Índice de contenidos
Un director de performance marketing de una firma de moda online se pasó tres años presumiendo de un ROAS de 8x en Meta. Cuando su empresa, presionada por un fondo que quería auditar la eficiencia real del gasto, encargó un test de incrementalidad geográfico, la cifra real de retorno incremental apareció en algún punto entre 2,3x y 2,8x. El resto era demanda que iba a ocurrir de todos modos: gente que ya tenía la marca en el carrito mental, que buscaba el nombre en Google, que llegaba por email o simplemente compraba porque ya era clienta. Esa historia, con variaciones, se repite en decenas de comités de dirección desde 2022. Y explica mejor que cualquier informe de tendencias por qué la incrementalidad ha dejado de ser un capricho de analistas cuantitativos para convertirse en la pregunta que hace el CFO en la reunión trimestral.
Durante casi una década, el marketing digital construyó su prestigio sobre una promesa que sonaba científica: todo se puede medir, todo se puede atribuir, cada euro tiene un destino trazable. Los píxeles, las cookies de terceros y los modelos de atribución multitáctil dieron una sensación de control que resultó, en gran medida, ilusoria. Lo que esos sistemas medían no era causalidad, sino correlación disfrazada de precisión. Y la diferencia entre ambas cosas es, sencillamente, todo el negocio.
Cuando el ROAS miente y nadie se atreve a decirlo
La atribución basada en último clic, o incluso la multitáctil ponderada, parte de un defecto de diseño que rara vez se discute en las reuniones de presupuesto: asume que si un usuario vio un anuncio y luego compró, el anuncio causó la compra. No la acompañó, no coincidió con ella: la causó. Esa asunción funciona razonablemente bien en categorías de compra impulsiva y ciclos cortos, pero se rompe con estrépito en marcas con alta notoriedad, en retail con tráfico de marca fuerte o en cualquier negocio donde exista lo que los economistas llaman demanda orgánica latente.
El resultado práctico es que las plataformas publicitarias —Google, Meta, TikTok— tienen un incentivo estructural para inflar el mérito atribuido a sus propios canales. No hace falta imaginar mala fe: basta con que el sistema de medición esté diseñado por quien se beneficia de sus conclusiones. Un estudio de Nico Neumann y colegas, publicado originalmente en Journal of Marketing Research y ampliamente citado desde entonces, mostró que los datos de Facebook Ads Manager sobrestimaban el efecto incremental de las campañas hasta en un 35 % respecto a experimentos aleatorizados controlados. No es un matiz. Es la diferencia entre una campaña rentable y una que quema presupuesto disfrazada de éxito.
Las marcas que llevan años invirtiendo en digital sin cuestionar esta lógica no son ingenuas: simplemente no tenían, hasta hace poco, una alternativa operativamente viable. Montar un experimento aleatorizado con rigor estadístico exige recursos, paciencia y una cultura de datos que muchas organizaciones de marketing no tenían ni tienen. Eso está cambiando, y no por generosidad de las plataformas, sino porque el terreno se ha vuelto más hostil para seguir mirando hacia otro lado.
Geo-experiments, holdouts y el problema de medir lo que no existe
La incrementalidad se mide, en esencia, comparando lo que pasó con lo que habría pasado si no se hubiera hecho la campaña. El problema es evidente: ese segundo escenario no existe. Nadie puede observar simultáneamente un mundo con inversión publicitaria y otro sin ella para el mismo grupo de personas en el mismo momento. La solución técnica pasa por construir un contrafactual razonable, y ahí es donde entran los distintos diseños experimentales que hoy dominan la conversación entre analistas senior.
El más extendido en marcas con presencia física o digital segmentable geográficamente es el geo-experiment: se divide el territorio en zonas de tratamiento y zonas de control, se sube o se corta la inversión en unas y se mantiene estable en otras, y se compara la evolución de ventas o conversiones entre ambos grupos usando modelos de series temporales o control sintético. Google popularizó esta metodología con su herramienta interna de geo-testing, y compañías como HelloFresh, Uber o Booking.com la han usado públicamente para calibrar su gasto en canales de pago.
Existe también el holdout tradicional a nivel de usuario, habitual en email marketing y en plataformas con capacidad de exclusión aleatoria de audiencias, donde se retiene deliberadamente a un porcentaje de usuarios elegibles de recibir un anuncio o comunicación para comparar su comportamiento con el grupo expuesto. Y están los PSA o ghost ads, en los que el grupo de control recibe un anuncio irrelevante en lugar de ningún anuncio, evitando así sesgos de plataforma en la subasta. Meta y Google ofrecen variantes de esta técnica bajo nombres como Conversion Lift o Brand Lift, aunque conviene tratarlas con cierto escepticismo metodológico, dado que quien diseña la prueba es también quien tiene interés en su resultado.
Un caso que cambió el presupuesto de una marca de suplementos deportivos
Una compañía española de suplementación deportiva —el tipo de negocio con margen ajustado y dependencia casi total del canal digital— llevaba invirtiendo cerca de 40.000 euros mensuales en Meta con un ROAS reportado de 5,4x. Al implementar un geo-holdout durante ocho semanas, dividiendo el país en dieciséis clusters comparables por historial de ventas, descubrieron que el ROAS incremental real rondaba el 1,9x en las zonas de mayor penetración de marca y el 4,1x en zonas donde la marca era prácticamente desconocida. La conclusión operativa fue contraintuitiva respecto al instinto habitual: en lugar de recortar toda la inversión, reasignaron presupuesto desde las regiones de alta notoriedad —donde la publicidad estaba pagando por gente que iba a comprar igualmente— hacia zonas de baja penetración, con un incremento neto de ingresos incrementales del 22 % sin aumentar el gasto total. Ese tipo de decisión solo es posible cuando se separa lo que el marketing genera de lo que simplemente acompaña.
iOS 14.5, la caída de las cookies y por qué el atribution modeling ya no convence a nadie
El colapso de la medición tradicional no es solo un problema metodológico: es también un problema de infraestructura. La actualización de App Tracking Transparency de Apple en abril de 2021 y la desaparición progresiva de las cookies de terceros en Chrome —retrasada varias veces, pero cada vez más consolidada como tendencia irreversible del ecosistema— han dejado a los modelos de atribución multitáctil operando con una fracción de los datos con los que contaban hace cinco años. Meta reconoció en su momento pérdidas de precisión de medición de hasta el 15 % en ingresos publicitarios directamente atribuibles a estos cambios de privacidad.
Ante esa degradación de la señal, las plataformas respondieron con modelos probabilísticos, aprendizaje automático y atribución basada en modelado en lugar de tracking determinista. La promesa es razonable sobre el papel. En la práctica, sustituye un problema de sesgo por otro de opacidad: ahora ni siquiera se puede auditar la lógica interna del modelo que decide a qué anuncio atribuir una conversión. Es un salto de la fe medible a la fe algorítmica, y las organizaciones que dependen de justificar presupuestos ante finanzas no pueden permitirse ese salto sin más.
Aquí conviene introducir un matiz que no suele gustar en los paneles de marketing digital: la incrementalidad no es la panacea que algunos consultores venden como sustituto total de la atribución. Es una herramienta de calibración periódica, no un sistema de medición en tiempo real. Un test de incrementalidad bien diseñado tarda semanas, requiere volumen suficiente para tener potencia estadística y no sirve para optimizar campaña a campaña ni creativo a creativo. Quien prometa incrementalidad en tiempo real, campaña por campaña, está vendiendo una versión edulcorada de la estadística. Lo honesto es reconocer que la incrementalidad responde preguntas de asignación de presupuesto a nivel de canal, mercado o audiencia amplia, mientras que la optimización táctica diaria seguirá necesitando proxies imperfectos como el ROAS de plataforma, con todas sus limitaciones conocidas.
Google, Meta y la paradoja de vender la solución al problema que crearon
Resulta llamativo que las mismas plataformas cuya medición ha sido cuestionada por sesgada sean hoy quienes más herramientas de incrementalidad ofrecen a sus anunciantes. Google Ads incluye Conversion Lift Studies. Meta tiene su suite de Brand Lift y Conversion Lift. TikTok ha lanzado versiones propias tras la presión de anunciantes grandes que exigían pruebas de causalidad antes de escalar presupuesto. La lectura ingenua es que las plataformas han entendido que la transparencia genera confianza a largo plazo. La lectura menos cómoda, pero probablemente más ajustada a la realidad, es que ofrecer herramientas de incrementalidad diseñadas y controladas por la propia plataforma es una forma elegante de seguir controlando la narrativa sin cederle el terreno a terceros independientes.
No se trata de descartar estas herramientas —tienen mérito técnico y en muchos casos han mejorado sustancialmente respecto a la atribución de último clic—, sino de entender el incentivo. Ninguna plataforma va a diseñar voluntariamente un experimento que sistemáticamente concluya que su canal aporta menos valor del que factura. Por eso las consultoras y equipos de datos más avanzados prefieren cada vez más experimentos gestionados de forma independiente, con partición aleatoria controlada por la propia marca y análisis estadístico externo, aunque eso suponga más fricción operativa y más coste inicial.
| Método | Nivel de control | Coste operativo | Mejor caso de uso |
| Geo-holdout independiente | Alto | Medio-alto | Marcas con presencia geográfica diferenciada |
| Ghost ads / PSA de plataforma | Medio | Bajo | Test rápido dentro de un solo canal |
| User-level holdout (CRM/email) | Alto | Bajo-medio | Bases propias con identificador estable |
| Modelado de mix de medios (MMM) | Medio | Alto | Visión agregada multicanal a largo plazo |
Esta es una de las dos únicas listas estructuradas que se permite este artículo, y se justifica porque comparar metodologías en prosa continua habría diluido la utilidad práctica de la comparación.
¿Cuánto cuesta no saber si tu marketing funciona?
Hay una cifra que circula desde hace años en foros de medición y que Nielsen ha respaldado en varios informes: entre el 60 % y el 70 % del retorno reportado por atribución digital tradicional no es incremental, sino desplazamiento de demanda ya existente hacia el canal más fácil de medir. Aplicado a un anunciante mediano que invierte 500.000 euros anuales en medios digitales, eso significa que entre 300.000 y 350.000 euros podrían estar financiando conversiones que iban a producirse sin esa inversión. No es dinero perdido en sentido estricto —parte de esa inversión probablemente contribuye a construir marca a largo plazo, algo que la incrementalidad de corto plazo tampoco captura bien—, pero sí es dinero mal explicado, y el dinero mal explicado acaba, tarde o temprano, generando recortes indiscriminados cuando llega una crisis de presupuesto.
Ese es, probablemente, el argumento más sólido a favor del auge actual de estas pruebas: no nace de un afán purista de rigor científico, sino de la necesidad de proteger presupuestos de marketing frente a directores financieros cada vez más escépticos. Cuando un CFO pregunta «¿qué pasaría si cortamos el 20 % del gasto en Meta?» y el equipo de marketing solo puede responder con proyecciones basadas en atribución de plataforma, la conversación se pierde de antemano. Cuando ese mismo equipo puede responder con un experimento real que muestra la elasticidad exacta del canal frente a recortes de inversión, la conversación cambia de naturaleza por completo: deja de ser una negociación de creencias y se convierte en una discusión de datos.
El lado incómodo de la incrementalidad: no todo el mundo quiere la verdad
Aquí llega el matiz que suele incomodar en las presentaciones internas. La incrementalidad no siempre gusta, y no siempre gusta precisamente a quienes deberían defenderla con más entusiasmo. Un responsable de paid media cuyo bonus depende de un ROAS reportado tiene un incentivo personal directo para que nadie cuestione ese ROAS. Introducir un test de incrementalidad que revela que la mitad de esa cifra era ruido estadístico no solo cambia el presupuesto: cambia también cómo se evalúa el desempeño de las personas responsables de gestionarlo. Eso genera una resistencia organizativa real, silenciosa pero potente, que rara vez se menciona en los artículos que celebran la incrementalidad como la nueva frontera de la medición.
La consecuencia práctica es que muchas implementaciones de pruebas de incrementalidad fracasan no por limitaciones técnicas, sino por sabotaje pasivo interno: diseños mal ejecutados a propósito, ventanas de test demasiado cortas para tener potencia estadística suficiente, o interpretaciones selectivas de resultados ambiguos. Cualquier organización que quiera adoptar en serio esta disciplina necesita, antes que herramientas, un cambio en cómo se incentiva a los equipos de performance: pasar de premiar el ROAS reportado a premiar el crecimiento incremental de ingresos, aunque esa cifra sea, casi siempre, más modesta y menos vistosa en una diapositiva.
Dicho esto, conviene templar el entusiasmo generalizado. No todas las categorías necesitan el mismo nivel de rigor experimental. Un negocio D2C pequeño, con presupuesto de 5.000 euros mensuales y sin volumen suficiente para alcanzar significación estadística en un geo-test razonable, probablemente pierde más tiempo y dinero montando experimentos sofisticados que simplemente usándolos mal. La incrementalidad es una disciplina de escala: aporta más valor cuanto mayor es el presupuesto en juego y cuanto más madura es la organización que la implementa. Venderla como imprescindible para cualquier anunciante, sin matizar ese umbral, es otra forma de marketing engañoso, esta vez dirigido a quienes venden servicios de medición.
Dónde encaja esto en el mix de medición que viene
El futuro razonable no pasa por sustituir la atribución digital por incrementalidad pura, sino por integrar ambas dentro de marcos de medición híbridos que ya empiezan a consolidarse en organizaciones con equipos de datos maduros. El modelado econométrico de mix de medios, conocido como MMM, recupera protagonismo precisamente porque no depende de tracking a nivel de usuario y puede incorporar variables macro —estacionalidad, competencia, condiciones económicas— que la atribución digital ignora por completo. Empresas como Uber, Airbnb o Spotify combinan hoy MMM a nivel agregado con experimentos de incrementalidad puntuales que calibran y validan las conclusiones del modelo, en lo que en la industria se ha empezado a llamar medición unificada o unified measurement.
Ese enfoque combinado tiene sentido porque cada metodología cubre los puntos ciegos de la otra. El MMM captura efectos de largo plazo y de marca que un experimento de ocho semanas no puede observar. La incrementalidad experimental aporta causalidad limpia allí donde el MMM solo puede inferir correlaciones ajustadas estadísticamente. Ninguna de las dos, por separado, ofrece una imagen completa. Juntas, sí ofrecen algo parecido a un mapa razonablemente fiable de dónde funciona realmente el dinero invertido.
Lo que probablemente no sobrevivirá los próximos años es la atribución multitáctil tal y como se conoce hoy: un remedio diseñado para un ecosistema de cookies de terceros que ya no existe, sostenido más por inercia organizativa y por la comodidad de los dashboards existentes que por su validez metodológica real. Las agencias y consultoras que sigan vendiendo dashboards de atribución como si fueran la verdad definitiva sobre el rendimiento de marketing se van a encontrar, cada vez con más frecuencia, con clientes que ya han hecho su propio experimento de incrementalidad y saben, con datos en la mano, que esa verdad es parcial.
Queda una pregunta abierta que ninguna metodología resuelve del todo: si la incrementalidad exige presupuesto, tiempo y madurez organizativa para hacerse bien, ¿qué va a pasar con el resto del mercado —la inmensa mayoría de anunciantes pequeños y medianos que nunca podrán permitirse un geo-experiment con potencia estadística real— cuando las plataformas dejen de tener ningún incentivo para seguir refinando la atribución tradicional que hoy, con todos sus defectos, sigue siendo lo único que tienen a su alcance?