La incrementalidad para UA utiliza experimentación geográfica para medir el verdadero impacto de las campañas de forma científicamente rigurosa. En lugar de segmentar a los usuarios, segmentamos áreas geográficas en regiones expuestas y regiones de control estadísticamente similares. Estas regiones se seleccionan en función de su tamaño y del comportamiento histórico de la aplicación. Los anuncios solo se muestran en las regiones expuestas, mientras que las regiones de control no reciben exposición. Al comparar el comportamiento de ambos grupos durante el periodo de control, podemos medir el efecto causal real, no solo la correlación.

Los experimentos geográficos siguen una cronología estructurada:

• Preprueba: Ambos grupos reciben la misma exposición a los anuncios de las campañas evaluadas. Durante este periodo recopilamos datos de referencia y desarrollamos un modelo que refleja la relación histórica entre las regiones expuestas y las regiones de control.
• Intervención (el experimento): Las campañas se activan solo en las regiones expuestas. Se impide que las regiones de retención vean anuncios de las campañas medidas.
• Cálculo del efecto causal: La diferencia entre los resultados observados en las regiones de retención y las regiones expuestas durante el experimento se suma a lo largo del tiempo y se utiliza para determinar el impacto acumulativo.

Regresión basada en el tiempo (TBR)

En el corazón de nuestra geo-experimentación está la regresión basada en el tiempo (TBR). Se utiliza para calcular el aumento de marketing al predecir lo que habría sucedido en ausencia de una intervención de marketing. Esto implica comparar los resultados observados en una región expuesta (donde se realiza la intervención) con los resultados previstos basados en la relación histórica entre una región de retención (no expuesta a la intervención) y la región expuesta.

Cómo funciona:

• Creación de diseños geográficos con regiones de control y regiones expuestas:
  • Para cada aplicación, AppsFlyer analiza el historial de instalaciones o del comportamiento de los eventos in-app y utiliza TBR (explicado en los pasos siguientes) sobre miles de conjuntos aleatorios de regiones geográficas de control y expuestas, a lo largo de distintos periodos, para encontrar aquellos con la menor diferencia.
• Período de preprueba:
  • Durante este periodo, antes de que comience la intervención, se recopilan datos tanto de las regiones de control como de las regiones expuestas.
  • Se desarrolla un modelo de regresión para reflejar la relación entre las series temporales de la región expuesta y la región de control.
• Predicción de contrafactuales:
  • Utilizando el modelo desarrollado durante el periodo de pretest, se predicen los resultados esperados para la región de control (si no hubo intervención) durante el periodo de prueba. Estos se denominan “contrafactuales”.
• Período de prueba:
  • En las campañas que forman parte del experimento de incrementalidad para UA, las regiones de control predefinidas quedan excluidas automáticamente de la visualización de anuncios durante toda la duración del experimento.
• Cálculo del efecto causal:
  • El efecto causal de la intervención en cada momento es la diferencia entre el resultado observado en la región de control y su predicción contrafactual.
• Efectos acumulados:
  • Estas diferencias se acumulan a lo largo del tiempo para determinar el impacto acumulado de la intervención (por ejemplo, el incremento total de instalaciones o conversiones).
• Incremento del marketing:
  • El incremento del marketing es el efecto acumulado que cuantifica los resultados incrementales generados por la actividad de marketing en comparación con los que se habrían obtenido sin ella.

La incrementalidad para UA te ayuda a resolver los principales desafíos de crecimiento al revelar el verdadero impacto de tus campañas en el negocio. A continuación se muestran algunos casos de uso habituales en los que las pruebas de incrementalidad basadas en regiones geográficas aportan un valor fundamental.

1. Optimizar la asignación del presupuesto entre plataformas publicitarias
   Desafío: Las métricas de atribución muestran un performance similar en varias plataformas, pero no tienes claro cuál de ellas está impulsando realmente el crecimiento. Solución: Ejecutar pruebas paralelas de incrementalidad utilizando varias celdas en distintas plataformas. Utilizar los resultados para identificar qué plataforma genera un aumento real y redistribuye el presupuesto en consecuencia.
2. Validar el performance de nuevos canales o formatos
   Desafío: Estás probando un nuevo canal o una nueva plataforma publicitaria, pero las métricas iniciales son inconsistentes o están infladas debido al solapamiento de la segmentación. Solución: Utilizar pruebas geográficas para aislar el impacto del nuevo canal del resto de canales de tu mix. Determinar si contribuye con nuevas instalaciones netas o simplemente canibaliza las existentes.
3. Entender el impacto de las campañas de marca
   Desafío: Las campañas de marca obtienen buenos resultados en los reportes de atribución, pero no estás seguro de si los usuarios se habrían convertido de todos modos. Solución: Los experimentos geográficos pueden revelar si los anuncios gráficos o de búsqueda de marca influyen realmente en el comportamiento de los usuarios o si están captando la demanda existente.
4. Comparar estrategias de campaña dentro de la misma plataforma
   Desafío: Quieres probar dos estrategias creativas (por ejemplo, video vs carrusel) o tipos de puja (por ejemplo, maximizar instalaciones vs ROAS) dentro de la misma red. Solución: Realizar un experimento de múltiples celdas con cada estrategia asignada a una celda diferente. Comparar el aumento incremental de cada una y eligir al ganador.
5. Reasignar gasto de mercados saturados a escalables
   Desafío: Los mercados consolidades muestran rentabilidades decrecientes y costos de adquisición crecientes, pero los datos de atribución no aclaran si estás llegando a nuevos usuarios. Solución: Las pruebas de incremento geográfico muestran si las campañas en estos mercados siguen siendo incrementales. Si no es así, redistribuye el presupuesto hacia regiones sin explorar o infravaloradas con mayor potencial.

En esta sección se explican cuáles son las campañas más adecuadas para seleccionar en tus experimentos. Estos son algunos aspectos que debes tener en cuenta:

• Impacto: ¿Qué prueba podría influir más en tu estrategia general? Muchas veces, esto significa empezar por tus iniciativas más importantes, ya que comprender mejor cómo afectan al crecimiento permitirá realizar optimizaciones relevantes.
• Volumen de conversiones: Un experimento sólido necesita suficientes datos. Para cada campaña evaluada, busca alcanzar un mínimo de 5.000 instalaciones o eventos mensuales in-app, en función del KPI principal que quieras medir.
• Exploración: La incrementalidad es una herramienta excelente para probar algo nuevo, como entrar en un nuevo mercado o lanzar un nuevo canal.
• Definir una hipótesis o una pregunta de investigación clara: Como en cualquier otro experimento científico, dedicar tiempo a formular la pregunta principal contribuirá a la eficacia y a la capacidad de convertir en acciones los resultados de tu experimento de incrementalidad para UA. Por ejemplo, ¿esperas que un canal genere más incrementalidad que otro? ¿Cómo afectará a tu estrategia de marketing que tu hipótesis se confirme o se descarte?

Los principales KPI del experimento incluyen:

• Incremento (%): El impacto causal de la actividad de marketing evaluada, medido como las conversiones adicionales (por ejemplo, instalaciones o eventos in-app) que realmente ha generado tu campaña, por encima de las que se habrían producido sin ella.
• Conversiones incrementales: El número de instalaciones o eventos generados por la campaña evaluada.
• Costo por instalación incremental/Costo por evento incremental: El coste medio de cada conversión incremental, calculado a partir de la inversión publicitaria de la campaña.
• Factor de incrementalidad: La relación entre las instalaciones o eventos incrementales (medidos por el experimento) y las instalaciones o eventos atribuidos mediante la atribución clásica (medidos con la atribución clásica de AppsFlyer).

Consulta la lista completa de KPIs del experimento en la sección del dashboard.

Para que los insights de la incrementalidad para UA puedan traducirse en acciones, AppsFlyer proporciona tanto el porcentaje de incremento como los KPIs de la incrementalidad para UA a nivel de campaña, lo que facilita la toma de decisiones de marketing.

Optimización basada en el porcentaje incremental:

A. Sin incremento:
El objetivo final del marketing es generar resultados incrementales. Si se determina que tu campaña no genera aumento (las regiones de control tienen el mismo performance que las regiones expuestas), significa que no aporta valor adicional al que se habría obtenido sin ella y que requiere más optimización para contribuir al crecimiento. Si tu campaña no genera aumento, ten en cuenta lo siguiente:

• Redistribuye el presupuesto hacia campañas o canales que generen mayor incrementalidad.
• Optimiza: Como ocurre con cualquier campaña de bajo performance, puedes mejorarla ajustando las estrategias de puja, los objetivos, la audiencia objetivo, las creatividades y otros factores relevantes. Después de realizar los cambios, puedes ejecutar otro experimento de incrementalidad para UA para comprobar si la incrementalidad ha mejorado.
• Identifica qué factores pueden estar provocando un bajo incremento revisando la configuración técnica, la segmentación, el mix de canales, las ubicaciones, los presupuestos, las palabras clave, las creatividades o el solapamiento entre campañas. Estos aprendizajes serán muy útiles para optimizar tus campañas con el objetivo de obtener resultados incrementales en el futuro.

B. Aumento positivo:
Un aumento positivo significa que tu campaña está generando resultados incrementales por encima de los que se obtendrían sin ella. Como primer paso, debes comprobar que todas tus iniciativas de marketing generan un aumento positivo. Cuando sea positivo, ten en cuenta lo siguiente:

• Aumenta la inversión en las plataformas, los canales o las campañas que hayan demostrado impulsar el crecimiento.
• Amplía el alcance extendiendo las audiencias o las ubicaciones para aumentar el impacto.
• Identifica los factores que impulsan el crecimiento para replicar el éxito y priorizar las estrategias ganadoras.
• Compara campañas o canales en función del aumento: El aumento es una medida relativa que se calcula comparando las regiones de control con las regiones expuestas. Por ello, comparar campañas en función del incremento puede resultar complejo. Por ejemplo, si ambas campañas tienen el mismo impacto, pero una de ellas llega a un número significativamente mayor de usuarios o tiene una inversión considerablemente superior, su aumento será mayor.
  Al comparar campañas, procura que tengan una inversión y un alcance similares y que, en general, se dirijan a las mismas regiones geográficas.
• Si acabas de empezar a medir la incrementalidad de tu aplicación o negocio, es posible que todavía no dispongas de un benchmark sólido para determinar el nivel exacto de incremento positivo que cabe esperar de una campaña, un canal o una inversión determinados. En este caso, se recomienda optimizar utilizando los KPIs de incrementalidad a nivel de campaña de AppsFlyer, como se describe a continuación.

Optimización basada en los KPIs de incrementalidad a nivel de campaña:

A. Total de conversiones incrementales y métricas de costos:
Al igual que con la atribución clásica, el volumen total de conversiones incrementales y el gasto publicitario invertido para generar estas conversiones proporcionan métricas claras y prácticas para la optimización. Puedes utilizar el número de conversiones incrementales a nivel de campaña y el costo por conversión incremental para determinar si la campaña cumple tus objetivos de volumen y ROI, y comparar su performance con el de otras campañas o canales.

B. Aprovechar los datos de atribución clásica e incrementalidad en paralelo
Tanto para el número de conversiones a nivel de campaña como para el costo por conversión, el dashboard de incrementalidad para UA presenta en paralelo los datos de atribución clásica (last-touch) Y los datos de incrementalidad, para que puedas comprender la relación entre ambos modelos y aplicar estos aprendizajes a mayor escala.
Por separado, la atribución clásica ("last-touch") y la incrementalidad son dos modelos de atribución diferentes, cada uno con sus propias ventajas y desventajas:

• La atribución clásica ("last-touch") funciona en tiempo real, está estandarizada, es altamente escalable y ofrece un alto nivel de granularidad. Por lo tanto, permite optimizar a nivel de usuario tanto por parte del anunciante como mediante los algoritmos en tiempo real de las plataformas publicitarias. Sin embargo, se centra principalmente en el engagement de la parte inferior del funnel y no proporciona pruebas científicas de causalidad.
• La incrementalidad es una excelente herramienta para demostrar científicamente el impacto causal y resulta ideal para la medición omnicanal. Sin embargo, proporciona insights agregados (a nivel de campaña), se mide de forma periódica y es más difícil de escalar.

Cuando se utilizan conjuntamente, ambos modelos ofrecen una visión integral del performance de marketing. El factor de incrementalidad de AppsFlyer muestra la relación entre los datos de atribución clásica, que sirven como punto de referencia para la optimización continua del marketing, y los datos de incrementalidad, que se utilizan para medir el impacto causal. Así puedes utilizar los factores de incrementalidad para optimizar:

• Factor de incrementalidad superior al 100 %: La incrementalidad ha registrado más conversiones que la atribución clásica para la misma campaña. Por ejemplo, una tasa del 110% significa que las conversiones incrementales son un 10% superiores a las conversiones medidas mediante la atribución clásica. Este aumento de las conversiones también se traduce en una reducción del costo por conversión, ya que se generan más conversiones con el mismo nivel de inversión.
  Si el factor de incrementalidad es superior al 100%, ten en cuenta lo siguiente:
  • Reevalúa la asignación del presupuesto teniendo en cuenta la reducción del costo por conversión incremental.
  • Reevalúa las estrategias de puja y los objetivos de optimización teniendo en cuenta el costo por conversión incremental y el retorno incremental de la inversión publicitaria.
  • Aplica el factor a campañas similares antes de tomar futuras decisiones de marketing. Por ejemplo, si tus campañas de vídeo muestran de forma constante un factor de incrementalidad de ~110% para las instalaciones de aplicaciones cuando se miden mediante experimentos de incrementalidad, puedes considerar que las instalaciones de aplicaciones medidas mediante atribución clásica en campañas similares son un 10% superiores al tomar decisiones de marketing (es decir, cada 100 instalaciones medidas mediante atribución clásica equivalen en realidad a unas 110 instalaciones).
• Factor de incrementalidad inferior al 100%: La incrementalidad ha registrado menos conversiones que la atribución clásica para la misma campaña. Por ejemplo, una tasa del 90% significa que las conversiones incrementales son un 10% inferiores a las conversiones medidas mediante la atribución clásica. Esta reducción de las conversiones también se traduce en un aumento del costo por conversión, ya que se generan menos conversiones con el mismo nivel de inversión. Si el factor de incrementalidad es inferior al 100%, ten en cuenta lo siguiente:
  • Reevalúa la asignación del presupuesto teniendo en cuenta el aumento del costo por conversión incremental.

•  
  • Reevalúa las estrategias de puja y los objetivos de optimización teniendo en cuenta el costo por conversión incremental y el retorno incremental de la inversión publicitaria.
  • Aplica este factor a campañas similares para orientar futuras decisiones de marketing. Por ejemplo, si tus campañas de vídeo muestran de forma constante un factor de incrementalidad de ~90% para las instalaciones de aplicaciones cuando se miden mediante experimentos de incrementalidad, puedes considerar que las instalaciones de aplicaciones medidas mediante atribución clásica en campañas similares son un 10% inferiores al tomar decisiones de marketing (es decir, cada 100 instalaciones medidas mediante atribución clásica equivalen en realidad a unas 90 instalaciones).

Considera pausar los experimentos (antes de los 30 días predeterminados) si:

• Las métricas de aumento, factor de incrementalidad y costo se han mantenido estables durante más de 7 días.
• Existe una justificación de negocio para obtener resultados más rápidamente, aunque esto pueda implicar métricas de incrementalidad menos precisas o menos “normalizadas”.

Considera ampliar los experimentos (más allá de los 30 días predeterminados) si:

• El volumen de la campaña fue inferior al esperado y se prevé que aumente hasta superar el requisito mínimo de conversiones incrementales diarias.
• La ventana de conversión del evento medido es excepcionalmente larga y los usuarios necesitan más tiempo para convertir.

El primer paso consiste en crear el experimento.

Para crear el experimento:

1. Accede a la incrementalidad para UA haciendo clic en Optimizar > Incrementalidad para UA en el menú lateral de AppsFlyer. 

   

2. Haz clic en + Nuevo experimento.
    
3. Completa el formulario del experimento:
   1. Introduce el nombre del experimento - Crea un nombre descriptivo para el experimento y, a continuación, haz clic en Siguiente.

   2. Define tu diseño geográfico — Selecciona la aplicación, el país y la métrica principal que quieres medir. AppsFlyer utiliza esta información para calcular la distribución óptima de las regiones expuestas y las regiones de control de tu experimento.

      

      Después de enviarlo, AppsFlyer revisa tu diseño geográfico. Este proceso suele tardar solo unos minutos. Tu diseño geográfico estará listo para usar o no estará disponible:

      • Listo — Tu diseño geográfico está aprobado y listo para usar. Puedes continuar con el experimento.
      • No disponible — Actualmente, el diseño geográfico no cumple los requisitos para realizar un experimento válido según los datos disponibles para la combinación seleccionada de aplicación, país y métrica. Puedes intentar volver a enviarlo después de 30 días, ya que los requisitos de elegibilidad podrían cumplirse a medida que tu aplicación recopile más datos.

      Nota

      Si existen reglas de diseño geográfico para la aplicación y el país seleccionados, se aplicarán automáticamente al calcular el diseño geográfico. Consulta la Política de diseño geográfico para obtener más información.

      Nota

      Cada país tiene un número determinado de celdas disponibles para tu experimento. Una celda consta de un par formado por un grupo expuesto y un grupo de control, estructurados para que sean similares entre sí y al país en su conjunto. Puedes usar varias celdas en un experimento para realizar una comparación directa de diferentes campañas en diferentes fuentes de medios, o usarlas individualmente en experimentos separados.

      El número de celdas disponibles por país depende de su tamaño geográfico, la distribución de la población y los niveles de actividad de la aplicación, factores que afectan a la capacidad de crear pares estadísticamente válidos de grupos expuestos y de control. Los países con regiones activas y con mayor granularidad admiten más celdas, lo que permite realizar más experimentos.

      • Seleccionar aplicación - Selecciona la aplicación relevante para el experimento.
      • Seleccionar país - A continuación, selecciona el país en el que quieres realizar el experimento. Haz clic en Siguiente.
      • Selecciona la Métrica principal que quieres medir. Puede ser el número de instalaciones o un evento in-app.

       

   3. Configurar los detalles de la campaña:

• Deberás seleccionar una conexión de fuente de medios para cada celda del experimento. Esta es la fuente de medios en la que se ejecuta tu campaña. Si no hay ninguna conexión, puedes crear una nueva conexión.

• A continuación, selecciona las campañas correspondientes que quieras medir en el experimento.
  Los experimentos de incrementalidad pueden configurarse para medir campañas individuales (por ejemplo, “¿Cuál es el performance de la campaña de Google vs la campaña de Meta?”) o una fuente de medios completa seleccionando varias campañas dentro de una única celda del experimento (por ejemplo, “¿Cuál es el performance de Google vs Meta?”).
  
  Elige entre:
  Nivel de campaña: para medir el impacto de una única campaña dentro de una fuente de medios
  Nivel de canal: para medir el impacto conjunto de varias campañas dentro de una fuente de medios

  Nota: Si se seleccionan varias campañas dentro de una misma celda:

  • Todas las campañas seleccionadas compartirán las mismas regiones de control.

  • Los insights de incrementalidad se mostrarán a nivel de celda y no a nivel de campaña individual.

    

• Una vez aprobado el diseño geográfico, verás el desglose del experimento:
  • Regiones de control - Las regiones que no están expuestas a tus campañas durante el experimento
  • Regiones expuestas - Las regiones expuestas a tus campañas, utilizadas como referencia para la medición
  • Reglas de diseño geográfico - Tus reglas activas y las regiones que abarcan. Saber más

• Al seleccionar el nombre de una campaña, verás a continuación el número mínimo de instalaciones o eventos incrementales (según la métrica principal seleccionada) necesario para medir el impacto positivo de tu campaña con un alto nivel de confianza estadística. Esto se conoce como el “efecto mínimo detectable” del experimento. Asegúrate de que se espera que la campaña seleccionada genere al menos este número de conversiones. 

  Consejo: Elige una campaña que alcance o supere habitualmente este mínimo para garantizar resultados fiables y estadísticamente válidos.

• Puedes añadir celdas adicionales al experimento si lo deseas. Para añadirlas: Haz clic en + Celda del experimento y selecciona la conexión y la campaña correspondientes. Una celda consta de un par formado por un grupo expuesto y un grupo de control, estructurados para que sean similares entre sí y al país en su conjunto. Puedes utilizar varias celdas en un mismo experimento para comparar directamente diferentes campañas entre distintas fuente de medios.
  
  Después de configurar las celdas, haz clic en Siguiente.

4. Revisar resumen - Comprueba que el resumen del experimento sea correcto y, a continuación, haz clic en Iniciar experimento.
   El experimento comienza. Los primeros resultados se mostrarán en un plazo de 24 horas.

   Nota

   Una vez finalizado el experimento, las campañas conectadas volverán a su configuración anterior de segmentación geográfica. Esto garantiza la continuidad y la consistencia de las campañas y te permite reanudar las actividades de UA sin tener que volver a configurar manualmente la segmentación.

   Ejemplo
   Imagina que realizas un experimento en Estados Unidos utilizando tres ciudades designadas como expuestas. Durante el experimento, tu campaña se limitó únicamente a esas ciudades. Cuando finalice el experimento, la campaña recuperará automáticamente su segmentación original, por ejemplo, “Estados Unidos (todas las ubicaciones)”, tal como estaba configurada antes de que comenzara el experimento.

Puedes consultar los resultados del experimento en el dashboard del experimento.

Sobre el dashboard del experimento

1. Accede a tus experimentos de Incrementalidad para UA haciendo clic en Optimizar > Incrementalidad para UA en el menú lateral de AppsFlyer. 
    

   

2. Haz clic en el experimento correspondiente para acceder al dashboard del experimento.

   

Un tour por el dashboard

En la parte superior del dashboard se muestran 2 gráficos:

• El incremento: Gráfico de regiones expuestas vs regiones de control - Muestra el aumento incremental por celda del experimento.
• La cronología del experimento: Gráfico de regiones expuestas vs regiones de control - Muestra una comparación en paralelo de las instalaciones incrementales por día durante el periodo del experimento, para cada celda. 

La sección central del dashboard muestra los KPIs del experimento por celda de campaña, fuente de medios y campaña:

• Instalaciones de atribución clásica - El número de instalaciones que generó la campaña, según la atribución clásica.
• Instalaciones incrementales - El número de instalaciones que generó la campaña, según el experimento.
   
• Factor de incrementalidad - La relación entre las instalaciones incrementales (medidas por el experimento) y las instalaciones de atribución clásica. Por ejemplo, una tasa del 110% significa que las instalaciones incrementales son un 10% superiores a las instalaciones medidas mediante atribución clásica.
• Costo por instalación de atribución clásica - El costo medio de cada instalación atribuida, calculado a partir del gasto publicitario de la campaña.
• Costo por instalación incremental - El costo medio de cada instalación incremental, calculado a partir del gasto publicitario de la campaña.
• Incremento - Cuántas instalaciones adicionales se produjeron gracias a tu campaña en comparación con las que se habrían producido sin ella. Calculado como: Incremento (%) = (performance real en el grupo expuesto (regiones excluidas) - performance previsto en el grupo expuesto) / performance previsto en el grupo expuesto * 100 * -1.
• Confianza - El nivel de confianza estadística de que el incremento sea superior a cero.
  
  Para obtener orientación sobre cómo interpretar los resultados, consulta Comprender los resultados del experimento y utilizar los insights.

En la parte inferior del dashboard se encuentra el gráfico de Instalaciones incrementales acumuladas , que muestra las instalaciones incrementales acumuladas por celda.

Nota: Si se selecciona la medición a Nivel de canal (varias campañas dentro de una misma celda):

• Todas las campañas seleccionadas compartirán las mismas regiones de control.
• Los insights de incrementalidad se mostrarán a nivel de celda y no a nivel de campaña individual.

Las conexiones hacen referencia a la integración entre la incrementalidad para UA y tus partners de medios. Permiten vincular campañas y realizar experimentos con las plataformas conectadas.
 

Para añadir conexiones de fuentes de medios:  

1. Accede a la Incrementalidad para UA haciendo clic en Optimizar > Incrementalidad para UA en el menú lateral de AppsFlyer. 

2. Haz clic en la pestaña Conexiones y, a continuación, en + Nueva conexión.

   

3. Selecciona una fuente de medios a la que conectarte.

   

4. Introduce tus credenciales para iniciar sesión y crear la conexión.

La política de diseño geográfico te permite definir reglas de diseño de experimentos geográficos a nivel de cuenta. Las reglas se configuran por aplicación y país, y se aplican automáticamente a todos los diseños geográficos que se calculen después de guardar la regla.

Utiliza las reglas de diseño geográfico para adaptarte a restricciones legales, proteger mercados de alto valor o aislar regiones afectadas por pruebas paralelas.

Tipos de reglas de diseño geográfico

Hay tres tipos de reglas disponibles:

Configurar una regla de diseño geográfico

Para configurar una regla de diseño geográfico:

1. En Incrementalidad para UA, haz clic en la pestaña Configuración avanzada.
2. En la sección Política de diseño geográfico, haz clic en + Nueva regla de diseño geográfico.
3. En el cuadro de diálogo Nueva regla de diseño geográfico, selecciona la aplicación y el país a los que se aplica esta regla.
4. En Reglas, configura cada regla:
   1. Selecciona el tipo de Regla de diseño geográfico: No incluir en el grupo de control, no segmentar o excluir del análisis.
   2. Selecciona las regiones (estados o regiones subestatales, según el país). Puedes buscar por nombre o código.
5. Para añadir otro tipo de regla para la misma aplicación y el mismo país, haz clic en + Añadir regla.
6. Revisa el panel Resumen de la derecha, que se actualiza en tiempo real a medida que realizas selecciones.
7. Haz clic en Guardar.

La regla ya está activa y se aplicará a todos los diseños geográficos que se calculen a partir de ahora para la aplicación y el país seleccionados.

Eliminar una regla de diseño geográfico

Para eliminar una regla de diseño geográfico:

1. En la sección Política de diseño geográfico, busca la regla que quieres eliminar.
2. Abre el menú de acciones y selecciona Eliminar.
3. Confirma la acción en el cuadro de diálogo ¿Eliminar regla?.

Ver las reglas de diseño geográfico en un experimento

Una vez aprobado el diseño geográfico, al configurar tu experimento verás una sección con el desglose de las regiones (marcada como Se aplican reglas) que muestra:

• Regiones de control - Las regiones que no están expuestas a tus campañas durante el experimento
• Regiones expuestas - Las regiones expuestas a tus campañas, utilizadas como referencia para la medición
• Reglas de exclusión - Las reglas activas (No incluir en el grupo de control, no segmentar, excluir del análisis) y las regiones específicas que abarcan

En el informe del experimento, puedes consultar el desglose geográfico completo seleccionando Desglose del diseño geográfico en el menú de acciones. Se mostrará el mismo desglose que aparece arriba, con las reglas que estaban activas cuando se creó el experimento. Para gestionar tus reglas, haz clic en Gestionar la política de diseño geográfico en la parte inferior del panel.

Características y limitaciones

Ten en cuenta lo siguiente al trabajar con reglas de diseño geográfico:

Puedes ver y gestionar todos tus experimentos desde un mismo lugar.

Para ver y gestionar tus experimentos:

En Incrementalidad para UA, haz clic en la pestaña Experimentos.

Para cada experimento, puedes ver lo siguiente:

• Nombre del experimento
• Aplicación - se puede ordenar
• País - se puede ordenar
• Fuente de medios
• Fechas - El intervalo de fechas del experimento
• Estado - Puedes ver cuántos días quedan para que finalice el experimento o cuándo se ha completado.
• Aumento

Columna de estado

• Completado - El periodo del experimento ha finalizado
• Activo - El experimento está actualmente en curso
• Pendiente - El experimento está pendiente de resultados (primeras 24 horas)
• En revisión - El diseño está en revisión (la respuesta puede tardar hasta 24 horas)
• Listo - El diseño se ha revisado y cumple los requisitos
• No disponible - El diseño se ha revisado y no cumple los requisitos

Coloca el cursor sobre el experimento para acceder al icono de acciones.

Desde aquí puedes:

• Ver los detalles del experimento
• Ampliar la duración del experimento
• Detener experimento

Para ampliar un experimento:

En el experimento, haz clic en el icono de acciones (en la esquina superior derecha) y selecciona Ampliar la duración del experimento.

Esto ampliará la duración del experimento 14 días más.

Para detener un experimento:

En el experimento, haz clic en el icono de acciones ⠇ (en la esquina superior derecha) y selecciona Detener experimento.