Conversiones modeladas: cubriendo huecos de seguimiento

Qué son las conversiones modeladas

Las conversiones modeladas son cifras que Meta incluye en sus informes que no se observaron directamente a través de un disparo del pixel, un evento de app o una señal del lado del servidor, sino que se estimaron mediante modelado estadístico. Cuando una conversión no puede asociarse directamente a un anuncio por cookies ausentes, un identificador de dispositivo bloqueado o un usuario que rechaza el permiso de seguimiento, Meta puede aun así estimar la probabilidad de que la conversión haya ocurrido y atribuir una parte modelada de ella al anuncio, basándose en patrones de conversiones observadas y comparables.

Estas cifras conviven dentro de los mismos totales reportados junto a las conversiones observadas directamente, normalmente sin una etiqueta visible que distinga unas de otras salvo que se entre en los desgloses o en la documentación.

Cómo funciona

Meta construye el modelo usando como datos de entrenamiento las conversiones que puede observar directamente. Analiza la relación entre exposición al anuncio, características de la audiencia y conversiones confirmadas entre usuarios con seguimiento intacto, y luego aplica esa relación para estimar resultados en usuarios donde el seguimiento directo falló. La metodología exacta no es totalmente pública, pero el enfoque general es estándar en el sector: usar la población observable para inferir el comportamiento de la no observable.

La proporción de conversiones modeladas frente a observadas en una cuenta depende en gran medida de la mezcla de tráfico. Las cuentas con una base grande de usuarios de iOS, o en regiones y navegadores con más restricciones de privacidad, tienden a tener una mayor proporción de conversiones modeladas. Las cuentas con tráfico mayoritariamente Android y cobertura completa de Conversions API dependen menos del modelado.

Por qué importa

Las conversiones modeladas existen para que las cifras reportadas no se desplomen simplemente cuando el seguimiento está bloqueado. Sin modelado, los informes de Meta subestimarían de forma marcada el rendimiento de cualquier segmento de audiencia con alta pérdida de seguimiento, lo que podría llevar a los anunciantes a retirar presupuesto de campañas que en realidad funcionan bien. El modelado suaviza esa brecha, pero también significa que una parte de cada total reportado es una estimación y no un recuento exacto, y las estimaciones conllevan error.

Esto importa especialmente al comparar el rendimiento entre periodos o segmentos de audiencia con distinta cobertura de seguimiento. Una campaña que se haya desplazado hacia más tráfico de iOS podría mostrar un total de conversiones similar al de antes, pero con una proporción mayor de esas cifras ahora modelada en lugar de observada, lo que cambia cuánta confianza conviene depositar en el total reportado.

Cómo actuar al respecto

No des por hecho que cada cifra de conversión reportada es un hecho observado directamente. Cuando la precisión importa para una decisión de presupuesto grande, contrasta las cifras reportadas con tus propios datos backend o registros de CRM cuando sea posible, ya que reflejan resultados reales independientes de las suposiciones de modelado de cualquier plataforma. Mejora tu señal directamente observada implementando bien la Conversions API, ya que una mayor tasa de eventos observados reduce la dependencia del modelo en la inferencia y en general mejora también la precisión de la parte modelada.

Usa tests de incrementalidad, como estudios de lift de conversión, como comprobación independiente cuando las conversiones modeladas representan una parte significativa de tus informes.

Errores comunes

Tratar un recuento de conversiones reportado como una cifra exacta y auditada ignora que una parte relevante puede estar modelada. Comparar el rendimiento entre campañas o periodos con cobertura de seguimiento muy distinta, sin tener en cuenta la diferente proporción de modelado, puede producir conclusiones engañosas. Saltarse la implementación de la Conversions API, que reduciría la dependencia del modelado, es un hueco común y evitable. Alarmarse por una caída reportada en las conversiones sin comprobar antes si cambió la cobertura de seguimiento suele llevar a cambios de campaña innecesarios.

Cómo ayuda YieldBI

YieldBI hace seguimiento de la cobertura de pixel y Conversions API junto al rendimiento de campaña, lo que facilita detectar cuándo una parte grande de las conversiones reportadas puede estar modelada en lugar de confirmada, y sus modelos de atribución incremental incorporan esa incertidumbre en las cifras que muestra.