La mayoría de las pruebas de incrementalidad son autopsias. Para cuando llega el número de lift, el resultado ya estaba decidido en gran medida, no por la prueba, sino por dónde y cómo se publicó el anuncio. Los especialistas en marketing tratan la incrementalidad como una nota que reciben al final del trimestre. Se parece más a una decisión que tomaron al principio, cuando eligieron dónde se publicaría el anuncio.
Ese replanteamiento es importante porque la incrementalidad se ha convertido en el KPI que todos quieren y casi nadie confía. En las principales encuestas de medición de la industria, la mayoría de los anunciantes afirman que su stack, atribución, MMM e incrementalidad juntos, todavía no alcanzan el rigor, la velocidad y la confianza que necesitan (IAB, State of Data 2026). Argumentaríamos que la brecha no es un fallo de medición. Es un fallo de medios.
Lo que realmente mide una prueba de lift
Cada prueba de lift plantea una pregunta: ¿este anuncio llegó a alguien que no habría convertido de todos modos? Ese "de todos modos" es todo el juego. La incrementalidad es lo que sucedió menos lo que habría sucedido sin el anuncio, el contrafactual, y el tamaño de esa brecha lo establece menos la prueba que la ubicación que eligió para publicar.
Lo que lleva a un lugar incómodo: los canales en los que más confían los especialistas en marketing suelen ser los menos incrementales. La búsqueda de marca y el retargeting convierten maravillosamente y se ven muy bien en el panel, precisamente porque recopilan la demanda que ya se dirigía al carrito. En 225 pruebas geográficas de DTC, la búsqueda de marca registró un ROAS incremental medio de 0,70x, mientras que el de mejor rendimiento, Tatari CTV, alcanzó 3,30x (Stella). Una tasa de conversión alta, en otras palabras, puede ser un síntoma de baja incrementalidad, no una prueba de una alta.
Llámelo la diferencia entre la recolección de demanda y la introducción de demanda. La recolección recopila la intención que ya existe. La introducción crea una venta que no habría ocurrido de otra manera. Ambos pertenecen a un plan de medios. Solo uno es incremental.
Y la lectura es tan confiable como el grupo de control que la sustenta. Los experimentos publicitarios de las plataformas pueden confundir silenciosamente el efecto del anuncio con la segmentación del algoritmo, porque la plataforma entrega cada variante a su propia combinación optimizada de usuarios, un sesgo documentado en un estudio del Journal of Marketing de 2025 (Braun & Schwartz) que solo se profundiza a medida que los algoritmos se vuelven más inteligentes. La solución es un contrafactual real y aleatorizado, la misma población, menos el anuncio. Eso es lo que separa una lectura causal de una correlación halagadora.
Dónde encaja la incrementalidad en el stack
Ningún modelo único es la fuente de la verdad. La atribución es rápida y granular para la optimización diaria. El MMM establece el panorama estratégico. La incrementalidad es la verificación causal que calibra ambos, ajustando los priors del MMM y validando lo que afirma la atribución. Los programas más sólidos ejecutan los tres y tratan los desacuerdos como señal, no como ruido.
Pero diseñar para la incrementalidad es solo la mitad del trabajo. El verdadero propósito de la prueba no es fabricar lift; es revelar qué ubicaciones lo ganaron, para que pueda mover el presupuesto detrás de ellas. Ahí es donde se estancan la mayoría de los programas. El 71% de los anunciantes llama a la incrementalidad su principal KPI de retail media, pero solo el 15% se califica a sí mismo como muy o extremadamente eficaz para medirlo (Skai, 2026). La brecha generalmente no es la metodología. Es la disciplina para mover el dinero una vez que los números desafían una partida que se veía bien en papel. El ROAS reportado por la plataforma puede exagerar el verdadero impacto incremental entre un 30 y un 60% en canales de recolección como la publicidad social pagada y el retargeting (Measured), lo que significa que las ubicaciones que parecen más eficientes suelen ser las que están silenciosamente sobrefinanciadas.
Por qué Rokt está diseñado para la introducción
Rokt opera en el Momento de la Transacción, la ventana entre el pago y la confirmación, cuando alguien acaba de decidir comprar. Estructuralmente, eso es introducción de demanda por diseño. El comprador se ha comprometido con una compra, por lo que una oferta relevante de un anunciante diferente llega a alguien que no estaba comprando esa marca en absoluto. La intención del comprador era para un producto completamente diferente, por lo que, en relación con el anunciante que estamos introduciendo, no existe demanda que recolectar. Estamos creando un momento de consideración que no habría existido.
El compromiso allí es alto, un CTR promedio del 4,03% (10x Google Display, 4x Facebook) y un CVR del 6,32%. Pero la alta conversión es exactamente la trampa mencionada anteriormente, por lo que la tratamos como un síntoma a probar, no como una prueba en la que confiar. La posición estructural obtiene probabilidades favorables; no entrega un pase libre, por lo que cada ubicación sigue siendo medida. Y medimos con más de un método riguroso. Los anuncios fantasma brindan un grupo de retención a nivel de usuario, donde el grupo de control está formado por personas que habrían visto la oferta, coincidido con la segmentación, superado la supresión, ganado la subasta, pero fueron retenidas aleatoriamente en el último paso, por lo que el tratamiento y el control provienen de la misma población elegible. Las pruebas de lift basadas en geografía, incluidos los diseños de mercado emparejado y control sintético que ejecutan socios como Haus, comparan geografías completas y capturan los efectos offline y omnicanal que una prueba a nivel de usuario puede pasar por alto. Diferentes diseños, diferentes fortalezas. Lo que comparten es un control real y aleatorizado, y usamos ambos.
La incrementalidad nunca fue una nota esperando al final del trimestre. Es una elección que haces cada vez que decides dónde se destina el próximo dólar.
Fuentes
ANA encuesta de KPI de retail media (2024); IAB x BWG Global State of Data 2026; Braun & Schwartz, "Where A/B Testing Goes Wrong," Journal of Marketing (2025); Stella 2025 DTC Incrementality Benchmarks (225 pruebas geográficas); Skai 2026 State of Retail Media Measurement; Measured (exageración del iROAS); Rokt by the Numbers (2026).
.jpg)
.png)
