A publicidade personalizada funciona tão bem quanto as empresas de tecnologia afirmam?

¿La publicidad personalizada funciona tan bien como afirman las empresas de tecnología?

Si no tiene cuidado, terminará “adquiriendo” a los clientes existentes.

Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.


Resumen.

Muchas grandes empresas tecnológicas han creado plataformas que ofrecen consejos y herramientas y servicios a las empresas para dirigirse mejor a sus clientes en línea. Estos pueden ser útiles, pero cualquier persona que confíe en ellos debe tener mucho cuidado. Esto se debe a que muchas de las afirmaciones de estas empresas sobre cómo medir la efectividad de la publicidad son incorrectas.


Varias empresas tecnológicas importantes han creado recientemente plataformas que pretenden educar a las empresas sobre la mejor manera de promocionarse a sí mismas y a sus productos en línea. Los ejemplos incluyen Meta para empresas (anteriormente Facebook for Business; «Obtén orientación paso a paso, información de la industria y herramientas para realizar un seguimiento de tu progreso, todo en un solo lugar»), Piensa con Google («Lleve su marketing más allá con Google») y Twitter para empresas («Haz crecer tu negocio con anuncios de Twitter»).

Estos sitios son muy atractivos. Proporcionan a las pequeñas y medianas empresas una gran cantidad de información realmente útil sobre cómo hacer negocios en línea y, por supuesto, ofrecen una variedad de herramientas y servicios publicitarios diseñados para ayudar a esas empresas a aumentar su rendimiento.

Todos estos sitios tienen el mismo objetivo básico. Quieren que entiendas sus herramientas y servicios como poderosos y altamente personalizados, y quieren que inviertas tu dinero en marketing en ellos.

No es tan simple como parece

Facebook es quizás la más insistente de las tres empresas citadas anteriormente. En las últimas semanas, la compañía ha estado transmitiendo anuncios que cuentan todo tipo de historias inspiradoras sobre las pequeñas empresas a las que ha ayudado con sus nuevos servicios. Quizás hayas visto algunos de estos anuncios en aeropuertos, revistas o sitios web. My Jolie Candle, fabricante de velas francés, «encuentra hasta el 80% de sus clientes europeos a través de las plataformas de Facebook». Chicatella, una empresa de cosméticos eslovena, «atribuye hasta el 80% de sus ventas a las aplicaciones y servicios de Facebook». Mami Poppins, un proveedor alemán de artículos para bebés, «utiliza los anuncios de Facebook para aumentar hasta la mitad de sus ingresos».

Eso suena impresionante, pero ¿deberían las empresas esperar realmente efectos tan grandes de la publicidad? El hecho es que cuando Facebook, Google, Twitter y otras grandes empresas de tecnología «educan» a las pequeñas empresas sobre sus servicios, a menudo fomentan conclusiones incorrectas sobre los efectos causales de la publicidad.

Consideremos el caso de un cliente consultor nuestro, una empresa europea de bienes de consumo que durante muchos años ha posicionado su marca en torno a la sostenibilidad. La empresa quería explorar si un anuncio en línea que hace una afirmación sobre la conveniencia podría ser más efectivo que uno que hace una afirmación sobre la sostenibilidad. Con la ayuda de Facebook for Business, realizó una prueba A/B de los dos anuncios y luego comparó el retorno de la inversión publicitaria entre las dos condiciones. El rendimiento, según la prueba, fue mucho mayor para el anuncio de sostenibilidad. Lo que significa que es en lo que la empresa debería invertir, ¿verdad?

En realidad, no lo sabemos.

Hay un problema fundamental con lo que Facebook está haciendo aquí: las pruebas que ofrece bajo el título «A/B» en realidad no son pruebas A/B en absoluto. Esto no lo entienden bien, incluso los especialistas en marketing digital con experiencia.

Entonces, ¿qué pasa realmente en estas pruebas? He aquí un ejemplo:

1) Facebook divide a una gran audiencia en dos grupos, pero no todos los miembros de los grupos recibirán un tratamiento. Es decir, muchas personas en realidad nunca verán un anuncio.

2) Facebook comienza a seleccionar personas de cada grupo y proporciona un tratamiento diferente según el grupo del que se tomó la muestra de la persona. Por ejemplo, una persona seleccionada del Grupo 1 recibirá un anuncio azul y una persona seleccionada del Grupo 2 recibirá un anuncio rojo.

3) Luego, Facebook utiliza algoritmos de aprendizaje automático para refinar su estrategia de selección. El algoritmo podría aprender, por ejemplo, que es más probable que las personas más jóvenes hagan clic en el anuncio rojo, por lo que comenzará a publicar ese anuncio más a los jóvenes.

¿Ves lo que pasa aquí? El algoritmo de aprendizaje automático que utiliza Facebook para optimizar la entrega de anuncios invalida el diseño de la prueba A/B.

Esto es lo que queremos decir. Las pruebas A/B se basan en la idea de asignación aleatoria. Pero, ¿las asignaciones realizadas en el Paso 3 anterior son aleatorias? No. Y eso tiene implicaciones importantes. Si compara a las personas tratadas del grupo 1 con las personas tratadas del grupo 2, ya no podrá sacar conclusiones sobre el efecto causal del tratamiento, porque las personas tratadas del grupo 1 ahora difieren de las personas tratadas del grupo 2 en más dimensiones que solo el tratamiento. Las personas tratadas del Grupo 2 que recibieron el anuncio rojo, por ejemplo, terminarían siendo más jóvenes que las personas tratadas del Grupo 1 a las que se les mostró el anuncio azul. Sea lo que sea esta prueba, no es una prueba A/B.

No es solo Facebook. El sitio Think with Google sugiere que las métricas similares al ROI son causal, cuando en realidad no son más que asociativo.

Imagine que una empresa quiere saber si una campaña publicitaria es eficaz para aumentar las ventas. En respuesta a esta pregunta, el sitio sugiere, implica una combinación directa de tecnología básica y matemáticas simples.

En primer lugar, configuras el seguimiento de conversiones para tu sitio web. Esto le permite realizar un seguimiento de si los clientes que hicieron clic en un anuncio realizaron una compra. En segundo lugar, calcula los ingresos totales de estos clientes y los divide entre (o resta) sus gastos publicitarios. Ese es el retorno de la inversión, y según Google, es «la medida más importante para los minoristas porque muestra el efecto real que Google Ads tiene en tu negocio».

En realidad, no lo es. El análisis de Google es erróneo porque carece de un punto de comparación. Para realmente saber si la publicidad está generando beneficios para su negocio, tendría que saber qué ingresos habrían sido en ausencia de publicidad.

Twitter for Business ofrece una propuesta más involucrada.

En primer lugar, Twitter trabaja con un agente de datos para obtener acceso a cookies, correos electrónicos y otra información de identificación de los clientes de una marca. Luego, Twitter agrega información sobre cómo estos clientes se relacionan con la marca en Twitter, ya sea que hagan clic en los tweets promocionados de la marca, por ejemplo. Supuestamente, esto permite a los analistas de marketing comparar los ingresos promedio de los clientes que interactuaron con la marca con los ingresos promedio de los clientes que no lo hicieron. Si la diferencia es lo suficientemente grande, según la teoría, justifica el gasto en publicidad.

Este análisis es comparativo, pero solo en el sentido de comparar manzanas y naranjas. Las personas que compran cosméticos con regularidad no los compran porque ven tweets promocionados. Ven tweets promocionados de cosméticos porque compran cosméticos con regularidad. En otras palabras, los clientes que ven tweets promocionados de una marca son personas muy diferentes de las que no los ven.

Confusión causal

Las empresas pueden responder dos tipos de preguntas con datos: pueden responder a preguntas de predicción (como en «¿Comprará este cliente?») y preguntas de inferencia causal (como «¿Este anuncio hará que este cliente compre?»). Estas preguntas son diferentes pero se combinan fácilmente. Responder a las preguntas de inferencia causal requiere hacer comparaciones contrafácticas (como en «¿Habría comprado este cliente sin este anuncio?»). Los algoritmos inteligentes y las herramientas digitales creadas por las grandes empresas tecnológicas a menudo presentan comparaciones de manzanas a naranjas para respaldar las inferencias causales.

Las grandes tecnologías deben ser conscientes de la distinción entre predicción e inferencia causal y lo importante que es para la asignación efectiva de recursos; después de todo, durante años han contratado a algunas de las personas más inteligentes del planeta. Dirigirse a los posibles compradores con anuncios es un problema de predicción pura. No requiere inferencia causal y es fácil de hacer con los datos y algoritmos actuales. Persuadir a la gente para que compre es mucho más difícil.

Las grandes empresas de tecnología deben ser elogiadas por los útiles materiales y herramientas que ponen a disposición de la comunidad empresarial, pero las pequeñas y medianas empresas deben ser conscientes de que las plataformas de publicidad persiguen sus propios intereses cuando ofrecen capacitación e información, y que estos intereses pueden o no alinearse con los de las pequeñas empresas.

Nota del editor(12/16): Se ha actualizado el título de esta pieza.


Eleva tus habilidades de liderazgo y negocios

Súmate a más de 52,000 líderes en 90 empresas mejorando habilidades de estrategia, gestión y negocios.