Aquí va la verdad: durante años, yo asignaba presupuestos a influencers basado en una mezcla de intuición, histórico, y lo que otros hacían. Y funcionaba mediocremente.
El cambio llegó cuando decidí realmente mirar los datos. No en retrospectiva—“mira, eso funcionó bien”—sino prospectivamente. ¿Qué datos tenía que realmente podían informar dónde poner dinero?
Descubrimos algo interesante: los influencers que devolvían mejor ROI no eran siempre los que tenían más followers ni los que eran más baratos. Había patrones en audiencia calidad, tasa de conversión histórica, fit con el producto, que los benchmarks simples no capturaban.
Así que empecé a construir un mini-modelo: histórico de campañas, costo de influencer, conversiones atribuidas, LTV de customers que venían de cada influencer, comparé entre mercados usando cross-market benchmarks. De repente, presupuesto que antes iba 50% a influencers tier-1 se rebalanceaba a 30% A players, 50% a estratégicos mid-tier, 20% a experimentación.
El resultado: más campañas, mismo presupuesto total, y mejor ROI agregado.
Pero aquí está mi inseguridad: ¿estos benchmarks realmente aplican cuando cambio de producto, estación, o mercado? ¿Las correlaciones que veo en datos históricos van a sostenerse o me estoy buscando patrones que no existen?
¿Cómo deciden ustedes realmente dónde asignar presupuesto? ¿Es data-driven, intuición, mezcla? ¿Y cómo validan que están optimizando y no solo reorganizando dinero?
Hermano, eso que describiste es exactamente el problema que resuelvo para clientes diariamente. Y sí, esos benchmarks son caprichosos.
Loqu nos ha funcionado es ser experimentales pero sistémicos. Asignamos 60% del presupuesto a lo que sabemos que funciona, 30% a estrategias de expand similar a lo que funciona pero con variaciones, y 10% a verdadera experimentación.
En esos 10%, testeamos: influencers nuevas, formatos diferentes, mensajes distintos. Y documentamos TODO. Si algo da resultado, migralo al 60%. Si falla, aprendes por qué.
En cuanto a benchmarks cross-market: sí, usa los datos históricos, pero normaliza por mercado. Influencer con 100K en RU no es equivalente a 100K en US porque penetración de redes es distinta, audiencia purchasing power es distinta. Ajusta por eso.
Desde mi lado, lo que veo es que los presupuestos mejoran cuando el brand entiende que no todos los influencers generan valor igual. Un micro con 20K engaged followers puede batir a uno con 100K de followers dormidos.
Mi perspectiva diferente: negocia con múltiples influencers sobre presupuesto antes de comprometerte. Pregunta qué esperan ganar, qué prometen entregar, cómo miden éxito. Los buenos creativos te darán data sobre sus conversiones, engagement típico, etc. Los malos dirán que “depende del producto”.
If the influencer no tiene números para ti, el presupuesto es un guess. Si tiene números, ya estás optimizando.
Excelente pregunta sobre validación. Lo que describes es un problema clásico de over-fitting a datos históricos. Interpretación: crees que has encontrado patrones, pero solo has ajustado a ruido.
Tres cosas que funcionan:
1. Holdout validation: asigna el 15% del presupuesto a holdout, donde validas tus predicciones contra realidad actual, no histórico. Si el modelo que desarrollaste hace 6 meses predice X y ahora ves Y, tienes un signal de model decay.
2. Cross-market testing: usa un mercado como control, otro como test. Aplica tu modelo de presupuesto en uno, sigue el viejo método en el otro. Después 3 meses, compara. Si el modelo gana 15%+ en ROI, escala. Si es marginal, es noise.
3. Sequential updating: benchmarks son vivos. No los cierres después de análisis inicial. Cada campaña nueva, actualiza. Si el patrón que viste hace 2 meses ya no vale, needs a new strategy.
Re tu inseguridad específica: LTV de customers desde influencers es difícil de atribuir perfectamente. Considera usar modelos multi-touch, no last-click. Y sé honesto: si tienes <100 conversiones atribuidas por influencer, los números son muy noisy para decisiones.
Mi pregunta: tienes acceso a LTV real por customer source, o estás usando métrica más simple (immediate conversion or engagement)?