No sabes lo que no sabes – El verdadero costo de las inexactitudes de los datos

The true cost of data inaccuracies - featured
Introducción

Introducción

Esto no sorprenderá a nadie, pero dada nuestra justificada obsesión por los datos, este tambor debe ser golpeado más fuerte: el rendimiento del marketing se basa ante todo en la medición precisa, y la calidad de la medición de un marketer es la clave de su éxito. 

Cuando se trata de lo contrario, los datos inexactos pueden conducir muy fácilmente a las decisiones y acciones equivocadas y, en consecuencia, costar millones de dólares duramente ganados. Por razones que enumeraremos más adelante, los anunciantes ya no pueden consumir datos de una sola fuente, o tratar de reconstruir la verdad a partir de varios silos de datos. 

Realmente no puedes obtener una imagen clara y completa del rendimiento de tu campaña cuando diferentes fuentes de atribución informan de la misma instalación y crean duplicados, ¿verdad?

No puedes planificar y ejecutar una campaña completa y efectiva sin saber cómo lidiar con datos restringidos y acceso extremadamente limitado a datos a nivel de usuario, ¿verdad?

Realmente no puedes impulsar el crecimiento y el éxito empresarial cuando tus datos de ROI están contaminados con actividad fraudulenta y potencialmente mal atribuidas, ¿correcto?

Entonces, ¿por qué, en nombre de todos los Excels, basas toda tu medición de rendimiento en datos erróneos, duplicados, faltantes o desordenados?

La verdad es que el camino hacia la integridad completa de los datos comienza y termina con una simple conciencia. Aprende lo que no sabes, y tu camino se pavimentará solo. 

Para ayudarte a combatir las antiguas y desagradables inexactitudes de datos, hemos dividido las inexactitudes de datos más dolorosas y comunes en 6 categorías, y hemos desglosado algunos de los conceptos más complejos en la medición móvil en elementos fácilmente digeribles, que cada marketer puede convertir en elementos de acción.

Que comience la curación.

The true cost of data inaccuracies: Mind the gap
Capítulo 1

Cuidado con la brecha – Lo que debes saber sobre la discrepancia de datos

¿Qué es la discrepancia de datos?

Desde una perspectiva de definición, la discrepancia de datos es la falta de compatibilidad o similitud entre dos o más hechos.

Más específicamente en el ecosistema de la publicidad móvil, la discrepancia de datos se traduce en falta de compatibilidad o similitud de los datos medidos, como impresiones, clics, instalaciones, interacciones, conversiones, eventos in-app, y KPIs entre dos o más plataformas. 

Ahora vamos a poner en práctica esta teoría utilizando estos ejemplos muy reales del mundo de la atribución móvil:

MMPs y SRNs

Los datos precisos ayudan a los marketers a tomar las decisiones correctas y mejorar su ROI. Eso lo sabemos todos. Pero dado el vasto alcance de las brechas, los silos y las mediciones erróneas que pueden ocurrir en el camino, garantizar datos precisos a menudo es más fácil decirlo que hacerlo.

Por lo tanto, pongámonos manos a la obra y revisemos algunas discrepancias de datos comunes que pueden ocurrir entre los socios de medición móvil (MMP) y algunas de las redes de autoreporte (SRN) más grandes, incluyendo Google, Meta, Apple, Twitter y Snap.

Palabra de precaución, los SRN cambian sus prácticas de atribución y medición constantemente, por lo que no sorprendería a nadie si para cuando se publique esta guía, algunos de los siguientes cambiarán una vez más. Siempre consulta con tu MMP para asegurarte de estar al tanto de las pautas más recientes.

Atribución multitáctil

Los usuarios interactúan con anuncios en múltiples fuentes de medios. En el caso de que el SRN fuera una de estas fuentes, se reclamará una atribución para una instalación si un usuario vio o hizo clic en el anuncio del SRN antes de la instalación. 

Cuando Meta reclama un crédito de atribución de instalación, por ejemplo, lo informa a través de su Administrador de Anuncios si tuvo lugar dentro de los 7 días posteriores al clic que condujo a la instalación. 

Dicho esto, es muy posible que una persona interactúe con un anuncio entregado a través de un SRN y luego interactúe con un anuncio en otra fuente de medios antes de instalar la aplicación. 

En este caso, el SRN reclamaría la atribución por el compromiso, pero el MMP no le otorgará crédito de atribución, que es una razón frecuente de discrepancias para los anunciantes que anuncian a través de múltiples canales.

Ten en cuenta que un SRN generalmente cobrará por las impresiones independientemente de la atribución. Pero cuando eso suceda, tu MMP reflejará la atribución real, lo que te permitirá comprender el verdadero rendimiento de tus esfuerzos de marketing y asignar tu presupuesto de manera más efectiva.

#2 – Diferentes ventanas retrospectiva de atribución

La ventana retrospectiva de atribución predeterminada para las instalaciones de aplicaciones en la mayoría de los SRN y MMP suele ser de alrededor de 7 días de clic y un día de visualización. En ambas plataformas, los anunciantes pueden reconfigurar la ventana retrospectiva de atribución a la configuración deseada. 

Sin embargo, si las ventanas retrospectiva de atribución para SRN y MMP son diferentes, eso también podría conducir a discrepancias en los reportes. 

Por ejemplo, supongamos que el anunciante reconfiguró la ventana de clics para Meta Ads en AppsFlyer a 7 días. En este caso, Meta atribuirá una instalación a la campaña Meta, y AppsFlyer reportará una instalación orgánica.

#3 – Atribución de eventos in-app

La mayoría de los SRN atribuyen eventos in-app hasta 28 días después del clic o la vista anterior (para usuarios que dan su consentimiento a Android e iOS). El MMP suele atribuir eventos en la aplicación al SRN durante los 180 días posteriores a la instalación. 

Debido a eso, al analizar campañas durante un período superior a 28 días, el MMP podría informar más eventos en la aplicación que el SRN. En otras palabras, la discrepancia estará en las reclamaciones atribuidas y el número de LTV y eventos en la aplicación asociados con las campañas.

En una nota al margen, algunos SRN, como Meta, no reclaman la atribución de compromisos de visualización para el remarketing, lo que significa que estos puntos de vista serán considerados por los SRN pero no por los MMPs. 

#4 – Reportes de conversión de visualización

Como probablemente sepas, TikTok ha comenzado recientemente a restringir parcialmente el nivel de dispositivo para la visualización, y Meta ya no proporciona a los anunciantes datos a nivel de dispositivo. 

Si bien todas las instalaciones atribuidas a meta se atribuyen con precisión a Meta en los informes agregados del MMP, las instalaciones de visualización directa se atribuyen a una fuente de medios “restringida” en los reportes a nivel de dispositivo.

#5 – Tiempo de compromiso vs tiempo de evento

La mayoría de los SRN informan de las instalaciones y los eventos in-app según el último clic o la hora de última visualización, mientras que la mayoría de los MMPs los informan según la hora del primer inicio de la aplicación o el tiempo de conversión de eventos in-app.

#6 – Diferencias de zona horaria

Los SRN y los MMPs pueden tener diferentes configuraciones de zona horaria en sus plataformas, lo que podría afectar a los reportes. Al comparar reportes en períodos de tiempo cortos (por hora o por día), ten en cuenta que estas discrepancias podrían ser más pronunciadas.

#7 – Configuraciones erróneas

A veces las cosas simplemente no se implementan correctamente, lo que también puede conducir a discrepancias inesperadas.

El verdadero costo de las inexactitudes de los datos: MMPs y tiendas de aplicaciones

MMPs y tiendas de aplicaciones

¿Qué pasa con las principales causas de las discrepancias de atribución entre los MMP y las tiendas de aplicaciones? Me alegro de que hayas preguntado. 

La simple verdad es que existen diferencias inherentes en los modelos de atribución utilizados por todos los actores en el ecosistema de atribución móvil. Y debido a estas variaciones, en algunos casos la tienda de aplicaciones puede registrar más instalaciones que tu MMP, y en otros puede ser lo contrario. 

Vamos a desglosarlo:

¿Por qué tu MMP atribuye menos?

#1 – Definiciones de instalación

Las tiendas de aplicaciones registran las instalaciones después de que el usuario descarga e instala la aplicación, ya sea que el usuario inicie la aplicación más tarde o no. Tu MMP, por otro lado, registra nuevas instalaciones solo después de la primera apertura, lo que activa su SDK.

Por lo tanto, los usuarios que no abrieron la aplicación no son contados por tu MMP, incluso si descargaron e instalaron la aplicación.

#2 – Fecha de registro de instalación

Las tiendas de aplicaciones registran la fecha de la descarga como el día de la instalación, mientras que tu MMP registra la fecha del primer lanzamiento como el día de la instalación.

#3 – Zonas horarias

Los datos de las tiendas de aplicaciones se muestran de acuerdo con la zona horaria local del anunciante, que podría diferir de la zona horaria de tu MMP.

#4 – El usuario de Android desinstala y reinstala dentro de la ventana de reatribución definida

En algunas vistas, Google Play puede mostrar dos instalaciones únicas para el mismo usuario, independientemente del tiempo transcurrido desde la primera instalación. Por otro lado, otras vistas pueden mostrar usuarios únicos, que estarán más alineados con tu MMP.

En lo que respecta al MMP, dentro de la ventana de reatribución (3 meses por defecto) desde el momento de la instalación original, el usuario no se considera nuevo al reinstalar.

#5 – El usuario de iOS desinstala y reinstala la app dentro de la ventana de reatribución definida

iTunes cuenta una nueva instalación cada vez que el usuario desinstala y vuelve a instalarla.

Al igual que con Android, tu MMP no considera a un usuario como nuevo al reinstalar, siempre y cuando esté dentro de la ventana de reatribución (3 meses de forma predeterminada) desde el momento de instalación original.

¿Por qué tu MMP atribuye más?

 #1 – Actualización de una instalación de aplicación existente de una versión que no contenía el SDK de tu MMP a una versión que sí contenía

Las tiendas de aplicaciones consideran esto como el mismo usuario y no como una nueva instalación, mientras que el MMP muestra la actualización como una instalación orgánica.

# 2 – Restablecimiento de ID de dispositivo y limitar el fraude de seguimiento de anuncios

Las instalaciones fraudulentas realizadas a través del restablecimiento de ID de dispositivo y el seguimiento de anuncios son muy populares, y aunque las tiendas de aplicaciones no las consideran como nuevas instalaciones, tu MMP las ve como una nueva instalación en un nuevo dispositivo.

# 3 – Instalaciones provenientes de tiendas de aplicaciones android de 3rd-party y preinstalaciones

Google Play no registra estas instalaciones, mientras que tu MMP sí.

¿La solución?

Esto se reduce principalmente al conocimiento y la conciencia. Una vez que sepas qué buscar, puedes anticipar dónde y por qué podrían aparecer estas discrepancias furtivas, estás mucho mejor posicionado para evitarlas ajustando configuraciones erróneas o haciendo referencias cruzadas a tus raw data.

Pero principalmente, se trata de confiar en tu MMP para ofrecerte una fuente única de verdad muy necesaria, para que puedas identificar estas discrepancias rápidamente y poder tomar decisiones basadas en datos.

Data inaccuracies - Chapter 2: The true cost of data inaccuracies: Data in the privacy area
Capítulo 2

Los datos en la era de la privacidad y el efecto dramático que tiene en la medición de tu rendimiento

Aunque los datos restringidos no son lo mismo que las inexactitudes de los datos, la falta de conocimientos y herramientas para tratarlos afecta tu capacidad para obtener una visión holística de tus esfuerzos de marketing. Y cuando no tienes la imagen completa, tus decisiones están destinadas a ser más débiles en potencia.  

Por lo tanto, evaluemos las circunstancias únicas que llevaron a los datos a nivel de usuario a ser tan evasivos, y las formas prácticas que tiene para aliviar estos desafíos recientes:

A medida que la industria continúa aclimatándose a la nueva era de privacidad a raíz del marco de App Tracking Transparency (ATT) de Apple, es fundamental que la precisión de los datos y la privacidad del usuario continúen coexistiendo. 

Tener un 100% de certeza en los verdaderos resultados de tus esfuerzos de marketing es nada menos que una misión crítica, que es donde una sola fuente de verdad (SSoT) para el rendimiento de marketing entra en escena. Te permite optimizar tu inversión publicitaria, hacer crecer tu negocio y ofrecer una experiencia de usuario superior a tus usuarios sin comprometer su privacidad.

Pero, ¿cómo se llega allí? Comencemos por abordar uno de los obstáculos más desafiantes en el camino hacia la visibilidad integral de los datos:

1 – SKAdNetwork – el (no tan) nuevo chico en el bloque

Cuando Apple presentó las actualizaciones de iOS 14 que cambiarían para siempre el ecosistema de aplicaciones móviles, todos los mobile marketers sobre la faz del planeta se hicieron la siguiente pregunta:

¿SKAdNetwork va a ser un buen método para la medición de campañas? (respuesta: sí y no)

Con el tiempo, sin embargo, se hizo evidente que la preocupación más importante era en realidad:

¿Cómo puedo canalizar todas estas fuentes de datos en silos en una sola fuente de verdad?

La realidad de esta nueva realidad es que hay múltiples realidades. Con el inicio de iOS 14, los marketers comenzaron a recibir flujos de datos de muchas fuentes diferentes: datos deterministas agregados de SKAdNetwork, datos a nivel de usuario de usuarios que consienten ATT, datos agregados de modelos probabilísticos, insights basados en la incrementalidad, APIs dedicadas para Apple Search Ads y más. 

Pero, ¿qué flujo de datos es la verdad aquí? ¿Cómo se supone que los marketers deben lidiar con todos estos datos entrantes y sentirse seguros de las decisiones que están tomando? 

Afortunadamente, existe una solución para este problema crítico. Antes de entrar en ello, echemos un vistazo más profundo al tema en cuestión.

Tengo 99 problemas, pero el SSOT no es uno de ellos

El verdadero costo de las inexactitudes de datos: tengo 99 problemas, pero el SSOT no es uno de ellos

Aunque SKAdNetwork ofrece dos ventajas significativas sobre otros métodos de medición, a saber, es determinista y cubre a todos los usuarios, también plantea algunas desventajas importantes: 

La medición del LTV en SKAN es un gran desafío para los anunciantes. Solo ofrece datos limitados posteriores a la instalación, no cubre todos los flujos (como la web móvil), los postbacks se retrasan y existen posibles lagunas de fraude, por nombrar algunas.

Para poder mitigar esta limitación, algunos especialistas en marketing recurren a la coincidencia de identificaciones (ID), la privacidad avanzada agregada y el modelado probabilístico, que vienen con su propio conjunto de ventajas e inconvenientes.

La elección del modelo preferido en función de las necesidades específicas tampoco funcionará, ya que los datos de SKAdNetwork son anónimos, lo que significa que ninguna entidad puede determinar si las mismas conversiones fueron atribuidas por otros modelos o no. Potencialmente, cada instalación podría ser atribuida por SKAdNetwork sola, por otros modos de atribución, por ambos o por ninguno. 

Esta es la esencia de SKAN: la anonimización. Por lo tanto, por diseño, evita la ingeniería inversa para la coincidencia a nivel de usuario. 

La realidad es que múltiples fuentes de datos, APIs y dashboards hacen que sea casi imposible alcanzar insights precisos y procesables, y los marketers se ven reducidos a especulaciones cuando se trata de analizar el rendimiento de su campaña. 

¡Yyyy problema resuelto!

El verdadero costo de las inexactitudes de los datos: aprovechar los valores de conversión

La única solución real a esta situación extremadamente frustrante es un dashboard o API consolidado donde los datos se combinan, deduplican y unifican, todo mientras se preserva la privacidad del usuario y se alinea con las políticas de Apple. 

Debido a que SKAN tiene sus limitaciones, muchas de ellas se pueden superar innovando sobre los valores de conversión del protocolo, que son la única forma en que los anunciantes de iOS miden el LTV del usuario en las campañas de SKAN. 

Al mapear adecuadamente 64 valores posibles, los anunciantes pueden medir los ingresos, la actividad, y la retención posteriores a la instalación (aunque solo hasta 24-72 horas en la gran mayoría de los casos).  

Por lo tanto, la respuesta a una realidad aislada y dispar que se deriva de datos limitados es aprovechar los valores de conversión para crear una realidad unificada o una única fuente de verdad en las diversas fuentes de atribución, donde cada valor se puede maximizar y tener en cuenta completamente en el mapeo.

Si bien los valores de conversión limitan la capacidad del marketer para medir el LTV (tanto en tiempo como en rango), ofrecen la capacidad de unificar los datos informados en reportes agregados.

2 – Data Clean Rooms – y cómo permiten a los especialistas en marketing tomar decisiones sólidas sin acceso directo a los datos a nivel de usuario

El verdadero costo de las inexactitudes de los datos: Data clean rooms

Las Data clean rooms permiten a los especialistas en marketing aprovechar el poder de los conjuntos de datos combinados mientras se adhieren a las regulaciones de privacidad. En esencia, es una herramienta que permite a los marketers aprovechar los insights de datos a nivel de usuario sin estar realmente expuestos a ellos.

Dentro de su entorno, la información de identificación personal (PII) o los datos de atribución a nivel de usuario no son visibles para ninguno de los contribuyentes involucrados, lo que les imposibilita seleccionar a los usuarios con identificadores únicos.

Los datos de PII y a nivel de usuario se procesan para que puedan estar disponibles para una variedad de propósitos de medición, produciendo datos anónimos que luego se pueden cruzar y combinar con datos de diferentes fuentes. 

En la mayoría de los casos, los únicos resultados de la data clean room son información de nivel agregado, por ejemplo, a los usuarios (¡plural!) que han realizado la acción X se les debe ofrecer Y. Dicho esto, es importante tener en cuenta que la salida a nivel de usuario puede tener lugar con el pleno consentimiento de todas las partes involucradas.

¿Por qué debería considerar una data clean room?

El ingrediente clave que hace que las salas limpias de datos sean una plataforma altamente creíble es el hecho de que el acceso, la disponibilidad y el uso de los datos son acordados por todas las partes de la sala limpia de datos, mientras que el gobierno de datos es aplicado por el proveedor de data clean rooms de confianza. 

Este marco garantiza que una parte no pueda acceder a los datos de la otra, lo que mantiene la regla básica que establece que los datos individuales o a nivel de usuario no se pueden compartir entre diferentes empresas sin consentimiento.

Digamos que una marca quiere compartir insights con Macy’s. Para facilitar eso, cada parte debe colocar sus datos a nivel de usuario en una data clean room, para ver lo que la otra ya sabe sobre las audiencias que tienen en común. Por ejemplo, alcance y frecuencia, superposición de audiencia, planificación y distribución multiplataforma, comportamiento de compra y demografía.

Las data clean rooms también se pueden utilizar como una herramienta intermediaria para medir el rendimiento de la campaña. En lugar de adivinar las ideas de la audiencia, las marcas pueden mirar bajo la capucha de datos de first party de Amazon o Google, todo mientras respetan completamente la privacidad.

A cambio, los anunciantes pueden obtener una salida agregada sin identificadores individuales, incluyendo la segmentación y las audiencias similares, que luego se pueden compartir con un editor, una red publicitaria, o un DSP para informar una campaña. 

The true cost of data inaccuracies - Chapter 3: incompleteness of data
Capítulo 3

La falta de datos y cómo una visión holística de los puntos de contacto y los costos relacionados puede afectar tus resultados finales

Como era de esperar, el mercado actual se enfrenta a un serio desafío en torno a la estandarización de los datos.

Sin poder informar de manera adecuada y holística sobre sus KPIs, los marketers están tomando decisiones serias de presupuesto y optimización basadas en información incorrecta o parcial, que es fácilmente la peor pesadilla de cualquier marketer.

Los reportes de costos son un juego de suma cero, y trabajar con datos parciales es igual a no tener los datos para empezar. ¿Cómo puedes evaluar el verdadero ROI de tus campañas, optimizar de manera eficiente y decidir cómo asignar tu presupuesto sin él?

Los datos incompletos no son ni deben ser un status quo aceptable, especialmente cuando se trata de los datos más esenciales: costos e ingresos.

Para el marketer promedio, extraer, recoger, agregar y analizar los datos de cada fuente es una tarea, como mínimo, desalentadora. Sin embargo, cada marketer debe ser capaz de tener datos de costos precisos y completos junto con sus datos de atribución confiables.

Hey, gran gastador: Los desafíos de las inexactitudes de datos relacionadas con el gasto

  • Se debe hacer una distinción entre el ROI y el ROI verdadero. Si bien trabajar con datos precisos de ROI es el santo grial para los marketers de rendimiento, trabajar a partir de datos de ROI inexactos puede descarrilar por completo tus esfuerzos de marketing e incluso arriesgar la estabilidad financiera de tu aplicación.
  • Las marcas generalmente trabajan con entre 5 y 30 redes publicitarias, y normalizar los datos de costos de tantas fuentes diferentes es una tarea monumental, en gran parte debido a tener que hacer malabares con tantas APIs.
  • Después de la normalización de los datos, los anunciantes necesitan consolidar sus datos de costos y atribución, lo que no solo es un desafío por derecho propio, sino que también conduce a insights limitados e inexactos.
  • Los datos cambian constantemente, especialmente en los primeros días de vida de una campaña, lo que requiere una actualización frecuente de los datos varias veces al día para mantener la precisión. 
El verdadero costo de las inexactitudes de los datos: los desafíos de las inexactitudes de datos relacionadas con los ingresos

¡Muéstrame el dinero! Los desafíos de las inexactitudes de los datos relacionados con los ingresos

Las empresas generalmente emplean 3 flujos de ingresos principales que deben mantenerse y analizarse por separado:

  • Compras in-app (IAP): Los anunciantes se apresuran a activar un evento cada vez que se realiza un IAP pero a menudo se olvidan de tener en cuenta los reembolsos o los pagos diferidos, lo que requiere actualizaciones constantes utilizando datos de la tienda de aplicaciones.
  • El seguimiento de los ingresos por suscripción requiere la creación de un producto complejo o la compra de una pieza de software lista para usar, lo que aún deja a los anunciantes con la dolorosa tarea de consolidarlo con sus datos de atribución.
  • Publicidad in-app (IAA): Requiere frescura casi en tiempo real y capacidades a nivel de usuario, lo que no es fácil de mantener. Además, es muy probable que la medición interna de los ingresos publicitarios perjudique la precisión y la consiguiente toma de decisiones. 

¡Por suerte, nos gustan los desafíos!

Solución # 1 – Extracción de tus datos de costos de cualquier fuente

Como marketer, debes extraer datos de cientos de fuentes y elegir tu método preferido de extracción de costos. Dado que no hay dos fuentes que reportan datos utilizando el mismo nivel de granularidad y frecuencia, extraer lo que necesitas cuando lo necesitas, no es tarea fácil.

Por ejemplo, no existe un estándar unificado para las estructuras de URL de clics, los tipos de dimensiones, las convenciones de nomenclatura de campañas o las métricas de costos (Twitter tiene tweets, Facebook tiene me gusta, Snapchat tiene deslizamientos, etc.), lo que podría convertir la tarea de comparar el rendimiento y el costo de cientos de redes uno al lado del otro en un esfuerzo miserablemente minucioso.

Además de eso, algunas redes reportan datos de costos a nivel de campaña, mientras que otras lo hacen a cualquier nivel estructural, por lo que una buena solución de reporte de costos debe ser flexible.

Para poder abordar esto, asegúrate de asociarte con un proveedor de medición que pueda extraer los datos que necesitas utilizando varios métodos, como capacidades de ingestión de clics, APIs o inversión publicitaria, que pueden ayudarlo a reprocesar datos incompletos o incorrectos, al tiempo que tiene la flexibilidad de ingerir fuentes adicionales de datos (por ejemplo, canales de influencia, marketing por correo electrónico, y notificaciones push).

Solución # 2 – Poseer el flujo de gestión de datos

El verdadero costo de las inexactitudes de los datos: poseer el flujo de gestión de datos

Confiar en otras redes, socios o canales para transmitir datos de manera regular y oportuna para que los anunciantes puedan tomar decisiones críticas, es casi imposible hoy en día. 

Y si colaboras con otros equipos para identificar brechas, retrasos o inconsistencias, y corriges los datos sobre la marcha, solo piensa cuánto tiempo se pierde en la comunicación de estas brechas antes de poder solucionarlas.

Tomemos, por ejemplo, un escenario en el que una red ha emitido un reembolso y, como resultado, un anunciante quiere reflejar el verdadero costo de ese canal en su cálculo de ROI para un período de tiempo determinado. Tener la capacidad de actualizar y reflejar los números reales en la interfaz de usuario de forma rápida y sencilla, podría ser un cambio de juego.

Es por eso que permitir que los anunciantes sean dueños de cada elemento de su pase de datos, sin importar la fuente o el método de extracción, podría ser un alivio del dolor tan importante.

The true cost of data inaccuracies - chapter 4: The importance of data integrity across your BI systems
Capítulo 4

Basura que entra, basura que sale – y la importancia de la integridad de los datos en tus sistemas de BI

En el marketing actual, los datos de atribución son la fuente de todas las decisiones. Independientemente de la complejidad de tu BI de marketing y de tus equipos, si tus parámetros para la toma de decisiones son incorrectos, los resultados de las decisiones también serán.  

El fraude y la atribución errónea son los dos principales culpables de los datos erróneos hoy en día. Y en ambos casos, una medición de gran aspecto te lleva a creer que has tomado decisiones inteligentes y rentables. Lo que probablemente no sepas es que estás comprando tu propio tráfico fraudulento, y hacer esto una y otra vez en una escala creciente llevará a su negocio al temido ciclo de caja sangrante.

The true cost of data inaccuracies - Chapter 5: Fraud and the bleeding cash cycle
Capítulo 5

El fraude y el ciclo de caja sangrante

El ROI parece hacer que algunos especialistas en marketing disfruten de una falsa sensación de seguridad. 

Pero la cosa es que estos marketers no saben que no conocen su verdadero ROI, y lo que podría parecer un ROI positivo podría estar muy distorsionado por formas sofisticadas de fraude o atribución de falsos positivos causada por plataformas de atribución sueltas, lo que lleva a millones de dólares en pérdidas.

Estos especialistas en marketing gastan su valioso presupuesto en actividades de marketing sin prestar atención a los detalles más finos, como de dónde provienen sus instalaciones y si los números realmente tienen sentido.

¡Los números SÍ mienten! No debes confiar ciegamente en tus datos de marketing

En la mayoría de los casos, el trabajo de los especialistas en marketing se mide por volúmenes simples, lo que les permite disfrutar mirando los gráficos orientados hacia arriba sin pagar por pensar si su crecimiento se debió a sus inversiones inteligentes o algo completamente diferente.

Sin saber nada mejor, terminan pagando por usuarios orgánicos por los que no deberían pagar, o peor aún, pagando fuentes fraudulentas que roban crédito de otras fuentes legítimas. Luego reinvertirán en las fuentes fraudulentas que generaron el llamado “rendimiento positivo” a través de bots y usuarios falsos, todo mientras aportan un valor cero.

En la mayoría de los casos, esta falsa tendencia de crecimiento se verá lo suficientemente bien cuando se presente en las reuniones de la junta para mantener a todos asintiendo con aprobación, mientras que su dinero se desperdicia y alimenta el negocio del fraude.

El fraude publicitario móvil es una industria de $ 2.1 mil millones con efectos a largo plazo en todos los aspectos de marketing (el más obvio es la pérdida financiera directa), y está financiado principalmente por anunciantes que simplemente permiten que exista al no tratarlo.

En 2021, el fraude a nivel de instalación ocupó la mayor parte de toda la actividad fraudulenta, y aunque el CPA, el remarketing y las compras in-app aún no se han cuantificado financieramente, aún agregan exposición financiera adicional.

Y una vez que el fraude golpea tus datos, los hace irrelevantes e inutilizables. No estás mirando datos reales y no puedes separar la actividad legítima de la fraudulenta, ni confiar en ella para la optimización futura. Lo más probable es que lo alientes a reinvertir en malas fuentes de medios que robaron crédito a los usuarios o generaron fuentes falsas.

Pero, sobre todo, el fraude es simplemente una gran pérdida de tiempo valioso y recursos humanos muy valiosos. Para evitarlo, tus equipos tendrán que pasar horas interminables trabajando en la reconciliación y tratando de dar sentido a los complejos reportes de fraude y rendimiento.

Para obtener más información sobre la prevención del fraude móvil, echa un vistazo a nuestro reporte El estado del fraude publicitario móvil.

The true cost of data inaccuracies - Chapter 6: Raw data and the fight against data inaccuracies
Capítulo 6

Navegando en aguas turbulentas: Raw data en la lucha contra las inexactitudes de los datos

En el mundo en constante cambio del marketing móvil, los raw data pueden ofrecer a los marketers una ventaja significativa, ahorrar costos y ayudarlos a desarrollar la resiliencia empresarial en el futuro. 

¿Qué son exactamente los raw data? En esencia, es información como instalaciones de una sola aplicación, eventos in-app, desinstalaciones y tipo de dispositivo que se puede procesar y analizar, y en manos de marketers experimentados, puede incluso ayudar a mejorar el rendimiento de la campaña de las marcas.

¿Cuáles son las ventajas de usar raw data?

¿Recuerdas el notorio ciclo de caja sangrante en el que ningún marketer quiere ser atrapado? Bueno, los raw data te ayudan a profundizar y entrar en el corazón de si tus esfuerzos de campaña realmente están funcionando o no.

Eficiencia, bebé

Ahora, más que nunca, los marketers deben ser eficientes y dirigir sus esfuerzos a lo que está generando el ROI más alto. Los raw data pueden ayudar a los especialistas en marketing a hacer precisamente eso, optimizando el tráfico en tiempo real, identificando métricas críticas, aumentando el valor de vida de sus esfuerzos de marketing y obteniendo más por su dinero.

Recuperando el control

Por ejemplo, los anunciantes pueden definir un punto de acceso para los datos orgánicos y otro para los no orgánicos; uno para los eventos in-app y otro para retargeting. 

La configuración de múltiples endpoints te permiten organizar tus datos de la manera en que deseas que se organicen, reducir la cantidad de “ruido” (tráfico y eventos irrelevantes), controlar los datos entrantes de manera más eficiente y facilitar que tu equipo de BI procese esos datos.

Aprovecha los raw data en el diseño de campañas efectivas

Los reportes de raw data están llenos hasta el borde con insights valiosos. Aquí tienes algunas aplicaciones comunes:

  • Comprende el comportamiento del usuario: Con la ayuda de marcas de tiempo, los raw data pueden ayudarte a comprender mejor las interacciones del usuario y obtener una visibilidad más granular de tus viajes de usuario.
  • Mejora la experiencia de usuario que impulsa el crecimiento: una vez que hayas medido el comportamiento del usuario utilizando raw data, puedes aplicar tus isnights para mejorar la experiencia del usuario.
  • Precios basados en el rendimiento: Los reportes de raw data proporcionan una imagen clara y precisa del ROI, lo que permite un modelo de precios basado en el rendimiento, donde se puede facturar a las agencias o al marketer al lograr ciertos objetivos.
  • Segmentación de usuarios: Puedes utilizar el análisis de cohortes o los datos de nivel de usuario consentidos para crear una segmentación de usuarios altamente eficiente. 
  • Identifica el fraude potencial: Hay muchas maneras de identificar y combatir el fraude potencial en el marketing móvil. Uno de ellos es mirar tus raw data, lo que te permitirá detectar patrones sospechosos, incluso cuando se trata de estafadores inteligentes que crean diferentes identificadores para los mismos dispositivos.

Por ejemplo, podrías ser capaz de identificar cuántas instalaciones o identificadores únicos están llegando desde la misma IP, recoger marcas de tiempo ilógicas (por ejemplo, cada 1-5 segundos) o la presencia de múltiples IDFA para un solo IDFV.

The true cost of data inaccuracies: Key takeaways
Hallazgos clave

Hallazgos clave

  • Tratar con datos inexactos, faltantes o desordenados, puede conducir muy fácilmente a las decisiones o acciones equivocadas y, en consecuencia, costar millones de dólares duramente ganados. 
  • Existen diferencias inherentes en los modelos de atribución utilizados por todos los actores en el ecosistema de atribución móvil. Y debido a estas variaciones, tus MMPs y SRNs pueden registrar y medir datos de manera diferente, lo que lleva a discrepancias de datos notables. 
  • En el ámbito de SKAdNetwork, los anunciantes ya no pueden consumir datos de una sola fuente, o tratar de reconstruir la verdad a partir de varios silos de datos. Single Source of Truth (SSOT) para el rendimiento de marketing puede permitirte optimizar tu inversión publicitaria, hacer crecer tu negocio y ofrecer una experiencia de usuario superior a los usuarios sin comprometer su privacidad.
  • Algunos especialistas en marketing no tienen idea de cuál es su verdadero ROI, ya que podría estar muy distorsionado por formas sofisticadas de fraude o atribución de falsos positivos causada por plataformas de atribución sueltas, lo que lleva a millones e incluso miles de millones de dólares en pérdidas.
  • Mitigar las discrepancias de datos se reduce principalmente a la conciencia. Una vez que sepas qué buscar, puedes anticipar dónde y por qué podrían aparecer estas discrepancias, y estarás mucho mejor posicionado para mitigarlas ajustando configuraciones erróneas o haciendo referencias cruzadas a tus raw data.
  • Raw data como una forma de garantizar la resiliencia del negocio: El potencial de los raw data para extraer cualquier cantidad de insights procesables en la batalla contra las discrepancias de datos es más convincente ahora que nunca. Brinda a las marcas un conjunto de herramientas adicionales para optimizar las campañas en el futuro.
  • Asociarse con un MMP sólido puede ayudarte a mitigar la mayoría, si no todos, estos problemas de inexactitud de datos, trabajar a partir de una fuente de verdad única y holística muy necesaria, identificar rápidamente cualquier fallo y tomar decisiones basadas en datos.

¿Listo para empezar a tomar buenas
decisiones?

blog