Cada campaña de retail media termina con un número. Normalmente es ROAS. A veces es uplift. Ocasionalmente, son ventas incrementales.
Pero aquí está la cuestión de la que nadie quiere hablar: ese número solo es tan bueno como la baseline con la que se compara.
¿Qué es una Baseline en Retail Media?
Una baseline es lo que habría sucedido sin la campaña. No lo que ocurrió antes. No el número del año pasado. No el promedio.
Es el contrafactual. El escenario donde el anuncio nunca se ejecutó, pero todo lo demás permaneció igual.
Esa distinción importa más de lo que la mayoría de las personas se da cuenta.
Por qué es el primer número que finanzas cuestionará
Cuando un equipo de marca entra en un QBR y dice “entregamos 5x ROAS”, la primera pregunta de cualquier persona con experiencia en finanzas es: ¿comparado con qué?
Si la baseline es incorrecta, el uplift es incorrecto. Y si el uplift es incorrecto, todo el caso de negocio se derrumba.
Así es como normalmente sale mal:
- Comparación pre/post. Comparas el periodo de la campaña con el periodo anterior. Pero la estacionalidad, promociones, cambios en distribución, variaciones de precio — cualquiera de estos factores puede mover las ventas de forma independiente. Pre/post no aísla la campaña. Aísla el calendario.
- Comparación año contra año. Mejor, pero aún con ruido. ¿El panorama competitivo era el mismo? ¿El producto estaba en el mismo número de tiendas? ¿Hubo un cambio de precio? YoY te da una referencia, no una baseline.
- Promedio de categoría como proxy. A veces útil como contexto, pero la categoría también incluye la actividad de tus competidores. Si toda la categoría creció 8% y tú creciste 10%, esa brecha de 2% puede ser significativa - o puede ser ruido.
Ninguna de estas son baselines. Son benchmarks. Los benchmarks te dicen cómo te desempeñaste en relación con algo. Las baselines te dicen qué cambió realmente tu campaña.
Demand Forecasting como Baseline de Retail Media
La forma más rigurosa de definir una baseline es predecir qué ventas habrían ocurrido sin la campaña - y luego comparar los resultados reales contra esa predicción.
Aquí es donde entran los modelos de demand forecasting.
Un forecast de demanda toma datos históricos de ventas y considera todos los factores que impulsan el volumen independientemente del media: curvas de estacionalidad, calendarios promocionales, elasticidad de precios, cambios en distribución, patrones climáticos, efectos de vacaciones e incluso comportamiento por día de la semana a nivel de tienda.
Las marcas y los retailers pueden usar herramientas avanzadas de shopper insights y analytics de audiencia para entender estos patrones antes de que las campañas comiencen.
El modelo aprende cómo se ve lo “normal” para un producto en una tienda específica durante una semana específica - con todas esas variables incorporadas.
El resultado es una curva esperada de ventas. No una línea plana. No un promedio ingenuo. Una predicción dinámica que se mueve con el negocio.
Cuando una campaña se ejecuta, comparas las ventas reales contra el forecast. La diferencia - real menos esperado - es tu uplift. Y debido a que el forecast ya absorbió estacionalidad, promociones y distribución, esa brecha está mucho más cerca del verdadero efecto incremental del media.
Esto es fundamentalmente diferente de elegir un periodo de comparación y esperar que nada más haya cambiado. El forecast modela los cambios. No los ignora.
Por qué esto importa específicamente para retail media
El retail media se apoya en datos de transacciones. Esa es su ventaja. Pero los datos de transacciones por sí solos no te dan una baseline — te dan resultados reales.
Necesitas un modelo que convierta datos históricos en expectativas hacia el futuro.
Las plataformas avanzadas de retail media ayudan a los retailers a conectar datos de shoppers, entrega de campañas y atribución de ventas en un único framework de medición.
Los retailers y plataformas que invierten en demand forecasting como parte de su stack de medición desbloquean algo poderoso: una baseline defendible y repetible que no depende de encontrar un periodo de comparación “limpio”.
Porque en retail no existe un periodo limpio. Siempre hay algo en promoción. Algo siempre cambia.
Un buen modelo de demanda maneja eso. Dice: “Dado todo lo que sabemos sobre este producto, estas tiendas, esta época del año, este precio y este plan promocional, esto es lo que esperábamos vender.”
El trabajo de la campaña es superar esa expectativa.
Cuando el modelo está bien calibrado, los resultados resisten el escrutinio. Finanzas puede auditar la metodología. La marca puede ver los supuestos. La conversación cambia de “¿crees en este número?” a “¿qué impulsó la diferencia?”
Control groups: el otro camino limpio
El demand forecasting no es la única forma. El otro método creíble son los control groups. Toma una población de shoppers. Expón a un grupo a la campaña. Mantén un grupo de control estadísticamente idéntico que no vea actividad de campaña. Compara los resultados.
La diferencia es tu uplift. El comportamiento del grupo de control es tu baseline. En la práctica, los frameworks de medición más fuertes usan ambos.
El forecast establece la baseline esperada en toda la campaña. El grupo de control la valida experimentalmente en un subconjunto.
Cuando ambos métodos coinciden, la confianza aumenta. Cuando divergen, aprendes algo sobre tu modelo — y eso también es valioso.
Lo que representa una buena línea de base
Ya sea que esté utilizando la previsión de la demanda, grupos de control o ambos, una línea de base creíble controla para:
- Estacionalidad. ¿Es este un período en el que las ventas aumentan o bajan naturalmente?
- Actividad promocional. ¿El producto estuvo en oferta durante la campaña? ¿Estaba en acuerdo en el periodo de línea base?
- Cambios en la distribución. ¿El producto ganó o perdió tiendas?
- Movimientos de precios. ¿Cambió el precio de la estantería?
- Actividad competitiva. ¿Un competidor directo se puso en marcha, borró de la lista o promocionó durante la misma ventana?
- Factores externos. Clima, vacaciones, cambios macroeconómicos: cualquier cosa que mueva el volumen a nivel de categoría.
Un modelo de demanda los absorbe como insumos. Un grupo de control los neutraliza por diseño. De cualquier manera, la línea de base refleja la realidad, no una simplificación conveniente de la misma.
La realidad práctica
La mayoría de las redes de medios minoristas de hoy en día no lo hacen bien. Muchos no lo hacen en absoluto.
El informe estándar posterior a la campaña muestra impresiones, alcance y tal vez un gráfico de ventas. La línea de base está implícita, no expresada. El alce se calcula contra un periodo que se eligió porque hizo que el resultado se vea bien.
Eso no es medida. Eso es marketing.
Las redes que ganen a largo plazo serán las que inviertan en la previsión de la demanda como infraestructura -no como un análisis puntual, sino como un modelo continuo que corre a través de cada campaña, cada categoría, cada tienda. Ellos declararán su metodología de referencia por adelantado, la mantendrán consistente y dejarán que el número sea lo que sea, incluso cuando no sea halagador.
Porque esto es lo que sucede cuando se obtienen las líneas de base correctas: las marcas confían en los resultados. Cuando las marcas confían en los resultados, aumentan los presupuestos. Cuando aumentan los presupuestos, dejan de pedir descuentos, porque están comprando comprobantes, no colocaciones.
La línea de base no es un detalle de reporte. Es la base de cada reclamo que hacen los medios minoristas.
Las mejores líneas de base se construyen sobre modelos de pronóstico de demanda que predicen lo que se habría vendido de todos modos, y validados con experimentos de grupo de control que confirman la predicción. Juntos, convierten “creemos que la campaña funcionó” en “esto es lo que cambió la campaña, y he aquí por qué tenemos confianza”.
Si está construyendo o comprando medios minoristas, la primera pregunta no es “¿cuál es el ROAS?” Es “¿Cómo se definió la línea de base?”
Todo lo demás sigue de ahí.
