L’estiu canvia l
Quan arriba l’estiu, moltes marques observen el mateix patró: baixen algunes mètriques, canvien els…
Mai no havíem tingut tantes dades disponibles sobre el comportament dels usuaris. Cada campanya pot omplir un dashboard amb clics, impressions, conversions, ROAS, CPA, vendes atribuïdes, audiències impactades, freqüència, recurrència o valor mitjà de la comanda. A primera vista, el màrqueting sembla haver entrat en una etapa de precisió gairebé absoluta: cada acció deixa un senyal, cada interacció es pot mesurar i cada resultat es pot assignar a un canal, una campanya o un punt de contacte.
Però aquesta sensació de precisió pot ser enganyosa.
El gran repte del mesurament actual no és només accedir a més dades, sinó entendre què signifiquen realment. Una campanya pot mostrar un bon ROAS i, tot i així, no haver generat creixement incremental. Un canal pot rebre moltes conversions atribuïdes i, alhora, estar captant una demanda que ja existia. Un dashboard pot presentar resultats molt ordenats sense respondre la pregunta més important: què hauria passat si aquella campanya no s’hagués activat?
Aquí comença el problema. Moltes mètriques expliquen què va passar després d’una exposició publicitària, però no sempre demostren que aquesta exposició hagi estat la causa del resultat. La diferència pot semblar tècnica, però és estratègica. No és el mateix assignar una venda a una campanya que demostrar que aquella campanya ha creat una venda addicional. No és el mateix mesurar activitat que mesurar impacte.
Per això, un dels errors més freqüents en màrqueting consisteix a confondre la precisió aparent amb la veritat estratègica. Que una dada sigui exacta no vol dir que estigui explicant bé la realitat. Que un informe sigui sofisticat no vol dir que les seves conclusions siguin correctes. I que una plataforma atribueixi una conversió a una campanya no vol dir necessàriament que aquella conversió no s’hauria produït igualment.
En un ecosistema cada vegada més fragmentat, amb més restriccions de privacitat, més canals connectats al comerç i més pressió per demostrar resultats de negoci, mesurar bé exigeix acceptar una idea incòmoda: cap model no ho resol tot per si sol. L’atribució, el marketing mix modeling (MMM) i el testing d’incrementalitat no competeixen necessàriament entre ells. Cadascun respon preguntes diferents, amb avantatges i límits propis.
La qüestió, per tant, no és triar un únic model com si fos la resposta definitiva. La veritable maduresa rau a saber combinar-los: utilitzar l’atribució per llegir senyals tàctics, el MMM per entendre patrons agregats i el testing incremental per validar si una campanya ha generat valor real. En un entorn imperfecte, mesurar millor no vol dir tenir certeses absolutes, sinó construir decisions més sòlides a partir de diferents formes d’evidència.
Per què cap model no ho resol tot per si sol
El problema comença quan s’espera que una eina pensada per a una pregunta concreta respongui totes les preguntes del negoci. En el mesurament de màrqueting, això passa sovint: es demana a l’atribució que demostri impacte real, al MMM que expliqui cada decisió tàctica i als tests incrementals que resolguin tots els dubtes d’inversió. Però cada enfocament té una funció diferent.
L’atribució pot ser molt útil per optimitzar campanyes a curt termini. Ajuda a detectar quins anuncis, canals o audiències participen en el recorregut cap a la conversió. Tanmateix, també té un límit clar: acostuma a afavorir els punts de contacte més propers a la compra. Per això, pot donar massa crèdit a campanyes que capten una intenció ja existent i deixar en segon pla accions que han contribuït abans a generar aquella demanda.
El marketing mix modeling ofereix una altra mirada. En lloc de seguir l’usuari de manera individual, treballa amb dades agregades i permet observar com interactuen la inversió, els canals, l’estacionalitat, les promocions, el preu o el context competitiu. El seu valor rau a ajudar a entendre l’impacte global del màrqueting, però no sempre serveix per prendre decisions tàctiques immediates sobre una creativitat, una audiència o una paraula clau concreta.
El testing d’incrementalitat, per la seva banda, intenta aproximar-se millor a la causalitat. La seva pregunta principal no és “a quina campanya atribuïm aquesta conversió?”, sinó “quin resultat addicional s’ha generat gràcies a aquesta campanya?”. Però tampoc no és una solució màgica. Requereix un bon disseny experimental, una mostra suficient, temps, disciplina i una lectura acurada dels resultats.
Per això, la qüestió no és decidir quin model és “el bo” i quins són prescindibles. La clau rau a entendre quina pregunta respon cadascun. L’atribució ajuda a optimitzar, el MMM ajuda a contextualitzar i el testing incremental ajuda a validar. Quan es combinen bé, no eliminen tota la incertesa, però sí que permeten prendre decisions més sòlides que quan s’interpreta un únic model com si fos tota la veritat.
Què aporta l’atribució
Criticar els límits de l’atribució no significa descartar-la. L’atribució continua sent una eina útil, especialment quan l’equip necessita llegir senyals ràpids i prendre decisions operatives. Permet comparar campanyes, analitzar recorreguts, detectar quins canals participen abans d’una conversió i optimitzar elements concrets com creativitats, audiències, formats, missatges o pàgines de destinació.
El seu valor principal rau en la velocitat i la granularitat. Davant de models més agregats o experiments que requereixen més temps, l’atribució ofereix una lectura immediata del que està passant dins d’una campanya. Pot ajudar a identificar quins anuncis generen més interacció, quines audiències semblen respondre millor o quins punts de contacte apareixen amb més freqüència en el camí cap a la compra.
El problema apareix quan aquesta lectura tàctica s’interpreta com una prova absoluta d’impacte. Una conversió atribuïda no sempre equival a una conversió generada. En molts casos, l’atribució indica a quin punt de contacte se li assigna un resultat, però no demostra necessàriament que aquell punt de contacte hagi estat la causa principal de la venda.
Per això, l’atribució funciona millor quan s’utilitza per optimitzar, no per tancar del tot la discussió sobre el valor real d’una campanya. És una eina valuosa per gestionar el curt termini, però ha de conviure amb altres enfocaments si la pregunta ja no és només “quin canal va rebre el crèdit”, sinó “quina part del creixement s’hauria perdut si no haguéssim invertit”.
Què aporta el MMM
El marketing mix modeling aporta una mirada diferent perquè no parteix del recorregut individual de cada usuari, sinó de dades agregades. El seu objectiu és analitzar com es relacionen la inversió, les vendes, els canals, l’estacionalitat, les promocions, el preu, la distribució o fins i tot el context competitiu. En lloc de preguntar quin punt de contacte va rebre una conversió concreta, intenta entendre com contribueix cada variable al resultat global del negoci.
Això el fa especialment rellevant en un entorn en què el seguiment usuari a usuari és cada vegada més limitat. Quan hi ha menys senyals individuals disponibles, els models agregats permeten observar patrons que no depenen únicament de cookies, identificadors o dades de plataforma. Per això, el MMM torna a guanyar pes dins del debat actual sobre mesurament, juntament amb l’atribució i el testing d’incrementalitat, com a enfocaments que han de conviure i no excloure’s entre si. eMarketer, per exemple, continua situant la incrementalitat i el mesurament avançat com a temes centrals el 2026 dins del màrqueting i el commerce media.
El seu valor rau a oferir una visió més àmplia: pot ajudar a detectar efectes a llarg termini, moments de saturació, impactes acumulats, dependència de l’estacionalitat o contribució relativa de diferents canals. També permet elevar la conversa més enllà de l’optimització diària i connectar la inversió en màrqueting amb decisions de planificació, pressupost i creixement.
Però el MMM tampoc no s’ha d’interpretar com una veritat automàtica. La seva utilitat depèn de la qualitat de les dades, de les variables incloses, dels supòsits del model i d’una lectura prudent dels resultats. Un model agregat pot aportar context i orientació, però no sempre explica amb precisió quina creativitat, audiència o format va funcionar millor en una campanya concreta.
Per això, el MMM no substitueix l’atribució ni el testing incremental. Aporta una altra capa de lectura. Ajuda a entendre el negoci amb més perspectiva, però cal complementar-lo amb eines més tàctiques i amb experiments que permetin validar hipòtesis concretes. El seu valor més gran apareix quan no s’utilitza com a resposta única, sinó com a part d’un sistema de mesurament més ampli.
Què aporta el testing d’incrementalitat
El testing d’incrementalitat aporta una pregunta que ni l’atribució ni el MMM no poden resoldre sempre per si sols: quina part del resultat no s’hauria produït si la campanya no s’hagués activat. El seu valor rau precisament aquí, a intentar separar els resultats que una campanya pot atribuir-se dels resultats que realment ha provocat.
Aquest enfocament es pot aplicar de maneres diferents: grups de control, holdout groups, geo-testing, tests A/B, experiments per audiències o comparacions entre mercats similars. En tots els casos, la lògica és semblant: comparar què passa quan una campanya està activa amb què passa en un escenari tan semblant com sigui possible en què aquella campanya no intervé.
Per això, el testing incremental és especialment útil per validar hipòtesis. Pot ajudar a comprovar si un canal està generant creixement addicional, si una promoció està atraient nous compradors o si una campanya amb bon rendiment atribuït està creant valor real. També serveix per qüestionar supòsits i calibrar altres models, perquè introdueix una capa experimental que obliga a contrastar les conclusions del dashboard amb evidències més sòlides.
Però tampoc no convé idealitzar-lo. No tot es pot testar sempre, ni tots els tests són igual de fiables. Cal una mostra suficient, un disseny acurat, temps i disciplina per interpretar els resultats. Un experiment mal plantejat pot generar conclusions tan enganyoses com una atribució mal llegida.
Per això, el testing d’incrementalitat no s’ha de veure com una solució màgica, sinó com una eina de validació. La seva aportació més gran no és eliminar tota la incertesa, sinó acostar el mesurament a una pregunta més exigent: no només quins resultats veiem, sinó quins resultats podem atribuir raonablement a una decisió concreta de màrqueting.
Com conviuen els tres enfocaments en una estratègia de mesurament madura
Una estratègia de mesurament madura no tracta l’atribució, el MMM i el testing incremental com a enfocaments rivals. Els entén com a capes complementàries de lectura. Cadascuna aporta una part de la resposta, però cap no hauria de convertir-se en l’única font de veritat.
L’atribució ajuda a optimitzar el dia a dia. Permet llegir senyals ràpids, comparar campanyes, ajustar pressupostos, revisar creativitats o detectar quins punts de contacte participen més a prop de la conversió. És útil per a la gestió operativa, sempre que no es confongui amb una prova definitiva d’impacte.
El MMM aporta una visió més àmplia. Ajuda a entendre la contribució global dels canals, el pes de la inversió, la influència de l’estacionalitat i la relació entre màrqueting i resultats de negoci. La seva funció no és decidir quin anunci canviar demà, sinó ajudar a planificar millor i a interpretar el rendiment dins d’un context més ampli.
El testing incremental, finalment, permet validar hipòtesis i corregir biaixos. Serveix per comprovar si allò que sembla funcionar en l’atribució o en el model agregat realment està generant valor addicional. En aquest sentit, ajuda a acostar el mesurament a una pregunta més causal: què hauria passat sense aquella campanya, aquell canal o aquella inversió.
Una manera senzilla de resumir-ho seria aquesta: l’atribució orienta, el MMM contextualitza i el testing valida.
Per exemple, una campanya de commerce media pot mostrar un ROAS alt dins de la plataforma. L’atribució indicarà que aquella campanya ha participat en moltes vendes. El MMM pot ajudar a veure si aquell canal està contribuint al creixement total del negoci o si simplement està concentrant vendes que s’haurien produït igualment per altres vies. I un test incremental pot comprovar si, en realitat, s’han generat vendes addicionals o si la campanya ha captat una demanda que ja existia.
Quan aquests enfocaments es combinen bé, el mesurament deixa de ser una competició entre models i es converteix en un sistema d’aprenentatge. No es tracta de buscar una única xifra que tanqui la discussió, sinó de reunir diferents evidències per prendre millors decisions.
Errors freqüents en la interpretació de dades
Un dels riscos més grans del mesurament avançat no rau en la manca de dades, sinó a llegir-les malament. Quan una organització disposa de dashboards, models, informes i mètriques en temps real, pot caure fàcilment en la temptació d’interpretar cada xifra com una resposta definitiva. Però les dades no parlen soles: sempre necessiten context, criteri i una pregunta ben formulada.
El primer error freqüent és confondre vendes atribuïdes amb vendes incrementals. Que una plataforma assigni una venda a una campanya no vol dir necessàriament que aquella venda no s’hauria produït sense la campanya. Pot ser que l’anunci hagi influït en la decisió, però també pot ser que simplement hagi captat una intenció de compra que ja existia.
Un altre error habitual és creure que el canal amb més ROAS mereix sempre més pressupost. Un ROAS alt pot indicar eficiència, però també pot amagar una inversió massa conservadora, audiències molt properes a la conversió o una forta dependència de clients que ja anaven a comprar. Sense una lectura més àmplia, optimitzar només cap al ROAS pot portar a reduir la capacitat real de creixement.
També és perillós prendre decisions estratègiques únicament amb dades de plataforma. Cada plataforma tendeix a mesurar des del seu propi entorn, amb les seves pròpies finestres d’atribució, metodologies i criteris. Si s’interpreten aquestes dades de manera aïllada, és fàcil sobreestimar el paper d’alguns canals i infravalorar-ne d’altres que contribueixen de manera menys visible.
A això s’hi suma un altre problema: ignorar factors externs. L’estacionalitat, les promocions, els canvis de preu, la distribució, la disponibilitat de producte o l’activitat de la competència poden alterar els resultats d’una campanya. Si no es tenen en compte, el màrqueting pot atribuir-se mèrits que en realitat provenen d’altres variables del negoci.
També convé evitar comparar models com si tots responguessin la mateixa pregunta. L’atribució, el MMM i el testing d’incrementalitat no mesuren exactament el mateix. Per això, els seus resultats no sempre coincidiran, i aquesta diferència no implica necessàriament que un estigui “bé” i un altre “malament”. Pot indicar, simplement, que estan observant el problema des d’angles diferents.
Finalment, hi ha un error cultural especialment rellevant: utilitzar la dada per justificar decisions ja preses, en lloc d’utilitzar-la per aprendre. El mesurament hauria d’ajudar a qüestionar hipòtesis, corregir biaixos i millorar decisions futures. Quan les dades es converteixen només en una eina de validació interna, perden gran part del seu valor estratègic.
Mesurar bé exigeix acceptar que els models treballen amb incertesa. No sempre oferiran una resposta exacta, però sí que poden ajudar a reduir el marge d’error. L’objectiu no és trobar una xifra perfecta, sinó interpretar millor la realitat per decidir amb més responsabilitat.
Conclusió
La maduresa en mesurament no consisteix a tenir més informes, més mètriques o més dashboards. Consisteix, sobretot, a fer millors preguntes. No n’hi ha prou de saber quantes conversions s’han atribuït a una campanya, quin ROAS mostra una plataforma o quin canal apareix al final del recorregut. La pregunta important és què podem aprendre d’aquestes dades i quines decisions ens ajuden a prendre amb més criteri.
En un ecosistema imperfecte, l’objectiu no és eliminar completament la incertesa. Això seria poc realista. Sempre hi haurà variables que no es controlen del tot: canvis en la demanda, estacionalitat, preu, competència, disponibilitat de producte, comportament del consumidor o limitacions pròpies dels models. La clau rau a reduir aquesta incertesa prou per decidir millor.
Per això, el màrqueting actual necessita combinar dades, context, experimentació i criteri humà. Els models poden detectar patrons, ordenar informació i oferir senyals valuosos, però no substitueixen la interpretació estratègica. Un bon mesurament no només respon què ha passat, sinó que ajuda a entendre per què pot haver passat, quina part del resultat és realment atribuïble al màrqueting i què caldria comprovar abans de prendre la decisió següent.
En aquest sentit, el mesurament hauria de deixar de veure’s només com una eina de control. El seu valor no rau únicament a justificar pressupostos, avaluar campanyes o demostrar resultats a posteriori. També pot convertir-se en una eina d’aprenentatge: permet qüestionar hipòtesis, corregir biaixos, descobrir oportunitats i construir una organització més preparada per decidir en entorns canviants.
En un ecosistema imperfecte, l’avantatge no rau a trobar el model perfecte, sinó a construir una manera més intel·ligent d’aprendre. Mesurar millor no vol dir veure-ho tot; vol dir saber què pot dir cada dada, què no pot dir i quines decisions permet prendre amb més responsabilitat.
Les teves dades t’estan ajudant a aprendre millor o només estan confirmant allò que ja volies creure?
Fonts:
Comentaris