Las campañas de marketing digital en Google, Bing y redes sociales no solo sirven para vender online. También son muy útiles para atraer potenciales clientes a los establecimientos comerciales.
Esto es de gran relevancia para la mayoría de los negocios, pues aunque el crecimiento del comercio electrónico es imparable, en torno al 80% de las ventas minoristas todavía tienen lugar en tiendas físicas, incluso para aquellas transacciones que comienzan online.
Pero si quieres llevar a cabo una campaña para atraer clientes a tus establecimientos, asegúrate de que vas a ser capaz de medir su impacto con suficiente fiabilidad y rigor. Si no, no sabrás si están funcionando o si has tirado el dinero.
Ventas Online del sector Retail en EEUU. Porcentaje sobre el Total de Ventas
(fuente: U.S. Department of Commerce)
Ventas Online en la Unión Europea. Porcentaje sobre el Total de Ventas (azul) y sobre Facturación Total (naranja)
(fuente: EUROSTAT)
Una manera sencilla de medir las visitas a tienda que generan tus campañas de publicidad online es con cupones de descuento. Puedes mostrar en tus anuncios promociones ligados a un código que aparezca solo en tus campañas. Así, sabrás que quien venga a tu local con ese código viene de una campaña de publicidad digital. Es un método relativamente sencillo de implementar por la parte online, pero sobrecarga a los trabajadores del establecimiento y el departamento contable con más tareas administrativas, y puede crear malestar en clientes habituales que, esperando ser atendidos, vean que otros gozan de descuentos u ofertas que ellos no reciben.
Google ofrece una alternativa mucho mejor en sus campañas: la medición automática de visitas a tienda. A través de la geolocalización de los teléfonos móviles de los usuarios y apoyándose en machine learning, Google puede estimar con razonable precisión la cantidad de clientes que han visitado tu establecimiento después de haber visto o interactuado con tus anuncios.
Su potencial es enorme. Como botón de muestra, Google Ads tiene publicado en youtube un caso de estudio sobre cómo Nissan ha usado esta funcionalidad para atraer clientes a sus concesionarios e identificar qué campañas y términos de búsqueda funcionaban mejor para conseguir ventas, rastreando su recorrido en el customer journey para alcanzarles en el momento adecuado y de la manera adecuada. Resultados: un ROI de 25x y una tasa de conversión en teléfonos móviles (de clic de anuncio a visita a concesionario) del 6%. Una tasa descomunal para el sector, dado que el comprador medio apenas visita dos concesionarios antes de comprar un coche.
Pero esta solución no es una bala de plata, que dirían los anglosajones. Esto es, no nos soluciona todos nuestros problemas.
La primera limitación es que solo aplica para campañas de Google, dejando fuera campañas que realices en Facebook, Instagram, Bing, Tik Tok, etc.
El segundo problema es que, para que Google comparta los datos de visita a tienda física contigo, has de cumplir una serie de requisitos, entre los que destacan los siguientes:
En resumen: acceder a estos datos no es algo inmediato ni gratuito, pues requiere de varios meses de una inversión no pequeña en campañas de Google Ads, ni al alcance de todos, pues hay importantes limitantes geográficos y sectoriales. Tampoco es una opción para negocios cuya clientela potencial es relativamente pequeña, pues nunca llegará al umbral de tráfico necesario.
Puedes estar meses viendo este mensaje en la interfaz de Google Ads mientras esperas a que se active la medición de visitas a tienda física
De toda la vida hemos visto en la prensa juzgar la bondad de ciertas decisiones políticas o deportivas comparando el antes y el después. Por ejemplo, la regularización del precio de la luz, o el cese de un entrenador de fútbol. Si tu equipo suma más puntos con el nuevo entrenador, se da por hecho que el cambio ha sido un acierto. En el mundo de las evaluaciones de impacto, esto se llama una evaluación Pre-Post. Se trata de medir las diferencias en los resultados de un programa comparando la situación antes y después de su aplicación.
El problema de este método es que asume que no hay ningún otro factor externo que afecte los resultados más allá de tu intervención. Pero si tu equipo mejora los resultados tras el cambio de entrenador igual es debido a la recuperación de jugadores que estaban lesionados, o a que ahora les han tocado rivales más asequibles, y le estarías dando al nuevo entrenador un crédito que no le corresponde.
En el mundo de la publicidad, si vendes paraguas, arrancas una campaña de marketing digital y se pone a llover durante un mes, ¿has aumentado ventas gracias a la campaña o gracias a la lluvia? ¿O fue gracias al boca-a-boca? En un caso real y reciente con otro de nuestros clientes (una cadena de restaurantes en Madrid), los datos de julio de uno de los locales (en el que hacíamos una campaña local en google) mostraron crecimiento cero este mes con respecto al mes anterior. Una evaluación pre-post habría concluido erróneamente que la campaña había tenido un impacto nulo. La realidad era que en Madrid, en julio 2022, en plena ola de calor, las calles estaban vacías, y los restaurantes al mediodía, desiertos. La campaña consiguió evitar una caída de ventas estimada en torno al 25%, que fue la que se pudo apreciar en otros restaurantes que usamos de “control” y en los que no hicimos publicidad.
Otro método de evaluación de impacto habitual en la vida cotidiana es el de Diferencia Simple. Se trata de comparar resultados entre dos grupos (o dos lugares); a uno de los cuales se le aplica el programa y a otro no.
El método de Diferencia Simple asume implícitamente que los dos grupos son idénticos y están sometidos a idénticas condiciones externas, a excepción del programa cuyo impacto se intenta evaluar. Esto casi nunca se cumple, salvo en pruebas controladas aleatorizadas (conocidas como RCTs en su acrónimo inglés).
Durante la pandemia hemos visto infinidad de estas comparativas “mal hechas”: si en Suecia no hicieron confinamiento y en España sí, y hay más muertes en España, es que el confinamiento no sirvió. Si en Río de Janeiro no hubo confinamiento y en Madrid sí, y hubo más muertes en Río, es que el confinamiento sirvió. Y así, los medios han intercambiado ejemplos y contraejemplos ad infinitum. Pero ni somos suecos ni brasileños, y aparte de las medidas de confinamiento, había un montón de factores geográficos, demográficos, socioculturales y de salud pública que no hacían válidas la comparativas, empezando por el grado de penetración de la pandemia en cada sitio en el momento de tomar medidas, la densidad de población, los hábitos de socialización, la convivencia intergeneracional en los hogares, el clima, etc.
En nuestro sector, el dueño de varios establecimientos comerciales puede estar tentado a hacer una prueba piloto de una campaña de marketing digital para atraer clientes a tienda en alguno de sus locales y comparar resultados con sus otros establecimientos. Pero si no se controlan factores socioeconómicos, demográficos, culturales y/o geográficos la estimación será errónea. Por ejemplo, un concesionario que haga una campaña de un modelo de vehículo eléctrico en una localización urbana y de alto poder adquisitivo sobrestimaría el impacto de la campaña si al finalizar compara los resultados alcanzados con las ventas de otro situado en una zona rural y económicamente deprimida en la que no se haya hecho campaña.
Este ejemplo puede ser muy obvio, pero continuamente nos encontramos con clientes que nos piden Tests AB con divisiones de España Norte-Sur o Centro-Periferia, como si no hubiese diferencias sustanciales de base entre las distintas regiones.
Un método de evaluación más robusto y riguroso que lo que ofrecen el Pre-Post o el Diferencia Simple pero a su vez asequible y sencillo de implementar es el método de de Diferencias en Diferencias (DD o DID). En cierto modo lo que hace es combinar los dos métodos anteriores, pues al igual que en Diferencia Simple se parte de dos grupos (tratamiento y control), y al igual que en el Pre-Post se mide el antes y el después de la intervención. Pero en este caso también se mide el antes y después en el grupo de control sobre el que no se ha actuado, con lo que de esta manera se pueden controlar efectos externos que hayan afectado a ambos grupos a la vez. En el caso de una campaña de publicidad realizada en unos establecimientos se estima comparando la evolución de las ventas en éstos (grupo de tratamiento) con la evolución en aquellos en los que no se ha hecho publicidad (grupo de control).
Ilustración del Método de Diferencias en Diferencias
Este método tiene en cuenta que puede haber diferencias de partida entre ambos grupos, y factores externos que afecten las ventas independientemente de las campañas de publicidad, pero presupone que dichos factores van a afectar por igual a ambos grupos. Esto es, que en ausencia de publicidad ambos grupos describirían trayectorias paralelas. Ésta suele ser una hipótesis razonable cuando el contexto de ambos grupos es suficientemente parecido y la duración de las campañas, no muy larga.
Pero las hipótesis antes mencionadas no siempre se cumplen. Por ejemplo, en el caso de crisis económicas repentinas como las vividas en los últimos años, dentro de una misma zona geográfica hay sectores más castigados que otros, lo que puede hacer divergir significativamente la evolución del grupo de tratamiento y el de control. En estos casos el método de Diferencias en Diferencias deja de ofrecer resultados válidos, y hemos de tirar de métodos más complejos como el Control Sintético, una metodología desarrollada en el MIT por el académico e investigador vasco Alberto Abadie para estudios de evaluación de impacto en ciencias sociales, y adaptada al marketing digital por Fáktica Analytics.
El control sintético permite estimar el impacto en situaciones en donde una sola unidad (un país, una ciudad o un establecimiento) se beneficia de la intervención (en nuestro caso, de una campaña publicitaria). En vez de comparar esta unidad con un grupo de unidades que no han recibido la intervención, este método usa las características más relevantes de la unidad tratada y de las unidades sin tratar para construir una unidad de control “sintética” o artificial, dando pesos relativos a cada una de las unidades sin tratamiento de tal manera que la unidad de control sintética sea lo más parecida posible a la unidad tratada. Esta combinación de unidades sin tratar que recrea un control sintético da lugar a un mejor contrafactual que cada una de las unidades reales por separado.
En función de las circunstancias de cada caso y la robustez de las hipótesis, aplicamos el método de Diferencias en Diferencias (DD) o el Control Sintético. Por ejemplo, el método DD de es el que usamos para medir el impacto de la publicidad online en la cadena de restaurantes de Madrid antes mencionada, pues los efectos climáticos y estacionales afectan de forma similar a ambos grupos. En este caso, adaptándolo para controlar no solo efectos estacionales sino también el efecto del boca-a-boca, que crece a un ritmo superior en los locales de reciente apertura que en aquellos que ya llevan años en funcionamiento.
De esta manera podemos recrear el contrafactual, esto es, responder a la pregunta: ¿qué hubiera pasado en el establecimiento que hemos publicitado si no hubiésemos hecho la publicidad?
Ilustración del Contrafactual (caso real)
Línea roja contínua: número de reservas en el local con publicidad (datos reales). Línea roja discontinua: estimación del contrafactual (reservas esperadas sin publicidad, considerando efectos estacionales y boca-a-boca). El impacto de la campaña es la diferencia entre ambas líneas.
Este análisis fue clave para ayudar a nuestro cliente a calcular el retorno de las campañas, decidir sobre su continuidad y determinar el presupuesto a invertir en ellas. Y es que una buena medición del impacto de las campañas es crítica para poder tomar las decisiones correctas. Si no, podemos estar tirando el dinero en campañas que no tienen un impacto positivo, o al revés: podemos estar dejándonos dinero sobre la mesa, desperdiciando oportunidades de crecimiento por detener (o no escalar) campañas publicitarias con mayor impacto del que inicialmente sospechábamos.
Si quieres saber cómo aplicaría a tus establecimientos, solicítanos un análisis. Puedes contactarnos sin compromiso. Estaremos encantados de ayudarte.
——–
Sobre el autor del post:
Marcos Ferreiro es CTO de Fáktica Analytics y profesor de Evaluación de Programas y Medición de Impacto en el Instituto de Empresa (IE University)
En esta entrada de blog explicamos las dificultades técnicas con las que nos hemos topado para implementar Consent Mode v2. Te ayudarán si estás en el mismo brete
La entrada en vigor de la DMA y el Consent Mode v2 ha supuesto en seísmo en el marketing digital europeo. Nos adentramos en todas sus implicaciones
El rendimiento tan pobre de las campañas Smart de Microsoft Advertising aumenta la relevancia del uso de los scripts, por encima aún de la que tienen en la gestión de Google Ads.
¿Podemos ayudarte?
¿Podemos ayudarte?
Email: info@faktica.com
Calle Núñez de Balboa, 35A
28001 Madrid
España
Email: info@faktica.com
DATALYTICS
4 Portland Ct
St. Louis, MO 63108
Estados Unidos
Email: info@faktica.com
Calle Núñez de Balboa, 35A
28001 Madrid
Seleccionados por Google en el Top 3%
de las agencias PPC españolas
Subvencionado por el CDTI en 2022-2024.
Título del proyecto: Tecnología de lead management a partir
de modelos matemáticos y algoritmos predictivos
Subvencionado por el CDTI en 2022-2024.
Título del proyecto: Tecnología de lead management a partir
de modelos matemáticos y algoritmos predictivos
FÁKTICA ANALYTICS
Calle Núñez de Balboa, 35A
28001 Madrid
España
DATALYTICS
4 Portland Ct
St. Louis, MO 63108
Estados Unidos
Contacto: info@faktica.com
¿Podemos ayudarte?
Incluida por Google en el Top 3% de las agencias PPC españolas
Subvencionado por el CDTI en 2021-2023.
¿Podemos ayudarte?
Presupuesto Sin Compromiso
Estimación de Tráfico, Coste y Conversiones Potenciales
Tarifas por Resultado
Análisis de Oportunidades Gratuito
¿Podemos ayudarte?
Contáctanos ahora sin ningún compromiso
.png){kind=link}