La pregunta que toda la atribución intenta responder mal: ¿esta campaña CAUSÓ ventas, o solo se llevó el crédito de ventas que iban a pasar igual? La atribución mide correlación (este canal tocó la venta). La incrementalidad mide causalidad (esta venta NO habría pasado sin el canal). El concepto-raíz: lo único que importa es lo que NO habría pasado sin gastar — el resto es crédito robado.
El problema que expone (por qué importa tanto)
Escenario real:
Gastas 10.000€ en anuncios de marca ("Nike" en Google).
Esos anuncios "generan" 500 ventas según last-click.
↓
PERO: esa gente buscó "Nike" — YA quería Nike.
Habrían comprado igual sin el anuncio (entrando directo o por SEO).
↓
Incrementalidad real del anuncio: quizá 50 ventas, no 500.
Pagaste 10.000€ por 50 ventas incrementales, no 500.
Tu ROAS real es 10x peor de lo que crees.
Esto es lo que la atribución esconde: te da el crédito de ventas que ocurrirían de todos modos. La incrementalidad lo desenmascara.
Interactúa: Simulador de Geo-Experimento e Incrementalidad
Selecciona el tipo de campaña e invierte presupuesto simulado para comparar lo que reporta el panel de anuncios (atribución clásica) frente al retorno incremental verdadero medido científicamente.
El concepto central: el contrafactual
Incrementalidad mide la diferencia entre dos mundos:
Mundo A (con la campaña): 1000 ventas
Mundo B (sin la campaña): 900 ventas ← el "contrafactual"
─────────────
Incrementalidad: 100 ventas
Esas 100 son las ÚNICAS que la campaña causó de verdad.
Las otras 900 habrían pasado igual.
El problema: no puedes vivir los dos mundos a la vez. Por eso necesitas experimentos que simulen el mundo sin la campaña.
Los métodos para medir incrementalidad
| Método | Cómo funciona | Cuándo |
|---|---|---|
| Geo-experiments | Apagas el canal en unas regiones, lo dejas en otras | El más usado, robusto |
| Holdout groups | Un grupo de usuarios NO ve los anuncios (control) | Cuando puedes segmentar audiencia |
| Ghost ads / PSA | Al control le muestras un anuncio placebo | Plataformas que lo soportan |
| Switchback | Enciendes/apagas en el tiempo, comparas periodos | Marketplaces, delivery |
El 80% de la incrementalidad práctica son geo-experiments: la forma más limpia de crear un “grupo de control” sin que las plataformas te lo impidan.
Geo-experiments en detalle (el método estrella)
1. Divides tu mercado en dos grupos de regiones comparables:
Grupo TEST → sigue viendo los anuncios
Grupo CONTROL → apagas los anuncios
2. Dejas correr el experimento (semanas).
3. Comparas las ventas:
Si TEST vende más que CONTROL → el canal ES incremental
Si venden igual → el canal NO aportaba nada (lo pagabas en vano)
4. La diferencia = el verdadero impacto causal del canal.
Por qué funciona: las regiones de control son tu “mundo sin la campaña”. Si apagas Meta en media España y las ventas caen ahí pero no en la otra media, Meta era incremental. Si no caen, estabas tirando el dinero.
La distinción que lo cambia todo: correlación vs causalidad
ATRIBUCIÓN (correlación):
"Meta tocó 500 ventas" → ¿pero las causó? No lo sabes.
INCREMENTALIDAD (causalidad):
"Apagamos Meta en control, las ventas cayeron 100"
→ Meta causó 100 ventas. Certeza.
Esta es la diferencia entre marketing amateur (optimiza por atribución, crédito robado incluido) y marketing serio (optimiza por incrementalidad, solo lo causal). Las empresas que descubren esto suelen recortar canales que parecían rentables y no lo eran.
Los hallazgos típicos que sorprenden
Cuando una empresa hace incrementalidad por primera vez, casi siempre descubre lo mismo:
| Canal | Lo que dice atribución | Lo que dice incrementalidad |
|---|---|---|
| Búsqueda de marca | Altísimo ROAS | Baja incrementalidad (ya te buscaban) |
| Retargeting | Gran ROAS | Media-baja (iban a volver igual) |
| Prospecting/awareness | ROAS pobre | Alta incrementalidad (trae gente nueva real) |
La ironía cruel:
Los canales que la atribución premia (marca, retargeting)
suelen tener baja incrementalidad.
Los que la atribución castiga (awareness, prospecting)
suelen ser los que de verdad traen clientes nuevos.
Optimizar por atribución = matar lo que te trae clientes nuevos.
Cómo se conecta con MMM
Recordando lo de post-cookies: MMM (Media Mix Modeling) y los experimentos de incrementalidad se complementan:
MMM → estima incrementalidad de forma continua, con estadística
Geo-experiments → la VALIDAN puntualmente, con un test real
↓
Los experimentos calibran el MMM.
El MMM mide entre experimentos.
Juntos = la medición causal moderna.
Esto es lo que hacen las empresas serias (Glovo, las que viste con “geo-lift tests”): MMM para la visión continua, geo-experiments para confirmar.
Las herramientas
| Herramienta | Para qué |
|---|---|
| Google GeoX / Meridian | Geo-experiments e incrementalidad |
| Meta Lift / Conversion Lift | Holdout tests dentro de Meta |
| Google Ads Conversion Lift | Incrementalidad en Google |
| Frameworks estadísticos (R/Python) | Análisis causal propio |
Las propias plataformas ofrecen tests de lift — pero ojo: que Meta mida la incrementalidad de Meta es como dejar que el examinado se ponga la nota. Los geo-experiments independientes son más confiables.
Las consideraciones que importan
1. Necesitas escala. Geo-experiments requieren suficientes regiones y volumen de ventas para que la diferencia sea estadísticamente detectable. Negocios pequeños no pueden hacerlo bien — otra razón por la que es skill de empresa mediana-grande.
2. Es estadística causal, no dashboards. Aquí el análisis deja de ser descriptivo (“qué pasó”) y se vuelve causal (“qué causó qué”). Es de las ramas más técnicas y mejor pagadas — combina experimentación, estadística y negocio.
3. El reto es cultural, no técnico. Decirle al CMO “el canal en el que gastas más no es incremental” es políticamente difícil. La gente se ata emocionalmente a sus números de atribución. Convencer con un experimento limpio es parte del trabajo.
4. No todo necesita incrementalidad. Para decisiones pequeñas, la atribución basta. La incrementalidad se reserva para decisiones grandes de presupuesto, donde el crédito robado cuesta mucho dinero.
5. Por qué es la cima anti-IA. Combina las tres cosas más difíciles de automatizar: diseñar un experimento causal válido (criterio estadístico), interpretar el resultado en contexto de negocio, y convencer a la organización de actuar. La IA calcula; no diseña el experimento ni convence al CMO.
El concepto que une Incrementality
La atribución da crédito robado: ventas que pasaban igual.
La incrementalidad mide solo lo causal: lo que NO pasaría sin gastar.
El contrafactual ("el mundo sin la campaña") se simula con experimentos.
Geo-experiments: apagas el canal en unas regiones, comparas con otras.
Hallazgo típico: marca/retargeting tienen baja incrementalidad real;
awareness/prospecting traen los clientes nuevos de verdad.
MMM mide continuo, los experimentos validan: la medición causal moderna.
Es la cima anti-IA: diseñar el experimento y convencer al CMO es humano.