Doxa 1321

¿Son los anuncios personalizados una pérdida de dinero?

Si no tiene cuidado, terminará "adquiriendo" clientes existentes.

Por Bart de Langhe y Stefano Puntoni

Publicidad

Harvard Business Review

#Doxa #anuncios #dinero #cliente #Publicidad #ventas #marketing #tecnologías

Resumen. Muchas empresas de Big Tech han creado plataformas que ofrecen a las empresas consejos, herramientas y servicios para dirigirse mejor a sus clientes en línea. Estos pueden ser útiles, pero cualquiera que confíe en ellos debe tener mucho cuidado. Esto se debe a que muchas de las afirmaciones que hacen estas empresas animan a las empresas a gastar dinero en anuncios dirigidos a clientes que ya están dispuestos a comprar.

Varias de las principales empresas de tecnología han creado plataformas que pretenden educar a las empresas sobre la mejor forma de promocionarse a sí mismas y a sus productos en línea. Los ejemplos incluyen Meta for Business (anteriormente Facebook for Business; "Obtenga orientación paso a paso, conocimientos y herramientas de la industria para realizar un seguimiento de su progreso, todo en un solo lugar"), Think with Google ("Lleve su marketing más lejos con Google"), y Twitter for Business ("Haga crecer su 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 mejorar su desempeño.

Todos estos sitios tienen el mismo objetivo básico. Quieren que comprenda que sus herramientas y servicios son poderosos y altamente personalizados, y quieren que invierta su dinero de 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 haya visto algunos de estos anuncios en aeropuertos, revistas o sitios web. My Jolie Candle, un 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 generar hasta la mitad de sus ingresos".

Eso suena impresionante, pero ¿deberían las empresas realmente esperar efectos tan importantes de la publicidad? El hecho es que cuando Facebook, Google, Twitter y otras compañías de Big Tech “educan” a las pequeñas empresas sobre sus servicios, a menudo están alentando conclusiones incorrectas sobre los efectos causales de la publicidad.

Considere 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 compañía quería explorar si un anuncio en línea que hace un reclamo sobre la conveniencia podría en realidad ser más efectivo que uno que hace un reclamo sobre la sostenibilidad. Con la ayuda de Facebook for Business, ejecutó 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 eso es en lo que la empresa debería invertir, ¿verdad?

De hecho, no lo sabemos.

Hay un problema fundamental con lo que Facebook está haciendo aquí: las pruebas que ofrece bajo el título de pruebas "A / B" en realidad no son pruebas A / B en absoluto. Esto es poco conocido, incluso por los especialistas en marketing digital con experiencia.

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

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

2) Facebook comienza a seleccionar personas de cada grupo y proporciona un tratamiento diferente según el grupo del que se muestreó 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) Facebook luego usa algoritmos de aprendizaje automático para refinar su estrategia de selección. El algoritmo podría aprender, digamos, que es más probable que las personas más jóvenes hagan clic en el anuncio rojo, por lo que comenzará a mostrar ese anuncio más a los jóvenes.

¿Ves lo que está pasando 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 importantes implicaciones. 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 a las que se les mostró 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 causales, cuando en realidad son meramente asociativas.

Imagine 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 sencilla de tecnología básica y matemáticas simples.

Primero, configura el seguimiento de conversiones para su 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 divide por (o resta) sus gastos publicitarios. Ese es su retorno de la inversión y, según Google, es "la medida más importante para los minoristas porque muestra el efecto real que tiene Google Ads en su negocio".

De hecho, no lo es. El análisis de Google es defectuoso porque carece de un punto de comparación. Para saber realmente si la publicidad está generando beneficios para su empresa, debe saber cuáles habrían sido los ingresos sin publicidad.

Twitter for Business ofrece una propuesta algo más complicada.

Primero, Twitter trabaja con un corredor de datos para obtener acceso a cookies, correos electrónicos y otra información de identificación de los clientes de una marca. Y 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. Esto supuestamente 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, dice la teoría, entonces 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 tuits promocionados sobre cosméticos porque compran cosméticos con regularidad. Los clientes que ven los tweets promocionados de una marca, en otras palabras, son personas muy diferentes de los que no lo hacen.

Confusión causal

Las empresas pueden responder a dos tipos de preguntas utilizando datos: pueden responder preguntas de predicción (como en "¿Este cliente comprará?") Y preguntas de inferencia causal (como en "¿Este anuncio hará que este cliente compre?"). Estas preguntas son diferentes pero fáciles de combinar. Responder a preguntas de inferencia causal requiere hacer comparaciones contrafácticas (como en, "¿Este cliente habría comprado sin este anuncio?"). Los algoritmos inteligentes y las herramientas digitales creadas por las grandes empresas tecnológicas a menudo presentan comparaciones de manzanas con naranjas para respaldar inferencias causales.

Big Tech debe ser consciente 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 estado contratando a algunas de las personas más inteligentes del planeta. Dirigirse a los posibles compradores con anuncios es un problema puramente de predicción. No requiere una inferencia causal y es fácil de hacer con los datos y algoritmos actuales. Convencer 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 publicitarias persiguen sus propios intereses cuando ofrecen capacitación e información, y que estos intereses pueden o puede no estar alineado con los de las pequeñas empresas.

Bart de Langhe es profesor asociado de marketing en ESADE Business School, Universidad Ramon Llull, en Barcelona.

Stefano Puntoni (spuntoni@rsm.nl) es profesor de marketing en la Rotterdam School of Management de la Universidad Erasmus.