Acerca del volumen de búsquedas como factor de confusión para los anuncios de búsqueda
Quizás el principal desafío de la inferencia causal aplicada al marketing es que los anunciantes suelen invertir más en marketing cuando hay una mayor demanda de su producto. Comprender si un aumento en el KPI se debe a un aumento en la inversión en marketing o en la demanda inherente es fundamental cuando se analizan los efectos causales de la inversión de marketing.
La fuerte relación entre la demanda inherente y la inversión de marketing adquiere especial relevancia en el caso de los anuncios de búsqueda. Esto se debe a que un anuncio de búsqueda solo se muestra en la página si una búsqueda coincide con ciertas palabras clave segmentadas por un conjunto de anunciantes. Cuando la demanda inherente es alta, la cantidad de búsquedas orgánicas también aumenta, y lo mismo sucede con la inversión total en anuncios de búsqueda. Por lo tanto, la cantidad de búsquedas orgánicas es un factor de confusión importante para los anuncios de búsqueda. Sin esta información, es difícil realizar inferencias correctas sobre este tipo de anuncios.
En particular, esto representa un problema para los anunciantes con presupuestos de búsqueda altos, ya que la cantidad de anuncios de búsqueda pagada tiende a seguir más de cerca la cantidad de búsquedas orgánicas. Sin embargo, esto también afecta a los anunciantes con presupuestos más bajos que aumentan sus presupuestos en los períodos de demanda alta o que solo publican campañas de Búsqueda en esos momentos.
Meridian ofrece la opción de incluir la cantidad de búsquedas orgánicas de Google (GQV) en el modelo como factor de confusión para los anuncios de la Búsqueda de Google. La cantidad de búsquedas orgánicas de motores de búsqueda que no son de Google no suele estar disponible. Si deseas modelar anuncios de búsqueda pagada que no sean de Google y la cantidad de búsquedas orgánicas del motor en cuestión no está disponible, las siguientes alternativas podrían resultarte útiles:
El sesgo se puede mitigar si la GQV es un proxy efectivo para la cantidad de búsquedas que no son de Google. Te recomendamos que evalúes esta suposición. Una manera de hacerlo es creando un gráfico, como en el siguiente ejemplo:
En el gráfico anterior, se muestra la correlación entre las impresiones de medios y la GQV de la marca en el eje Y, y la correlación entre las impresiones de medios y la cantidad de búsquedas genéricas en el eje X.
Si no quieres dar por hecho que la GQV es un proxy efectivo para la cantidad de búsquedas que no son de Google, tal vez debas omitir el motor de búsqueda ajeno a Google del modelo.
Para obtener más información sobre los desafíos del sesgo de selección debido a la segmentación de anuncios, consulta Corrección del sesgo para la búsqueda pagada en el modelado de combinación de medios.