¿Qué es la incrementalidad en marketing?
En marketing, la incrementalidad es el efecto causal de una intervención sobre un resultado: la diferencia entre lo que ocurre con la intervención y lo que habría ocurrido, para la misma población y horizonte de análisis, sin ella. Ese segundo resultado es contrafactual y no puede observarse directamente, por lo que debe estimarse mediante un experimento o un método de inferencia causal con supuestos defendibles. No equivale a atribución, correlación ni a un lift meramente observado: una conversión puede ser atribuida a un touchpoint sin haber sido causada por él.
Qué es la incrementalidad
La incrementalidad responde una pregunta causal: ¿qué parte de un resultado cambió porque hicimos una intervención y qué habría ocurrido igualmente sin ella?
En marketing, la intervención puede ser una campaña, la exposición a un canal, un descuento, una promoción, un cambio de presupuesto, una secuencia de mensajes u otra acción definida. El resultado puede ser conversiones, revenue, margen, visitas, búsquedas, retención u otra métrica elegida para el análisis.
La clave no está en observar qué sucedió después de la acción, sino en estimar la diferencia entre ese resultado y un escenario comparable sin intervención. Google describe sus estudios de Conversion Lift como experimentos para medir el impacto causal de los anuncios; IAB sitúa los contrafactuales creíbles, el control del sesgo y la separación entre señal y ruido en el centro de la medición incremental.
Incrementalidad no pregunta quién recibió crédito. Pregunta cuánto cambió el resultado porque la intervención existió.
El contrafactual: la idea central
Para conocer el efecto de una campaña necesitaríamos comparar dos estados potenciales para las mismas unidades: qué ocurre con la campaña y qué habría ocurrido, en las mismas condiciones relevantes, sin ella.
Ese segundo estado es el contrafactual. El problema fundamental de la inferencia causal es que no podemos observar simultáneamente ambos estados para la misma unidad. Si una persona estuvo expuesta a la intervención, no podemos observar al mismo tiempo qué habría hecho esa misma persona sin exposición.
Por eso la incrementalidad no se obtiene leyendo una columna del dashboard. Se estima mediante un diseño que construye una referencia para el escenario no observado: un grupo de control aleatorizado, mercados comparables, un control sintético o un modelo causal bajo supuestos explícitos.
Incrementalidad y atribución responden preguntas distintas
Atribución
- Asigna crédito por conversiones observadas.
- Usa reglas o modelos de touchpoints.
- Depende de ventanas, señales y criterios de atribución.
- No demuestra por sí sola que el touchpoint causó el resultado.
Incrementalidad
- Estima un efecto causal.
- Necesita una referencia contrafactual.
- Pregunta qué habría ocurrido sin la intervención.
- Puede mostrar que parte de lo atribuido habría sucedido igualmente.
Imaginá una persona que ya estaba decidida a comprar, busca el nombre de una marca, hace clic en un anuncio de branded search y convierte. El sistema puede atribuir esa compra al anuncio. Pero si habría comprado igualmente mediante otro camino, esa conversión atribuida no representa necesariamente un efecto incremental del anuncio.
La diferencia es estructural: atribución distribuye crédito sobre resultados observados; incrementalidad intenta estimar qué resultados adicionales fueron causados por una intervención.
Lift observado e incrementalidad no siempre son lo mismo
Lift es una palabra que puede describir simplemente un aumento o una diferencia, pero también se utiliza para efectos causales estimados dentro de estudios controlados. Por eso no conviene tratar lift e incrementalidad como conceptos necesariamente opuestos.
Si las ventas suben 25% durante una campaña respecto del período anterior, existe un lift observado, pero todavía no sabemos si fue causado por la campaña. También pudieron cambiar la estacionalidad, el precio, el stock, la competencia, la distribución o la demanda general.
En cambio, cuando un estudio controlado compara tratamiento y control bajo un diseño válido, la diferencia puede interpretarse como lift causal y, por lo tanto, como una estimación de incrementalidad. Google usa precisamente este lenguaje en sus estudios de Conversion Lift.
La distinción útil es entonces entre lift meramente observado y lift con interpretación causal defendible.
Cómo se mide la incrementalidad
Conceptualmente, el efecto incremental compara el resultado esperado bajo dos escenarios:
Antes de elegir el método conviene definir con precisión qué efecto se quiere estimar: efecto de estar asignado a una campaña, de haber estado efectivamente expuesto, de aumentar presupuesto, de activar un canal o de retirar una promoción. Cambiar esa intervención cambia la pregunta causal.
También deben fijarse la población, el KPI principal, el horizonte temporal y la unidad de análisis. Un efecto sobre conversiones a siete días no es el mismo estimando que un efecto sobre margen a noventa días.
En experimentos aleatorizados, la asignación al tratamiento ayuda a construir grupos comparables en expectativa. Pero la estimación sigue dependiendo de ejecución, tamaño de muestra, poder estadístico, contaminación, spillovers, exposición real, ventana de medición y calidad del dato. Un grupo llamado “control” no garantiza causalidad por sí solo.
Experimentos, geo tests y modelos causales
Incrementalidad es el efecto que queremos estimar; el test o modelo es el método utilizado para estimarlo. IAB organiza la medición incremental alrededor de experimentos, contrafactuales modelados, enfoques econométricos e híbridos, con distinta fuerza causal y distintos trade-offs.
Una población elegible se asigna aleatoriamente a tratamiento y control. Cuando es viable y está bien implementada, la aleatorización reduce el riesgo de que diferencias previas entre grupos expliquen el resultado.
La intervención varía entre regiones comparables. Es útil cuando el holdout individual no es posible o cuando el resultado se mide de manera agregada, aunque exige controlar diferencias y spillovers entre geografías.
Se seleccionan o ponderan unidades no tratadas para aproximar cómo habría evolucionado la unidad tratada sin intervención. La validez depende de comparabilidad, información pretratamiento y supuestos del método.
Diferencias en diferencias, modelos estructurales, series temporales causales y otros diseños observacionales pueden estimar efectos cuando la aleatorización no es posible, siempre que sus supuestos sean defendibles y se evalúen explicaciones alternativas.
Marketing Mix Modeling puede estimar efectos incrementales agregados cuando el diseño, la variación de los datos y los supuestos permiten una lectura causal. MMM no es, por definición, equivalente a incrementalidad.
ROAS incremental no es ROAS atribuido
Una consecuencia práctica de esta distinción aparece en métricas como iROAS e iCPA.
El ROAS convencional suele utilizar valor de conversión atribuido en el numerador. Ese valor puede incluir compras que habrían ocurrido igualmente sin la intervención.
En Conversion Lift de Google, el iROAS se calcula de esta manera:
El iCPA aplica la misma lógica a conversiones incrementales: relaciona el costo con las conversiones adicionales estimadas, no con todas las conversiones atribuidas.
El efecto incremental puede ser distinto entre personas, segmentos y contextos
Un efecto promedio puede ocultar heterogeneidad. Una campaña puede ser muy incremental para personas que todavía no conocen la marca y casi no incremental para clientes habituales que ya tenían alta probabilidad de compra.
Los métodos de efectos heterogéneos de tratamiento y los modelos de uplift intentan estimar cómo cambia el efecto causal entre unidades o segmentos. La pregunta deja de ser solamente “¿funciona?” y pasa a ser también:
¿Para quién cambia realmente el resultado gracias a la intervención?
Ese conocimiento puede mejorar targeting, presupuesto y frecuencia, pero las segmentaciones post hoc son especialmente sensibles al ruido. Se necesitan muestras, validación y una estrategia analítica que evite convertir variaciones aleatorias en supuestos “segmentos de alto impacto”.
Ejemplo: 10.000 conversiones atribuidas no significan 10.000 conversiones incrementales
Una campaña registra 10.000 compras atribuidas. Un estudio causal estima que, sin esa intervención, la población comparable habría producido alrededor de 8.000 compras durante el mismo horizonte.
La estimación puntual del efecto incremental sería entonces de aproximadamente 2.000 compras, acompañada por la incertidumbre correspondiente al diseño y a los datos.
Las 10.000 conversiones describen resultados asociados o atribuidos a la campaña. Las 2.000 incrementales responden otra pregunta: cuántas compras adicionales estima el estudio que fueron causadas por la intervención frente al contrafactual.
Usar 10.000 como si todas hubieran sido creadas por la campaña sobrevalora el canal. Ignorar las 8.000 compras base confunde participación en el recorrido con creación incremental de demanda.
Errores frecuentes al hablar de incrementalidad
Confundir conversiones atribuidas con incrementales
La atribución distribuye crédito sobre conversiones observadas. Incrementalidad intenta estimar cuáles ocurrieron adicionalmente debido a la intervención.
Llamar incremental a cualquier lift
Una diferencia antes/después o entre grupos no comparables puede deberse a factores externos. El lift sólo admite una lectura incremental cuando el diseño sostiene una interpretación causal.
Creer que “grupo de control” garantiza causalidad
El control tiene que representar de forma creíble el escenario sin intervención. Selección, contaminación, spillovers, no cumplimiento o diferencias de medición pueden sesgar la estimación.
No definir qué efecto se quiere estimar
“Medir incrementalidad” es demasiado genérico. Hay que especificar intervención, población, métrica y horizonte; de lo contrario pueden compararse resultados que responden preguntas causales distintas.
Ignorar incertidumbre estadística
Un efecto puntual no basta. Tamaño de muestra, varianza, intervalos y poder condicionan qué conclusiones son defendibles y qué magnitudes pueden detectarse.
Tratar MMM como sinónimo de incrementalidad
MMM es una familia de modelos. Puede producir estimaciones incrementales bajo determinados diseños y supuestos, pero no toda salida de MMM es automáticamente causal.
Optimizar sólo iROAS sin contexto
El efecto incremental debe interpretarse junto con escala, margen, saturación, horizonte temporal y objetivos. Una intervención eficiente pero diminuta puede no resolver el problema de negocio.
Buscar el efecto después de ver los datos
Cambiar retrospectivamente métricas, segmentos o ventanas hasta encontrar un resultado favorable aumenta el riesgo de falsos hallazgos. Conviene definir de antemano la pregunta, el KPI y el plan analítico cuando sea posible.
Preguntas frecuentes
¿Qué es la incrementalidad en marketing?
En marketing, la incrementalidad es el efecto causal de una intervención sobre un resultado: la diferencia entre lo que ocurre con la intervención y lo que habría ocurrido, para la misma población y horizonte de análisis, sin ella. Ese segundo resultado es contrafactual y no puede observarse directamente, por lo que debe estimarse mediante un experimento o un método de inferencia causal con supuestos defendibles. No equivale a atribución, correlación ni a un lift meramente observado: una conversión puede ser atribuida a un touchpoint sin haber sido causada por él.
¿Cuál es la diferencia entre incrementalidad y atribución?
La atribución asigna crédito por un resultado a uno o más touchpoints según reglas o modelos. La incrementalidad estima el efecto causal de una intervención comparando el resultado observado con un contrafactual sin esa intervención. Una conversión atribuida puede haber ocurrido igualmente sin el touchpoint.
¿Incrementalidad y lift son lo mismo?
Depende de cómo se use el término lift. Un lift meramente observado —por ejemplo, una suba antes y después de una campaña— no demuestra incrementalidad. En cambio, en un experimento controlado, el lift entre tratamiento y control puede ser precisamente la estimación del efecto incremental si el diseño permite una interpretación causal.
¿Qué es el contrafactual en incrementalidad?
Es el resultado que habría ocurrido si la intervención no hubiera sucedido. Como ese escenario no puede observarse al mismo tiempo para las mismas unidades tratadas, se estima mediante grupos de control, experimentos geográficos, controles sintéticos u otros métodos causales bajo supuestos explícitos.
¿Un A/B test mide incrementalidad?
Puede hacerlo si el tratamiento representa la intervención cuyo efecto causal se quiere estimar, la asignación y el control son válidos, la contaminación es limitada y se mide el resultado adecuado. No todo A/B test de creatividades o interfaces responde automáticamente una pregunta de incrementalidad de negocio.
¿Marketing Mix Modeling mide incrementalidad?
Puede estimar efectos incrementales si el modelo está planteado para una pregunta causal y la variación de los datos, el diseño y los supuestos permiten construir un contrafactual defendible. MMM no es sinónimo de incrementalidad: es una familia de modelos que también puede utilizarse para contribución, forecasting y planificación.
¿Qué es iROAS o ROAS incremental?
Es una medida de retorno que utiliza valor incremental estimado en lugar de valor meramente atribuido. En Conversion Lift de Google, iROAS se calcula como valor de conversión incremental dividido por la inversión publicitaria total del estudio. En otros diseños conviene explicitar exactamente qué efecto y qué costo forman parte del cociente.
Referencias clave
IAB & IAB Europe (2025). Guidelines for Incremental Measurement in Commerce Media. IAB.
Google Ads Help. About Conversion Lift. Google Ads.
Google Ads Help. Understand your Conversion Lift based on users measurement data. Google Ads.
Holland, P. W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association, 81(396), 945–960. Taylor & Francis.
Brodersen, K. H., Gallusser, F., Koehler, J., Remy, N. & Scott, S. L. (2015). Inferring causal impact using Bayesian structural time-series models. Annals of Applied Statistics, 9, 247–274. Google Research.
Términos relacionadosPara pasar de la definición al diseño de una prueba, podés profundizar en cómo elegir entre A/B tests, holdouts, geo experiments y otros diseños experimentales según la pregunta causal. Cómo diseñar experimentos de marketing →