¿Funciona la publicidad personalizada tan bien como afirman las empresas tecnológicas?

Varias grandes empresas tecnológicas han creado recientemente plataformas que afirman educar a las empresas sobre la mejor forma de comercializarse a sí mismas y a sus productos en línea. Algunos ejemplos son Meta for Business (antes Facebook for Business; "Obtenga orientación paso a paso, información sobre el sector y herramientas para realizar un seguimiento de sus progresos, todo en un mismo lugar"), Think with Google ("Lleve su marketing más allá con Google") y Twitter for Business ("Haga crecer su negocio con los anuncios de Twitter"). Estos sitios son muy atractivos. Proporcionan a las pequeñas y medianas empresas abundante información realmente útil sobre cómo hacer negocios en Internet y, por supuesto, ofrecen diversas herramientas y servicios publicitarios diseñados para ayudar a esas empresas a aumentar su rendimiento. Todos estos sitios tienen el mismo objetivo básico. Quieren que usted entienda que sus herramientas y servicios son potentes y altamente personalizados, y quieren que invierta sus dólares de marketing en ellos. No es tan sencillo como parece Facebook es quizá la más insistente de las tres empresas citadas. En las últimas semanas, la empresa ha emitido anuncios que cuentan todo tipo de historias inspiradoras sobre las pequeñas empresas a las que ha ayudado con sus nuevos servicios. Quizá haya visto algunos de estos anuncios en aeropuertos, revistas o páginas web. My Jolie Candle, un fabricante de velas francés, "encuentra hasta el 80% de sus clientes europeos a través de plataformas de Facebook". Chicatella, una empresa eslovena de cosméticos, "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 impulsar hasta la mitad de sus ingresos". Suena impresionante, pero ¿deberían las empresas esperar realmente efectos tan grandes de la publicidad? El hecho es que cuando Facebook, Google, Twitter y otras empresas de grandes tecnologías "educan" a las pequeñas empresas sobre sus servicios, a menudo están fomentando conclusiones incorrectas sobre los efectos causales de la publicidad. Consideremos el caso de un cliente nuestro de consultoría, 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 hiciera un reclamo sobre la comodidad podría ser realmente más eficaz que uno que hiciera un reclamo sobre la sostenibilidad. Con la ayuda de Facebook para empresas, realizó una prueba A/B de los dos anuncios y luego comparó el retorno de la inversión publicitaria entre las dos condiciones. El retorno, según la prueba, fue mucho mayor para el anuncio de sostenibilidad. Lo que significa que es en eso en lo que la empresa debería invertir, ¿no? En realidad, no lo sabemos. Hay un problema fundamental con lo que Facebook está haciendo aquí: Las pruebas que está ofreciendo bajo el título de pruebas "A/B" en realidad no son pruebas A/B en absoluto. Esto no lo entienden bien ni siquiera los expertos en marketing digital. Entonces, ¿qué ocurre realmente en estas pruebas? He aquí un ejemplo: 1) Facebook divide una gran audiencia en dos grupos, pero no todos los integrantes de los grupos recibirán un tratamiento. Es decir, muchas personas en realidad nunca verán un anuncio. 2) Facebook empieza a seleccionar a personas de cada grupo, y proporciona un tratamiento diferente en función del grupo del que se haya muestreado a una 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) A continuación, Facebook utiliza algoritmos de aprendizaje automático para perfeccionar su estrategia de selección. El algoritmo podría aprender, por ejemplo, que es más probable que los jóvenes hagan clic en el anuncio rojo, por lo que empezará a servir ese anuncio más a los jóvenes. ¿Ve lo que está ocurriendo aquí? El algoritmo de aprendizaje automático que Facebook utiliza para optimizar la entrega de anuncios en realidad invalida el diseño de la prueba A/B. Esto es lo que queremos decir. Las pruebas A/B se basan en la idea de la asignación aleatoria. Pero, ¿son aleatorias las asignaciones realizadas en el paso 3 anterior? 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 sólo el tratamiento. Las personas tratadas del Grupo 2 a las que se sirvió el anuncio rojo, por ejemplo, acabarían siendo más jóvenes que las personas tratadas del Grupo 1 a las que se sirvió el anuncio azul. Sea lo que sea esta prueba, no es una prueba A/B. No es sólo Facebook. El sitio Think with Google sugiere que las métricas similares al ROI son causales, cuando en realidad son meramente asociativas. Imaginemos que una empresa quiere saber si una campaña publicitaria es eficaz para aumentar las ventas. Responder a esta pregunta, sugiere el sitio, implica una combinación directa de tecnología básica y matemáticas sencillas. En primer lugar, debe configurar el seguimiento de conversiones de su sitio web. Esto le permite rastrear si los clientes que hicieron clic en un anuncio pasaron a realizar una compra. En segundo lugar, calcula los ingresos totales de estos clientes y los divide por (o los resta de) sus gastos publicitarios. Ese es su rendimiento de la inversión y, según Google, es "la medición más importante para los minoristas porque muestra el efecto real que los anuncios de Google tienen en su negocio". En realidad, no es así. El análisis de Google es erróneo porque carece de un punto de comparación. Para saber realmente si la publicidad está generando beneficios para su negocio, necesitaría saber cuáles habrían sido los ingresos en ausencia de publicidad. Twitter para empresas ofrece una propuesta algo más complicada. En primer lugar, Twitter trabaja con un intermediario de datos para obtener acceso a cookies, correos electrónicos y otros datos identificativos de los clientes de una marca. Y luego Twitter añade información sobre cómo se relacionan estos clientes con la marca en Twitter: si hacen clic en los tweets promocionados de la marca, por ejemplo. Esto permite supuestamente a los analistas de marketing comparar los ingresos medios de los clientes que se relacionaron con la marca con los ingresos medios de los clientes que no lo hicieron. Si la diferencia es lo suficientemente grande, dice la teoría, entonces se justifica el gasto en publicidad. Este análisis es comparativo, pero sólo en el sentido de comparar manzanas y naranjas. Las personas que compran regularmente cosméticos no los compran porque vean tweets promocionados. Ven tweets promocionados de cosméticos porque compran regularmente cosméticos. Los clientes que ven tweets promocionados de una marca, en otras palabras, son personas muy diferentes de las que no los ven. Confusión causal Las empresas pueden responder a dos tipos de preguntas utilizando datos: Pueden responder a preguntas de predicción (como "¿Comprará este cliente?") y a preguntas de inferencia causal (como "¿Hará este anuncio que compre este cliente?"). Estas preguntas son diferentes pero se confunden 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 empresas de Big Tech suelen presentar comparaciones de manzanas con naranjas para apoyar las inferencias causales. Las Big Tech deberían ser muy conscientes de la distinción entre predicción e inferencia causal y de lo importante que es para una asignación eficaz de los recursos; después de todo, durante años han contratado a algunas de las personas más inteligentes de este planeta. Dirigir anuncios a compradores probables 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. Hay que elogiar a las grandes empresas tecnológicas por los materiales y herramientas útiles que ponen a disposición de la comunidad empresarial, pero las pequeñas y medianas empresas deben ser conscientes de que las plataformas publicitarias persiguen sus propios intereses cuando ofrecen formación e información, y que estos intereses pueden o no estar alineados con los de las pequeñas empresas. Nota del editor (16/12): Se ha actualizado el titular de este artículo.

¿Funciona la publicidad personalizada tan bien como afirman las empresas tecnológicas?

Resumen.

Partner Center