Tu panel publicitario muestra los resultados, pero no las respuestas

¿Recuerdas la aplicación ficticia con la que cerrábamos el primer artículo de esta serie ? Tenía 20.000 usuarios activos diarios, generaba 100.000 solicitudes publicitarias al día y, después de pasar por todo el embudo, ingresaba 184 € diarios en publicidad. Vamos a imaginar que ha pasado un mes. Quien la desarrolla abre el panel de su plataforma publicitaria y ve que la media diaria ha subido a 211,60 €: un 15% más.

¿Es una buena noticia? La respuesta honesta es que todavía no lo sabemos. Ese 15% puede deberse a que la aplicación tiene más usuarios. O a que se ha añadido un intersticial nuevo que muestra más anuncios a cada persona. O a que estamos en noviembre y los anunciantes pagan más por cada impresión, como cada año. O a que se ha corregido un error de carga que hacía que se perdieran anuncios ya vendidos. Las cuatro explicaciones producen exactamente la misma cifra en el panel, pero cada una exige una decisión completamente distinta: en un caso no hay que tocar nada, en otro hay que vigilar la retención con lupa, en otro conviene no atribuirse un mérito que no es nuestro, y en el último se ha hecho un trabajo técnico que merece la pena repetir en otras pantallas.

Ese es el problema que aborda este artículo. Medir la monetización no es mirar el ingreso diario. El ingreso total es el resultado final de una cadena de factores que se multiplican entre sí, y mirar solo el resultado es como mirar el saldo de una cuenta bancaria sin ver los movimientos: sabes si tienes más o menos dinero, pero no por qué, ni qué harás el mes que viene para que siga subiendo.

Este es el cuarto artículo de la serie sobre monetización publicitaria. En el primero vimos cómo funciona el mercado y presentamos el vocabulario básico: solicitudes, impresiones, fill rate, show rate, eCPM, ARPDAU. En el segundo elegimos un modelo de monetización coherente con cada producto. En el tercero convertimos esa decisión en emplazamientos concretos que respetan el flujo del usuario, y lo cerramos con una advertencia: diseñar bien un emplazamiento es solo la mitad del trabajo, la otra mitad es comprobar si funciona.

Aquí vamos a usar esas mismas métricas para construir un sistema de diagnóstico que permita responder a una pregunta muy concreta, que es la que tarde o temprano se hace cualquiera que tenga un producto con publicidad:

¿En qué punto estoy perdiendo dinero, y cómo sé qué debo optimizar después?

Está pensado tanto para quien todavía está decidiendo si monetizar su aplicación, web o juego con publicidad, y quiere saber qué debería medir desde el primer día, como para quien ya tiene anuncios funcionando y siente que sus números suben y bajan sin entender del todo por qué. Tampoco vamos a entrar todavía en mediación ni en tests A/B: ambos temas tendrán su propio artículo. Antes de optimizar nada, hay que aprender a leer los datos correctamente, porque una optimización basada en una lectura equivocada no solo no mejora nada, sino que puede empeorar justo aquello que no estabas mirando.

La ecuación que hay detrás de cada euro

Empecemos por la idea más importante del artículo, de la que se deriva todo lo demás. El ingreso publicitario de un día no es un número suelto: es el producto de varios factores, y cada uno de ellos depende de cosas distintas.

Ingresos publicitarios = usuarios activos × solicitudes por usuario × match rate × show rate × eCPM / 1.000

Si lo aplicamos a nuestra aplicación ficticia del primer artículo:

20.000 DAU × 5 solicitudes por usuario × 0,92 × 0,80 × 2,50 € / 1.000 = 184 €

La fórmula puede parecer una forma rebuscada de calcular algo que el panel ya te da hecho, pero su valor no está en el resultado, sino en la descomposición. Cada uno de esos cinco factores es una palanca diferente, se mueve por razones diferentes y, en la mayoría de los equipos, depende incluso de personas diferentes:

Si agrupamos los tres factores intermedios aparece una métrica que conviene tener siempre a mano: las impresiones por usuario activo. En nuestro ejemplo, 5 × 0,92 × 0,80 = 3,68 impresiones por usuario y día. Y si multiplicamos ese valor por el eCPM obtenemos el Ads ARPDAU, el ingreso publicitario medio por usuario activo y día:

Ads ARPDAU = impresiones por DAU × eCPM / 1.000 = 3,68 × 2,50 € / 1.000 = 0,0092 €

Conviene hacer una precisión sobre el nombre. El ARPDAU, a secas, incluye todos los ingresos que genera la aplicación: publicidad, suscripciones, compras integradas, etc. Cuando solo se tienen en cuenta los ingresos publicitarios, como en este ejemplo, se habla de Ads ARPDAU. En este artículo nos centramos en la publicidad, así que salvo que se indique lo contrario usaremos siempre esta segunda métrica.

Visto así, el ingreso total se reduce a dos preguntas: ¿cuántos usuarios tengo? y ¿cuánto me deja cada uno? Y el Ads ARPDAU, a su vez, se reduce a otras dos: ¿cuántos anuncios ve cada usuario? y ¿cuánto vale cada anuncio?

Árbol de monetización con el ejemplo de la aplicación ficticia del primer artículo de la serie: los ingresos publicitarios, 184 € al día, son usuarios activos (20.000 DAU) por Ads ARPDAU (0,0092 € por usuario); el Ads ARPDAU es impresiones por usuario (3,68 al día) por eCPM (2,50 €); y las impresiones por usuario son solicitudes por usuario (5 al día) por match rate (92 %) por show rate (80 %). Bajo cada factor se indica de qué depende principalmente: producto y adquisición, producto y emplazamientos, demanda, implementación y mercado.

Cuatro formas de ganar un 15% más

Volvamos ahora a los 211,60 € de la introducción. Con la ecuación delante podemos ver qué tendría que haber cambiado para llegar a esa cifra en cada uno de los cuatro escenarios, manteniendo todo lo demás igual:

Las cuatro filas terminan en la misma cifra de ingresos, y tres de ellas incluso en el mismo Ads ARPDAU. Pero la lectura correcta de cada una lleva a decisiones opuestas. En el escenario A no hay nada que celebrar desde el punto de vista de la monetización, aunque sí desde el del producto. En el B, el aumento puede ser una trampa si dentro de un mes la retención ha caído. En el C, quien atribuya la subida a un cambio que hizo esa misma semana acabará convencido de que algo funciona cuando en realidad solo ha llegado la campaña de Navidad. Y en el D hay un aprendizaje técnico que probablemente se pueda aplicar a otros emplazamientos de la aplicación.

Esta es la razón por la que el ingreso total, por sí solo, es la métrica menos útil para tomar decisiones: es la que más depende de todo lo demás. El resto del artículo consiste, en el fondo, en aprender a mirar cada uno de esos factores por separado, saber qué significa que se mueva y qué hacer cuando lo hace.

El embudo completo, tramo a tramo

En el primer artículo presentamos el embudo publicitario como un recorrido: solicitud, solicitud cubierta, impresión, clic. Ahora vamos a recorrerlo de nuevo, pero con otra pregunta en mente: si este tramo concreto falla, ¿cómo lo detecto y qué suele haber detrás?

Embudo publicitario en cinco tramos: oportunidades reales, solicitudes, solicitudes cubiertas, impresiones e ingresos, con la métrica que mide cada transición: tasa de anuncio listo, match rate, show rate y eCPM. El primer tramo solo lo ve la analítica propia mediante eventos de emplazamiento alcanzado; el resto lo cuenta el panel de la plataforma publicitaria. De las impresiones sale una rama hacia los clics, medida con el CTR, como métrica de calidad y salud que se vigila pero no se maximiza.

Antes de la solicitud: las oportunidades que el panel no ve

Hay un tramo del embudo que casi nadie mide y que, sin embargo, es el primero de todos. El panel de cualquier plataforma publicitaria empieza a contar en el momento en que la aplicación hace una solicitud. Pero antes de eso hay algo que solo conoce la propia aplicación: cuántas veces el usuario llegó a un punto donde podría haberse mostrado un anuncio.

Pensemos en el intersticial al terminar un nivel del artículo anterior. Si mil usuarios terminan un nivel, hay mil oportunidades potenciales. Algunas no se usarán por decisión propia —la regla de presentación dice que es demasiado pronto desde el último anuncio, o que el usuario está en su primera sesión—, y eso es correcto. Pero otras se perderán por razones que no hemos decidido: el anuncio no estaba cargado a tiempo, había caducado, o la precarga ni siquiera se lanzó. Ninguna de esas pérdidas aparece en el panel publicitario, porque desde su punto de vista no ha pasado nada.

La única forma de verlo es instrumentarlo en la analítica del propio producto, con un evento propio del tipo “emplazamiento alcanzado”, acompañado del motivo por el que se mostró o no el anuncio: mostrado, bloqueado por frecuencia, bloqueado por compra de “quitar anuncios”, sin consentimiento, anuncio no disponible. Con ese evento se puede calcular algo que ninguna plataforma publicitaria ofrece: qué porcentaje de los momentos válidos tenía un anuncio listo. Si es bajo, el problema no está en la demanda ni en el precio, sino en cuándo y cómo se precargan los anuncios, y suele ser de los más baratos de corregir.

Solicitudes y solicitudes cubiertas

El siguiente tramo es el que va de la solicitud (ad request) a la solicitud cubierta (matched request), y se mide con el match rate o fill rate: el porcentaje de solicitudes que encontraron un anuncio.

match rate = solicitudes cubiertas / solicitudes × 100

Un match rate bajo significa que la aplicación está pidiendo anuncios que el mercado no está sirviendo. Las causas más habituales son:

• Geografía. Hay países donde, sencillamente, hay poca demanda publicitaria para aplicaciones, o poca para un formato concreto. Un match rate global mediocre puede esconder un match rate excelente en tus mercados principales y uno pésimo en una región con mucho tráfico y pocos anunciantes.
• Formato. No todos los formatos tienen la misma demanda. Los anuncios de vídeo, los recompensados o los nativos con ciertos requisitos pueden tener menos compradores disponibles que un banner estándar.
• Consentimiento y privacidad. Cuando el usuario no da su consentimiento para publicidad personalizada, o en iOS cuando no autoriza el seguimiento, una parte de la demanda deja de pujar o puja menos. Lo trataremos a fondo en el artículo dedicado a privacidad, pero conviene saber ya que un cambio en el formulario de consentimiento puede mover el match rate de forma visible.
• Aplicación o cuenta nuevas. Las plataformas suelen revisar las aplicaciones nuevas antes de servirles demanda completa. En AdMob, por ejemplo, una aplicación recién añadida puede tener el servicio de anuncios limitado hasta que se completa esa revisión. Tampoco ayuda no tener publicado el archivo app-ads.txt, que permite a los compradores verificar que el inventario que se les ofrece pertenece realmente a quien dice venderlo.
• Configuración. Precios mínimos demasiado altos, restricciones de categorías de anunciantes muy amplias o unidades publicitarias mal configuradas reducen la demanda que puede competir por cada oportunidad.
• Solicitudes infladas. Una aplicación que reintenta en bucle cuando no hay anuncio, o que refresca banners que no están en pantalla, genera muchas solicitudes que difícilmente se van a cubrir. El match rate cae, pero no porque falte demanda, sino porque el denominador está inflado por la propia implementación.

Hay un matiz importante: un match rate alto no siempre es mejor. Si para conseguir un 99% de cobertura se aceptan anuncios a cualquier precio, puede que una parte de las impresiones se esté vendiendo muy barata. Existe un equilibrio entre cubrir más solicitudes y cobrar más por cada una, y gestionarlo es precisamente una de las funciones de la mediación y de los precios mínimos, que veremos en el próximo artículo. Por ahora basta con saber que el match rate no debe leerse nunca solo, sino siempre al lado del eCPM.

Impresiones y show rate

Que se haya encontrado un anuncio no significa que alguien vaya a verlo. El show rate mide qué parte de las solicitudes cubiertas acaba convirtiéndose en una impresión real:

show rate = impresiones / solicitudes cubiertas × 100

Este tramo es, con diferencia, el que más depende de la propia implementación, y el que más relación tiene con todo lo que vimos en el artículo anterior. Un show rate bajo suele tener detrás alguna de estas causas:

• Errores de carga o de renderizado. El anuncio se encontró, pero no se pudo descargar el creativo, o falló al dibujarse en pantalla.
• El usuario se va antes. Abandonó la pantalla, cambió de pestaña o cerró la aplicación antes de que el anuncio llegara a mostrarse. En pantallas de paso muy rápido esto es casi inevitable, y puede ser una señal de que el emplazamiento no está en el lugar adecuado.
• Anuncios precargados que nunca se usan. Es la causa más frecuente en formatos de pantalla completa. Si se precarga un intersticial al empezar cada partida, pero solo un tercio de los usuarios llega a terminarla, dos de cada tres anuncios cargados no se mostrarán nunca.
• Anuncios caducados. Como vimos en el artículo anterior, los anuncios cargados tienen fecha de caducidad: en AdMob, una hora para un intersticial y cuatro para un anuncio de apertura. Si la aplicación precarga demasiado pronto, muchos anuncios caducan antes de su momento.
• Problemas de ciclo de vida. Anuncios solicitados con la aplicación en segundo plano, en pestañas que no están activas o detrás de diálogos modales.

Conviene leer el show rate en función del formato. En un banner que se solicita cuando la pantalla ya está visible, debería ser alto, y si no lo es, hay casi seguro un problema técnico. En un intersticial o un anuncio recompensado precargados, un show rate más bajo puede ser normal, porque refleja cuántas veces el usuario llega realmente al momento previsto. Lo que no es normal es que ese valor caiga de una versión a otra de la aplicación sin que nadie haya cambiado nada a propósito: eso suele indicar que se ha roto algo en la lógica de carga o de presentación.

Y hay un último escalón, que ya vimos en el artículo anterior: que una impresión se haya contado no significa que el anuncio se haya visto. La visibilidad (viewability) mide qué parte de las impresiones cumplió el estándar mínimo de exposición, y un inventario con baja visibilidad termina pagándose peor aunque el show rate sea impecable.

Clics, CTR y conversiones

El CTR (click-through rate) mide el porcentaje de impresiones que terminan en un clic. Es probablemente la métrica más malinterpretada de toda la monetización publicitaria, porque intuitivamente parece que más clics deberían significar más dinero.

Desde el punto de vista de quien publica los anuncios, eso no es así por varias razones. La primera es que, aunque algunos anunciantes compren por clic o por instalación, las plataformas traducen esas pujas a un valor esperado por impresión para poder compararlas con el resto en la subasta. Lo que al final llega al publisher se resume en el eCPM, no en el número de clics. La segunda es que el objetivo del anunciante no es el clic, sino lo que ocurre después: la instalación, el registro, la compra. Si los clics que genera tu inventario no producen conversiones, los compradores lo aprenden con el tiempo y pujan menos por él. Un CTR alto con conversiones bajas es, a medio plazo, un inventario que se devalúa.

La tercera razón es la más importante: un CTR anormalmente alto suele ser una mala señal, no una buena. Casi siempre indica clics accidentales: un banner pegado a la barra de navegación, un anuncio nativo cuya tarjeta entera es pulsable, un botón de cierre difícil de acertar. Las plataformas vigilan este patrón porque es la huella típica de la actividad no válida, y un CTR fuera de lo normal puede terminar en ingresos descontados, en limitaciones del servicio o en la suspensión de la cuenta. Por eso, si el CTR de un emplazamiento sube de golpe tras un cambio de diseño, lo primero que hay que preguntarse no es “¿cuánto vamos a ganar?”, sino “¿qué hemos puesto al lado del anuncio?”.

Dicho de otra forma: el CTR es una métrica de calidad y de salud, no de rendimiento. Se vigila para detectar problemas, no para maximizarla. Y, como ya advertíamos en artículos anteriores, nunca, bajo ningún concepto, se hace clic en los anuncios reales de la propia aplicación para “probar” nada.

Métricas económicas: eCPM, ingresos, Ads ARPDAU y LTV

Hasta aquí hemos medido volumen: cuántas oportunidades hay y cuántas se aprovechan. Ahora toca medir valor: cuánto vale lo que se aprovecha y cómo se traduce en dinero por usuario.

eCPM: un promedio que engaña con facilidad

El eCPM ya lo conocemos:

eCPM = ingresos / impresiones × 1.000

Es la métrica que más se comparte, la que más se pregunta en los foros ("¿qué eCPM estáis teniendo?") y probablemente la que más decisiones equivocadas provoca. No porque esté mal calculada, sino porque es un promedio, y los promedios esconden la composición de lo que promedian.

Un ejemplo lo deja claro. Supongamos una aplicación con usuarios en dos mercados: España, donde el eCPM ronda los 3 €, y otro país con mucho tráfico pero poca demanda publicitaria, donde ronda los 0,50 €.

El eCPM global ha caído un 31%. Si solo miráramos esa cifra, concluiríamos que la monetización ha empeorado gravemente. Pero en realidad el eCPM ha subido en los dos países, y los ingresos han crecido casi un 40%. Lo único que ha cambiado es la proporción de impresiones que viene de cada mercado. A este fenómeno se le llama efecto mezcla (mix effect), y es la razón por la que un eCPM global casi nunca debería usarse para tomar decisiones sin antes desglosarlo.

Con los formatos ocurre algo parecido. Un anuncio recompensado tiene casi siempre un eCPM muy superior al de un banner, y eso lleva a muchos equipos a concluir que “el recompensado rinde más”. Pero el banner puede generar decenas de impresiones por usuario y día mientras que el recompensado genera, con suerte, una o dos, y solo entre los usuarios que deciden usarlo. Comparar formatos por eCPM es comparar precios unitarios de productos que se venden en cantidades muy distintas. La comparación útil es otra: cuánto ingreso aporta cada emplazamiento por usuario activo, es decir, el ingreso de ese emplazamiento dividido entre el DAU. En el caso del recompensado conviene además mirar qué porcentaje de usuarios lo usa al menos una vez al día y cuántas veces lo hace cada uno de ellos, porque es un formato que depende por completo de que el usuario quiera usarlo.

Por último, un eCPM alto puede esconder un problema de volumen. Si al subir los precios mínimos el eCPM pasa de 2 € a 3 € pero el match rate cae a la mitad, se ingresa menos con un eCPM mejor. Cuando el eCPM sube, la pregunta siguiente siempre debe ser: ¿y qué ha pasado con las impresiones?

Ingreso total: separar el crecimiento por su origen

Con la ecuación del principio, cualquier variación del ingreso total puede descomponerse en sus causas. En la práctica, cuando los ingresos cambian de forma significativa, merece la pena hacerse siempre las mismas preguntas, en este orden:

1. ¿Han cambiado los usuarios activos? Si el DAU ha crecido en la misma proporción que los ingresos, la monetización no ha cambiado. Ha crecido el producto.
2. ¿Han cambiado las sesiones por usuario? Más sesiones generan más oportunidades sin tocar nada de la publicidad. Suele ser una buena noticia, porque indica más uso.
3. ¿Han cambiado las impresiones por sesión? Si sí, alguien ha cambiado emplazamientos, reglas de frecuencia o el funcionamiento técnico de la carga. Aquí es donde hay que vigilar la experiencia.
4. ¿Ha cambiado la cobertura? Match rate y show rate: ¿se están aprovechando mejor o peor las oportunidades existentes?
5. ¿Ha cambiado el precio? El eCPM, desglosado por país, plataforma y formato para descartar el efecto mezcla.

Hacer este recorrido lleva diez minutos con un panel bien configurado, y evita la mayoría de las conclusiones equivocadas.

Ads ARPDAU y ARPU publicitario: conectar el dinero con personas

El eCPM habla del inventario: cuánto vale cada mil anuncios. El Ads ARPDAU habla de las personas: cuánto deja cada usuario activo cada día. Es una diferencia de perspectiva fundamental, porque las decisiones de producto se toman sobre usuarios, no sobre impresiones.

El Ads ARPDAU tiene una ventaja enorme sobre el eCPM: incorpora a la vez el precio y la cantidad. Si una decisión sube el eCPM pero reduce las impresiones por usuario en la misma proporción, el Ads ARPDAU no se mueve, y eso es exactamente lo que hay que saber. Por eso, cuando hay que elegir una sola métrica publicitaria para seguir día a día, el Ads ARPDAU es mejor candidata que el eCPM.

El ARPU publicitario es la misma idea aplicada a un periodo más largo, normalmente un mes: ingresos publicitarios del periodo divididos entre los usuarios activos del periodo. Es útil para comparar meses o para planificar, pero tiene un problema: mezcla usuarios que han abierto la aplicación una vez con usuarios que la abren a diario.

Y en productos con modelo híbrido, como vimos en el segundo artículo, conviene seguir siempre las dos versiones de la métrica: el Ads ARPDAU, solo de publicidad, y el ARPDAU, que incluye también compras y suscripciones. Una decisión que sube el primero puede bajar el segundo si, por ejemplo, los anuncios nuevos canibalizan compras. Y al revés: un poco más de presión publicitaria puede aumentar las compras de “quitar anuncios” y subir el total aunque baje el publicitario. Mirar solo uno de los dos es mirar la mitad del negocio.

LTV publicitario: el valor que se construye con el tiempo

El Ads ARPDAU mide lo que deja un usuario en un día. El LTV (lifetime value, valor de vida del usuario) mide lo que deja a lo largo de toda su relación con el producto. Ya lo presentamos en el primer artículo y le dedicaremos uno entero más adelante, cuando hablemos de estrategia de negocio, pero hay una forma sencilla de entenderlo que basta para lo que nos ocupa ahora:

ingreso publicitario por usuario a N días ≈ Ads ARPDAU medio × días activos medios en esos N días

Un usuario con un Ads ARPDAU de 0,0092 € que abre la aplicación, de media, 6 de sus primeros 30 días, deja unos 0,055 € en ese primer mes. Uno con un Ads ARPDAU un 15% más alto, pero que solo la abre 5 días, deja unos 0,053 €. El segundo genera más dinero cada día que usa la aplicación, pero menos dinero en total.

En la práctica, el LTV publicitario no se calcula con esta aproximación, sino por cohortes. Una cohorte es un grupo de usuarios que empezó a usar el producto en el mismo periodo, por ejemplo todos los que instalaron la aplicación la misma semana, y al que se sigue a lo largo del tiempo como un conjunto. Para cada cohorte se suma todo lo que han generado sus usuarios a los 7, 30 o 90 días desde la instalación, y así se pueden comparar grupos que están en la misma fase de su relación con el producto. Para poder hacerlo hace falta que los ingresos publicitarios estén asociados a usuarios en la herramienta de analítica, y no solo agregados en el panel de la red. Muchas plataformas lo permiten mediante los ingresos a nivel de impresión (impression-level ad revenue): en el caso de AdMob, al vincularlo con Google Analytics para Firebase, cada impresión puede registrarse como un evento con su valor estimado, lo que permite cruzar ingresos con cohortes, versiones o comportamiento. Si estás empezando, activarlo desde el primer día es una de las mejores inversiones de tiempo que puedes hacer, porque los datos que no se recogen hoy no se pueden recuperar después.

Las métricas de producto que deben acompañar a las publicitarias

Todo lo anterior mide la publicidad. Pero, como venimos repitiendo desde el primer artículo de la serie, la publicidad vive dentro de un producto, y el producto tiene sus propias métricas, que son las que deciden si dentro de tres meses seguirá habiendo usuarios a los que mostrar anuncios.

Estas son las que conviene seguir siempre al lado de las publicitarias:

• Retención D1, D7 y D30. Qué porcentaje de los usuarios que instalaron la aplicación un día concreto vuelve a abrirla 1, 7 y 30 días después. Es la métrica que más directamente revela si la presión publicitaria está expulsando usuarios. La D1 suele reaccionar primero a una mala primera experiencia, como un anuncio de apertura en la primera sesión; la D7 y la D30, a la fatiga acumulada.
• Duración de la sesión. Si baja tras introducir un formato nuevo, puede que los usuarios estén saliendo antes para evitarlo.
• Sesiones por usuario y frecuencia de uso. Cuántas veces vuelve cada usuario, al día o a la semana. Recordemos que la recurrencia es la base de todo el ingreso publicitario a largo plazo.
• Abandono en puntos concretos. En qué pantallas o momentos se va la gente. Si un emplazamiento coincide con un pico de abandono, la correlación merece investigarse.
• Desinstalaciones. Más difíciles de medir con precisión, pero las consolas de las tiendas ofrecen datos agregados, y un aumento tras una versión con más anuncios es una señal clara.
• Valoraciones y reseñas. No son una métrica cuantitativa fina, pero las menciones a “demasiados anuncios” son un indicador temprano que suele adelantarse a la caída de la retención.
• Compras, suscripciones y usuarios que eliminan anuncios. En modelos híbridos, cuántos usuarios convierten a pago, y cuántos lo hacen específicamente para quitar la publicidad.

La idea clave de esta sección cabe en una frase: una configuración publicitaria puede mejorar el Ads ARPDAU y empeorar el valor total del usuario. Es el escenario B de la tabla del principio. El ingreso diario sube y el panel publicitario lo celebra, mientras la retención cae poco a poco en un panel distinto que quizá mira otra persona, o que no mira nadie. Cuando por fin se nota en el DAU, han pasado semanas y es difícil saber qué lo provocó.

Por eso, cada vez que se cambia algo en la publicidad, hay que decidir de antemano qué métricas de producto se van a vigilar para comprobar que no se ha roto nada. No hace falta montar un experimento formal para esto —eso lo veremos en el artículo dedicado a la experimentación—, pero sí tener claro que el éxito de un cambio publicitario no se mide solo con métricas publicitarias.

Cómo leer el árbol de monetización

Ya tenemos todas las piezas: la ecuación, el embudo, las métricas económicas y las de producto. Ahora vamos a juntarlas en la herramienta más práctica del artículo: una tabla de síntomas y causas probables que sirva para orientarse cuando algo no cuadra.

La tabla es útil, pero lo es más el razonamiento que hay detrás. Ante cualquier síntoma, el orden de lectura es siempre el mismo: de arriba abajo en el embudo, y de lo general a lo particular en los segmentos. Primero se comprueba si ha cambiado el volumen de usuarios. Luego las oportunidades por usuario. Después la cobertura y el show rate. Después el precio. Y solo al final, con todo eso descartado, se buscan causas más sutiles. Empezar por el eCPM, que es lo que casi todo el mundo hace, suele llevar a buscar el problema en el mercado cuando estaba en la implementación, o al revés.

Diagrama de flujo de diagnóstico: ante un cambio en los ingresos, se pregunta primero si ha cambiado el DAU (si es así, es crecimiento del producto y no de la monetización), después si han cambiado las impresiones por usuario (mirar solicitudes por usuario, match rate y show rate) y después si ha cambiado el eCPM (desglosar por país, formato y plataforma para detectar estacionalidad o efecto mezcla), y antes de concluir se comprueban la retención y el LTV de las cohortes.

Cuando los números no cuadran entre sí

Tarde o temprano, cualquiera que mire sus datos con algo de atención descubre que el panel de la red publicitaria, el de la mediación y el de la analítica del producto no dan exactamente las mismas cifras. Es normal, y conviene saber por qué antes de perder una tarde buscando un error que no existe:

• Definiciones distintas. Una plataforma puede contar la impresión cuando el anuncio empieza a renderizarse y otra cuando se considera visible. Lo mismo ocurre con las solicitudes: el mediador cuenta una solicitud a la aplicación, pero cada red que participa puede contar la suya.
• Zonas horarias. Si el panel publicitario trabaja en una zona horaria y la analítica en otra, los “días” no coinciden, y las comparaciones diarias bailan.
• Moneda y tipo de cambio. Las redes pueden informar en dólares y convertir con tipos de cambio de distintos momentos.
• Ingresos estimados frente a definitivos. Como vimos en el primer artículo, los ingresos de los últimos días son estimaciones. Las cifras se consolidan normalmente a principios del mes siguiente, cuando se descuenta, entre otras cosas, el tráfico que la plataforma considera no válido.
• Eventos que no llegan. Usuarios que cierran la aplicación antes de que la analítica envíe sus eventos, bloqueadores, o usuarios sin consentimiento para analítica.

Pequeñas diferencias constantes entre fuentes son esperables y, en general, no deberían preocupar. Lo que sí es una señal de alarma es que la diferencia cambie de golpe, por ejemplo tras publicar una versión nueva: eso suele indicar que un evento ha dejado de registrarse o que algo se está contando dos veces. Por eso es más útil vigilar la estabilidad de la discrepancia que intentar que desaparezca.

Segmentación mínima para no mezclar datos

El ejemplo del eCPM por países ya ha mostrado el peligro de los promedios globales. Generalicémoslo: casi cualquier métrica agregada esconde segmentos que se comportan de forma distinta, y una mejora en un segmento puede quedar anulada, o amplificada, por lo que ocurre en otro.

Como mínimo, todas las métricas de este artículo deberían poder consultarse desglosadas por:

• País o región. Es el factor que más variación introduce en el eCPM y en el match rate, y el que más efecto mezcla produce.
• Plataforma. iOS y Android tienen demanda, precios, políticas de privacidad y hasta errores técnicos diferentes. Un fallo de carga que solo afecta a una de ellas puede quedar diluido en el promedio.
• Versión de la aplicación. Imprescindible para detectar regresiones: si el show rate cae solo en la versión publicada el martes, ya sabes dónde buscar.
• Formato. Por las razones que hemos visto: cada formato tiene sus propios rangos razonables de eCPM, match rate y show rate.
• Emplazamiento. El mismo formato puede funcionar muy bien en un punto del flujo y muy mal en otro. Si todos los intersticiales comparten una sola unidad publicitaria, es imposible saber cuál de ellos funciona.
• Cohorte de instalación. Los usuarios que llegaron en una campaña concreta, o en una semana concreta, pueden comportarse de forma muy distinta al resto.
• Usuario nuevo o recurrente. Un usuario en su primera semana tolera la publicidad de forma distinta a uno que lleva meses usando la aplicación, y aporta un valor diferente.

Un caso típico: tras una actualización, el Ads ARPDAU global se mantiene estable y nadie le da importancia. Desglosado por plataforma, resulta que en Android ha subido un 10% gracias a una mejora en la precarga, y en iOS ha caído un 10% porque esa misma mejora introdujo un error que impide mostrar el anuncio de apertura. El promedio dice que no ha pasado nada; los segmentos dicen que hay una mejora que conservar y un error que corregir.

Hay una consecuencia práctica de todo esto que conviene aplicar desde el principio: crear una unidad publicitaria distinta para cada emplazamiento, aunque compartan formato. Es la forma más sencilla de que el panel de la plataforma pueda desglosar el rendimiento por emplazamiento sin necesidad de herramientas adicionales. Reorganizarlo más adelante es posible, pero se pierde la continuidad histórica de los datos.

Cohortes y comparación temporal

La forma más habitual de evaluar la monetización es comparar este mes con el anterior. Y es también una de las más engañosas, porque entre un mes y otro cambian muchas cosas a la vez, y la mayoría no tienen nada que ver con la publicidad:

• Estacionalidad. Como vimos en el primer artículo, la demanda publicitaria no es constante a lo largo del año. Suele subir con fuerza en el último trimestre, con el Black Friday y la campaña de Navidad, y caer en las primeras semanas de enero, cuando los anunciantes renuevan presupuestos. Comparar diciembre con enero sin tenerlo en cuenta lleva a concluir que algo se ha estropeado.
• Cambios en la adquisición. Una campaña de marketing en un país nuevo, una aparición destacada en la tienda o un artículo que te enlaza traen usuarios con un comportamiento distinto al de tu base habitual.
• Cambios de versión. Cada versión puede modificar el flujo, la carga de anuncios o la experiencia.
• Composición de usuarios. Con el tiempo, la proporción de usuarios veteranos y nuevos cambia, y con ella todas las métricas medias.
• Cambios en consentimiento o privacidad. Un nuevo formulario de consentimiento, un cambio en las políticas del sistema operativo o en la normativa de una región pueden mover el match rate y el eCPM sin que hayas tocado nada.

La herramienta para protegerse de todo esto son las cohortes que ya presentamos al hablar del LTV: grupos de usuarios que comparten un punto de partida, normalmente la semana o el mes de instalación. En lugar de preguntar “¿cuánto hemos ingresado este mes?”, se pregunta “¿cuánto ha generado en sus primeros 30 días el grupo que instaló en septiembre, comparado con el que instaló en agosto?”. Así se comparan usuarios en la misma fase de su relación con el producto, y no un grupo heterogéneo que cambia de composición cada mes.

Dos hábitos más, sencillos y muy rentables. El primero, siempre que sea posible, comparar con el mismo periodo del año anterior además de con el periodo inmediatamente anterior, al menos para las métricas de precio. El segundo, llevar un registro de cambios con fecha: versiones publicadas, cambios de configuración publicitaria, campañas de adquisición, cambios de consentimiento. Puede ser una simple hoja de cálculo o anotaciones en el propio panel de analítica. Cuando dentro de tres meses una métrica haga algo raro, ese registro será lo primero que querrás consultar, y lo único que te permitirá distinguir entre causa y coincidencia.

Qué mirar durante los primeros 7, 30 y 90 días

Para quien acaba de integrar publicidad, o acaba de hacer un cambio importante, no todas las métricas tienen sentido desde el primer día. Algunas necesitan volumen para estabilizarse, y otras simplemente necesitan tiempo para existir: no se puede medir la retención a 30 días de una cohorte que instaló hace una semana. Esta es una forma razonable de repartir la atención:

Primeros 7 días: que todo funcione. Es la fase de comprobar la instalación, no el rendimiento. Hay que vigilar los errores de carga, que el show rate de cada formato esté en valores razonables, que los eventos de analítica lleguen y coincidan en orden de magnitud con el panel publicitario, y que la regla de presentación se comporte como se diseñó: que los usuarios que han pagado por quitar anuncios no vean ninguno, que no aparezcan dos anuncios seguidos, que el consentimiento se respete. Las cifras de eCPM de esta primera semana son poco fiables, porque la demanda todavía se está ajustando, especialmente si la aplicación es nueva.

Primeros 30 días: que los números tengan sentido. Con un mes de datos ya se pueden leer el eCPM, el match rate y el Ads ARPDAU con cierta estabilidad, y sobre todo desglosarlos por país, plataforma, formato y emplazamiento. Es el momento de identificar qué segmentos y qué emplazamientos funcionan y cuáles no, y de comprobar que no hay diferencias inexplicables entre plataformas o versiones. También empieza a haber datos de retención a 7 días para las primeras cohortes.

Primeros 90 días: que el valor se sostenga. Tres meses permiten ver la retención a 30 días de varias cohortes, calcular el ingreso acumulado por usuario y empezar a estimar el LTV publicitario. Es también el periodo mínimo para empezar a separar las tendencias reales de las variaciones estacionales. Y es el momento de hacerse la pregunta más importante: ¿la publicidad está afectando al uso del producto? Si la retención de las cohortes con publicidad es claramente peor que la que había antes, el ingreso de los primeros 30 días no compensará lo que se está perdiendo.

La idea es sencilla: cada métrica tiene su momento, y juzgar una decisión con datos que todavía no han tenido tiempo de madurar es tan peligroso como no medirla.

Qué no se puede concluir de una sola métrica

Llegados a este punto, merece la pena recoger de forma explícita los errores de interpretación más frecuentes. Todos tienen algo en común: sacan una conclusión de una sola métrica cuando la respuesta depende de varias.

• Un eCPM alto no garantiza más ingresos. Puede venir acompañado de menos impresiones, menos cobertura o un cambio en la procedencia del tráfico.
• Más impresiones no garantizan más valor. Pueden venir acompañadas de un eCPM más bajo, de una retención peor o de menos compras.
• Un CTR alto puede ser señal de mala experiencia. Y, en el peor de los casos, de un problema de políticas.
• Un match rate del 100% no es necesariamente un objetivo. Puede significar que se está aceptando cualquier anuncio a cualquier precio.
• Una subida diaria no demuestra una mejora sostenible. Un día, o una semana, pueden estar dominados por la estacionalidad, una campaña o simple variación aleatoria.
• Un promedio global puede ocultar problemas graves. Una caída en una plataforma, un país o una versión puede quedar compensada por una mejora en otro segmento.
• Un buen Ads ARPDAU no garantiza un buen negocio. Lo que importa es cuánto deja un usuario a lo largo de toda su relación con el producto, no en un solo día.

Volvamos a los 211,60 €

Al principio del artículo teníamos una aplicación cuyos ingresos habían subido un 15% y una pregunta sin respuesta: ¿es una buena noticia? Ahora sabemos cómo averiguarlo. Primero miraríamos si ha crecido el número de usuarios activos. Luego, si cada usuario está generando más impresiones, y por qué: más sesiones, más emplazamientos, mejor cobertura o mejor show rate. Después, si el eCPM ha cambiado, desglosado por país y formato para descartar el efecto mezcla, y comparado con el mismo mes del año anterior para descartar la estacionalidad. Y, antes de dar nada por bueno, comprobaríamos qué ha pasado con la retención de las cohortes más recientes y con el ingreso acumulado por usuario.

Con esas respuestas, ese 15% deja de ser una cifra para celebrar o para preocuparse y se convierte en información: sabemos qué lo ha provocado, si va a durar y qué deberíamos hacer a continuación. Esa es toda la diferencia entre mirar los datos y saber leerlos.

Medir bien no requiere herramientas sofisticadas ni un equipo de analistas. Requiere tener claras unas pocas ideas: que el ingreso es un producto de factores y no una cifra aislada, que cada tramo del embudo falla por razones distintas, que los promedios esconden segmentos, que el tiempo y la estacionalidad engañan, y que ninguna métrica publicitaria tiene sentido si no se lee junto a las del producto en el que vive.

Con esta base ya podemos responder a la pregunta con la que empezábamos: en qué punto se está perdiendo dinero. Y una de las respuestas más habituales, sobre todo cuando el match rate es bajo o el eCPM no termina de despegar, es que hay demanda que no está llegando a competir por el inventario. Resolver eso es precisamente la función de la mediación: conectar varias fuentes de demanda, decidir cuál gana cada oportunidad y equilibrar cobertura y precio. De ella, con sus waterfalls, sus subastas en tiempo real (bidding) y sus configuraciones híbridas, hablaremos en el próximo artículo de la serie.

Happy Earning!!