Cuando empecé a trabajar en publicidad digital, una frase me llamó especialmente la atención: “queremos maximizar el reach minimizando la frecuencia”. Como todavía soy un becario, a mí es algo que me suena perfectamente razonable: ¿para qué enseñar el mismo anuncio cinco veces a alguien si todavía queda gente dentro de la audiencia que no lo ha visto ni una sola vez?
Poco a poco me he dado cuenta de que el problema es que la publicidad no funciona como repartir folletos en una fila: no podemos entregar una impresión al primero, tacharlo de una lista, pasar al segundo y continuar así hasta terminar. La distribución tiene una parte inevitablemente probabilística. Algunas personas aparecen muchas veces delante de las oportunidades publicitarias; otras apenas aparecen y cuando intentamos aumentar el alcance, también aumenta la probabilidad de volver a impactar a gente que ya habíamos alcanzado. Por eso, resulta útil pensar en la frecuencia no únicamente como un problema, sino como una especie de peaje del alcance.
Hay una analogía especialmente sencilla que a mi me ha servido para entenderlo: imagina una baraja de 52 cartas; cada carta representa una persona dentro de nuestra audiencia y cada impresión publicitaria consiste en sacar una carta al azar. Después de verla, la devolvemos al mazo y volvemos a mezclar. Nuestra misión es conseguir que salgan las 52 al menos una vez. Las primeras son fáciles, en casi cada extracción aparece una carta nueva, pero según avanzamos, empieza a costar mucho más encontrar las que faltan. Cuando quedan dos o tres cartas por salir, seguimos sacando una y otra vez cartas que ya habían aparecido… Esto es el conocido problema matemático del “coupon collector”: con 52 cartas hacen falta, de media, alrededor de 236 extracciones para haber visto todas al menos una vez y eso equivale a una frecuencia media cercana a 4,5, aunque algunas cartas pueden haber aparecido muchas más veces antes de que salga la última. Si lo traducimos al mundo de la publicidad, cuanto más nos acercamos al alcance completo, más caro se vuelve encontrar al siguiente usuario nuevo. Esta otra metáfora es bastante buena: el último pepinillo del tarro es el más difícil de sacar. Cuando ya hemos alcanzado a una gran parte de la audiencia, buena parte de las nuevas impresiones caen inevitablemente sobre personas previamente expuestas. El coste marginal de cada nuevo individuo alcanzado crece y por eso perseguir el 100% de reach puede terminar siendo una utilización muy poco eficiente del presupuesto.
Hasta aquí todo parece relativamente sencillo, pero hay un problema adicional: la publicidad real es bastante más desordenada que una baraja. En el ejemplo, todas las cartas tienen exactamente la misma probabilidad de salir... las personas no. Hay usuarios que pasan horas en determinadas plataformas, ven mucho contenido y generan decenas de oportunidades para recibir publicidad. Otros entran una vez cada varios días, algunos consumen televisión, vídeo online y redes sociales de forma intensiva; otros apenas utilizan alguno de esos medios: una proporción relativamente pequeña de la audiencia puede generar una parte muy grande de las impresiones disponibles y esto hace que la distribución se sesgue todavía más hacia los llamados heavy users. El sistema tiene muchas más oportunidades de enseñarles publicidad simplemente porque están más disponibles. Mientras tanto, alcanzar a los usuarios ligeros se vuelve progresivamente más caro y aquí aparece una pregunta que puede ser aparentemente tonta, pero que en realidad es bastante importante: ¿entonces para qué sirven los frequency caps?
La respuesta que he aprendido es que sirven… pero no hacen magia. Limitar el número de impresiones que puede recibir un identificador ayuda a reducir parte de la repetición, siempre que la plataforma pueda reconocer correctamente al usuario y aplicar ese límite. También se pueden construir segmentos más pequeños o utilizar datos autenticados para intentar controlar mejor la distribución. Precisamente hay estrategias de este tipo como una forma de conseguir más alcance con menor frecuencia media, pero el problema es que incluso una segmentación perfecta no crea automáticamente oportunidades de impresión entre las personas difíciles de alcanzar. Si una persona apenas aparece dentro del canal, reducir las impresiones de los usuarios intensivos no hace que esa persona aparezca de repente. Puede mejorar la eficiencia de la distribución, pero sigue existiendo una limitación de disponibilidad.
Esto también ayuda a entender por qué la frecuencia media puede engañarnos. La fórmula es sencilla: impresiones divididas entre personas alcanzadas; pero dos campañas con una frecuencia media de cinco pueden tener distribuciones completamente distintas. Os pongo un ejemplo extremo: una audiencia de 10.000 personas y 50.000 impresiones podría, teóricamente, concentrar todas esas impresiones en solo 500 personas que reciben cien impactos cada una. El resultado seguiría siendo una frecuencia media de cinco sobre el universo de impresiones y alcanzados considerado de determinada manera, aunque la enorme mayoría de la audiencia no habría recibido ningún impacto. Lo que realmente existe es una distribución de frecuencia: algunas personas ven el anuncio una vez, otras dos, otras siete y otras ninguna. Reducir todo eso a un promedio puede esconder precisamente lo que necesitamos saber: cuánto presupuesto está construyendo nuevo alcance y cuánto está acumulándose sobre usuarios ya impactados. Esto no significa que toda repetición sea desperdicio y aquí conviene no ir demasiado rápido… sobre todo si eres novato como yo. La publicidad también trabaja con memoria: una única exposición puede ser suficiente para generar parte del efecto inmediato, pero el recuerdo decae con el tiempo. Existe una segunda dimensión, un reloj que mide cuánto tardamos en alcanzar a nuevas personas y otro que mide cuánto tardan quienes ya fueron alcanzados en olvidar el mensaje. Por eso la solución tampoco puede ser “una impresión por persona para siempre”. Una marca necesita volver a aparecer, la pregunta es cuándo y cuánto y probablemente ahí esté la discusión realmente útil para un planner. No si la frecuencia es buena o mala, sino qué frecuencia está comprando memoria y cuál está comprando simplemente más de lo mismo.
Por lo que me han dicho, durante años se ha mirado reach y frequency como dos controles independientes dentro de una plataforma: subir uno, bajar el otro, encontrar el punto óptimo, pero la realidad es menos elegante: ambos están conectados por la distribución de las oportunidades de exposición, por la disponibilidad desigual de las personas y por las limitaciones de identificación que tenga cada canal. Así que la próxima vez que una campaña prometa “muchísimo reach con frecuencia muy baja”, pregúntate cómo se ha conseguido que las personas que todavía no habían visto el anuncio fueran precisamente las siguientes en recibirlo… y si nadie puede explicarte esa parte, probablemente el número más bonito del informe sea también el que menos estamos entendiendo.
Puntos clave:
A medida que una campaña intenta acercarse al 100% de su audiencia objetivo, el coste marginal de alcanzar a cada persona nueva aumenta porque una parte creciente de las impresiones recae sobre usuarios ya impactados.
El ejemplo de una baraja ayuda a entender por qué: si cada impresión equivale a sacar una carta y volver a meterla en el mazo, hacen falta de media unas 236 extracciones para haber visto las 52 cartas al menos una vez, una frecuencia media cercana a 4,5.
La realidad publicitaria es todavía menos limpia que ese modelo: las personas no tienen la misma probabilidad de estar disponibles para recibir una impresión y el consumo de medios está muy concentrado, por lo que algunos usuarios acumulan exposición mucho antes de que otros reciban el primer impacto.
Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.