He estado construyendo un framework de benchmarks para pricing de influencers que compare mercados—ruso, estadounidense, y eventualmente otros. La idea es tener referencias claras sobre qué debería costar trabajar con influencers de diferente tamaño y engagement en cada región.
Pero aquí está el problema: los números de un mercado no copian directamente al otro. Un macro-influencer en Rusia (300k followers, alto engagement) no cuesta lo mismo que uno similar en US. Las variables cambian: costo de vida, poder de compra de la audiencia, competencia de marcas, moneda local. Todo eso mueve los precios.
Lo que estoy haciendo es recopilar datos reales de negocios cerrados, normalizándolos (quitando variables extremas, ajustando por inflación local), e intentando construir benchmarks que sean comparables. Pero sigue habiendo cosas que los datos no capturan: la calidad de la negociación, si el influencer estaba desesperado por el trabajo, si había relación previa.
Mi hipótesis es que benchmarks te dan un rango sensato, pero necesitás validación humana—personas que entienden cada mercado teniendo que decir “sí, esto tiene sentido” o “no, en mi experiencia es diferente.”
¿Alguien acá construyó benchmarks similares? ¿Cómo balanceás datos con experiencia local?
Este es un problema elegante de data normalization. La tentación es over-complicar, pero la solución es disciplina.
Lo primero: benchmarks sin contexto son peligrosos. Necesitás documentar cada data point con metadata clara—fecha, tipo de influencer, plataforma, tipo de campaña, región específica dentro del país, incluso moneda local y tipo de pago. Sin eso, comparar Moscú con Nueva York es basura.
Segundo: normalización requiere decisiones metodológicas. ¿Ajustas por PPC? ¿Por tamaño de mercado? ¿Por moneda? ¿Por fecha? Cada decisión importa y tiene implicaciones. Yo recomendaría documentar exactamente qué normalizaciones hiciste.
Tercero—y esto es crítico—benchmarks sin validación son ficción. Necesitás que gente con expertise local diga “esto tiene sentido en mi mercado.” De lo contrario, estás optimizando sobre ruido.
Mi framework: datos + contexto local + revisión periódica. Y honestamente, benchmarks que se actualizan cada 90 días en creativos como influencer marketing.
¿Cuál es tu ciclo actual de actualización?
Excelente pregunta porque esto es relevante directamente a presupuestación de campañas.
Costruimos benchmarks internos basados en nuestro volumen de deals. En lugar de intentar obtener data global (que es imprecisa), recopilamos activamente: después de cada negociación, registramos el deal price, el contexto, el resultado. Después de ~30-50 deals en un mercado, empezamos a ver patrones reales.
Estos benchmarks internos son más confiables que cualquier reporte de terceros porque reflejan el mercado actual y nuestro poder de negociación. Además, son dinámicos—los actualizamos trimestralmente.
El truco es tener disciplina: si un deal está fuera de rango (mucho más caro o barato que el benchmark), investigamos por qué. ¿El influencer fue irracionalmente caro? ¿Tuvimos poder de negociación débil? ¿Fue una oportunidad especial? Documentar eso es valioso.
Para validación humana: los tres directores de nuestro equipo revisan benchmarks quarterly y dicen “esto refleja lo que estamos viendo o no.”
Desde el lado de creator, puedo decirte que los benchmarks son útiles pero NO son la verdad.
Porque un rate card depende mucho de: tipo de contenido, exclusividad, derechos de reutilización, timing, cuánto presupuesto tiene la marca, y cómo negocias. Dos influencers con la misma audiencia pueden cobrar precios COMPLETAMENTE distintos dependiendo de que saben negociar.
Para validar con gente en terreno—sí, necesitas eso. Porque alguien que está en el mercado diario sabe cuál es la realidad de precios mejor que cualquier número.