Sabes que la IA mejora tus campañas cuando una comparación controlada lo confirma. Retén un grupo elegido al azar que no reciba el cambio impulsado por IA, ejecuta ambos en paralelo y compara el resultado de negocio, no solo el informe de la propia plataforma. Si el grupo expuesto no supera al grupo de exclusión por más que el ruido normal, la mejora no está demostrada.
Puntos clave
- Los paneles de las plataformas informan de resultados que ocurrieron, no de resultados que causaron los anuncios.
- Un grupo de exclusión, en el que una porción aleatoria nunca ve el cambio, es la prueba honesta más sencilla.
- Prueba el propio cambio de IA, ya sea en creatividad, pujas o segmentación, de uno en uno.
- Define métricas de control para que la mejora de una cifra no oculte la caída de otra.
- Decide la medida de éxito, el presupuesto y la regla de parada antes de empezar la prueba.
¿Por qué no puedes fiarte del panel?
Porque el panel cuenta conversiones que a menudo habrían ocurrido igualmente. Las pujas automatizadas son buenas para encontrar a personas que ya tenían probabilidad de comprar, y eso hace que los resultados parezcan sólidos sin añadir ventas.
Tres cosas inflan las comparaciones de antes y después. La estacionalidad mueve la demanda por sí sola. Los presupuestos y las ofertas cambian al mismo tiempo que la función de IA. Y un algoritmo que apunta a probables compradores se atribuye ventas que no creó. Una comparación que no controle estos factores te dice qué pasó, no por qué.
¿Qué es un grupo de exclusión?
Un grupo de exclusión (holdout) es un grupo de personas, o de lugares, elegido al azar que no recibe los anuncios ni el cambio que estás probando. Sus resultados muestran lo que habría ocurrido sin ellos.
Google describe su herramienta Conversion Lift en estos términos: divide una audiencia en un grupo de tratamiento que ve los anuncios y un grupo de control que no, y la diferencia de conversiones entre ambos es el incremento. Los estudios pueden dividirse por usuarios o por geografía, y Google señala que la herramienta no está disponible para todas las cuentas. Meta ofrece estudios de incremento basados en la misma idea; consulta su documentación vigente y el acceso de tu cuenta.
Si no puedes ejecutar un estudio de la plataforma, una versión manual sirve en muchas cuentas: pausa la actividad en unas pocas regiones equivalentes, mantenla activa en otras y compara.
¿Qué es la incrementalidad?
La incrementalidad es el resultado adicional causado por el marketing, por encima de lo que habría ocurrido de todos modos. Es la cifra que estima una prueba de grupo de exclusión.
Un ejemplo hipotético: un minorista ve 1,000 ventas al mes en una región donde se publican anuncios y 800 en una región equivalente donde están en pausa. El efecto incremental es de unas 200 ventas, no de 1,000. Divide la inversión entre 200 para obtener el coste real por venta adicional. Ese coste suele ser mayor que el que muestra el panel.
¿Cómo pruebas el propio cambio de IA?
Cambia una sola cosa cada vez y da a cada prueba una comparación clara. Tres pruebas cubren la mayoría de los usos de la IA en campañas.
| Cambio de IA | Diseño de la prueba | Medida principal |
|---|---|---|
| Creativos redactados o generados por IA | Prueba A/B frente a tu mejor anuncio actual, con la misma audiencia, el mismo presupuesto y el mismo periodo | Coste por resultado o tasa de conversión |
| Pujas automatizadas o herramientas de presupuesto | División por región o por audiencia, o uso de la función de experimentos de la plataforma | Conversiones incrementales por unidad de inversión |
| Nueva segmentación de audiencias | Grupo de exclusión de la audiencia ampliada | Ventas incrementales, proporción de clientes nuevos |
Antes de invertir, puedes descartar creativos débiles con una puntuación previa, como en nuestra guía para predecir el rendimiento de los anuncios. Eso reduce el abanico. La prueba en vivo sigue decidiendo.
¿Qué son las métricas de control?
Las métricas de control son cifras que no deben empeorar mientras persigues el objetivo principal. Evitan una "victoria" que daña algo más sin hacer ruido.
- Coste y margen: coste por adquisición, retorno de la inversión tras descuentos.
- Calidad del cliente: devoluciones, reembolsos, recompra y tasa de lead a venta.
- Brand safety y tono: quejas, ocultaciones, comentarios negativos, resultados que no encajan con la marca.
- Variedad creativa: si la IA converge en un solo aspecto, la fatiga llega antes.
¿Cómo se ejecuta bien la prueba?
- Escribe la pregunta. "¿La versión con IA supera nuestro enfoque actual en coste por lead cualificado?"
- Fija la medida, el presupuesto y la duración antes del lanzamiento y no los cambies a mitad de la prueba.
- Aleatoriza. Asigna los grupos por azar, no por criterio.
- Ejecútala el tiempo suficiente para cubrir tu ciclo de compra normal y salir de la fase de aprendizaje de la plataforma.
- Comprueba el tamaño. Los grupos diminutos dan respuestas ruidosas; si los resultados oscilan mucho de un día a otro, considera que el resultado no está demostrado.
- Registra el resultado, incluidas las pruebas en las que la IA no marcó diferencia. Un resultado sin diferencia también ahorra dinero.
¿Y si la prueba no muestra mejora?
Tómalo como una respuesta útil. Puede que la IA haya ahorrado tiempo sin cambiar los resultados, lo que aun así puede valer la pena, siempre que lo digas. Nuestro artículo sobre por qué más contenido de IA no mejora las campañas explica una razón habitual: más producción no es lo mismo que mejor producción.
FAQ
¿Cuál es la diferencia entre una prueba A/B y una prueba de incrementalidad?
Una prueba A/B compara dos versiones de algo, como dos anuncios, que se muestran a personas. Una prueba de incrementalidad compara mostrar frente a no mostrar. Usa las pruebas A/B para elegir un mejor creativo y los grupos de exclusión para saber si la inversión añade ventas siquiera.
¿Qué tamaño debe tener un grupo de exclusión?
Tan pequeño como permita una respuesta legible, porque cada persona retenida es una venta perdida. El tamaño adecuado depende de tu volumen y del efecto que esperas detectar. Pide a tu analista o a la herramienta de estudios de la plataforma que lo estime.
¿Cuánto debe durar una prueba de incremento?
El tiempo suficiente para cubrir tu ciclo de compra habitual y cualquier periodo de aprendizaje. Unos pocos días rara vez bastan para compras meditadas. Fija la duración antes de empezar.
¿Puedo medir el impacto de la IA sin un grupo de exclusión?
Puedes estimarlo con comparaciones de antes y después o de mercados equivalentes, pero son más débiles. Etiquétalas como estimaciones y confirma las decisiones importantes con un control adecuado cuando puedas.
¿Tengo que probar todas las funciones de IA?
No. Prueba primero los cambios que implican presupuesto o riesgo reales. Los ajustes pequeños y reversibles pueden vigilarse con métricas de control.
Fuentes
- Ayuda de Google Ads, Acerca de Conversion Lift.
- Publicaciones de SOMIN: Predice el rendimiento de los anuncios antes de invertir y Por qué más contenido de IA no mejora las campañas.
