Por qué el ROAS NO es la métrica para medir campañas de publicidad

13 min read

Evolución del seguimiento de métricas

Mirando con un poco de perspectiva durante todos los que llevo trabajando en publicidad online, me resulta curioso haber pasado por todas las fases de medición de objetivos y petición de KPIs que he tenido que reportar en mis informes en las distintas empresas en las que he trabajado.

Recuerdo sobre todo, la presión de mi primer jefe en bajar el CPA lo máximo posible cuando aún no sabía ni lo que significaban esas siglas.

Os dejo este gráfico super representativo de la evolución que yo misma he sentido era mi métrica a conseguir a lo largo de los años.

¿Quién no se siente identificado?

Fuente: Crealytics

Durante mucho tiempo, nos hemos detenido demasiado en optimizar campañas para conseguir más revenue sin preguntarnos si es realmente la métrica a conseguir. Especialmente en aquellos tiempos cuando la gran mayoría de las estrategias de publicidad de pago se realizaban en Google y eran campañas más básicas de búsqueda a través de palabras clave donde lo importante era ser lo más eficiente y rápidamente escalable posible y automatizando procesos y workflows.

De aquí nacen los nuevos sistemas de puja de Google Ads y diversas plataformas, para conseguir más conversiones o un ROAS más alto. Que como no, mi carácter crítico viene a poner en tela de juicio.

Taylor Swift GIF from Thinking GIFs

Porqué no me vale medir a ROAS (ni que Google me meta sus nuevos sistemas de puja automatizados con calzador)

Actualmente y en el futuro, con la aparición de nuevos canales de venta avanzados, Shopping, Amazon, Facebook, la evolución de los automatismos en estas plataformas y la complejidad y diversidad de las distintas campañas, el paradigma se ha vuelto más complejo.

En la actualidad no nos importa tener un ROAS de campañas positivo si no estamos beneficiando el margen, la rentabilidad (en varios sectores incluyendo el porcentaje de devolución) con un modelo de atribución equiparable entre canales y acorde al negocio y una de las más importantes: mejora del Customer Lifetime Value, que es la maquinaria que hace crecer la estructura.

Al fin y al cabo, como ya sabemos, es mucho más fácil y a medio/largo plazo convencer a un usuario del que ya te has ganado su confianza una vez y realizar estrategias para que vuelva a tu negocio; que atraer sin parar nuevos usuarios y por ende más caros que jamás volverán a comprarte.

Siguiendo el ejemplo de la imagen que me ha llevado un rato currarme en CANVA, pongamos que con un sistema de puja de maximizar ROAS que está muy de moda ahora en Google ads, por simplificar, el algoritmo ha asignado presupuesto a partes iguales; pues por temas de cookies borradas y demás, no es capaz de reconocer a tus usuarios más fieles, recurrentes o nuevos como tú podrías hacer con customer match.

Por tanto, si te fijas, el ROI de cada tipo de usuario, varía.

Pues la movida de todo este post es para explicar, primeramente que debemos darnos cuenta que cada usuario es potencial o no de volver a comprar.

Después, identificarlos y poder así asignar el presupuesto adecuado para cada uno de ellos para tener la mayor rentabilidad posible.

El problema con la estrategia de conseguir más revenue para recuperar la inversión (ROAS, vaya), es que las métricas comparables suelen ser cerradas en un rango de tiempo.

Y es que, ¿quién no está reportando a sus clientes o responsables las distintas métricas en MoM o YoY? (Mes contra mes o año contra año).

Es decir, que nos hemos acostumbrado a reportar respecto a un período inmediatamente anterior, cuando la inversión, estacionalidad o cambios en las cuentas o en el negocio han podido tener el impacto necesario como para que la comparación no sea representativa; o bien, comparando contra el año anterior, donde el periodo de tiempo ha sido tan largo que muchos factores han podido afectar como para desvirtuar la comparativa a la hora de realizar el análisis.

O incluso cuando reportamos acumulado año, me da igual. Sin Customer Lifetime Value (CLV), la métrica es igual de estática.

El problema es que si para calcular el ROAS únicamente miramos los ingresos en la plataforma que utilizamos, bien la de analítica donde tenemos todos los canales o bien individualmente por cada plataforma de pago (Google, Facebook, Criteo, Twitter, AWIN o la suma de todas ellas), estamos viendo una fracción estática y desvirtuada además, del valor potencial que generan los clientes que hemos conseguido con esa inversión.

Reportando lo que es justo para el negocio (y no sólo para mi canal)

Por tanto, cobra mucho más sentido a la hora de asignar presupuestos para uno u otro canal, ciudad, o segmento al que nuestro negocio sea más coherente realizar este análisis:

  • MARGEN: Primeramente ataquemos el EGO del especialista en publi. Seamos conscientes que a los ingresos hay que restarles cositas, señores, que no todos los ingresos hechos con nuestra gran habilidad para optimizar son nuestros.

Hay que tener en cuenta lo que realmente estamos ganando eliminando costes fijos y variables asignados a esas ventas. Es decir, al margen por cada producto/pedido restarle portes, gastos asignados a devoluciones (los que trabajáis en grandes e-commerce, Alemania y sus porcentajes de devolución os saludan), costes de marketing por captación de usuarios, gastos de gestión de descuentos que además acotan el margen, etc.

  • CUSTOMER LIFETIME VALUE: Por otro lado, no sólo restemos. Demos valor a nuestro trabajo teniendo en cuenta que habrá clientes captados gracias a nuestras acciones de marketing que repercutirán en ingresos en los próximos meses y que a día de hoy con el modelo tradicional no estamos sumándolos.

Ejemplo de lo que reportamos vs lo que podríamos llegar a reportar con un rango de 1 año vista:

Os dejo unas gráficas comparando algunos de los KPI sobre los que medimos eficiencia de la publicidad, sacadas a nivel top 5 ciudades para explicarme mejor:

En este caso, vemos como Valencia y Sevilla que creíamos eran las segundas ciudades más rentables, caen en el ranking al valorarlas a nivel LTV.

Y como sabréis y sino lo confirmo aquí, soy una persona pro-automatismos en las plataformas de pago.

Pero, por mucho que configuremos el sistema a ROAS objetivo o a maximizar conversiones, pocas cuentas realmente se han configurado previamente teniendo en cuenta maximizar el margen de los productos o servicios; y muchos menos en base a LTV.

El problema de una pobre medición de periodo de compra del usuario es que los algoritmos y automatismos tomarán el control de las pujas para usuarios que maximizarán la venta a productos que no tienen porqué interesarte a nivel margen, o a usuarios que no te repercutirán venta más allá de la primera compra.

Y es que ningún GAFA (Google,Amazon, Facebook, Apple) ni ninguna plataforma conoce las características ni las métricas de tu negocio como lo haces tú.

Y con esto cierro de un plumazo el argumento de que con los automatismos de Google los gestores hacemos cada vez menos. Es de hecho al contrario.

No regalemos el control gratuitamente, please.

Lifetime Value Histórico vs Lifetime Value Predictivo

Ojo que me meto ya en la salsa.

Empezaré comentando que el CLV histórico lo defino como no predictivo.

Es importante comentarlo porque al fin y al cabo, el lifetime value es una métrica viva de por sí.

¿Que se puede acotar en un rango de tiempo que empieza y acaba? Sí, pero se llama Lifetime porque no muere. Just like Elvis.

Elvis Kiss GIF from Elvispresley GIFs

Explico de forma rápida dos formas de calcular el CLV Histórico:

  1. Calcular los ingresos promedio por usuario
  2. Análisis de tipo cohorte.

En ambas formas, esencial entender que al analizar el CLV histórico no evaluamos el tiempo. Es decir, colocamos a todos los usuarios, nuevos y antiguos, en el mismo grupo cuando, de hecho, pueden comportarse de manera sustancialmente diferente si por ejemplo hemos invertido más en publicidad durante un mes específico o hemos sacado una nueva línea de negocio.

  1. Voy a poner un ejemplo muy sencillo para poder llegar cuanto antes a lo verdaderamente interesante que es realizar modelos predictivos para realizar estrategias accionables futuras.

Imagina que hoy es 1 de Agosto de 2020 y vamos a evaluar los 6 meses de sus compras.

  • El ingreso mensual promedio de María es (150€ + 50€ + 200€) / 6 = 67€
  • El ingreso mensual promedio de Guille es (45€ + 75€ + 90€) / 6 = 35€
  • Sumando estos dos números obtendrás un ingreso mensual promedio por cliente de 102/2 = 51€.
  • Para encontrar un CLV de 12 o 24 meses, multiplicaríamos ese número por 12 o 24.

  • El beneficio de un enfoque ARPU (Average Revenue Per User o Ingreso medio por usuario) es que como veis es simple de calcular. (A veces también se calcula por separado el Ingreso medio por nuevo usuario: ARPNU y por recurrente: ARPRU) #JustSaying
  • El inconveniente es que este número puede ser engañoso si tiene muchos clientes nuevos o antiguos; ya que no estaríamos teniendo en cuenta los cambios en el comportamiento de los usuarios.

Es decir, si tienes muchas “María” como clientes, pero un nuevo anuncio de Facebook tiene significativamente más impacto sobre los "Guille", entonces el ingreso mensual promedio por cliente del futuro estará más cerca de los 35€ de Guille que de los 67€ de María. Got it?

Got It Got It Kevin Hart GIF from Gotitgotit GIFs

Y para hacer medias chungas, mejor nos quedamos en casa. Pero hemos venido a jugar. ¿O no?

2. Así que vamos a dar un paso más allá haciendo un análisis en un informe tipo cohorte.

Usando el mismo ejemplo, podemos calcular ARPU mensual para nuestro cohorte de Enero (María) y el de Abril (Guille).

En este caso, podemos hacer la suma de los ingresos de cada usuario a lo largo de un periodo de tiempo.
Pensad que al cerrar el mes tal y como lo hacemos ahora, no tendríamos en cuenta las nuevas compras realizadas por nuestros ya conocidos usuarios en los meses siguientes por lo que nuestro ROI ya se estaría viendo perjudicado.

Entonces, una vez tienes un perfil de datos sólido de tus clientes recurrentes, puedes utilizar el análisis predictivo para tener una idea sólida de qué nuevos clientes se convertirán en futuros recurrentes y centrar tus mensajes y ofertas personalizadas exclusivamente para ellos.

Afortunadamente, existen varios métodos que se pueden utilizar para predecir el CLV, incluida la extrapolación, los algoritmos de aprendizaje supervisado y el modelado probabilístico. Fascinante.

Me voy a poner intelectual aquí. Seré breve, I promise.

La extrapolación o previsión puede adoptar muchas formas. Una de ellas es un promedio móvil simple, (móvil que de que se mueve, no de smartphone, joder) en el que se pronostica el gasto futuro de un cliente en función del gasto de un cliente durante un período anterior.

Los promedios móviles son más útiles que los promedios simples porque tienen en cuenta las posibles tendencias en el gasto de un cliente potencial.

Ten en cuenta que las medias móviles con períodos cortos pueden ocultar la estacionalidad. Por ejemplo, piénsalo; usar un promedio móvil de tres meses de Agosto a Octubre para predecir las ventas de Noviembre y Diciembre en una e-commerce es obvio que no va a ser plausible en absoluto. Por el contrario, usar datos de ventas navideñas o rebajas para predecir las ventas de Febrero o Marzo puede hacer que sobreestimes el CLV y tomes decisiones demasiado optimistas respecto al presupuesto asignado a esos meses.

Los métodos estadísticos avanzados pueden proporcionar CLV predictivos aún más precisos. Dos métodos interesantes son el clasificador bayesiano ingenuo (que a mi me parece que es de todo menos ingenuo) y Pareto/NBD en las que no pienso meterme ni harta de mosto.

Se lo dejo a los científicos del dato y con todo el amor del mundo, a los César Aparicios de la vida.

Pero las gráficas que salen, molan que lo flipas:

Si queréis leer más sobre métodos estadísticos que seguro que lo estáis deseando, os dejo este post DE LA HOSTIA sobre diferentes modelos predictivos en python y sus aplicaciones. https://towardsdatascience.com/predicting-customer-lifetime-value-with-buy-til-you-die-probabilistic-models-in-python-f5cac78758d9

En realidad, y por concretar, ¿cuánto nos importa la inversión obtenida de shopping, audiencias nuevas de facebook, brand, search, retargeting de una u otra plataforma, o display, si podemos asignar correctamente el presupuesto para maximizar la venta de aquellos usuarios que se van convirtiendo en fidelizados vengan de la plataforma o tipo de campaña que sea?

El CLV predictivo te permite identificar qué clientes son VIP y cuáles son de menor valor. Una vez que separes a tus clientes en diferentes tiers, podrás ver realmente de dónde viene el dinerito.

Con niveles definidos de valor de cliente, podremos entonces concentrarnos en los tiers en lo que necesitamos como negocio y tomar decisiones según en el ciclo de vida en el que nuestra empresa esté: Crecer en nuevos usuarios o retener.

Recuerdas la regla de 20-80, ¿verdad?

Donde el 20% de tus usuarios te traen el 80% de la venta? Poz’ eso.

Incrementa el valor de los usuarios que te traen el mayor porcentaje de venta y ahorrarás en costes aumentando ingresos. AKA incrementando el ROI.

Admitámoslo, realizar un modelo predictivo por nosotros mismos requiere de recursos, tiempo y personal cualificado con el que no todos podemos contar.

Y para esto, mi colega Rafa Jimenez se montó hace ya varios años una herramienta bastante seria llamada ADINTON que ya hace este curro por ti.

O sea, precisamente lo que trato de contar en este post: Pujar sobre momentos del usuario clasificados en base a niveles y previsión de compra basados en KPI internos de tu negocio, no en los que Google/Facebook/Quien sea cree que debería ser tu objetivo (estrategias de ROAS, max conversiones, CPA objetivo). Midamos bien y en global para el negocio, porfa.

Bien pero, ¿por dónde empezamos?

  1. Lo primero será tener un tracking de usuarios lo suficientemente potente como para hacer que no perdamos el rastro de los usuarios por temas de multidispositivo, caducidad de cookie o de sesión.
    De esta forma podremos hacer un seguimiento no sólo de compradores recurrentes, sino de visitantes recurrentes. Recordad que además en muchas webs existen compras con usuario guest, donde también perdemos trazabilidad.

    Opiniones de genios del dato bienvenidas (Oriol Farré, Ani López, Iñaki Huerta, Gorostiza, Eduardo Sanchez, Jordi Rosell, Carlos M Lebrón… Ellos podrán hablaros mejor de las mejoras en seguimiento de usuarios especialmente con novedades como el server-side tagging de tag manager. Dejo hilo de Twitter de Iñaki Huerta para los interesados en este punto:

Sin este punto tenemos menos volumen de datos, y por consiguiente, predeciremos de forma más limitada e inconsistente.

Fortune Teller GIF from Fortuneteller GIFs

2. Analiza distintas métricas en informes tipo cohort para 6, 12 y 24 últimos meses y quédate con los datos que hablen de tu negocio: visitas, ventas….

3. Selecciona las métricas y rangos temporales para análisis de LTV más representativos para tu negocio, ni más ni menos. Tener demasiados datos a procesar nos puede abrumar y desviarnos de conclusiones accionables.

Cada negocio es un mundo y habría que analizar el periodo perfecto para cada uno, pero un rango de 12 meses suele ser bastante común.

4. Automatiza procesos para tener visiones más amplias de fechas que puedan ayudarte en la activación de campañas en pro de aumentar ROI objetivos o maximizar canales de mayor margen.

5. Saca estrategias accionables, hostias. Liarse con una movida de este tipo haciendo que tu BI extraiga datos pasados y estimados a futuro de forma recurrente y automatizada para que se vuelva un informe anecdótico es perder el tiempo. ¡Úsalo!

6. Estima presupuestos para próximos meses en base a estos datos. Así podrás saber cuándo es más económico para tu negocio pujar más alto o invertir más para conseguir usuarios de forma más eficiente. TOP

Preguntas a hacernos de cara a estrategias accionables

Paso aquí algunas conclusiones que puedes sacar en base al análisis de este tipo de informes para que puedas empezar a trabajar sobre ellos.

  • ¿Qué hace que un usuario repita? Potenciamos el canal, el rango de precio o tipo de producto que lo lleve a repetir.
  • Estrategias cross-selling y up-selling, aprovechar el conocimiento para aumentar AOVs en el momento más oportuno.
  • ¿En qué momento se estabiliza el máximo AOV de tu negocio?
  • Qué prefieren los usuarios en su segunda compra. Mostrar creatividades o campañas enfocadas a patrones de comportamiento. ¿Qué prefieren en la tercera? ¿Y en la cuarta, etc?
  • ¿Qué rango de tiempo necesitan para volver a comprar? y más importante aún ¿cuándo estamos empezando a ser pesados y tenemos que controlar la frecuencia de nuestros impactos?
  • ¿A partir de qué frecuencia de mix canales hacen que mi usuario nuevo compre otra vez?
  • ¿Cuándo es el mejor momento para ofrecer un descuento? Y ¿qué tipo de usuarios los necesitan y cuáles no? Así ahorro la gestión de creación de cupones, descuentos etc para todos ellos cuando algunos ya comprarían a full price por sí mismos.
  • Evaluación de cuando un cliente se ha fidelizado y estrategias para aumentar el volumen de usuarios fidelizados.

Concluyendo un poco, si bien es cierto que no siempre tenemos toda la visión del negocio porque sólo tenemos acceso parcial a la información, lo ideal es mostrar al responsable que no hay un solo punto de vista sobre si somos o no rentables bajo la atribución que estamos teniendo en un solo canal.

Por otro lado, a la hora de estimar presupuestos, es importante analizar margen y CLV bien para tener detectado cuándo y dónde perdemos pasta y cuándo y dónde perdemos oportunidad de venta.

Y tú, ¿qué métricas reportas?

Si te ha parecido interesante y crees que puede ayudar a alguien más, puedes dar visibilidad en redes sociales:

Referencias:

Mai Molina

Mai Molina

Website Twitter More posts
Remote
Previous Post
Next Post