«Oportunidad de ver» indica: «Se dieron las condiciones para que este comprador viera el anuncio». La pantalla estaba encendida, el comprador se encontraba en la tienda y el momento era el adecuado.
La «Probabilidad de ver» va más allá: «Según la evidencia disponible, es probable que este Shopper haya visto el anuncio». Toma las condiciones y agrega indicadores de comportamiento, tiempo de permanencia, proximidad, momento de la transacción y datos de ubicación de la pantalla para estimar la probabilidad de exposición real.
La OTS es binaria: la oportunidad existió o no existió. La LTS es gradual: hay un 30 % de probabilidad, un 60 % de probabilidad y un 85 % de probabilidad de que este Shopper haya estado realmente expuesto.
Por qué es importante la distinción
No todos los OTS son iguales. Un shopper que pasó 45 minutos en un supermercado, pasó tres veces por la pantalla de la entrada y realizó una compra durante las horas pico tuvo una probabilidad mucho mayor de ver el anuncio que un shopper que hizo una compra rápida de 5 minutos durante un período de poco tráfico.
Ambos cumplen con el umbral de OTS. Pero su probabilidad de exposición real es muy diferente.
Tratarlos de manera igual en la medición sobreestima la exposición para el shopper rápido y la subestima para el shopper que se queda a explorar.
El LTS asigna una probabilidad a cada evento de exposición. Esa probabilidad se calcula a partir de:
Tiempo in-store. Las visitas más prolongadas implican más pasadas frente a la pantalla, más tiempo de permanencia cerca de los exhibidores y más oportunidades de que el mensaje sea percibido.
La proximidad de la transacción a la reproducción de la pantalla. Una transacción a las 10:17, cuando la pantalla se reprodujo a las 10:14, es más cercana que una transacción a las 10:45. Una mayor proximidad implica una mayor probabilidad.
Ubicación de la pantalla y flujo de shoppers. Las pantallas de la entrada tienen un paso casi universal. Las pantallas específicas de cada pasillo solo son relevantes si el shopper visitó ese pasillo, y los datos de compra por categoría pueden indicar si lo hizo.
Frecuencia de visitas. Un shopper que visitó la tienda tres veces durante una campaña semanal tuvo tres eventos de LTS. La probabilidad acumulada de al menos una exposición es mayor.
LTS y calidad de la medición
Cuando el LTS reemplaza al OTS binario en el modelo de medición, mejora la calidad de todas las métricas posteriores.
El alcance se vuelve probabilístico. En lugar de «X Shoppers estaban en la tienda mientras se reproducía el anuncio» (OTS binario), se obtiene «X Shoppers tenían una probabilidad promedio ponderada del 65 % de exposición» (LTS). El alcance efectivo es X × 0,65, lo cual es más preciso.
La atribución se vuelve ponderada. Al relacionar la exposición con la compra, la atribución ponderada por LTS otorga más crédito a las exposiciones de alta probabilidad y menos a las de baja probabilidad. Esto reduce el ruido en la medición y genera estimaciones de aumento más precisas.
La optimización se vuelve más inteligente. Cuando sabes qué tiendas, horarios y posiciones en pantalla producen el LTS más alto, puedes optimizar la difusión hacia ellos. El mismo presupuesto genera una exposición efectiva mayor.
El caso de inversión
El LTS requiere más infraestructura de datos que el OTS: modelos de flujo de compradores, mapeo de posiciones en pantalla y análisis temporal de patrones de transacción. Su implementación no es trivial.
Pero la inversión se amortiza a través de: - Informes más confiables (las marcas confían más en las probabilidades ponderadas que en los indicadores binarios) - Mejor optimización (el presupuesto se destina a condiciones de alto LTS) - Precios más sólidos (las impresiones verificadas por LTS alcanzan CPM más altos que las estimaciones de OTS)
El OTS dice «podría haberse visto». El LTS dice «probablemente se vio». Y «probablemente se vio» tiene un valor monetario.
En resumen
LTS lleva la medición in-store de las condiciones a la evidencia. No es una prueba de atención; solo el seguimiento ocular puede proporcionar eso. Pero es un paso significativo más allá de OTS, al agregar indicadores de comportamiento que generan una probabilidad en lugar de un indicador binario.
Para las redes de mercadotecnia (RMN) que buscan diferenciar la calidad de su medición y justificar precios más altos, LTS es el siguiente peldaño en la escalera. Toma los mismos datos, transacciones, horarios de pantalla y diseños de tienda, y extrae más información de ellos.
La diferencia entre «podría haber visto» y «probablemente vio» es donde reside la credibilidad de la medición.
¿Listo para ver cómo funciona esto en la práctica?
Footprints AI ayuda a las marcas y a los Retailers a medir lo que realmente importa. Consulta las historias de éxito de nuestros clientes o contáctanos para hablar sobre tu estrategia de Retail Media.
