Tu modelo de atribución puede estar mal. Muy mal.

Realmente para los publicistas y para todas las personas que tengan algo que ver con marketing, el sistema predeterminado de medición de atribución de resultados de medios online es definitivamente el mayor freno para poder lograr un análisis claro, bien definido y -muy por encima de todo- veraz sobre las iniciativas que están llevando acabo en entornos digitales. Para poder explicar con claridad mi punto, creo que lo ideal es partir de la definición de atribución, su rol en medición, y las distintas formas de hacerla.

¿Qué es la atribución en publicidad?
Es lo que nos permite en teoría entender, de todos nuestros esfuerzos de comunicación, cual generó qué resultado, en qué momento, a qué costo y con qué retorno; es decir, a qué esfuerzo se le atribuye cada venta. Conecta un esfuerzo con una transacción, las agrupa, y nos ayuda a entender qué aportó cuánto, cuándo y en qué parte del journey. La atribución es muy probablemente la subdisciplina de la medición publicitaria de la que más vamos a oír hablar en 2020 y 2021.

¿Cuál es el problema?
Verán, cuando uno hace revisión de su herramienta de Google Analytics (o de Adobe, o cualquier otra), la configuración predeterminada de modelo se llama last click o last touch. En la información que aparece según este modelo que dice “de tal lugar vinieron tantos clics” sólo mide eso precisamente: medición monopunto donde sólo cuenta ese clic, esa acción única. Y eso representa un problema en un mundo en el que en promedio se necesitan como mínimo de 7 a 8 puntos de contacto para llevar al consumidor hasta donde siquiera considera hacer clic. Y se vuelve peor aún en algunas categorías como la de banca y servicios financieros donde fácilmente se ven 15 puntos de contacto previos a la acción.

El problema entonces radica justo ahí: ¿por qué pensamos que vale la pena evaluar usando medición monopunto en vez de medir multipuntos, y por qué sólo la impresión/impacto publicitario que sucedió inmediatamente antes del clic e ignorar entre el 87% y el 94% de todos los puntos de contacto previos al clic -y particularmente el 1er punto de contacto en el caso de los visitantes nuevos-? ¿Acaso podemos asegurar que ESE por sí solo -y sin depender en ninguna forma de todos los anteriores- hubiese generado el mismo resultado de haber sido el único mostrado?

¿Cómo lo resuelvo?
Sin el más mínimo lugar a dudas, la mejor forma es medir según lo que la propia data indique. Este modelo en el que uno no establece un patrón sino que permite que las plataformas autoidentifiquen cuáles rutas de conversión suceden con más frecuencia se llama data driven, y -cuando está bien configurado- muchos lo consideramos el santo grial de la medición y la microatribución. Entonces resulta sencillísimo, seleccionemos ese y listo, ¿no? Pues no tan rápido. El usar Google Analytics 360 por ejemplo es un proyecto que sólo en licencia anual de herramienta ronda los $100,000 USD, más lo que cueste el proceso consultivo, de planeación y de implementación.

Entonces, entendiendo que para muchos el modelo data driven está fuera de alcance, es natural pensar en utilizar otros que, si bien no cuentan con el nivel de detalle y claridad del data driven, permiten un análisis mucho más claro del que se podría alcanzar con last click. Siendo así, quedamos con las opciones de modelos de atribución más comunes: el lineal, el time decay, y el ponderado. Entendamos entonces qué implica cada uno.

LINEAL: probablemente el más sencillo de entender. Cada acción vale lo mismo. Si hubo 4 puntos de contacto, cada uno vale 25%. Si hubo 10, cada uno vale 10%. Si hubo 5, cada uno vale 20%. Es evidente que no todos los impactos en todos los medios tienen el mismo resultado ni llevan la misma relevancia, por lo que no resulta complejo entender las falencias de este método; sin embargo, cualquier método -hasta este!- resulta mejor que medir monopunto last click. Por tanto, si fuera la única opción para salir de last click, aún así recomendaría usarlo.

PONDERADO: es donde se le asigna a cada punto un valor promedio, dividiéndose normalmente de modo tal que se le da más valor a los puntos inicial y final. Suele darse en modelo U (valen más punto incial y final -un 30-40% cada uno- y el resto se divide entre los puntos intermedios) o menos frecuentemente modelo W (en el que existen 3 puntos altos -inicial, medio y final- con uno 20-25% de ponderación cada uno, asumiendo que el punto intermedio que acelera la fase de consideración vale tanto como los puntos inicial y final). Normalmente, este modelo requiere de una planificación más larga por lo que exige a nivel de data para entender bien cómo dividir la ponderación según la cantidad promedio de puntos de contacto.

TIME DECAY: va asignándole dinámicamente más porcentaje de relevancia a los contactos más cercanos a la conversión. Esto, pensando en la importancia de llevar a la conversión y los tamaños de audiencia en las etapas más upper funnel, puede parecer como uno de los que más sentido hace aplicar en principio.

Entonces, ¿qué modelo de atribución utilizar? Seguramente la respuesta más responsable es el clásico y nunca bien recibido “depende” seguido de una larga explicación, pero como en esto también entra la opinión de quien recomienda, me tomo la libertad de decir a priori que, ante la duda, time decay. Para mi, el tema del peso del punto de contacto relativo a la representatividad de ese resultado en el tamaño de la audiencia hace muy difícil justificar y recomendar otro modelo como punto de partida.

En fin, lo importante es entender que en pleno 2020, más allá de entrar en la discusión de elegir algún método específico, es SALIR DE LAST CLICK así sea usando lineal para dejar de tomar decisiones basados en sólo *uno* de los contactos que tiene nuestra publicidad con la audiencia mientras botamos a la basura toda la data generada por el resto de los impactos.