Causalidad en marketing: identificar el camino que fabrica un rendimiento falso.
Pruebas directamente verificables
Fuentes primarias para comprobar las afirmaciones clave.
- Holland (1986), Statistics and Causal Inference (se abre en una pestaña nueva)
Definición del problema causal y del contrafactual.
Estado de la evidencia
Qué no se ha reproducido.
El entrenamiento de la fuente se ha repetido y reproduce sus medidas de rendimiento predictivo (R² de holdout de 0,843). El grafo de relaciones entre canales, en cambio, no se obtiene: vuelve indiferenciado, mientras que el artículo presenta uno cuyos enlaces sugerirían vías causales plausibles. Este expediente no valida por tanto ninguna conclusión causal, y esta medición respalda con una cifra lo que la página afirma: predecir bien no es haber establecido una estructura.
Qué hay que distinguir
Tres condiciones antes de cualquier cálculo.
Estimando explícito
Efecto medio, efecto sobre los expuestos, efecto de un tramo de presupuesto o efecto a largo plazo no son la misma cantidad. El diseño no puede elegirse antes de haber definido la población, la acción y el horizonte.
Caminos abiertos
Una variable común a la acción y al resultado crea un camino no causal. Controlarla puede ayudar, pero controlar un mediador o un colisionador también puede introducir un nuevo sesgo.
Diseño antes que modelo
La aleatorización, una regla de elegibilidad o una variación geográfica o temporal creíble crean la comparación. Un modelo más complejo no repara automáticamente la ausencia de contrafactual.
Método
Construir una afirmación causal proporcionada a la evidencia
- 01Definir la intervención
Precisar quién recibe qué, cuándo, en qué dosis y respecto a qué ausencia de acción; una campaña compuesta debe descomponerse si sus elementos pueden variar.
- 02Dibujar las causas
Cartografiar variables anteriores, criterios de segmentación, demanda latente, competencia, mediadores y resultado; el grafo sirve para decidir qué medir y qué no controlar.
- 03Elegir la variación
Privilegiar la aleatorización; en su defecto, documentar la hipótesis que hace creíblemente cuasi experimental una variación y buscar pruebas placebo o pretendencias.
- 04Acotar el uso
Informar del intervalo, de la sensibilidad a los confusores y de la población cubierta; una evidencia local no debe convertirse en un rendimiento universal.
El mapa de las rutas de sesgo
El grafo separa el efecto buscado, la causalidad inversa, la selección y las variables comunes. Cada ruta exige un diseño o un diagnóstico distinto.
Un rendimiento aparente de 18 € cae a 7 € tras la identificación
Una regresión histórica atribuye 18 € de ventas a cada mil euros de medios. Sin embargo, los presupuestos se aumentan antes de las semanas de fuerte demanda y durante las promociones.
La descomposición estima 6 € de sesgo ligado a la demanda prevista, 3 € a las promociones y 2 € a la estación, es decir 11 €. Una prueba geográfica comparable mide un efecto de 7 €, coherente con 18 − 11.
El efecto causal utilizable es de 7 € en el perímetro de la prueba. El rendimiento de 18 € sigue siendo una asociación descriptiva y no debe guiar la asignación.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
Población, intervención, comparación, resultado y horizonte están definidos.
- 02
Las causas comunes de la acción y del resultado están cartografiadas.
- 03
El diseño crea una variación independiente o defiende una hipótesis comprobable.
- 04
La afirmación final permanece limitada a la población y al rango observados.
Límites
Lo que este análisis no demuestra.
- Un grafo causal formaliza las hipótesis; no las hace verdaderas.
- Los efectos pueden variar según segmento, dosis, periodo e interacción con otras palancas.
- Los análisis de sensibilidad reducen el exceso de confianza pero no revelan un confusor no medido.
Referencias
Trabajos citados.
- Pearl, J. (2009), Causality: Models, Reasoning, and Inference.
- Hernán, M. A. & Robins, J. M. (2020), Causal Inference: What If.
- Shadish, W. R., Cook, T. D. & Campbell, D. T. (2002), Experimental and Quasi-Experimental Designs.