¿Cómo medir el impacto real de sus acciones de marketing con el Análisis de Impacto Causal (Causal Impact)?

Consultor en la práctica de Medios y Adquisición de Converteo, Quentin Barrat acompaña a nuestros clientes en la mejora de su rendimiento de adquisición. Especialista en la medición y el análisis de resultados, implementa soluciones personalizadas para comprender sus desafíos y ayudarles a alcanzar sus objetivos de crecimiento.

A tener en cuenta

• El Análisis de Impacto Causal (Causal Impact) es una metodología estadística robusta que permite medir la incrementalidad de sus acciones de marketing cuando las pruebas A/B tradicionales no son viables.
• Este enfoque se integra perfectamente en una agenda de aprendizaje estructurada, permitiendo obtener conocimientos prácticos (actionable insights) para optimizar sus estrategias de marketing.
• La certificación de Converteo como “Google Test & Experiment Partner 2025” valida nuestra capacidad para diseñar e implementar protocolos de medición sofisticados de tipo Análisis de Impacto Causal (Causal Impact).

Introducción

“¿Ha funcionado realmente esta prueba de marketing?” “¿Cuál es mi proporción de conversiones realmente incrementales?” Estas preguntas se las plantean todos los profesionales del marketing. En un momento en el que es necesario demostrar la contribución de cada euro invertido, medir el impacto real de nuestras campañas de marketing se ha vuelto crucial.
Pero, ¿cómo estar seguros de que el incremento de las ventas observado se debe realmente a nuestra última campaña publicitaria? ¿Y si simplemente estuviera relacionado con la estacionalidad? ¿O con el efecto de una tendencia general del mercado?
En este artículo de nuestro blog, explicábamos nuestro enfoque de la agenda de aprendizaje: un plan estructurado para probar, medir y aprender de nuestras acciones de marketing. Las mediciones de incrementalidad, que son el núcleo de este proceso, pueden adoptar diversas formas.

Medir la incrementalidad: los diferentes enfoques

A. Los métodos de medición de incrementalidad

La medición de la incrementalidad representa un desafío fundamental en marketing: nos permite comprender el impacto real de nuestras acciones. Para lograrlo, disponemos de varios métodos, cada uno con sus propias características y ámbitos de aplicación, definidos en la agenda de aprendizaje.

• Las pruebas A/B: esta prueba consiste en dividir la audiencia en dos grupos: el primer grupo (‘prueba’) expuesto a una modificación, y el segundo sirviendo de control. Una de sus ventajas es su rigor estadístico y la fiabilidad de sus resultados. Sin embargo, este método presenta limitaciones importantes: está sujeto a las restricciones relacionadas con las cookies (para la creación de los grupos de prueba/control) y generalmente solo permite medir un KPI a la vez.
• Las pruebas geográficas (GeoX) constituyen una alternativa interesante en un contexto cookieless. Esta prueba compara el rendimiento entre diferentes zonas geográficas (expuestas/no expuestas). Sus principales limitaciones residen en la complejidad de su implementación y la necesidad de tener zonas geográficas verdaderamente comparables.
• El análisis Pre-Post, enriquecido por el Análisis de Impacto Causal (Causal Impact), ofrece una tercera posibilidad. Con su modelización estadística, permite estimar el impacto de una intervención y lo que habría sucedido en ausencia de esta, permitiendo así cuantificar su impacto real. Presenta la ventaja considerable de poder aplicarse retroactivamente, pero requiere datos de alta calidad y experiencia en la interpretación de los resultados.

Entre estas diferentes posibilidades de medición, el Análisis de Impacto Causal (Causal Impact) permite proporcionar conocimientos cuando las pruebas más tradicionales no son realizables o son menos pertinentes. Este enfoque, desarrollado por Google y disponible en open source, merece que nos detengamos en él gracias a su flexibilidad y su robustez estadística. Examinemos ahora en detalle las diferentes situaciones en las que esta prueba resulta pertinente.

B. El Análisis de Impacto Causal (Causal Impact): ¿cuándo utilizarlo?

El Análisis de Impacto Causal (Causal Impact) es un análisis de tipo Pre-Post que puede implementarse cuando:

• No es posible realizar una prueba A/B.
• Es necesario analizar el impacto de un cambio pasado.
• Es necesario medir el impacto en KPI externos a las plataformas de medios.

El método de análisis de Impacto Causal (Causal Impact) en detalle

A. El método

El Análisis de Impacto Causal (Causal Impact) se basa en una metodología estadística bayesiana para analizar cómo evoluciona un cambio dado en función de otros factores que pueden influir en él. En otras palabras, permite estimar el impacto real de un cambio comparando lo que sucedió con lo que podría haber sucedido sin esa intervención. Este enfoque se basa en tres etapas fundamentales:

1. Crear un modelo de referencia. Para ello, se analiza el periodo anterior al cambio para comprender cómo la métrica que se quiere probar evoluciona naturalmente. El modelo tiene en cuenta las tendencias pasadas, las variaciones estacionales y la influencia de otras variables relevantes.
2. Crear un escenario hipotético, llamado contrafactual. Gracias a las relaciones identificadas antes del cambio, el modelo estima lo que habría sucedido después, si no hubiera tenido lugar ningún cambio. No es una prolongación de las tendencias pasadas, sino una predicción que tiene en cuenta las interacciones entre las variables.
3. Medir el impacto real del cambio. Se comparan los datos observados después de la intervención con el escenario hipotético previsto sin cambio. La diferencia entre ambos, con un margen de incertidumbre, permite estimar el efecto real del cambio.

B. La implementación técnica

Una vez que la fase de enmarcado de la prueba ha validado la pertinencia del Análisis de Impacto Causal (Causal Impact) para la misma, la implementación del Análisis de Impacto Causal (Causal Impact) requiere un enfoque estructurado en varias etapas técnicas distintas, cada una de las cuales exige una atención particular para garantizar la fiabilidad de los resultados.

1. Preparación de los datos. Requiere:
   • Un historial mínimo de 6 meses de datos.
   • Una granularidad temporal diaria.
   • La identificación de eventos que puedan sesgar los resultados de la prueba (ej.: periodo promocional fuerte que provoca una gran fluctuación de los resultados).
   • La validación de la calidad de los datos.
2. Selección y validación de las variables de control. Estas variables deben presentar una fuerte correlación con la métrica estudiada, manteniéndose independientes de la intervención. Por ejemplo, para un análisis SEA, se podría utilizar:
   • Tráfico de shopping si se prueba texto (o viceversa).
   • El tráfico orgánico.
   • Tendencias de búsqueda de Google Trends.
   • Indicadores macroeconómicos relevantes.
3. Configuración del modelo y sus parámetros técnicos: Para facilitar esta etapa técnica, se le ofrecen dos soluciones principales:
   • La utilización de Causmos, una herramienta open-source desarrollada por Google que simplifica la implementación del análisis a través de una interfaz de usuario intuitiva (user-friendly). Esta herramienta permite:
     • Importar y visualizar fácilmente los datos.
     • Definir los periodos pre/post intervención.
     • Seleccionar las variables de control pertinentes.
     • Obtener visualizaciones claras de los resultados.
   • La implementación directa a través del paquete CausalImpact ofrece más flexibilidad en la parametrización:
     • Construcción del modelo de serie temporal bayesiano.
     • Ajuste de las distribuciones prior.
     • Configuración precisa de los parámetros de estacionalidad.
     • Personalización de los intervalos de confianza.

La elección entre las dos posibilidades de herramientas permite adaptar el análisis a diferentes niveles de experiencia técnica. Recomendamos la utilización de la herramienta Causmos para permitir que los equipos de negocio sean independientes en la realización de este tipo de análisis.

C. Experiencias de Converteo

A continuación, se presenta una experiencia de implementación del Análisis de Impacto Causal (Causal Impact) a través de un caso de estudio realizado para un actor del sector retail.

La empresa buscaba optimizar su rendimiento SEA pasando de una estrategia de pujas clásica a un enfoque basado en el valor del cliente. El desafío era doble: maximizar los ingresos y optimizar la asignación del presupuesto publicitario a los productos de mayor valor.

Los resultados fueron especialmente convincentes: Un aumento significativo de los ingresos de Google Ads (+34%).

Con un incremento del 34% y un intervalo de confianza relativamente amplio [2,8%, 82,5%] debido a la exclusión de ciertos periodos para evitar sesgos de estacionalidad (rebajas de verano, reducción presupuestaria), el mayor desafío de este tipo de estudio será reducir el intervalo de confianza para afinar la precisión de los resultados. Para reducir el intervalo de confianza, necesitamos encontrar datos que tengan un nivel de correlación importante con los datos de la prueba.

Este análisis no solo permitió validar la pertinencia de la nueva estrategia de pujas, sino que también proporcionó información valiosa para su despliegue a mayor escala. La metodología del Análisis de Impacto Causal (Causal Impact) ha demostrado su capacidad para:

• Aislar con precisión el impacto del cambio de estrategia.
• Proporcionar resultados estadísticamente fiables.
• Generar recomendaciones prácticas (actionable recommendations).

Conclusión

Esta metodología se inscribe naturalmente en un enfoque de agenda de aprendizaje estructurada, permitiendo a los anunciantes extraer conocimientos prácticos (actionable insights) y ganar progresivamente madurez en su enfoque de la medición de marketing.

Converteo, con su certificación Google Test & Experiment Partner 2025, acompaña a los anunciantes en este proceso, identificando los protocolos de medición más pertinentes en función de sus desafíos y garantizando una implementación rigurosa de estas metodologías.