar comparar redes entre sí.
- Los datos de SKAN disponibles en tu tablero unificado brindan una medida más comparable de diferentes fuentes, pero carecen de profundidad para las creatividades y los eventos que tienen lugar después del primer día.
- Al ser parcial por definición, tu cohorte consentida te informa menos sobre la cantidad y más sobre la calidad. Puedes interpretar el comportamiento de algunos usuarios con mucha más profundidad, como la retención del día 7.
Vista unificada
Este nuevo juego de medición es obviamente más complejo que lo que solía proporcionar el IDFA all-in-one, especialmente porque algunas fuentes pueden crear datos duplicados debido a metodologías conflictivas.
Por ejemplo, un usuario podría haber sido atribuido a un clic en una red social paga, pero luego dirigirse a la tienda en línea y Adservices lo contaría como una conversión de Apple Search Ads.
Una solución de Single Source of Truth (SSOT) resuelve el problema de los reportes de SKAN al marcar un registro de instalación no orgánico existente que se atribuye a través de SKAN.
Esto se hace mediante el uso de 1 bit de los valores de conversión de SKAN, que marca que existe una atribución y permite que tu MMP elimine las duplicaciones de tus instalaciones de SKAN y las instalaciones que ya ha atribuido tu MMP.
Incrementalidad y MMM: un complemento para el último toque
Cada metodología de atribución viene con su propio conjunto de compensaciones.
Los métodos de abajo hacia arriba, como el último toque, se utilizan ampliamente por su ventaja granular, pero es posible que no cuenten la historia completa.
Algunos canales están inherentemente más arriba en el embudo de reconocimiento y no generan tantas conversiones instantáneas. Otros están mucho más cerca del momento de decisión, o ubicados estratégicamente dentro de la tienda justo antes de una instalación.
Pero esto no es específico solo de las aplicaciones móviles. El mismo fenómeno existe en la web, donde Pinterest podría ayudar a aumentar la conciencia y la consideración desde el principio, mientras que a la Búsqueda se le atribuyen más conversiones de las que tendría por sí sola, debido a la naturaleza misma de la ubicación de los anuncios.
La incrementalidad y la Modelización de la Mezcla de Medios (MMM) brindan una perspectiva complementaria y de arriba hacia abajo para considerar sin tener que depender únicamente de los últimos clics (y las últimas impresiones, en el caso de que se reporte de vistas).
Ambos métodos utilizan modelos estadísticos complejos para estimar el impacto de los medios pagados, todo ello sin identificadores personales.
En el caso del MMM, los modelos probabilísticos complejos, basados en regresiones multivariadas, consideran grandes cantidades de datos históricos, que pueden incluir gastos publicitarios, impresiones e instalaciones y conversiones combinadas, para inferir qué está influyendo en el rendimiento del gasto en marketing.
Es más eficiente si las externalidades se incorporan a las fuentes de datos, como los principales cambios de los competidores, las características o incluso el clima en ese momento.
En algunos casos, el MMM puede descubrir redes que están infravaloradas solo por el último toque, o incluso que carecen de un último toque, como las campañas de TV.
Nada es perfecto y, entre los inconvenientes, podemos señalar que MMM solo proporciona una vista del canal como un todo.
En otras palabras, informa sobre el rendimiento a un nivel estratégico, por ejemplo, ¿este canal realmente ayuda a las ventas? — pero no operativamente, por lo que no sabría con detalles granulares en qué creatividad o incluso qué campaña iterar.
El MMM generalmente proporciona información durante un período de tiempo más largo, lo que lo hace más adecuado para un mayor nivel de toma de decisiones y planificación futura.
El MMM también requiere grandes cantidades de datos históricos para funcionar correctamente y no sería adecuado para casos como un nuevo lanzamiento o nuevas empresas más pequeñas.
La medición de incrementalidad, por otro lado, logra un objetivo relativamente similar a través de una metodología ligeramente diferente y supera algunas de las limitaciones de granularidad de MMM.
Se puede complementar con la atribución de último toque, así como con el registro de cambios detallados de una red, para extrapolar qué elementos han tenido un impacto positivo e incremental en las conversiones.
La incrementalidad ayuda a los marketers a comprender si una fuente en particular está canibalizando a otras al atraer una conversión de último toque o incluso orgánica.
En algunos casos, los proveedores de incrementalidad pueden tener en cuenta cambios más granulares que MMM, como un cambio en la entrega creativa, lo que brinda más información operativa a los operadores de canales.
Por otro lado, es posible que la medición de la incrementalidad no siempre pueda proporcionar conclusiones con un alto nivel de confianza, dependiendo de qué tan grande sea el impacto, qué externalidades consideró el modelo o las posibles coincidencias que ocurren al mismo tiempo, que son difícil de desenredar.
Algunos proveedores de incrementalidad tienden a considerar más datos comparativos, como mirar una región separada para establecer una comparación y medir la mejora real.
Sin embargo, no hagas esto en casa. La construcción de tu propio modelo estadístico de arriba hacia abajo solo es posible para equipos con amplios recursos y grandes cantidades de datos, lo que les permite alcanzar el nivel de complejidad necesario para poder construir tales modelos.
Ten en cuenta que con las nuevas limitaciones en torno a los datos de nivel de usuario, el interés en estos métodos se ha disparado en los últimos tiempos, ya que no dependen del IDFA ni de las cookies, y pueden medir actividades que no proporcionarían datos táctiles adecuados (por ejemplo, billboards, TV, publicidad de podcasts, etc.).
A cada objetivo, su propia arma – No dispares moscas con una bazuca
En un campo de batalla, no desplegarías la artillería, la caballería y la infantería exactamente de la misma manera mientras te enfrentas a diferentes oponentes. Es poco probable que una especialidad obtenga victorias consistentes en cada batalla.
De manera similar, no existe un único método de atribución que puedas proporcionar información completa con el fin de evaluar tu gasto publicitario.
Ni MMM ni la medición incremental reemplazarán la atribución de último toque. Están disponibles como herramientas complementarias para ayudarte a comprender tu desempeño.
Así como las diferentes metodologías de último toque te permiten responder diferentes preguntas, el MMM y la incrementalidad son otra arma en la cada vez más compleja caja de herramientas del marketer.
