La promesa original de la Atribución Multi-Touch (MTA) era que ofrecía una perspectiva detallada sobre cómo los clientes se comprometían con varios puntos de contacto durante su recorrido; ayudaba a las empresas a tomar decisiones informadas sobre la asignación del presupuesto de marketing; proporcionaba información detallada al rastrear puntos de contacto individuales a través de canales digitales; evaluaba la efectividad de las campañas de marketing y ayudaba a identificar los canales más influyentes y optimizar las conversiones. ¿Pero puede la MTA seguir afirmando que hace todas estas cosas?
Los desafíos que han afectado a la MTA – o atribución multitáctil o atribución multicontacto – en los últimos años han erosionado gradualmente su efectividad técnica y su posición como un actor clave en la medición de marketing. Las principales plataformas como Google, Apple y Facebook han hecho cambios significativos en respuesta a las preocupaciones de privacidad, afectando la forma en que los anunciantes rastrean y dirigen a los usuarios a través de dispositivos y presentando obstáculos para que la MTA obtenga datos completos y precisos del recorrido del consumidor. Estos parecen ser obstáculos significativos, pero ¿estos desafíos realmente han puesto fin la MTA o han abierto la puerta para que algunas soluciones de MTA desarrollen formas alternativas de seguimiento y medición?
Veamos cada uno de ellos a su vez:
Ecosistemas cerrados
Los ecosistemas cerrados, como Meta, controlan el acceso a los datos y las interacciones dentro de sus límites y han causado un desafío significativo para la atribución multi-touch, haciendo prácticamente imposible para los especialistas en marketing rastrear y atribuir conversiones a través de canales. Muchas de las plataformas más grandes, como Meta, YouTube, SnapChat, TikTok y otras, no proporcionan ninguna de esta información vital a nivel de usuario. Los especialistas en marketing no pueden evaluar imparcialmente el efecto de las campañas de marketing en estas plataformas y en su lugar deben confiar en los datos informados por las propias plataformas, lo cual es problemático debido al doble conteo de conversiones (ya que Meta, Google, TikTok pueden reclamar la misma conversión).
La tecnología detrás de las plataformas cerradas comprende silos de datos donde los datos se generan dentro de la plataforma, lo que dificulta su integración con datos de otros canales externos. Las plataformas cerradas generalmente ofrecen modelos de atribución de último clic, atribuyendo conversiones únicamente a interacciones internas; esto subvalora las contribuciones de otros canales y puntos de contacto fuera de estas plataformas y, en última instancia, afecta la asignación de recursos y las decisiones de marketing.
Algunas soluciones de MTA superan el desafío de los ecosistemas cerrados al aprovechar técnicas de modelado probabilístico para inferir el comportamiento del usuario y las rutas de atribución cuando los identificadores determinísticos no están disponibles o son limitados dentro de estas plataformas. Estos modelos utilizan algoritmos estadísticos para analizar patrones y correlaciones en los datos disponibles para atribuir conversiones con precisión.
La solución puede ser un enfoque probabilístico, como las impresiones sintéticas, que toma las conversiones informadas por las plataformas y las empareja probabilísticamente con las conversiones medidas en análisis web. Es un cambio de tener la MTA trabajando con puntos de datos conectados puramente de manera determinista a un emparejamiento probabilístico.
Vamos a profundizar por un momento y ver cómo las impresiones sintéticas pueden reconstruir con éxito el recorrido del cliente. Esencialmente, hay dos pasos en este proceso: primero, cómo crea el recorrido del cliente, y segundo, cómo atribuye el crédito a los puntos de contacto.
Impresiones sintéticas
Nuestro recorrido comienza con un cliente potencial viendo un anuncio en TikTok el lunes, lo que capta su atención. El lunes, hacen clic en un anuncio de YouTube, pero no realizan una compra. El miércoles, ven un anuncio en Facebook. Finalmente, el jueves visitan a través de una búsqueda de marca en Google Ads y realizan una compra de 150€ a las 3:30 pm.
Dependiendo únicamente del clic es engañoso ya que no incorpora el efecto de ver un anuncio sin hacer clic en él, lo cual es muy común en las actividades de marketing de embudo superior. En este caso, Facebook y TikTok no recibirían ningún crédito. Si se ignoran estas impresiones, los especialistas en marketing utilizarán datos incompletos para gestionar sus presupuestos de marketing, desperdiciando dinero y perdiendo la oportunidad de mejorar su rendimiento.
Como se explicó anteriormente, las plataformas cerradas como Facebook, Pinterest o TikTok, no proporcionan datos detallados a nivel de impresión para usuarios individuales, por lo que no es posible incluirlos en el recorrido del cliente utilizando métodos tradicionales de MTA.
Para superar esto, algunas soluciones de MTA han desarrollado la metodología de Impresiones Sintéticas, donde los datos granulares se descargan directamente de las plataformas de anuncios y se incorporan a los recorridos de clientes basados en clics existentes utilizando un algoritmo de emparejamiento de IA.
Específicamente, se descargan datos de Facebook y TikTok con granularidad horaria. Se analizan los informes de Meta que muestran una conversión posterior a la visualización para una creatividad dada por valor de 150€ en esa ventana de 3-4pm. Simultáneamente, se analiza Google Analytics para el mismo periodo de tiempo y se identifican varias conversiones, una de las cuales también es una transacción de 150€.
Después de emparejar estas conversiones, se agrega una Impresión Sintética para Facebook en el recorrido del cliente, siguiendo el mismo proceso con los datos de TikTok para incluir una Impresión Sintética de TikTok y crear una visión completa del recorrido del cliente que ahora se puede utilizar para calcular el impacto real de cada punto de contacto.
Una vez que el recorrido del cliente está completo, se utiliza un buen modelo para asignar crédito a cada una de las impresiones y clics. (Si se utilizara una solución de MTA clásica, los 150€ de esta conversión se atribuirían al último punto de contacto antes de la compra, en este ejemplo, el anuncio de búsqueda en Google. Esto claramente simplifica en exceso el recorrido del cliente y pasa por alto todos los otros puntos de contacto que contribuyeron a la decisión/compra final). Aquí, un modelo de Atribución Basada en Datos impulsado por IA utiliza el aprendizaje automático para proporcionar resultados confiables para todo el mix de marketing, incluidas las actividades de embudo superior. Evalúa cada interacción a lo largo del recorrido del cliente, descubriendo cómo varios puntos de contacto (incluidas las impresiones) contribuyen a las conversiones. Basado en estos aprendizajes, el modelo estima la probabilidad de que un usuario realice una compra después de ver el anuncio en TikTok. Basado en sus aprendizajes, el modelo calcula que la probabilidad de compra aumentó en un 0.5% después de ver el anuncio. Continuando a lo largo del recorrido del cliente, el modelo luego evalúa la probabilidad de conversión para un usuario que inicialmente vio un anuncio en TikTok y posteriormente, unos días después, hizo clic en un anuncio de YouTube, pasó unos minutos en la tienda en línea y visitó 7 páginas diferentes. El modelo estima que el impacto adicional en la probabilidad de conversión es de +2%. De esta manera, el modelo analiza sistemáticamente y atribuye la probabilidad de aumento de compra para cada punto de contacto.
Ahora que entendemos cómo cada punto de contacto aumenta la probabilidad de conversión, podemos proceder al paso final, la puntuación del canal. Durante esta fase, el modelo asigna crédito a cada punto de contacto según cuánto aumentó la probabilidad de una conversión. En nuestro ejemplo, se atribuye a TikTok el 10%, a YouTube el 40%, a Facebook el 20% y a Google Search el 30%. Es importante notar que este es solo un ejemplo, y que en diferentes escenarios los mismos canales tendrán diferentes porcentajes asignados.
Entonces, podemos ver que la metodología de Impresiones Sintéticas en MTA proporciona el valor de cada punto de contacto, lo que permite a los usuarios crear cualquier número de dimensiones personalizadas en diferentes niveles de granularidad, haciendo que la vista sea adecuada para cualquier informe en todo el equipo de marketing.
Nuevas leyes de privacidad
Otro impacto significativo para algunas prácticas de MTA han sido las nuevas leyes de privacidad, como el GDPR en Europa. Estas leyes obligan a obtener el consentimiento explícito de los usuarios antes de recopilar y procesar datos personales; esto restringe la disponibilidad de datos de terceros, que la mayoría de las soluciones MTA heredadas dependen para rastrear interacciones de usuarios a través de varios puntos de contacto y proporcionar las conversiones que requieren. Además, estas nuevas leyes enfatizan los principios de minimización de datos, que requieren que las organizaciones limiten la recopilación y procesamiento de datos personales al mínimo estricto; esto plantea un obstáculo adicional para algunas soluciones tradicionales de MTA, ya que conduce a una reducción del conjunto de datos disponible para el análisis de MTA, afectando en última instancia la granularidad de los modelos de atribución. ¿Pero estas nuevas leyes de privacidad han sido un obstáculo insuperable para MTA?
No realmente. Las prácticas MTA más conscientes del futuro están evolucionando su tecnología desarrollando soluciones de IA que realizan emparejamiento probabilístico de rutas, donde se pueden medir parámetros como la dirección IP, el tipo de dispositivo, la ubicación geográfica, el tipo de navegador, etc.; luego, basándose en estos identificadores, la tecnología de emparejamiento de rutas intenta construir una conexión entre visitas que no compartieron la misma cookie pero que, al igual que el enfoque de estimación de Impresiones Sintéticas, asumirá que es el mismo usuario y conectará las visitas en el mismo recorrido.
Eliminación de cookies de terceros
Uno de los desafíos más difíciles para las soluciones tradicionales de MTA ha sido la eliminación de cookies de terceros. Una herramienta fundamental para la MTA antigua, que son establecidas por dominios externos y se utilizaban principalmente para rastrear el comportamiento del usuario en múltiples sitios web con fines de publicidad y análisis, permitiendo la atribución de conversiones a medida que los usuarios navegan por varios sitios web y plataformas. Ahora bloqueadas por muchos navegadores, la MTA heredada lucha cada vez más para conectar las interacciones de los usuarios en la web con precisión, lo que lleva a una atribución incompleta.
Algunas soluciones de MTA, sin embargo, han centrado su atención en los datos de primera parte de los canales propios. Si bien son valiosos, los datos de primera parte ofrecen solo una visión limitada del recorrido del cliente, especialmente si los usuarios interactúan con múltiples puntos de contacto fuera de los canales propios. Los navegadores como Safari ahora están eliminando las cookies front-end de primera parte después de 24 horas, exacerbando aún más la dificultad de medir los recorridos de los clientes.
La desaparición de las cookies de terceros ha agitado las aguas para MTA, pero también ha sido el catalizador para formas alternativas de tecnología a prueba de futuro para el seguimiento y la medición de MTA. Estos podrían incluir la implementación de técnicas de seguimiento cruzado de dispositivos para conectar las interacciones del usuario a través de diferentes dispositivos sin depender de cookies de terceros en absoluto. Técnicas como el emparejamiento determinista (por ejemplo, a través de inicios de sesión de usuarios) o el emparejamiento probabilístico de rutas, que, como se explicó anteriormente, utiliza modelos estadísticos para identificar patrones en el comportamiento del usuario, atribuyendo conversiones con precisión a través de dispositivos sin necesidad de cookies de terceros.
Introducción al emparejamiento de rutas
La tecnología de emparejamiento de rutas permite un seguimiento cruzado de dispositivos sin interrupciones, fusionando las interacciones del usuario a través de teléfonos, tabletas y computadoras en un solo recorrido continuo.
Los clientes cambian sin problemas entre teléfonos, tabletas y computadoras durante su proceso de compra, lo que dificulta conectar las interacciones en un solo recorrido coherente. Equilibrar las campañas basadas en clics y en impresiones sin depender de cookies de terceros agrega una capa adicional de complejidad.
Para ayudar a resolver estos desafíos, el emparejamiento de rutas permite rastrear y fusionar sin problemas las interacciones del usuario a través de todos los dispositivos en un solo recorrido continuo. Esta poderosa función trabaja integrando puntos de contacto basados en impresiones en el recorrido del cliente, y la tecnología innovadora aborda la eliminación gradual de cookies de terceros, asegurando al mismo tiempo el cumplimiento total de las regulaciones de GDPR.
Esta solución MTA permite vincular puntos de contacto individuales que de otro modo permanecerían separados. Al utilizar múltiples parámetros, como información sobre el dispositivo, comportamiento del usuario y ubicación, se pueden identificar sesiones probablemente del mismo usuario, incluso cuando las cookies no coinciden, asegurando una visión continua y completa del recorrido de cada cliente, independientemente de sus dispositivos.
Esta solución MTA también permite medir sin cookies, asegurando la máxima privacidad del usuario al recopilar un conjunto limitado de datos sin colocar cookies en el dispositivo del usuario, asegurando que se pueda medir a más del 90% de los usuarios. Este método proporciona una visión más completa de tu audiencia en comparación con plataformas tradicionales como Google Analytics, manteniendo al mismo tiempo el cumplimiento de las regulaciones de privacidad.
El emparejamiento de rutas representa un avance significativo en el seguimiento y comprensión de los recorridos de los clientes a través de múltiples dispositivos, ofreciendo una solución muy necesaria a prueba de futuro para el seguimiento de usuarios. Es la solución a los desafíos críticos del seguimiento cruzado de dispositivos, la medición centrada en la privacidad y la atribución precisa de puntos de contacto basados en impresiones.
Al aprovechar soluciones compatibles con la privacidad, centrarse en los datos de primera parte y adoptar análisis avanzados, los especialistas en marketing pueden navegar los desafíos y aprovechar las oportunidades de este nuevo mundo sin cookies, utilizando la disrupción como un catalizador para la innovación y el progreso en sus estrategias de MTA.
Medición de impresiones desde casi cualquier plataforma publicitaria
Un gran desafío en el marketing digital es medir con precisión el impacto de las impresiones, ya que las plataformas analíticas tradicionales a menudo dependen únicamente de los clics. Las impresiones son notoriamente difíciles de rastrear, especialmente cuando se originan en jardines cerrados. Mientras que los Puntos de Contacto Sintéticos incorporan datos de impresiones en los recorridos de los clientes, el emparejamiento de rutas lleva esto un paso más allá. Puedes medir con precisión las impresiones e integrarlas sin problemas en el recorrido del cliente junto con los clics al utilizar los parámetros adicionales recopilados para asegurar la atribución más precisa posible. Esto asegura que las interacciones basadas en impresiones se integren sin problemas en tu análisis general del recorrido del cliente, proporcionando ideas más profundas y optimizando la efectividad de tus campañas de video y display.
Cómo funciona
El emparejamiento de rutas se basa en soluciones innovadoras que recopilan una multitud de nuevos parámetros para crear una vista unificada del recorrido del cliente. Los datos pueden recopilarse de:
- cookies;
- información del dispositivo (como tamaño de pantalla, tipo de dispositivo, fuentes instaladas, sistema operativo y agente de usuario);
- información de URL;
- ID de usuario (si está disponible);
- datos de ubicación a partir de direcciones IP.
Al analizar estos parámetros, se pueden vincular sesiones que probablemente pertenecen al mismo usuario, incluso cuando los métodos basados en cookies tradicionales fallan.
Además, el emparejamiento de rutas puede funcionar sin usar cookies. Este enfoque recopila solo un conjunto limitado de datos y no coloca cookies en el usuario, asegurando el cumplimiento de la privacidad. Esta flexibilidad permite que el emparejamiento de rutas satisfaga diversas necesidades manteniendo estándares rigurosos de privacidad.
Ejemplo:
consideremos a Juan, quien visita nike.com desde su teléfono en casa y revisa un par de zapatos azules, talla 42. Más tarde, Juan visita nike.com desde su PC en el trabajo, pero probablemente no hay suficiente información para emparejar estos dos eventos. Finalmente, Juan visita nike.com desde su PC en casa, revisa nuevamente el mismo par de zapatos azules, talla 42, y completa la compra.
El Emparejamiento de Rutas utiliza información de ubicación y detalles sobre los productos revisados para emparejar las tres interacciones en un solo recorrido coherente, proporcionando una visión completa del recorrido de Juan hacia la conversión.
Repensar la atribución digital en un mundo centrado en la privacidad
Los responsables de marketing digital han confiado durante mucho tiempo en las cookies de terceros para rastrear los recorridos de los usuarios, medir la efectividad de las campañas y refinar estrategias; sin embargo, el panorama está cambiando rápidamente. Con las crecientes preocupaciones de privacidad y los principales navegadores eliminando las cookies de terceros, los modelos tradicionales de Atribución Multi-Touch (MTA) están enfrentando desafíos sin precedentes.
En un mundo cada vez más centrado en la privacidad, los especialistas en marketing deben ser ágiles e innovadores. El cambio de las cookies de terceros es una oportunidad para repensar las estrategias existentes e invertir en soluciones que respeten la privacidad del usuario mientras brindan información procesable. Esta transición puede ser compleja, pero ¿podría finalmente allanar el camino para un ecosistema de marketing digital más sostenible y confiable?
Históricamente, las cookies de terceros han sido instrumentales en la MTA tradicional, permitiendo a los especialistas en marketing:
- Rastrear usuarios a través de sitios web: entender cómo los usuarios interactúan con diferentes puntos de contacto a lo largo de su recorrido.
- Atribuir conversiones: asignar crédito a canales y campañas de marketing específicos según su influencia.
- Optimizar el gasto: tomar decisiones basadas en datos sobre la asignación de presupuesto y el rendimiento de las campañas.
La desaparición de las cookies de terceros no significa el fin de la atribución, sino que obliga a los especialistas en marketing a reevaluar sus enfoques y considerar nuevas posibilidades.
Evolucionando y adaptando la MTA
El declive de las cookies de terceros también ha presentado desafíos significativos para la MTA, notablemente:
- Fragmentación de datos: conectar interacciones de usuarios a través de plataformas y dispositivos se ha vuelto más difícil, llevando a modelos de atribución incompletos.
- Reducción de la precisión: la atribución se ha vuelto menos precisa a medida que disminuye la visibilidad de los datos a nivel de usuario.
- Aumento de la dependencia de datos de primera parte: el énfasis está cambiando a recopilar y aprovechar tus propios datos de clientes, lo que puede ser intensivo en recursos.
Sin embargo, el declive de las cookies de terceros también ha presentado algunas nuevas oportunidades, tales como:
- Enfoque en soluciones compatibles con la privacidad: exploración de métodos de seguimiento alternativos que respetan la privacidad del usuario, como el seguimiento del lado del servidor, la publicidad contextual y el análisis de cohortes.
- Adoptar estrategias de datos de primera parte: construir relaciones sólidas con los clientes y recopilar datos valiosos directamente.
- Invertir en análisis avanzados: utilizar el aprendizaje automático y el modelado estadístico para mejorar la precisión de la atribución con datos limitados.
- Evolución de MTA: las soluciones de MTA también necesitan adaptarse para mantenerse relevantes, lo que a menudo significa nuevas y mejores funcionalidades para el usuario final.
El camino a seguir: estrategias para una MTA exitosa
De cara al futuro, los especialistas en marketing pueden continuar obteniendo información valiosa sobre su rendimiento de marketing al adoptar nuevas tecnologías, priorizar datos de primera parte y adaptar sus estrategias para obtener resultados significativos. Estas estrategias deben ser consideradas:
Diversificar tus métodos de seguimiento: incorporando una combinación de métodos de seguimiento para capturar una imagen más amplia del comportamiento del usuario. Esto podría incluir el seguimiento del lado del servidor, el uso de emparejamiento probabilístico de recorridos de clientes o incluir el modelado del mix de marketing y experimentos en tu arsenal de evaluación de marketing.
Priorizar los datos de primera parte: invertir en construir tu propia base de datos de clientes a través de registros de correo electrónico, programas de lealtad y contenido interactivo. Los datos de primera parte no solo son más confiables, sino que también se alinean con las regulaciones de privacidad y fomentan relaciones directas con los clientes.
Explorar soluciones de atribución sin cookies: investigar tecnologías emergentes. Estas soluciones están diseñadas para mantener la efectividad de la publicidad digital mientras se prioriza la privacidad del usuario.
Enfocarse en la calidad de los datos: asegurando que tus datos sean precisos, completos y estén actualizados. Los datos limpios y de alta calidad maximizan la efectividad de tus modelos de atribución y ayudan a mantener la confianza con tu audiencia.
Conclusión
Parece que, a pesar de estos desafíos, la atribución multi-touch o multicontacto obstinadamente retiene su valor, adaptando su tecnología para superar cada obstáculo que se le presenta, evolucionando continuamente con nuevas técnicas de aprendizaje automático y asegurando nuevas tecnologías dinámicas.
Por lo tanto, la realidad es que la atribución multi-touch está muy viva. Está resistiendo la tormenta, abordando todos los obstáculos que la han afectado, adaptándose desafiante a cada desafío al desarrollar tecnología efectiva y robusta. Si bien la MTA no es infalible y no puede capturar cada matiz del recorrido de un cliente, sigue siendo una herramienta poderosa para comprender el comportamiento del cliente y refinar las estrategias de marketing, y sería un error aceptar afirmaciones demasiado simplistas que declaran su desaparición.