Modelos de atribución y ventanas efectivas

Un modelo de atribución es una regla para asignar el mérito. Cuando alguien ve tres anuncios, hace clic en uno y compra cuatro días después, el modelo decide qué anuncio se lleva la venta. Cambia la regla y los mismos eventos subyacentes producen ganadores reportados distintos, por eso dos sistemas que observan el mismo tráfico pueden estar completamente en desacuerdo.

YieldBI aplica modelos de atribución incremental con ventanas efectivas definidas, en lugar de una única regla por defecto para todas las campañas.

Por qué el valor por defecto suele estar equivocado para tu funnel

La atribución por defecto de Meta es un único ajuste aplicado a todas las campañas de la cuenta. Eso es cómodo y rara vez es correcto para todas a la vez.

Una ventana corta en una compra considerada descarta conversiones que sí venían del anuncio, haciendo que la prospección parezca peor de lo que es y empujando presupuesto hacia el retargeting. Una ventana larga en una compra impulsiva hace lo contrario: arrastra ventas que habrían ocurrido de todos modos, y la campaña que se lleva el mérito no lo ha ganado.

Ningún error se anuncia a sí mismo. Ambos mueven el presupuesto en silencio en la dirección equivocada.

Ventanas efectivas

Una ventana efectiva es el periodo tras una interacción con un anuncio durante el cual una conversión aún se atribuye a ese anuncio. Dos cosas la determinan:

• Las ventanas de clic cuentan conversiones de personas que hicieron clic. Es la señal más fuerte.
• Las ventanas de visualización cuentan conversiones de personas que solo vieron el anuncio. Más débil, y la fuente más habitual de rendimiento reportado inflado. Ver ventana de atribución y visualización, y la propia documentación de Meta sobre cómo funciona su atribución.

Elige la ventana a partir de tu tiempo real hasta la compra, no de un benchmark. Si la mayoría de los pedidos llegan dentro de los dos días tras el clic, una ventana de siete días añade sobre todo ruido. Si tu mediana es de once días, una ventana de siete días está ocultando sistemáticamente las campañas que sí funcionan.

Por qué tus números nunca coincidirán exactamente con los de Meta

Están contando cosas distintas, y ambos son internamente coherentes:

• Meta atribuye por la fecha de interacción con el anuncio; tu tienda atribuye por la fecha del pedido. Alrededor de un pico, esas fechas caen en días distintos.
• Meta incluye conversiones modeladas cuando la observación directa no es posible; tu base de datos solo guarda pedidos observados.
• Meta no puede ver las conversiones que se completan fuera de línea a menos que se las envíes de vuelta.

Cuadrar hasta la fila exacta no es un objetivo realista. Elige el sistema con el que tomas decisiones, entiende qué cuenta y usa el otro como comprobación de dirección.

Dónde se nota esto

• El píxel y los eventos de conversión alimentan la señal en bruto, así que un hueco en la configuración de la API de conversiones limita todo modelo construido encima.
• SKAdNetwork cubre las campañas de apps en iOS, donde el seguimiento a nivel de dispositivo no está disponible y los resultados llegan agregados y con retraso.
• La visibilidad de ingresos a nivel de anuncio y los insights de descubrimiento de audiencia se reportan usando el modelo y la ventana que configuraste, de modo que la lista de acciones diaria coincide con el modelo en el que confías y no con un valor por defecto de la plataforma que nadie eligió.

Lo que la atribución todavía no puede responder

La atribución asigna mérito entre puntos de contacto que ya existen. No puede decirte qué habría pasado sin el anuncio. Para eso hace falta un holdout: ver pruebas de incrementalidad y pruebas de holdout geográfico.