La incrementalidad es la medida de lo que no habría ocurrido sin el marketing. La IA ayuda en tres sitios: diseñar mejores tests, estimar efectos a partir de más datos y más desordenados, y leer en qué partes de la audiencia o del mix se concentra el efecto. No aporta el contrafactual. Sin un control adecuado, un modelo hará que una correlación suene causal con gran confianza.
Esa última frase es todo el riesgo. La IA hace más fácil producir un número que parece incrementalidad, y la parte más difícil del trabajo sigue siendo decidir contra qué comparar. Los equipos que se saltan ese paso y saltan al modelo acaban con estimaciones elegantes que no pueden defender cuando alguien hace la pregunta obvia: ¿comparado con qué?
Qué significa en realidad la incrementalidad
La incrementalidad responde una pregunta contrafactual: cuántas conversiones, ventas o resultados de marca ocurrieron por el marketing, en vez de ocurrir de todas formas. Las personas que habrían comprado sin ver el anuncio no son incrementales, por mucho que el anuncio las tocara. La atribución cuenta crédito; la incrementalidad mide causalidad, y son preguntas distintas que a menudo discrepan.
Por eso los datos de atribución por sí solos no pueden establecer incrementalidad. Un informe de last-click dará crédito al anuncio en el que alguien hizo clic, pero no puede decirte si habría convertido igualmente. Para saber eso, necesitas un grupo que no recibió el marketing y una forma de comparar. Ese grupo es el contrafactual, y ninguna sofisticación de modelo lo reemplaza.
Por qué la atribución no es incrementalidad
La atribución y la incrementalidad responden preguntas distintas, y confundirlas produce decisiones de presupuesto equivocadas y confiadas. La atribución reparte crédito entre puntos de contacto por conversiones que ocurrieron; la incrementalidad estima cuántas de esas conversiones dependieron del marketing. Un canal puede verse fuerte en atribución y ser casi nulo en incrementalidad, o verse débil y estar cargando la campaña.
La implicación práctica es que la incrementalidad debería pesar más que la atribución para decisiones de presupuesto, y la atribución es útil sobre todo para la optimización en vuelo. Cuando las dos discrepan, confía en el experimento. Es la disciplina expuesta en el marco de medición más amplio en cómo medir el impacto de la IA en marketing, y es aún más importante cuando la IA genera el análisis.
Los tres trabajos de la IA en incrementalidad
La IA ayuda en tres puntos, y vale la pena ser preciso con cada uno, porque el valor y el riesgo son distintos en cada uno. Diseño: generar estructuras de test, cálculos de potencia y diseños de holdout candidatos más rápido que un humano, y luego dejar la elección a una persona. Estimación: ajustar modelos que extraen señal de datos grandes o dispersos donde las comparaciones simples fallan. Y segmentación: encontrar dónde se concentra el efecto, para que un promedio mezclado no esconda un canal que solo funciona para una audiencia.
En cada caso el modelo es una herramienta dentro de un diseño causal, no un sustituto de él. El diseño, en particular, es donde el juicio sigue dominando, porque un test mal diseñado no le da al modelo nada que estimar. La IA puede proponer diseños; un humano que entiende el negocio tiene que elegir uno que de verdad pueda correr.
Los métodos principales y dónde ayuda la IA
Distintos métodos de incrementalidad encajan en distintas situaciones, y el papel de la IA varía por método. La tabla de abajo mapea los enfoques comunes.
| Método | Cuándo encaja | Papel de la IA |
|---|---|---|
| Geo holdout | Nivel de canal, divisible por región | Diseño, estimación del efecto, heterogeneidad |
| Switchback | Basado en tiempo, subasta | Diseño, análisis secuencial |
| Ghost bids / PSA | Canales de búsqueda y subasta | Estimación, curvas de gasto-respuesta |
| Control emparejado | Cuando un holdout es imposible | Emparejamiento, comprobaciones de sesgo |
| MMM | Nivel de cartera, siempre activo | Ajuste más rápido, test de escenarios |
Cuanto más depende un método de un contrafactual diseñado, menos debería confiarse a la IA inventar el diseño en solitario. Cuanto más depende de estimar a partir de datos, más añade la IA. Usa la tabla para elegir el método para la situación en vez de ir por defecto al que el modelo maneja más fácil.
El peligro de la causalidad con confianza
El modo de fallo es un modelo que encuentra una relación en datos observacionales y la presenta como incremental. Los métodos modernos pueden sonar autoritativos mientras descansan en supuestos que no se sostienen —tendencias paralelas que no son paralelas, controles contaminados, gasto que responde a la demanda en vez de causarla—. El output parece una estimación causal y es en realidad una correlación sofisticada.
La defensa es mantener explícito el contrafactual y comprobar los supuestos. Si el diseño dice que dos grupos son comparables, compruébalo. Si un holdout debe ser limpio, verifica que ningún otro cambio golpeó un lado. Y estate dispuesto a informar de que los datos no pueden responder la pregunta, que es una respuesta más útil que un número que no puedes defender.
Combinar experimento y modelo
Los sistemas de medición más fuertes emparejan un experimento diseñado con un modelo que extiende su hallazgo. Un geo holdout te da una estimación limpia y creíble para un canal en una ventana definida; un modelo usa esa estimación para calibrar una visión más amplia entre canales y periodos. El experimento ancla la causalidad, y el modelo da cobertura donde no puedes correr un test.
Este emparejamiento es también cómo manejas los canales donde un holdout es poco práctico. Confías más en el modelo donde ha sido calibrado contra experimentos reales y menos donde no. Con el tiempo, una biblioteca de experimentos pasados se convierte en la base de evidencia que mantiene honesto al modelo siempre activo, y compone igual que una capa de memoria de cliente.
Un punto de partida práctico
Empieza fijando la pregunta contrafactual para cada canal principal: contra qué compararías, y puedes correr de verdad esa comparación? Donde puedas, corre un holdout y trátalo como el ancla. Donde no puedas, usa un control emparejado o un modelo, y etiqueta la estimación como más débil. Luego usa la IA para diseño, estimación y segmentación dentro de ese marco, y reporta cada estimación con su método y su confianza.
Luego construye el hábito de comparar los incrementos del modelo con el siguiente experimento. Cuando divergen, gana el experimento y el modelo se recalibra. Ese bucle es lo que convierte un montón de estimaciones en un sistema de medición fiable, y es la misma disciplina con IA o sin ella.
La decadencia de la atribución y por qué importa
La brecha entre un informe y una decisión no es nueva; escribí sobre ella hace años en no pierdas el tiempo con el reporting, y la IA hace el número más fácil de producir sin hacerlo más causal. Los datos de atribución decaen por razones que no tienen nada que ver con la campaña: cambios de privacidad, pérdida de identificadores, huecos de medición, y modelado del lado de la plataforma que rellena los huecos con estimaciones. A medida que la decadencia crece, la atribución se aleja más de la verdad, que es exactamente cuando los equipos se apoyan más en ella porque las señales más limpias se han ido. La incrementalidad se vuelve más valiosa a medida que la atribución se debilita, no menos.
Es la razón práctica para invertir en tests ahora. El contrafactual es la única medición que no depende de rastrear a una persona por internet; depende de comparar grupos. En un mundo de atribución que decae, la estimación basada en test es la duradera, y el papel del modelo es extenderla más lejos en el plan de lo que un solo experimento podría llegar por sí solo. El corolario es fechar tus estimaciones. Un número de incrementalidad de hace dos años no es un hecho sobre hoy; la subasta, la audiencia y la creatividad han cambiado todos. Re-testea de forma continua y trata las estimaciones viejas como priors en vez de verdades. Un sistema de medición que nunca caduca es un sistema de medición que está en silencio desactualizado.
FAQ
¿Puede la IA decirnos la incrementalidad sin un test?
No. Puede estimar desde datos observacionales, y la estimación descansa en supuestos que un test verificaría. Sin un contrafactual, estás leyendo una correlación y llamándola causalidad, por sofisticado que sea el método. Usa la IA para apoyar un test diseñado, no para reemplazarlo.
¿Deberíamos dejar de usar la atribución?
No, pero degrádala. La atribución es útil para la optimización en vuelo y para entender el camino a la conversión. Para decisiones de presupuesto, la incrementalidad debería pesar más, y cuando las dos discrepan, el experimento es el que hay que creer.
¿Con qué frecuencia deberíamos correr tests de incrementalidad?
Lo suficiente para anclar el modelo, normalmente por canal principal de forma continua en vez de todos a la vez. Cada experimento limpio recalibra la visión siempre activa y eleva la confianza en todas partes. Unos pocos tests buenos al año, bien diseñados, ganan a un flujo constante de tests débiles.
¿Y si no podemos correr un holdout?
Usa un control emparejado, un switchback o un modelo, y reporta la estimación como más débil. Etiqueta el método y la confianza con claridad, y trata cualquier decisión que dependa de una estimación débil como provisional. Ser explícito sobre la limitación es más creíble que presentar cada estimación como igual.
La versión corta
La incrementalidad mide lo que no habría ocurrido sin el marketing, y la IA ayuda a diseñar tests, estimar efectos y encontrar dónde se concentran. Nunca aporta el contrafactual, así que mantén un control y etiqueta cada estimación con su método. La pieza de cómo medir el impacto de la IA en marketing cubre las métricas operativas, y la guía de Ejecución sitúa la medición en el flujo de trabajo más amplio. El carril para líderes de equipo lo trabaja a través del modelo operativo.
Si corres incrementalidad, me gustaría saber en qué método confías menos —suele ser la respuesta honesta.
Un abrazo, Chandler
Este artículo está disponible en español, pero los materiales del curso (videos, plantillas y guías complementarias) están en inglés, japonés, chino simplificado y coreano; este sitio está disponible en 13 idiomas.