En este post hablaremos de las diferentes utilidades de los modelos predictivos.
Medición de la incrementalidad
¿Qué es un test de incrementalidad o lift test? Es un ejercicio que tiene como objetivo medir el impacto real en resultados claves (ventas, registros, pedidos, etc) de un determinado canal publicitario. Es decir, ¿qué ventas *adicionales* se han conseguido a las que hubiera habido sin el impacto de la publicidad en cuestión?
¿Cómo se lleva a cabo?
Para hacer este ejercicio, se realiza un experimento real que consiste en lo siguiente:
- Ejecutar una campaña en el medio en cuestión a un grupo de usuarios “expuestos” y excluir de forma explícita de la campaña a un grupo de usuarios que llamamos “de control” o “no expuestos”. Normalmente, el grupo de control es de menor tamaño que el grupo de expuestos.
- Controlar, durante el tiempo del experimento (momento del impacto publicitario + tiempo posterior de posible resonancia publicitaria), las ventas a ambos grupos de usuarios.
- Comparar y analizar la diferencia de ventas entre el grupo de usuarios impactados y el grupo de no impactados. Esta diferencia medirá el incremento marginal real causado por el impacto bajo medición.
Identificación de grupos de usuarios
Obviamente, se necesita identificar claramente al grupo de usuarios impactados y los no impactados. Esta división entre estos 2 grupos puede basarse en criterios individuales o grupales.
- Criterios individuales: usuarios que tengamos identificados individualmente (por ejemplo, un experimento sobre efecto de email marketing con listados propios de email de clientes actuales o potenciales, evaluando las compras de los clientes expuestos comparándolos con los no expuestos)
- Criterios grupales: usuarios con alguna variable de exposición muy controlable (por ejemplo, experimentos geográficos: exponer a los usuarios de algunas regiones y excluir a los de otras regiones, y analizar la evolución de ventas en ambas regiones)
A partir de este mecanismo básico, la ciencia de datos permite la realización de experimentos simultáneos, controlando varias variables a la vez durante un mismo periodo de tiempo. Estos experimentos multidimensionales requieren una cuidada planificación y una precisa implementación, pero una vez conseguidos los resultados podemos conocer el resultado real del impacto en ventas de los canales publicitarios evaluados.
Medición de la incrementalidad histórica
Por otro lado, cuando se habla de modelos predictivos, la primera idea de aplicación es pensar en clave de futuro: ¿qué pasará? Sin embargo, los modelos predictivos tienen mucha aplicación para explicar el pasado: ¿qué hubiera pasado?
¡Veámoslo con algunos ejemplos! Gracias a la capacidad de estos modelos para explicar el pasado podemos resolver algunas cuestiones como:
- ¿Qué hubiera pasado si no se hubiera lanzado un nuevo producto? Más allá de las ventas del nuevo producto lanzado, ¿cómo hubieran sido las ventas del resto de productos de la categoría?
- ¿Qué impacto tuvo una promoción? Más allá del resultado directo de la promoción, ¿cuál es el incremento real sobre el escenario de no-promoción?
A toro pasado, este análisis puede realizarse para conseguir ir más allá del puro análisis descriptivo del resultado de una acción realizada. Pero esto no es sencillo, ya que hay múltiples efectos que se mezclan en esta medición. Por ejemplo, si hablamos del incremental de una promoción, tenemos que ver:
- ¿Cuánto hubiéramos vendido si no hubiera habido esta promoción? Es decir, ¿cuál ha sido el incremental en ventas respecto al escenario de no-promoción?
- ¿Qué impacto negativo ha tenido la promoción en las ventas de productos similares que han dejado de venderse? (Efecto Canibalización)
- ¿Qué impacto positivo ha tenido la promoción en las ventas de productos complementarios que se han vendido adicionalmente? (Efecto Halo)
- ¿Qué impacto negativo sobre las ventas futuras ha tenido la promoción, al haber vendido un mayor volumen sobre la demanda habitual? (Efecto Storage)
- ¿Qué posible impacto negativo ha habido en las ventas anteriores a la promoción por el hecho que los clientes esperaran a tener los productos en promoción?
Los modelos predictivos permiten realizar esta evaluación con una base analítica robusta.
Medir a futuro vs medir a pasado
Como hemos visto, la medición de una nueva acción a implementar es más sencilla que la medición de una acción ya ejecutada.
Para la medición a futuro, la realización de experimentos con una muestra de control y una muestra de impactados será una buena base.
Para la medición del impacto de acciones históricas, los modelos podrán dar luz al impacto estimado, pero siempre es un terreno más incierto y resbaladizo que un test de incrementalidad robusto. Sea como sea, si te interesa explorar este campo de la medición, no dudes en ponerte en contacto con nosotros. En Kraz, como consultora analítica, contamos con un equipo de expertos que estará encantado de asesorarte.
