Caso de cliente · Medición de la eficacia publicitaria
Cómo medimos el impacto de las campañas publicitarias en las ventas en tienda, para una tienda Intersport
Una campaña drive-to-store y un modelo Time-Based Regression aplicado a las ventas en caja
Resumen
El análisis establece que la publicidad generó un +18 % de ventas incrementales en las secciones destacadas.
Nivel de confianza alto · intervalo al 95 %: [ +3 % | +32 % ]
La comparación simple con el año anterior es algo ingenua: esconde muchos parámetros, la dinámica propia de la tienda de un año a otro, la evolución del surtido, el calendario comercial, los efectos ajenos a la campaña. Aislar la parte que corresponde a la publicidad exige un enfoque de data science.
Es lo que permite este tipo de análisis. Una vez implantada la base, sirve para decidir las inversiones y responder a las preguntas que la tienda se hace de verdad: si un descuento del 30 % sale ganador, si hay que subir el presupuesto de un canal, si una acción comercial vale lo que cuesta.
Así lo hicimos
1Situación y alcance del análisis
Un comercio minorista invierte en publicidad en Google y Meta para atraer clientes a su tienda. Las campañas están orientadas a la visita al punto de venta, y los anuncios destacan los productos de una parte de las secciones. La pregunta del director es sencilla: ¿cuántos clientes y cuánta facturación ha aportado esta publicidad que la tienda no habría conseguido sin ella?
Responder a esta pregunta exige un punto de comparación: lo que la tienda habría hecho sin la campaña. Como el punto de venta es único, ese punto de comparación se construye en el tiempo, a partir del histórico de la propia tienda. Es el papel del modelo, y es el objeto de la sección siguiente.
El indicador elegido es el número de compradores, es decir, de tickets que contienen al menos un artículo de una sección destacada. Es la medición más robusta: resiste a los cambios de marca y de precio. La facturación se deduce de él, con el ticket medio del periodo.
Las grandes etapas del análisis
- Definición del alcance. La pregunta, el indicador y la ventana de medición, fijados antes de la campaña.
- Datos. El histórico diario de ventas por sección, enriquecido con el contexto de la tienda.
- Modelo. Elegir las secciones de control que menos se equivocan fuera de campaña.
- Validación y, después, medición. Comprobar el error del modelo en periodos sin campaña y después leer la diferencia en la ventana de emisión.
En cuanto a los datos, el análisis requiere ventas diarias por sección, el contexto interno de la tienda (calendario de promociones y rebajas, fechas clave) y un histórico lo bastante largo para que el modelo aprenda la vida normal del punto de venta: aquí, 18 meses.
2El método
Se construye un gemelo de las secciones expuestas a partir de las secciones de la tienda a las que la campaña no ha afectado. Esas secciones viven la misma vida que las demás: misma meteorología, misma afluencia, mismos fines de semana, misma temporada. El modelo capta esas regularidades en el histórico de caja y las usa para predecir lo que habrían hecho las secciones destacadas sin publicidad. Es el contrafactual, y la medición es después una resta: lo que pasó realmente en caja, menos lo que predice el modelo.
El enfoque es un Time-Based Regression, método publicado por Google en 2017 (Kerman, Wang y Vaver), concebido para los tests en los que se dispone de pocas unidades de control: la inferencia se lee en el tiempo más que en el espacio. Aquí se adaptó en cuatro puntos: un coeficiente por sección de control en lugar de uno solo sobre su suma, un enlace logarítmico en lugar de una relación lineal, la incorporación del calendario comercial y secciones de control elegidas por su comportamiento fuera de campaña en lugar de emparejadas de antemano.
El modelo es una ecuación aprendida a partir de los datos. Sus coeficientes se estiman por cálculo, buscando la combinación que mejor reproduce los días de apertura anteriores a la campaña.
El trabajo previo de definición comparó todas las combinaciones posibles de secciones de control, y el trío elegido es el que menos se equivoca en periodos sin campaña, por delante de otros más correlacionados con las secciones expuestas. Una sección muy correlacionada pero con su propia dinámica es un mal control, y la correlación no lo dice.
Lo que absorbe el modelo
Las secciones de control absorben todo lo que afecta a la tienda en su conjunto: meteorología, afluencia del centro comercial, festivos, presión competitiva. El calendario absorbe el ritmo semanal, la estacionalidad del deporte y la progresión de la tienda de un año a otro. Las acciones comerciales absorben las rebajas y las fechas clave. Todo eso sale de la comparación antes de medir nada.
Validación y confianza del modelo
El modelo se pone a prueba en 29 periodos de control de la misma duración, tomados antes de la campaña, en los que no había publicidad. En esos periodos obtiene un −2 %, una diferencia casi nula: el modelo está cerca de la realidad. Y ninguno de esos 29 periodos alcanza el nivel observado durante la campaña.
Es lo que da derecho a leer una diferencia durante la emisión. Sin esta etapa, una diferencia de pocos puntos porcentuales no se distingue del ruido normal de la tienda.
3El análisis de la eficacia publicitaria
El modelo sigue la realidad en toda la profundidad disponible
La diferencia se abre con el lanzamiento y se cierra con el corte
Los compradores adicionales, acumulados día tras día
El resultado de la medición
+18 %
de ventas incrementales en las secciones destacadas
Horquilla al 95 %: +3 % a +32 %
Nivel de confianza alto
La horquilla está por completo por encima de cero. Forma ilustrativa: el intervalo procede de la dispersión medida en 29 periodos de control, no de una hipótesis de normalidad.
Las señales de rendimiento son claras, en torno al +18 %, con un ROAS estimado superior a 4. Esta estimación integra los efectos que el alcance medido no cuenta: las compras que hacen en otras secciones los clientes que vinieron gracias a la publicidad, y los clientes captados que volverán. En el alcance medido en sentido estricto, la ratio es más baja.
Dos lecturas de las mismas ventas
| La lectura | Lo que anuncia |
|---|---|
| La comparación con el año anterior en el mismo periodo y con las mismas secciones | +40 % |
| La medición lo que el modelo atribuye a la publicidad, con todo lo demás neutralizado | +18 % |
El +40 % es real, pero no se puede usar tal cual: suma la publicidad, la progresión natural de la tienda, un surtido más amplio que el año anterior y el desfase del calendario comercial entre los dos años. El método existe para separar todo eso. Da una cifra más baja, limitada a lo que viene de la publicidad.
Lo que dicen las plataformas publicitarias
En paralelo al modelo, se revisaron los datos de las plataformas publicitarias: emisión, clics, solicitudes de ruta hasta la tienda y visitas estimadas. Miden algo distinto de la caja y captan una parte de las visitas reales: es una estimación baja. Van en el mismo sentido que la medición, con las solicitudes de ruta y las visitas estimadas en aumento durante la emisión.
4La conclusión
La publicidad ha funcionado. Tres lecturas independientes convergen: el modelo mide un +18 % de facturación en las secciones destacadas, el efecto sigue exactamente el calendario de emisión y las señales de las plataformas publicitarias confirman una intención de visita a la tienda.
Una cifra prudente a propósito
El +18 % se limita a la facturación obtenida en las secciones destacadas. Un cliente que viene por un producto destacado compra también, a menudo, un artículo de otra sección: todo eso queda fuera del alcance medido.
Dos efectos no contabilizados van en el mismo sentido: las ventas en otras secciones de los clientes que vinieron gracias a la publicidad, y los clientes captados que volverán. El efecto real es, por tanto, superior a la cifra publicada, sin que se pueda cuantificar con los datos disponibles.
Oportunidad para el cliente
La base de análisis está implantada y se puede reutilizar directamente en las próximas campañas. Abre tres usos.
- Acelerar la inversión publicitaria sobre bases medidas, y no sobre una intuición o una comparación con el año anterior.
- Decidir sobre las acciones comerciales. La misma mecánica responde a otras preguntas: lo que aporta realmente un descuento, lo que produce una fecha clave, lo que vale un canal frente a otro.
- Hacer de la medición un reflejo. El modelo está calibrado para esta tienda: la próxima campaña se evalúa sin partir de cero.
5Observaciones y límites
| Neutralizado por construcción | No neutralizado |
|---|---|
| Meteorología, afluencia del centro comercial, presión competitiva, rebajas, ambiente comercial del mes. Estos factores afectan a las secciones de control tanto como a las secciones destacadas: salen de la comparación. | Un evento externo simultáneo al lanzamiento. Ningún método puede separar dos eventos que empiezan el mismo día. La cifra se refiere al periodo tal como se presentó. |
| El nivel de stock y la amplitud del surtido. El modelo aprende de los meses anteriores a la campaña: una mejora previa ya está en su aprendizaje. Es lo que la comparación en bruto con el año anterior no sabe hacer. | El efecto en las demás secciones de la tienda. Los datos disponibles no permiten zanjarlo en un sentido ni en otro. |
Una comprobación complementaria se centró en los niveles de stock. Las secciones expuestas tenían un stock sensiblemente superior al del año anterior, pero ese aumento no se refleja en las ventas fuera de campaña. Nada indica, por tanto, que el stock explique el efecto medido, y la ventana de campaña se distingue claramente del resto del año, mientras que el stock está alto de forma permanente.
La elección del método
El Time-Based Regression y el modelado a partir de secciones de control son una vía entre otras. La elección se deriva de una restricción: un punto de venta único, sin ninguna unidad geográfica que comparar. En una red de varias tiendas habríamos recomendado un enfoque geográfico, en el que se comparan zonas expuestas con zonas que se mantienen a propósito fuera de la campaña. Otros métodos también habrían podido servir. El método se elige según la estructura de los datos disponibles, y no por preferencia.
La especificación
Regresión de Poisson con enlace logarítmico, aprendida a partir de 18 meses de ventas diarias. La ley de Poisson es la de los recuentos, y el enlace logarítmico hace legibles los efectos en porcentaje sea cual sea el nivel del día. Entradas: tres secciones de control, el calendario (día de la semana, estacionalidad, tendencia) y las acciones comerciales de la tienda.
El intervalo
Procede del comportamiento medido del modelo, no de sus hipótesis: el cálculo completo se repite en 29 periodos de control tomados antes de la campaña, y se lee la dispersión. Las secciones de control se eligieron con la mitad de esos periodos y las cifras de confianza se calcularon con la otra mitad.
Intervalo al 95 %: el efecto se sitúa entre +3 % y +32 %, con un valor central de +18 %. El análisis se repitió además con CausalImpact, con los mismos datos y las mismas secciones de control: dos implementaciones independientes, la misma conclusión con 0,2 puntos de diferencia.
Lo que sigue siendo incierto
- El efecto de un evento externo simultáneo al lanzamiento de la campaña, inseparable de su calendario.
- El efecto en las secciones no medidas, que los datos no permiten zanjar.
- La estacionalidad del final del periodo, que se basa en una única ocurrencia anterior.
Fuentes
Software de caja de la tienda, ventas diarias por sección durante 18 meses · plataformas publicitarias Google Ads y Meta Ads · calendario comercial y niveles de stock facilitados por la tienda. Los resultados se publican en porcentajes y en índices, sin valores absolutos.
Los servicios de EdgeAngel que intervienen en este caso
Medición de la eficacia publicitaria MMM, tests de incrementalidad, medición causal: establecer lo que aporta realmente cada canal Modern Data Stack La base que hace posible la medición: recoger los datos de venta, conservar su histórico y hacerlos fiables¿Cuánto aportan realmente tus campañas?
Este sistema de medición se construye a partir de tus datos de venta, tanto para una tienda única como para una red. Basta una primera conversación para saber si tus datos permiten una medición sólida.
Hablar de tu proyecto