Marketing mix modeling e incrementalidad: medir cuando la IA rompe la atribución

La atribución ya no basta porque solo reparte el mérito entre los contactos que consigue ver, y cada año ve menos. Tres cambios la han debilitado: el consentimiento, los recorridos de compra que pasan por respuestas de IA y unas plataformas que se apuntan, cada una por su cuenta, la misma venta.

El consentimiento. En España, las cookies analíticas y publicitarias requieren consentimiento, y la guía de la AEPD exige que rechazar sea tan fácil como aceptar. Quien rechaza desaparece de la medición por usuario. No es cosa de Chrome, que mantiene las cookies de terceros: la señal se pierde por el consentimiento y por las restricciones de Safari y Firefox.

Los recorridos con IA. Los AI Overviews funcionan en España desde marzo de 2025 y el Modo IA, en español, desde octubre de 2025: parte de la comparación previa a la compra ocurre dentro de una respuesta, sin clic que registrar. Según Pew Research Center (julio de 2025, panel de 900 adultos de Estados Unidos), los usuarios hicieron clic en un resultado tradicional en el 8 % de las visitas con resumen de IA, frente al 15 % sin él; Google discute la metodología.

La doble contabilidad. Cada plataforma cuenta las conversiones con sus propias ventanas y modelos, y solo ve su parte del recorrido. Si alguien ve un vídeo en una red social y después hace clic en un anuncio de búsqueda, las dos pueden anotarse la venta entera.

El marketing mix modeling (MMM), o modelo de marketing mix, es un análisis estadístico que relaciona la evolución de tus ventas con todo lo que pudo moverlas (inversión por canal, precios, promociones, temporada) para estimar cuánto aportó cada factor. Trabaja con series agregadas, normalmente semanales, y no necesita seguir a nadie.

El modelo separa la base, es decir, lo que venderías igualmente por marca, estacionalidad o demanda del mercado, de lo que añade cada palanca de marketing. Para ello incorpora dos ideas: el efecto de la publicidad no desaparece el mismo día (arrastre o adstock) y cada euro adicional rinde menos que el anterior (saturación).

Un ejemplo: una marca de cosmética con tienda online invierte en búsqueda de pago, redes sociales, creadores y email. En noviembre, el panel de su plataforma social declara un récord de ventas. El MMM observa que noviembre vende más todos los años, que había una promoción y que la búsqueda de marca subió tras la campaña con creadores, y reparte el mérito entre esos factores.

Como no usa identificadores ni cookies, no depende del consentimiento ni de que haya un clic, y puede incluir canales que la atribución no ve, como televisión, exterior o patrocinios. A cambio, es más lento: se actualiza por meses o trimestres y exige historial.

Las tres técnicas no compiten: responden a preguntas distintas. La atribución dice qué contactos precedieron a una compra; el MMM, cuánto pesa cada canal en el total; y la incrementalidad, si una acción concreta provocó ventas que sin ella no habrían existido.

¿Qué es la incrementalidad? Es el efecto causal de una acción de marketing: la diferencia entre lo que ocurrió con la campaña y lo que habría ocurrido sin ella. Solo un experimento con grupo de control la mide de forma directa. Comparadas, las tres técnicas quedan así:

• Atribución. Pregunta: ¿qué anuncios tocó quien compró? Datos: seguimiento por usuario, con consentimiento. Ritmo: casi diario. Límite: no ve lo que no se puede rastrear ni separa las ventas que habrían llegado igualmente.
• Marketing mix modeling. Pregunta: ¿cuánto aporta cada canal y dónde rinde más el siguiente euro? Datos: series agregadas de inversión, ventas y factores externos. Ritmo: mensual o trimestral. Límite: exige historial y variación, y estima con margen de error.
• Test de incrementalidad. Pregunta: ¿esta campaña causa ventas nuevas? Datos: un grupo o una zona de control sin exposición. Ritmo: semanas por test. Límite: cada experimento responde una sola pregunta.

El MMM ha dejado de ser exclusivo de las grandes marcas porque sus herramientas principales son hoy gratuitas y de código abierto. Meridian, el MMM de Google, está disponible para cualquier anunciante desde el 29 de enero de 2025, según anunció la compañía. Robyn es el modelo de marketing mix de código abierto de Meta.

Que el software sea gratuito no significa que el modelo lo sea. El trabajo está en reunir y limpiar los datos, decidir qué variables entran, fijar supuestos razonables y comprobar que el resultado se sostiene. Entre Meridian y Robyn, la elección importa menos que el equipo que lo mantendrá y la calidad del historial.

Conviene recordar quién las publica: Google y Meta venden publicidad. La ventaja del código abierto es que cualquiera puede revisar qué hace el modelo y con qué supuestos. Guarda código y datos en tus sistemas y contrasta las conclusiones con experimentos.

Un test de incrementalidad compara lo que ocurre con publicidad frente a lo que ocurre sin ella, en grupos comparables y durante el mismo periodo. Es la forma más directa de saber si una campaña genera ventas nuevas o solo se apunta las que ya iban a producirse.

Hay dos diseños habituales. El test por zonas, o geo-test, pausa o activa la campaña en unas regiones y la mantiene igual en otras comparables; en España pueden servir de unidad las provincias o las comunidades autónomas. El holdout reserva un grupo de personas a las que deliberadamente no se muestran anuncios.

No es lo mismo que un test A/B. El A/B compara dos versiones de un anuncio o de una página entre personas que sí las ven, y dice cuál funciona mejor; es la herramienta de la optimización de la conversión. El test de incrementalidad compara exposición frente a no exposición, y dice si anunciarse ahí sirve de algo.

Las plataformas han bajado el listón de entrada. Google comunicó en noviembre de 2025 que, con métodos bayesianos, sus tests de incrementalidad pueden plantearse desde unos 5.000 dólares de presupuesto, y Meta ofrece un ajuste de atribución incremental. Son herramientas de quien vende el espacio: útiles en Google Ads y en la publicidad en redes sociales, siempre que las contrastes con tus ventas y compruebes en tu cuenta qué mínimos se aplican en tu mercado.

Triangular significa usar atribución, MMM y experimentos a la vez, para que cada uno compense los puntos ciegos de los otros. Es lo que recomienda la guía de buenas prácticas «Modernizing MMM» del IAB, publicada en diciembre de 2025.

Cada método tiene un papel. Los experimentos calibran el modelo con una medida causal; el modelo da la visión de conjunto, incluidos los canales sin clic; y la atribución guía los ajustes diarios. Cuando no coinciden, la discrepancia es lo más valioso: si la plataforma declara un retorno alto y el test por zonas apenas detecta efecto, esa campaña probablemente recoge demanda que ya existía.

Ningún método es infalible. En el informe State of Data 2026 del IAB (más de 400 responsables de Estados Unidos; recogido por PPC Land a comienzos de 2026), hasta el 75 % afirma que la atribución, los tests de incrementalidad y los MMM se quedan cortos en rigor, rapidez, confianza o eficiencia, y ninguno cree que todos sus canales de pago estén bien representados en su MMM. Por eso nuestro servicio de medición de marketing trata el modelo como una hipótesis que se pone a prueba, no como un veredicto.

Un MMM solo es tan bueno como los datos que recibe: inversión por canal, ventas o leads reales y factores externos. El mismo informe del IAB lo resume así: el éxito de la medición es una cuestión de arquitectura, y la IA no aporta valor al MMM hasta que se arregla la calidad de los datos.

El MMM no necesita cookies, pero la atribución, los experimentos y la puja de las plataformas sí dependen de una recogida de datos correcta. Es el trabajo de analítica, datos propios y tracking server-side. En 2026, la base en España incluye:

• Consent Mode v2: transmite a Google cuatro señales de consentimiento. Desde marzo de 2024, el tráfico del Espacio Económico Europeo sin esas señales no alimenta audiencias ni remarketing.
• Conversiones mejoradas: web y leads se gestionan ya como un único ajuste en Google Ads.
• Google tag gateway: sirve las etiquetas de Google desde tu propio dominio, con disponibilidad general desde mayo de 2025.
• API de conversiones de Meta: envía eventos desde el servidor junto al píxel, con deduplicación.
• Ventas conciliadas: pedidos, reservas o leads extraídos de tu CRM, junto con un calendario de precios, promociones y temporada.

La presencia de tu marca en las respuestas de IA ya puede medirse con herramientas oficiales, pero solo como visibilidad, no como ventas. Es un indicador de marca, junto a la búsqueda de marca, no un canal al que atribuir conversiones.

Search Console ofrece informes de rendimiento de IA generativa para los AI Overviews y el Modo IA, disponibles para todas las webs desde el 31 de agosto de 2026: muestran impresiones, pero no clics ni CTR. Bing Webmaster Tools lanzó en febrero de 2026, en vista previa pública, el informe AI Performance, con las citas de tus páginas en Copilot.

Los anunciantes ya se mueven: en el estudio Outlook 2026 del IAB (28 de enero de 2026, más de 200 marcas y agencias de Estados Unidos), el 86 % está cambiando o prevé cambiar su medición por la IA, y el 48 % ya mide la visibilidad y las citas de su marca en plataformas de IA.

La parte de pago es otra cuestión. A octubre de 2026, ChatGPT muestra anuncios en España desde el 24 de agosto de 2026, solo en los planes Free y Go y de forma contextual, no personalizada; los anuncios dentro de los AI Overviews no están disponibles en España y los del Modo IA solo se prueban en Estados Unidos. Lo detallamos en la guía de ChatGPT Ads; la visibilidad orgánica es tarea del GEO.

Un MMM necesita un historial continuo de inversión y ventas, normalmente semanal, lo bastante largo para que el modelo vea cada temporada más de una vez, y con variación real en el gasto. Si siempre inviertes lo mismo en los mismos canales, el modelo no tiene de dónde aprender.

La estacionalidad lo hace más necesario y más exigente. En hoteles, viajes y turismo, las ventas suben en temporada con o sin publicidad, y solo un modelo que conozca ese patrón separa lo que aporta la campaña; en marcas de consumo y ecommerce ocurre lo mismo con rebajas y promociones.

No es el primer paso para todo el mundo. Empieza por una atribución bien configurada y un par de tests sencillos si:

• Tu historial de inversión es corto o tiene huecos.
• Un solo canal se lleva casi todo el presupuesto.
• El gasto es tan reducido que su efecto se confunde con las oscilaciones normales de las ventas.
• Nadie va a usar el resultado para decidir el presupuesto.

El resultado útil de un MMM no es un informe, sino una decisión mejor informada. El modelo estima una curva de respuesta por canal, que muestra dónde el siguiente euro todavía rinde y dónde empieza la saturación.

Con esas curvas se construyen escenarios: qué podría pasar si mueves parte del presupuesto de un canal a otro. Un escenario honesto se expresa en rangos: es una estimación, no una garantía. Antes de mover una partida importante, el cambio se prueba a pequeña escala con un test, y el resultado vuelve al modelo para calibrarlo.

Para que funcione, tiene que hablar el idioma de quien decide: ventas reales, aportación por canal y nivel de incertidumbre en una sola página, como parte de la estrategia digital. Es una pieza del cambio que describimos en el futuro del marketing digital. Si quieres saber si tus datos permiten un modelo, cuéntanos tu caso.