En resumen
La incrementalidad responde una pregunta precisa: de todas las conversiones que se atribuyen al marketing, ¿cuántas habrían ocurrido de todas formas sin esa inversión? La inflación de atribución mediana en B2B SaaS es de 2 a 4 veces — los ingresos reportados por las plataformas publicitarias sobreestiman el impacto real por ese factor. Medir la incrementalidad requiere un grupo de control: usuarios o regiones que no vieron el anuncio. Sin ese grupo de control, cualquier número de atribución es correlación, no causalidad. Para equipos B2B LATAM con volúmenes de conversión bajos, las pruebas geográficas de 4 a 6 semanas son el método más viable para obtener datos de incrementalidad con significancia estadística.
Definición
La incrementalidad es la medida de cuántos resultados de negocio — conversiones, leads, ingresos, oportunidades de pipeline — fueron causados directamente por una acción de marketing específica, en lugar de haber ocurrido de todas formas por la demanda orgánica, el reconocimiento de marca previo, el boca a boca o la intención de compra ya existente del prospecto. En términos estadísticos, la incrementalidad es el efecto causal de la actividad de marketing sobre el resultado medido — separado de la correlación que naturalmente existe entre mostrar anuncios y ver conversiones de usuarios que ya estaban cerca de comprar.
La distinción entre atribución e incrementalidad es fundamental. La atribución de marketing asigna crédito por conversiones a los puntos de contacto que existieron en el recorrido del comprador — ya sea el primero, el último, o una distribución multi-touch como la W-shaped. Pero la atribución no responde si esas conversiones habrían ocurrido de todas formas. La incrementalidad sí responde esa pregunta, y la respuesta con frecuencia sorprende: en B2B SaaS, la inflación mediana de atribución es de 2 a 4 veces, lo que significa que los ingresos que las plataformas publicitarias declaran haber generado sobreestiman el impacto incremental real por ese factor. Esto no significa que el marketing no funciona — significa que parte del gasto está capturando demanda que ya existía, en lugar de crear demanda nueva.
Cómo se calcula
La forma estándar de medir la incrementalidad es a través de un experimento controlado: se divide la audiencia objetivo en dos grupos — uno que recibe la campaña de marketing (grupo de tratamiento) y uno que no la recibe (grupo de control o holdout) — y se compara la tasa de conversión entre ambos grupos durante el período del experimento. La diferencia en tasa de conversión entre el grupo de tratamiento y el grupo de control, expresada como porcentaje del resultado del grupo de control, es el lift incremental.
Fórmula: Lift incremental = (Tasa de conversión grupo tratamiento − Tasa de conversión grupo control) / Tasa de conversión grupo control × 100
Ejemplo: Empresa SaaS en México ejecuta campaña de LinkedIn con presupuesto de MXN $80,000. Grupo de tratamiento (4,000 usuarios): tasa de conversión 3.2% → 128 conversiones. Grupo de control (1,000 usuarios sin anuncios): tasa de conversión 1.8% → 18 conversiones. Lift incremental = (3.2% − 1.8%) / 1.8% × 100 = 77.8%. Conversiones incrementales: 4,000 × (3.2% − 1.8%) = 56 conversiones adicionales causadas por el anuncio. Costo por conversión incremental = MXN $80,000 / 56 = MXN $1,429 — significativamente mayor al costo por conversión atribuida de MXN $625 (MXN $80,000 / 128).
Cuando el experimento controlado de holdout no es viable — por tamaño de audiencia insuficiente, restricciones de la plataforma, o consideraciones de negocio — el modelado de mezcla de marketing (MMM) ofrece una estimación de incrementalidad basada en regresión estadística sobre datos históricos agregados. El MMM no requiere dividir audiencias, opera con datos a nivel de canal y período, y puede controlar por variables externas como estacionalidad y actividad competidora. Sus estimaciones tienen mayor margen de error que un experimento controlado, pero son la alternativa práctica para equipos que no pueden ejecutar holdouts.
Ejemplo práctico
Una empresa de software B2B con sede en Ciudad de México gestiona un presupuesto mensual de marketing digital de MXN $350,000 distribuido entre LinkedIn (MXN $180,000), Google Search (MXN $100,000) y retargeting de Meta (MXN $70,000). Los reportes de las plataformas reportan en conjunto 340 conversiones en el mes — formularios de contacto y solicitudes de demo — con un costo por conversión atribuida de MXN $1,029. La relación parece eficiente, y el equipo ha estado incrementando el presupuesto de LinkedIn trimestre a trimestre basándose en esos números.
El director de operaciones decide ejecutar una prueba de incrementalidad geográfica durante 6 semanas. Selecciona tres ciudades como grupo de tratamiento (Ciudad de México, Monterrey, Guadalajara) y tres ciudades comparables como grupo de control (Puebla, Querétaro, León) donde se pausa toda la publicidad pagada. Al final del período, el grupo de tratamiento muestra 412 conversiones y el grupo de control muestra 198 conversiones — pero ajustando por el tamaño relativo del mercado, la tasa de conversión base del grupo de control es del 1.9% versus el 3.1% del grupo de tratamiento. El lift incremental es del 63%: de cada 100 conversiones atribuidas al marketing pagado, aproximadamente 37 habrían ocurrido de todas formas.
Este resultado no invalida la inversión en marketing — el 63% de lift incremental indica que el marketing sí está generando demanda nueva — pero cambia el análisis de eficiencia. El costo por conversión incremental real no es MXN $1,029 sino aproximadamente MXN $1,634 (MXN $350,000 / 214 conversiones incrementales). Más importante, la prueba revela que el retargeting de Meta tiene el lift más bajo de los tres canales: solo un 18% de lift incremental, lo que indica que está capturando principalmente usuarios que habrían convertido de todas formas. Esta señal permite redirigir MXN $70,000 del retargeting hacia canales con lift incremental demostrado.
Análisis en profundidad
La razón por la que la inflación de atribución en B2B SaaS es tan alta — con frecuencia entre 2 y 4 veces — es estructural, no un error de las plataformas. Las plataformas publicitarias optimizan para mostrar anuncios a los usuarios con mayor probabilidad de conversión, lo que significa que sus algoritmos de targeting dirigen el gasto hacia usuarios que ya tienen intención de compra elevada. Un usuario que busca activamente una solución de software, ha visitado el sitio web dos veces en el último mes, y está comparando opciones tiene alta probabilidad de convertir independientemente de si ve un anuncio adicional. Cuando ese usuario finalmente convierte después de ver un anuncio de retargeting, la plataforma lo atribuye a su campaña — aunque la causalidad sea débil o nula.
El lift de conversión es la métrica que cuantifica la incrementalidad en un experimento específico. Se expresa como el porcentaje de aumento en tasa de conversión del grupo expuesto versus el grupo de control. Un lift de conversión del 50% significa que el grupo que recibió el anuncio convirtió a una tasa 50% mayor que el grupo que no lo recibió. Diferente al lift de conversión es el ROAS incremental, que expresa la incrementalidad en términos de retorno sobre la inversión: cuántos ingresos adicionales se generaron por cada peso gastado en el canal, contando solo los ingresos que no habrían ocurrido sin la campaña.
Para los equipos de marketing B2B LATAM, el desafío de medir incrementalidad tiene dimensiones adicionales que no están presentes en los mercados de habla inglesa. Primero, los volúmenes de conversión son con frecuencia más bajos — 30 a 80 formularios o solicitudes de demo por mes en lugar de cientos — lo que reduce el poder estadístico de los experimentos de holdout de usuario individual. Segundo, el mercado B2B en México, Colombia y otros mercados LATAM tiene una proporción mayor de deals que inician por referido, evento de networking o relación directa con el vendedor, reduciendo el universo de prospectos que llegan por canales digitales rastreables. Tercero, la penetración de bloqueadores de anuncios en el segmento ejecutivo — que es el ICP para muchas soluciones B2B — es significativa, lo que significa que una fracción de la audiencia objetivo no ve los anuncios aunque el sistema los registre como impresiones.
Las pruebas geográficas — donde se pausa la publicidad en regiones de control mientras se mantiene en regiones de tratamiento — son el método más práctico para equipos B2B LATAM que quieren medir incrementalidad sin los requisitos de volumen de los holdouts de usuario individual. Una prueba geográfica bien diseñada requiere: (1) seleccionar regiones de tratamiento y control con perfiles de mercado comparables en términos de industria, tamaño de empresa y madurez digital; (2) ejecutar durante 4 a 6 semanas para acumular suficientes conversiones; (3) controlar por eventos externos que puedan afectar diferenciadamente las regiones — ferias del sector, lanzamientos de competidores, fluctuaciones del tipo de cambio en mercados con alta sensibilidad al dólar. Los resultados de una prueba geográfica bien ejecutada tienen más valor operacional que 6 meses de datos de atribución de plataforma.
La relación entre incrementalidad y presupuesto de marketing no es lineal. Los primeros pesos invertidos en un canal suelen tener alta incrementalidad porque están llegando a prospectos con intención genuina que no habrían encontrado la marca de otra forma. A medida que el gasto aumenta y el canal se satura, el targeting inevitablemente empieza a incluir usuarios con menor intención incremental — aquellos que habrían llegado por búsqueda orgánica, referido o tráfico directo. Esta curva de rendimiento decreciente de la incrementalidad es la razón por la que el ROAS mezclado puede mantenerse estable mientras el ROAS incremental cae: la mezcla de demanda capturada versus demanda creada se deteriora con el tiempo, pero los reportes de plataforma — que no distinguen entre ambas — no muestran la señal.
Errores frecuentes
- ✗
Confundir atribución con incrementalidad. Los modelos de atribución — primer contacto, último contacto, W-shaped, lineal — distribuyen crédito entre los canales que estuvieron presentes en el recorrido de compra. No responden si esos canales causaron la compra. Un canal puede aparecer consistentemente en la atribución de deals cerrados y tener incrementalidad cercana a cero si los deals que "atribuye" habrían cerrado de todas formas. Tomar decisiones de presupuesto basadas exclusivamente en datos de atribución sin validar incrementalidad lleva a sobreinversión en canales que capturan demanda existente en lugar de crearla.
- ✗
Usar los reportes de conversión de las plataformas publicitarias como proxy de incrementalidad. Meta, Google y LinkedIn reportan conversiones dentro de sus ventanas de atribución (7 a 30 días), pero esos reportes no tienen acceso al comportamiento del usuario fuera de su plataforma ni a la demanda orgánica subyacente. El número que reporta LinkedIn de "leads generados por LinkedIn" incluye leads que llegaron al formulario desde búsqueda orgánica de la empresa, que vieron el anuncio pero habrían convertido de todas formas, y que fueron referidos por un colega. Tratar ese número como incrementalidad — y escalar el presupuesto sobre esa base — sobreestima sistemáticamente el impacto real del canal.
- ✗
Ejecutar pruebas de incrementalidad con grupos de control contaminados. En B2B, los grupos de control de usuario individual se contaminan fácilmente: un usuario asignado al grupo de control puede ver los anuncios en la cuenta personal de un colega, recibir una recomendación directa de alguien que sí vio el anuncio, o acceder al contenido a través de un canal de distribución no pagado. Esta contaminación reduce el gap medido entre tratamiento y control, haciendo que la incrementalidad parezca menor de lo que realmente es. Las pruebas geográficas tienen menor riesgo de contaminación porque la separación es física — las regiones de control simplemente no reciben los anuncios — aunque requieren que no haya solapamiento significativo de audiencia entre regiones.
Cómo lo rastrea Fairview
Fairview aborda la incrementalidad desde dos ángulos complementarios. Primero, compara los ingresos atribuidos reportados por cada plataforma publicitaria con los ingresos reales registrados en el CRM para el mismo período, calculando el factor de inflación de atribución por canal. Cuando el factor de inflación de LinkedIn es consistentemente de 3.2 veces — es decir, LinkedIn reporta 3.2 veces más ingresos de los que el CRM puede confirmar que llegaron desde LinkedIn — esa señal orienta la necesidad de ejecutar una prueba de incrementalidad. Segundo, Fairview modela la contribución incremental de cada canal usando variaciones de gasto históricas como señal: períodos en los que el gasto en un canal aumentó o disminuyó de forma no correlacionada con el resto del presupuesto producen estimaciones del impacto causal de ese canal sobre las conversiones. Este análisis complementa los datos de atribución multi-touch con una capa de validación de causalidad, ayudando a los equipos a identificar cuáles canales están creando demanda versus capturando demanda que ya existía. Los equipos que usan Fairview para gestionar su gasto de marketing LATAM pueden ver en el mismo panel el ROAS mezclado de cada canal, la inflación de atribución estimada, y la señal de incrementalidad histórica — sin necesidad de reconciliar manualmente los reportes de plataforma con el CRM.
Preguntas frecuentes
¿Por qué los reportes de plataformas publicitarias sobreestiman la incrementalidad?
Las plataformas publicitarias atribuyen conversiones usando ventanas de 7 a 30 días, lo que incluye conversiones que habrían ocurrido de todas formas: usuarios que ya habían decidido comprar, que llegaron por búsqueda orgánica, o referidos. La incrementalidad real — las conversiones que solo ocurrieron porque existió el anuncio — es con frecuencia entre el 30% y el 60% de lo que reporta la plataforma. Esto no significa que el marketing no funcione; significa que parte del gasto captura demanda existente en lugar de crear demanda nueva.
¿Cuál es la diferencia entre incrementalidad y lift de conversión?
La incrementalidad es el concepto general: qué porcentaje de los resultados de negocio fueron causados directamente por la actividad de marketing. El lift de conversión es la métrica que cuantifica esa causalidad en un experimento específico — expresado como el porcentaje de aumento en tasa de conversión del grupo expuesto versus el grupo de control. Incrementalidad es el concepto; lift de conversión es la métrica del experimento que lo mide.
¿Cómo se mide la incrementalidad sin un grupo de control?
Sin un grupo de control experimental, la incrementalidad solo puede estimarse mediante métodos indirectos. El modelado de mezcla de marketing (MMM) usa regresión estadística sobre datos históricos agregados para estimar la contribución de cada canal. Las variaciones históricas de gasto — períodos en que el gasto en un canal subió o bajó de forma no correlacionada — también pueden producir estimaciones del impacto causal. Ambos métodos tienen mayor margen de error que un experimento controlado.
¿Qué tamaño de muestra se necesita para medir incrementalidad con confianza?
Para detectar un lift del 20% con 80% de poder estadístico y 95% de confianza, se necesitan aproximadamente 385 conversiones por grupo. Para un lift del 10%, el requerimiento sube a 1,530 conversiones por grupo. Para equipos B2B LATAM con 20 a 80 conversiones por mes, las pruebas geográficas de 4 a 6 semanas son más viables que los holdouts de usuario individual, porque permiten acumular suficientes conversiones a nivel de región para alcanzar significancia estadística.