¿Es realista ese ROAS objetivo?

Cómo saber si el ROAS que te están pidiendo tiene sentido.

Llega septiembre y con él empiezan las previsiones del Q4. Muchos ecommerces se juegan en estos meses una buena parte de su facturación anual y empiezan a hacer cuentas. ¿Y si ampliamos inversión? ¿Cuánto podría aumentar la facturación? El Black Friday y la Navidad generando intensidad ya a dos meses vista.

Entonces te llega ese email. A mi este año me ha pasado dos veces, en dos proyectos muy distintos entre sí. En uno tengo un modelo de marketing mix que me orienta en la dirección. No me da certezas pero si escenarios probables. Así que vamos ahí navegando con una brújula en la mano que da cierta tranquilidad.

En el otro proyecto no tengo esa brújula, así que se me ocurrió construir un método heurístico para evaluar si la propuesta del cliente tenía sentido o no.

La situación: un cliente de ecommerce, varios países, tres plataformas y dieciséis objetivos de ROAS para noviembre y diciembre que había que validad. En algunos casos el presupuesto aumentaba de forma importante respecto a los meses anteriores, pero el objetivo de rentabilidad se mantenía muy cerca del año anterior.

La primera reacción es bastante intuitiva: si aumentamos mucho la inversión, llegará un momento en el que cada euro adicional rendirá menos. Es la lógica de los rendimientos decrecientes. El problema es que una intuición, por razonable que sea, no sirve demasiado cuando tenemos que decidir si un objetivo es alcanzable. Así que la pregunta que intenté responder fue esta: ¿podemos construir una referencia razonable para saber si un ROAS objetivo tiene sentido, aun cuando no disponemos de un modelo que nos estime la curva de respuesta de cada plataforma?

La respuesta corta es sí, pero con una condición importante: estamos construyendo una herramienta para razonar, no un modelo de predicción.

El histórico es necesario, pero no suficiente.

Lo primero que hice fue lo más evidente: recuperar inversión y ROAS de octubre, noviembre y diciembre de los dos años anteriores y ponerlos junto a los objetivos de este año. Cada plataforma por separado, sin sumar inversiones entre plataformas.

El problema apareció en seguida y fue lo que me dio la pista: no se puede comparar directamente el objetivo de ROAS de noviembre de este año con el ROAS de noviembre del año pasado porque supone asumir, al menos, dos cosas que no tienen por qué ser ciertas.

La primera es que la cuenta rinde hoy igual que hace un año y no es así. En algunos mercados el rendimiento de los últimos meses ha mejorado alrededor de un 30%; en otros, mucho más. Si utilizaba el ROAS del año anterior como referencia absoluta estaba ignorando toda la evolución de la cuenta durante los últimos doce meses. La segunda es que el salto de inversión no es comparable. No es lo mismo pasar de 10.000 a 15.000 euros que pasar de 5.000 a 15.000, aunque el presupuesto final sea idéntico. La presión que estamos ejerciendo sobre la cuenta es muy diferente y eso hay que tenerlo en cuenta.

El histórico me decía dónde había estado la cuenta, pero no resolvía la pregunta que tenía delante: qué podía ocurrir con una cuenta que hoy rinde de otra manera y a la que además vamos a pedirle que absorba un volumen de inversión diferente.

Tres piezas para construir una referencia.

Después de darle unas cuantas vueltas, reduje el problema a tres elementos: cómo está rindiendo la cuenta ahora, qué efecto tuvo la estacionalidad el año anterior y cuánto más vamos a forzar la inversión este año.

ROAS esperado = ROAS actual × efecto estacional × ajuste por saturación

Esto no pretende ser una predicción del ROAS, pretendo construir una referencia de trabajo: una forma de comprobar si el objetivo que nos proponen tiene sentido en el escenario actual y si se puede conseguir. Cuando un cliente te pone un ROAS objetivo sobre la mesa lo que está haciendo es trasladarte la responsabilidad de conseguirlo, y esto es una cosa muy seria, así que hay que tener un marco de referencia para saber qué posibilidades tenemos de éxito. Cuando no disponemos de herramientas estadísticas hay que agudizar el ingenio.

1. El rendimiento actual.

La primera pieza es sencilla. En lugar de partir del ROAS de hace un año, parto del rendimiento reciente de la cuenta en meses relativamente normales. En mi caso utilicé julio, agosto y septiembre.

La idea es recoger el nivel actual de eficiencia. Si durante el último año hemos mejorado el feed, eliminado campañas poco rentables, cambiado la estructura, afinado audiencias o la web convierte mejor, esa mejora debería formar parte del punto de partida.

Imaginemos que el verano pasado una plataforma tenía un ROAS medio de 3 y este verano está en 3,9. Si noviembre del año anterior llegó a 4,5, asumir que este noviembre debería volver a 4,5 equivale a ignorar que la cuenta parte ahora de un nivel un 30% superior.

2. El efecto estacional.

Aquí sí recupero el año anterior para estimar cuánto cambió el rendimiento al entrar en noviembre o diciembre respecto a los meses anteriores.

Efecto estacional = ROAS del mes del año anterior / ROAS medio del periodo base del año anterior

Si entre julio y septiembre del año pasado el ROAS medio fue 3 y en noviembre subió a 4,5, el efecto estacional fue 1,5. Dicho de otra manera: noviembre rindió un 50% mejor que el periodo base.

Esto me permite separar dos cosas que en una comparación directa aparecen mezcladas: el nivel de eficiencia de la cuenta y la forma en la que la temporada alta modificó ese nivel. Del año anterior no me interesa copiar el punto exacto; me interesa aprovechar la información que contiene el cambio.

3. El problema de la saturación.

Hasta aquí la parte fácil, la tercera pieza es donde se complica.

Si este año vamos a aumentar mucho más la inversión que el anterior no parece razonable aplicar el efecto estacional sin ningún ajuste. Los canales publicitarios tienen límites: a medida que ampliamos presupuesto empezamos a agotar las oportunidades más eficientes y el retorno marginal tiende a caer. Es la propiedad de los rendimientos decrecientes.  La pregunta es cuánto van a decrecer.

Para representar esa idea utilicé una función de potencia muy sencilla:

Revenue = a × Inversión^b

El parámetro a escala la curva y b determina su forma. Si b es 1, el revenue crece proporcionalmente con la inversión. Cuando b está entre 0 y 1 aparecen rendimientos decrecientes: seguimos generando más ingresos al invertir más, pero cada euro adicional aporta menos que el anterior. Es la curva clásica que todos tenemos en la cabeza.

Como ROAS = Revenue / Inversión, en esta función el ROAS evoluciona aproximadamente con Inversión^(b−1). Por tanto, si conocemos cuánto más estamos escalando este año respecto al anterior, podemos utilizar b para construir un ajuste de saturación.

Aquí el objetivo no es buscar un valor de ROAS, sino establecer diferentes escenarios posibles y ver qué objetivos podemos conseguir para trasladar esta información al cliente.

El punto más débil del razonamiento: no se puede estimar b con los datos disponibles.

Y aquí empezó la parte más interesante del ejercicio.

Mi primera intención fue no asumir b, sino estimarlo con los datos reales de la cuenta. Probé varias aproximaciones y ninguna me permitía defender el resultado con suficiente rigor.

Primero intenté estimar el parámetro a partir de los datos semanales de inversión y revenue, controlando la estacionalidad. Pero enseguida apareció un problema: para interpretar esa relación como una verdadera curva de respuesta tendría que ser capaz de separar el efecto de la inversión del resto de factores que explican las ventas. Y eso, en el fondo, me llevaba de nuevo al punto de partida: para estimar correctamente la saturación necesitaba algo muy parecido al modelo de marketing mix que precisamente no tenía.

Después probé con los datos diarios de noviembre del año anterior. La idea era aprovechar los cambios de inversión dentro del propio mes. Los coeficientes resultantes eran tremendamente inestables y, en algunos casos, salían incluso fuera del rango que tendría sentido bajo esta formulación.

La razón es bastante evidente en marketing: inversión y demanda no se mueven de forma independiente. Precisamente invertimos más los días o las semanas en las que esperamos vender más. Cuando las dos cosas suben a la vez, una regresión observacional tiene dificultades para separar cuánto de la venta adicional procede del presupuesto y cuánto habría ocurrido de todas formas precisamente por el Black Friday.

Dicho de otra manera: correlación entre inversión y revenue no equivale a curva de respuesta causal.

Probé todavía una tercera vía: comparar dos Black Fridays. Si un año habíamos escalado más que otro, quizá la diferencia en la mejora del ROAS permitía inferir algo sobre la saturación pero tampoco era viable, la muestra era demasiado pequeña y no aportaba información suficiente para estimar con confianza una curva de saturación.

Cuando no puedes estimar un parámetro, trabaja con escenarios.

En lugar de seguir exprimiendo los datos hasta obtener un número que pareciera convincente, decidí tratar b como lo que realmente era en este análisis: un supuesto.

Construí dos escenarios de sensibilidad: b = 0,7 para representar una saturación moderada y b = 0,5 para representar una saturación más intensa. No porque esos valores fueran “los verdaderos”, sino porque me permitían comprobar cuánto dependía la conclusión de una hipótesis razonable sobre rendimientos decrecientes.

Este cambio de enfoque fue importante. Aquí fue donde me di cuenta que si no podía estimar b con suficiente fiabilidad entonces cambiaba el paradigma del ejercicio y pasaba a analizar escenarios posibles y ver qué pasaba con los objetivos en cada uno. Y aquí lo importante no es acertar con el valor exacto de b. Si un objetivo parece razonable en ambos escenarios, la conclusión es bastante robusta, si cambia dependiendo del valor de b, entonces no tiene sentido darlo por bueno: la conclusión depende demasiado de un supuesto que no podemos estimar con suficiente precisión.

Y esto nos da un rango de acción que aporta cierta seguridad en esa conversación tan habitual con un cliente que te mira esperando respuestas, porque en el fondo eres la persona que maneja sus datos. Y la respuesta, aunque no es una certeza, si es un rango en el que podemos operar y donde podemos llegar a un consenso sobre el que trabajar.

ROAS Objetivo: Un ejemplo con números.

Vamos a verlo con cifras inventadas pero similares a las que utilicé en el análisis.

Supongamos que el ROAS medio entre julio y septiembre de este año es 3,9. El año pasado, noviembre rindió un 50% mejor que su verano, así que el efecto estacional es 1,5. Además, este año el salto de inversión respecto al periodo base es 1,83 veces mayor que el salto que hicimos el año pasado.

Con b = 0,7, el ajuste por saturación sería aproximadamente 0,83.

ROAS de referencia = 3,9 × 1,5 × 0,83 = 4,88

Si el cliente plantea un objetivo de 4,5, la primera lectura podría ser que mantener prácticamente el ROAS del año pasado con bastante más presupuesto es demasiado ambicioso. Sin embargo, al incorporar que la cuenta está rindiendo mejor en la actualidad, la historia cambia: bajo estos supuestos, 4,5 no queda por encima de la referencia.

Ahora imaginemos otro caso. ROAS actual de 6, efecto estacional de diciembre de 0,6 y ajuste por saturación de 0,94.

ROAS de referencia = 6 × 0,6 × 0,94 = 3,38

Si el objetivo es 3,8, mirar únicamente el diciembre anterior podría hacerlo parecer razonable. Pero cuando incorporamos que la cuenta no ha mejorado y que vamos a aumentar la presión presupuestaria, el objetivo queda por encima de la referencia construida.

No significa que sea imposible conseguirlo. Significa que, con la información disponible y los supuestos utilizados, es el objetivo sobre el que pediría más argumentos antes de aceptarlo y sería necesario plantear acciones agresivas como una mejora en el descuento del Black Friday, una ampliación de los días de descuento, mejora en las creatividades, etc.

Lo que este cálculo no resuelve.

Conviene terminar poniendo límites al ejercicio, porque son importantes.

En primer lugar, estamos trabajando con ROAS atribuido por cada plataforma. Meta, Google o TikTok no miden igual y este análisis no corrige esas diferencias. Sirve para discutir la coherencia de un objetivo dentro del sistema de medición de cada plataforma, no para estimar cuánto negocio incremental genera realmente cada canal. Para eso tenemos otras herramientas.

En segundo lugar, asumimos que la mejora reciente de la cuenta puede trasladarse a noviembre o diciembre. Si parte de esa mejora se debe precisamente a haber reducido inversión o concentrado presupuesto en las oportunidades más eficientes, al volver a escalar podríamos perder una parte de ella.

En tercer lugar, el efecto estacional procede del histórico disponible. Si solo tenemos un Black Friday comparable y ese año fue excepcional, estamos heredando esa excepcionalidad.

Y, sobre todo, b sigue siendo un supuesto. Para estimar una curva de respuesta con mayor rigor necesitaríamos variación de inversión suficientemente informativa y, mejor aún, experimentos o un modelo que pueda separar la contribución de los canales del resto de factores que mueven las ventas. Ahí es donde entran los tests de incrementalidad y los Marketing Mix Models.

Entonces, ¿para qué sirve?

Cuando un cliente dice “subimos el presupuesto un 45% y mantenemos el mismo ROAS”, podemos aceptar el objetivo, rechazarlo porque nos parece demasiado alto o establecer un método heurístico para valorar si ese objetivo tiene sentido antes de comprometernos con él

Este cálculo no pretende predecir el ROAS que vamos a conseguir. Lo que nos permite es construir una referencia teniendo en cuenta tres cosas que sabemos que van a influir: cómo está funcionando la cuenta ahora, cómo se comportó ese periodo el año anterior y cuánto más vamos a exigirle a la inversión.

Hay supuestos, especialmente el nivel de saturación, que no podemos estimar con los datos que tenemos. Por eso trabajamos con varios escenarios y comprobamos hasta qué punto cambia la conclusión.

Al final, lo que buscaba con todo este análisis era bastante sencillo: saber si los objetivos que nos estaban planteando eran razonables y, sobre todo, detectar cuáles necesitábamos revisar con el cliente. Y quizá esa sea una de las funciones más importantes de la analítica: no eliminar la incertidumbre, sino hacerla visible para poder tomar mejores decisiones.

---

Si quieres probarlo con tus propios datos, he preparado una plantilla con el cálculo completo. Puedes modificar el parámetro de saturación y comprobar cómo cambia la referencia y la valoración de tus objetivos.

https://docs.google.com/spreadsheets/d/1zSo3atEWursWCP6-KtcyCrWNi3so-W11WVeMVitbgAA/copy