Tradicionalmente, los especialistas en marketing calculan el ROI de una inversión de marketing midiendo cuánto aumentaron las ventas en el período posterior. Esta es una medida contundente: tal vez el consumidor tuvo una interacción diferente con la marca que los influenció. O tal vez tenían una preferencia intrínseca por la marca y hubieran hecho una compra de todos modos.
Hoy la situación ha cambiado. Los profesionales del marketing tienen acceso a datos que les permiten rastrear las diversas interacciones de los individuos con una marca antes de comprarlos, y comprender mejor qué papel jugó cada interacción, y las preferencias individuales, en la venta final.
Este enfoque, llamado " modelo de atribución ", permite a las empresas atribuir el crédito apropiado a cada contacto en línea y fuera de línea y punto de contacto en el ciclo de compra de un cliente, y comprender su rol en los ingresos que finalmente resultan. Un buen modelo de atribución debe mostrar, por ejemplo, qué anuncios o palabras clave de búsqueda están más asociados a las compras reales.
Desarrollar un modelo de atribución es un proceso gradual. No puedes llegar a todos a la vez. Hay cuatro etapas clave en el viaje:
Etapa 1: prepare sus datos
No puede tener ningún tipo de modelo de atribución sin datos sobre puntos de contacto y resultados. Muchas empresas recopilan estos datos, pero a menudo los almacenan en diferentes bases de datos y en formas que dificultan la comparación. Una vez que las empresas pueden acceder y analizar datos sobre puntos de contacto y compras, pueden detectar patrones y están listos para aplicar modelos de atribución simples. Esto implica aplicar reglas generales, como "dar todo el crédito al último punto de interacción" o "dar el mismo crédito a todos los puntos de interacción con el cliente antes de realizar una compra".
Pueden parecer simplistas, pero incluso los modelos simples basados en reglas pueden ofrecer resultados inmediatos. Este fue el caso en una compañía que asesoramos recientemente. Solo después de considerables esfuerzos para obtener datos para cada punto de contacto alineados en un repositorio, la empresa podría comenzar a descubrir reglas sensatas para orientar las inversiones en marketing. Comenzó simplemente asignando recursos a cada punto de contacto como una función directa de su ROI marginal. Incluso este enfoque bastante rudo y listo mejoró notablemente el ROI de marketing general de la compañía.
Etapa 2: Experimento
A medida que los gerentes se sienten más cómodos con un modelo basado en reglas, pueden comenzar a realizar experimentos para ajustar las reglas de atribución. Lo más importante, puede comenzar a evaluar el grado en que un punto de contacto dado depende de otros puntos de contacto; podría, por ejemplo, probar el rol de una herramienta de búsqueda en el ciclo de un cliente activando o desactivando la publicidad gráfica. Esto permite a los gerentes identificar clusters de puntos de contacto que, individualmente, parecen menos poderosos pero que, en conjunto, aportan más fuerza que simplemente se centran en aquellos que se ven individualmente más fuertes.
Una compañía de seguros que entrevistamos realizó varios experimentos regionales para evaluar la sinergia de la televisión, la búsqueda orgánica y los anuncios gráficos. La compañía varió la exposición de sus consumidores a los anuncios de televisión en las diferentes regiones a las que prestaron servicios. Descubrieron que las visitas orgánicas al sitio web y el clic de anuncios publicitarios aumentaron desproporcionadamente en una región cuando los consumidores también estaban expuestos a anuncios de televisión. Este experimento motivó a la firma a comenzar a coordinar mejor sus campañas de marketing a través de los canales de medios.
Etapa 3: aplicar modelos estadísticos
Las empresas que tienen experiencia en la identificación y prueba de patrones simples que surgen de los datos pronto estarán listos para probar modelos de atribución más sofisticados, por lo general con análisis de regresión multivariante, tal vez incluso empleando la estimación bayesiana. Estos modelos ofrecen fórmulas que permiten a los profesionales del marketing determinar con confianza en qué puntos de contacto invertir, la sinergia obtenida de las múltiples exposiciones de los consumidores a los mismos medios a lo largo del tiempo y cuánto poner en relación entre sí. Es importante destacar que estos modelos explican y predicen. Si bien no son modelos predictivos perfectos, por supuesto, seguir las atribuciones determinadas por el modelo generará, como ocurre con la aplicación inicial de reglas simples, una mejora en el ROI.
Un minorista con el que trabajamos utilizó el análisis de regresión multivariante y la estimación bayesiana para comprender el efecto de la exposición repetida de los consumidores a sus comunicaciones fuera de línea. Los análisis mostraron que el minorista necesitaba comunicarse en todos los canales, pero podía disminuir la tasa de comunicaciones durante los tres meses posteriores al primer toque, en lugar de mantener un flujo constante de mensajes. Actuar sobre este hallazgo aumentó el retorno de la inversión de sus comunicaciones fuera de línea en al menos un 10%.
Etapa 4: ampliar el alcance del análisis
Hasta ahora, el especialista en marketing ha estado atribuyendo únicamente el análisis del recorrido de compra del cliente: cómo la empresa ha tocado al cliente desde el inicio del ciclo de compra hasta su conclusión. Pero las elecciones de un cliente también están fuertemente determinadas por las experiencias que tienen lugar fuera de ese viaje, tanto en términos de tiempo como en términos de con quién el cliente realmente está interactuando.
Para medir los efectos de las interacciones fuera de tiempo o las interacciones con otras partes, las empresas pueden recurrir a las criaturas más elegantes en el bestiario de las metodologías estadísticas. Los modelos de Panel-autoregresión (Panel VAR), por ejemplo, pueden usarse para modelar el efecto de la publicidad televisiva de una compañía en el período actual sobre la efectividad de otros canales de medios (p. Ej., Clic de búsqueda pagada) en períodos futuros. . Por supuesto, estos modelos estadísticos se pueden combinar con experimentos posteriores para probar las recomendaciones de los modelos estadísticos en el campo.
Una empresa de software a la que asesoramos desarrolló dicho modelo estadístico y lo mejoró en iteraciones para comprender las reglas de atribución sin conexión (como TV y radio) y medios digitales (búsqueda con marca y sin marca, visualización, etc.). Si bien una regla de "último punto de interacción" habría otorgado todo el crédito a la búsqueda de marca de esta empresa, un modelo estadístico avanzado como un VAR de panel mostró con precisión que los anuncios de televisión de la empresa aumentaron los clics que surgieron de la búsqueda de marca. Después de este análisis, la compañía de hecho aumentó su inversión en TV en lugar de disminuirla. La implementación de esta nueva estrategia condujo a una mejora sustancial en el ROI total de marketing para esta empresa.
Lidiar con la complejidad es una necesidad ineludible para los especialistas en marketing de hoy en día. Tomar decisiones informadas y avanzadas sobre los medios y las asignaciones de canales en un entorno empresarial multicanal y tecnológico es una tarea exigente de todos los estándares. El modelado de atribución es quizás la mejor herramienta de navegación para las empresas que negocian entornos complejos de causa y efecto, pero su uso requiere la voluntad de desarrollar las capacidades adecuadas a lo largo del tiempo. Y recuerda que debes aprender a caminar antes de correr.
Fuente: Werner Reinartz , profesor de Marketing de la Universidad de Colonia
