Incrementalidad: ¿la venta habría ocurrido igualmente?

La incrementalidad mide cuántas conversiones, ventas o unidades de margen ocurrieron por una intervención y no habrían ocurrido sin ella. La atribución asigna crédito dentro de un recorrido observado; la incrementalidad intenta estimar el contrafactual: qué habría pasado en ausencia de la campaña.

Ambas son útiles, pero responden preguntas distintas. La atribución ayuda a operar canales. La incrementalidad decide si la inversión crea demanda, desplaza otra fuente o reclama ventas que ya iban a suceder.

La diferencia puede convertir una campaña aparentemente excelente en una mala asignación de capital sin cambiar una sola conversión registrada.

Atribución, causalidad e incrementalidad

Atribución

Distribuye crédito entre puntos de contacto según una regla: último clic, primer clic, posición, modelo algorítmico u otra lógica. Describe recorridos observados y facilita optimización táctica.

Causalidad

Pregunta si modificar una variable produjo un cambio en otra, manteniendo comparables las demás condiciones. Necesita un contrafactual creíble.

Incrementalidad

Expresa el efecto adicional de la intervención. Puede medirse como diferencia absoluta, lift relativo, clientes adicionales o margen incremental.

Si un usuario habría comprado de todos modos, atribuirle una conversión a la campaña no la convierte en incremental. La plataforma puede estar técnicamente correcta según su ventana y, al mismo tiempo, no responder a la pregunta económica.

El contrafactual: la parte que no podemos observar directamente

Para una misma persona no podemos ver simultáneamente qué ocurre con y sin exposición. Construimos el contrafactual mediante un grupo comparable: usuarios, regiones, tiendas o periodos que no reciben la intervención.

La calidad depende de comparabilidad y ausencia de contaminación. Si el grupo de control recibe impactos por otro dispositivo, si una promoción nacional afecta solo al tratamiento o si las regiones tienen tendencias distintas, la diferencia deja de aislar el efecto.

La aleatorización es la herramienta más fuerte cuando es viable. Cuando no lo es, utilizamos diseños cuasiexperimentales y más supuestos. Esos supuestos deben formar parte de la comunicación, no esconderse en un anexo.

Un ejemplo: 2.600 conversiones atribuidas y 400 incrementales

Ejemplo ilustrativo:

• Población elegible: 100.000 usuarios.
• Tratamiento: 80.000, con conversión del 4,0 %.
• Control: 20.000, con conversión del 3,5 %.
• Inversión: 60.000 euros.
• Conversiones atribuidas por la plataforma: 2.600.

La diferencia absoluta es 0,5 puntos porcentuales. Aplicada a 80.000 usuarios tratados equivale a 400 conversiones incrementales.

Lift relativo = (4,0 % − 3,5 %) / 3,5 % = 14,3 %

CPA atribuido = 60.000 / 2.600 = 23 €

CAC incremental = 60.000 / 400 = 150 €

Si el margen esperado por cliente es 120 euros, la campaña destruye 30 euros por cliente incremental antes de costes fijos. La atribución sigue siendo útil para operar creatividades y audiencias. No debe utilizarse sola para defender presupuesto.

Del lift al resultado económico

Un test termina demasiado pronto si solo informa de porcentaje de lift. Traduciría el resultado a:

• Conversiones o clientes adicionales.
• Margen incremental.
• CAC incremental.
• Payback y caja.
• Intervalo de incertidumbre.
• Capacidad de escalar el tratamiento.

Si el intervalo plausible del ejemplo va de 120 a 680 conversiones adicionales, el CAC incremental podría estar entre 88 y 500 euros. Esa amplitud no hace inútil el test; define qué decisión permite.

Una repetición pequeña o reversible puede justificarse para ganar potencia. Un contrato anual o una gran expansión necesitaría más evidencia.

Diseñar un experimento de incrementalidad

Antes de empezar fijaría:

1. Población elegible.
2. Unidad de aleatorización.
3. Tratamiento y control.
4. Métrica primaria.
5. Efecto mínimo detectable.
6. Tamaño y duración.
7. Criterios de exclusión.
8. Riesgos de contaminación.
9. Guardrails.
10. Regla de decisión.

Revisar cada día y detener cuando aparece significación eleva falsos positivos. Cambiar la métrica después de ver resultados convierte el experimento en una historia. El análisis exploratorio es válido, pero debe etiquetarse como tal y validarse después.

También comprobaría sample ratio mismatch, pérdida de datos, cambios de exposición y equilibrio inicial. Un cálculo sofisticado no rescata un experimento mal ejecutado.

Holdouts de usuario

Funcionan cuando podemos asignar usuarios de forma estable y separar exposición de conversión. Son útiles para CRM, campañas identificadas y plataformas con herramientas de lift.

Sus límites incluyen contaminación entre dispositivos, baja tasa de exposición real y dificultad para medir efectos de marca o spillovers. Debemos distinguir asignación al tratamiento de exposición efectiva.

Geoexperimentos

Asignan regiones a tratamiento y control. Resultan útiles cuando la exposición no puede aislarse a nivel individual o queremos medir medios offline y efectos agregados.

Necesitan regiones comparables, suficiente variación, tratamiento intenso y control de interferencias. Promociones, aperturas, stock, clima, competencia y actividad comercial deben registrarse.

En lugar de elegir regiones solo por tamaño, utilizaría tendencias históricas, composición y estabilidad para construir un contrafactual. El resultado debe incluir sensibilidad a especificaciones alternativas.

Tests de apagado y escalado

Un holdback mantiene un porcentaje sin campaña. Un test de apagado retira inversión en una zona o audiencia. Un test de escalado aumenta presión para crear señal.

Apagar puede tener coste comercial y efectos retardados; escalar puede entrar en saturación. La intervención debe ser suficientemente fuerte para detectar efecto, pero limitada para proteger el negocio.

Cómo convive incrementalidad con atribución y MMM

• La atribución opera el corto plazo.
• La incrementalidad calibra causalidad en decisiones concretas.
• El MMM integra evidencia agregada y simula presupuesto.

Los resultados experimentales pueden calibrar priors o rangos de un MMM. El MMM puede señalar canales y mercados donde la incertidumbre económica merece un experimento. Cuando atribución e incrementalidad divergen, no elegiría la cifra más favorable; investigaría qué demanda está capturando el canal.

Errores frecuentes

• Llamar incremental a toda conversión atribuida.
• Diseñar control después de lanzar.
• Elegir la métrica al ver resultados.
• Ignorar exposición real y contaminación.
• Detener el test por significación temprana.
• No registrar promociones, stock o actividad comercial.
• Comunicar lift sin margen ni CAC incremental.
• Tratar un resultado incierto como «sin efecto».
• Extrapolar fuera de la población y presión probadas.

Preguntas frecuentes

¿Una campaña con muchas ventas atribuidas puede tener poco lift?

Sí. Puede concentrarse en usuarios que ya tenían alta intención o capturar demanda generada por otros canales.

¿No significación equivale a cero efecto?

No. Puede significar que el experimento no tuvo potencia suficiente para distinguir el efecto del ruido. Hay que observar intervalo y efecto mínimo detectable.

¿Debo medir todo con experimentos?

No. Experimentar tiene coste. Priorizaría decisiones con alto presupuesto, incertidumbre material y posibilidad de construir un contrafactual útil.

Conclusión: atribuir ayuda a operar; incrementar ayuda a invertir

La atribución responde quién tocó la conversión según una regla. La incrementalidad intenta responder si la inversión cambió lo que habría ocurrido.

Una organización madura utiliza ambas sin pedirles lo mismo. Opera campañas con velocidad, reserva experimentos para decisiones importantes y traduce el lift a margen, CAC, riesgo y capacidad de escala. Ahí la medición deja de repartir mérito y empieza a asignar capital.