Más herramientas
Casos de uso
Los profesionales del marketing gastan $16.4 mil millones al año en marketing de influencers, un 18.8 % más en 2022, pero las marcas siguen teniendo dificultades para medir el impacto de todo ese dinero invertido.
Medir el ROI de los influencers fue algo a lo que dediqué mucho tiempo mientras creaba el equipo de ciencia de marketing de Harry’s, una marca DTC de productos de afeitado para hombres, así que sé lo difícil que puede ser. Pronto descubrimos que no se puede depender únicamente de los códigos promocionales: demasiados clientes se olvidan de usarlos, y los afiliados menos fiables se sienten tentados a compartir códigos a través de portales de intercambio de cupones para conseguir más clics.
En cambio, los códigos promocionales deben formar parte de un enfoque de medición más amplio y holístico, que integre el seguimiento digital y el modelado de mezcla de marketing (MMM), trabajando en conjunto para eliminar el gasto publicitario desperdiciado en campañas que no generan ventas incrementales.
Comenzaremos abordando los problemas de medición que podrías estar encontrando con tus campañas de marketing de influencers. A continuación, ofreceremos una breve introducción al modelado de mezcla de marketing, sus puntos fuertes y limitaciones, y por qué las marcas DTC modernas lo han adoptado.
Por último, veremos cómo crear un modelo sencillo de mezcla de marketing en Excel / GSheets. Verás qué tipo de datos necesitas, cómo funciona la técnica y qué tipo de decisiones puedes tomar con los resultados.
El marketing de influencers es uno de los canales digitales más difíciles de medir, porque opera fuera de las plataformas: en lugar de pagar publicidad a una plataforma como Meta (Facebook & Instagram), normalmente contactas con influencers individuales y trabajas directamente con ellos.
Los resultados suelen variar, ya que el éxito de una campaña depende en gran medida de 1) la relevancia de tu producto para la audiencia de un influencer, 2) si el influencer siente pasión por tu producto y 3) la ejecución creativa de tu campaña. También está el problema del fraude. Por ejemplo, en 2021, el 49 % de las cuentas de influencers de Instagram se vieron afectadas por fraude, lo que obliga a los profesionales del marketing a comprobar si hay seguidores falsos. La FTC y las plataformas de redes sociales también están tomando medidas enérgicas para garantizar la adecuada divulgación de las publicaciones publicitarias de los influencers.
Uno de los principales métodos de medición que utilizan la mayoría de las marcas son los códigos promocionales de eficacia comprobada. Esta técnica se remonta a la década de 1920, durante la Gran Depresión, cuando el uso de cupones alcanzó su punto álgido. Los primeros profesionales del marketing científico, como Daniel Starch y Claude Hopkins, fueron pioneros en la práctica de asignar códigos promocionales únicos a diferentes variantes de textos publicitarios para probar su eficacia.
Por desgracia, esta técnica sencilla pero eficaz presenta importantes defectos cuando se utiliza en la economía digital actual.
En ninguno de estos escenarios las ventas registradas son «incrementales»: se habrían producido igualmente si no tuvieras un campo para códigos promocionales, por lo que cualquier dinero pagado a afiliados o descontado del precio del producto se desperdició.
¡Por otro lado, muchos clientes simplemente se olvidan de usar sus códigos promocionales! O quizás no se dieron cuenta del código oculto en el texto de la publicación. En cualquier caso, cualquier profesional del marketing con experiencia en campañas de influencers te dirá que observa picos de ventas cuando las campañas de influencers se activan, muy por encima de lo que podrían explicar con el seguimiento.
El modelado de mezcla de marketing (MMM) se introdujo en la década de 1960 para relacionar los picos y las caídas de ventas con las acciones de marketing (y factores externos). Cuando se realiza correctamente, puede indicarte el impacto incremental de cada parte de tu estrategia de marketing para que puedas tomar decisiones basadas en datos sobre dónde asignar tu presupuesto de marketing.
Históricamente, lo utilizaban principalmente grandes anunciantes, como los que gastan millones en anuncios de la Super Bowl, pero las marcas DTC modernas lo han adoptado tras los cambios de privacidad de Apple iOS14, el RGPD/CCPA y los bloqueadores de anuncios que limitan la capacidad de los profesionales del marketing para rastrear a los usuarios. El MMM funciona sin necesidad de datos a nivel de usuario, por lo que es perfecto para canales difíciles de rastrear, como la televisión, los podcasts y los influencers.
Una vez que hayas creado un modelo, podrás determinar cuánto gastar en cada canal de marketing y reasignar presupuesto de los canales de bajo rendimiento a aquellos con mayor potencial de crecimiento. Sirve como una segunda opinión para tu seguimiento y analítica digitales y, a menudo, ayuda a desempatar entre lo que Google Analytics, el seguimiento de códigos promocionales y la encuesta «¿cómo nos conociste?» indican sobre qué canales deben recibir el mérito de las ventas.
Los modelos de mezcla de marketing pueden ser difíciles de elaborar correctamente y, en ocasiones, requieren conocimientos estadísticos avanzados, por ejemplo, de los algoritmos bayesianos. Ofrecen una visión más general, canal por canal, del impacto global, en lugar de permitir profundizar en campañas individuales, creatividades/mensajes o tácticas. Dicho esto, si lo haces correctamente, los MMM son una parte valiosa del moderno stack de atribución.
Para seguir el tutorial, consulta la plantilla de esta publicación, basada en datos de una empresa ficticia de comercio electrónico, extraídos de los cursos de modelado de mezcla de marketing de Vexpower:
> Plantilla MMM para influencers
Para una gran marca empresarial, un modelo de mezcla de marketing puede ser un proyecto complejo que puede requerir hasta 3 meses de trabajo de varias personas para completarse, así como trabajo continuo para su mantenimiento. Si te encuentras en esa situación, tiene sentido utilizar una biblioteca existente como Meta Robyn o probar una herramienta de modelado de mezcla de marketing totalmente automatizada, como la que ofrecemos en Recast.
Sin embargo, como pyme o startup, puedes crear un modelo «suficientemente bueno» en una tarde utilizando solo Excel o Google Sheets.
Necesitas datos de toda tu mezcla de marketing, de todo aquello en lo que inviertes dinero y que impulsa las ventas, para que el modelo pueda separar el impacto de los influencers del resto. Deben estar en formato tabular, como se muestra, lo que significa una fila por cada día o semana y una columna por cada canal o campaña.
Nota: Cuando trabajas con canales como YouTube, es poco probable que obtengas todos los resultados el día o la semana en que se publica el contenido. Si esperas tráfico continuo a largo plazo, este modelo no atribuirá esos beneficios a largo plazo.
—
Consejo profesional para modelar influencers:
Haz coincidir la inversión con tu calendario de publicaciones
La clave está en hacer coincidir lo que gastaste en cada publicación con el momento en que se publicó. De lo contrario, el modelo buscará el impacto en el lugar equivocado. Asignar la inversión al día en que se cerró el acuerdo es un error común, al igual que agrupar la inversión por semana o mes natural.
—
Idealmente, con cada canal de medios debes medir el efecto de la inversión: ¿cuántos dólares recuperas por cada $1 invertido? Es decir, si es posible, debes modelar el coste real de tus campañas, no el alcance, las impresiones, los seguidores u otras métricas fáciles de manipular.
También es posible que quieras controlar variables externas influyentes, como en este caso tu posición en Amazon o las relaciones públicas, aunque debes tener cuidado con la forma de incorporarlas.
Esta inescrutable maraña de números es el resultado de la función LINEST, disponible tanto en Excel como en Hojas de cálculo de Google. La fila superior contiene los coeficientes (nota: aparecen en orden inverso), que indican el impacto de cada actividad de marketing (siempre que el modelo sea correcto).
Puedes interpretar los coeficientes de la siguiente manera. Para las campañas de influencers de Modash, el coeficiente es 0.02, lo que significa que por cada $1 de presupuesto obtienes 0.02 ventas. Si divides 1 entre 0.02, obtienes el coste por adquisición (CPA), que en nuestro modelo es de $46.60. Puedes compararlo con la cifra que te proporciona el seguimiento mediante códigos promocionales, que puede ser mayor o menor.
El multiplicador es la relación entre estas dos cifras, que puedes usar como regla general al estimar el ROI «real» de tus campañas en el futuro. Por ejemplo, si realizas una nueva campaña que muestra un CPA de $50 según el seguimiento mediante códigos promocionales, con un multiplicador de 0.73, puedes tener bastante confianza en que el CPA «real» estuvo más cerca de $37 (50 x 0.73 = 37).
En nuestro caso, podemos ver que el modelo predice con mucha precisión las ventas pasadas. El MAPE —una medida de precisión/error— suele estar por debajo del 5 % en cualquier semana y se sitúa en el 3.5 % en general. ¡Es un buen comienzo, pero no es suficiente!
A continuación, debemos comprobar que nuestro modelo puede predecir con precisión datos nuevos que aún no ha visto; por ejemplo, las ventas de las próximas 4 semanas.
También es importante que el modelo sea plausible: si nos hubiera dicho que nuestros influencers generaban ventas por $5 y no $50, sería difícil de creer y una señal de que algo falla en el modelo. En cualquier caso, estos modelos deben validarse y calibrarse con respecto a lo que hayas aprendido de otros métodos de atribución de marketing, incluidos, y especialmente, los experimentos controlados aleatorizados (pruebas A/B).
A medida que busques una mayor precisión y validez estadística, querrás empezar a adoptar técnicas más avanzadas, como el MMM bayesiano, así como medir el impacto diferido de tus campañas de influencers (¿cuánto tiempo después de la publicación siguen produciéndose ventas?) y los rendimientos decrecientes (¿cuánto puedes invertir antes de que se sature?), además de otras características importantes de un buen modelo de mix de marketing. Aquí es donde debes empezar a aprender técnicas avanzadas de MMM, contar con un científico de datos o contratar a un proveedor como Recast, que pueda gestionar esta complejidad y asegurarse de que tu modelo sea preciso.