Modelos de propensión: cómo priorizar tu inversión en paid media

La mayoría de las cuentas de paid media siguen repartiendo presupuesto por segmento demográfico o por intención declarada, cuando la pregunta que de verdad importa es otra: ¿qué probabilidad tiene este usuario concreto de convertir? Un modelo de propensión responde exactamente eso, y lo hace antes de que se invierta el primer euro en la campaña.

El problema no es técnico, es de prioridades. Muchos equipos de marketing tienen ya los datos necesarios en su CRM, su CDP o su GA4, pero los usan para construir audiencias amplias en lugar de scores individuales. El resultado es previsible: presupuesto full-funnel repartido de forma homogénea sobre una base de usuarios donde el 20% concentra el 80% de la probabilidad real de compra. Sin un modelo de propensión, esa desproporción es invisible.

Qué es (y qué no es) un modelo de propensión

Un modelo de propensión es un modelo estadístico o de machine learning —regresión logística, gradient boosting, random forest— entrenado con datos históricos de comportamiento y conversión para predecir la probabilidad de que un usuario realice una acción concreta: comprar, hacer churn, suscribirse, repetir compra. No es un modelo de atribución ni sustituye a la medición de incrementalidad: la propensión responde "quién", la incrementalidad responde "si de verdad hizo falta el estímulo publicitario para que ese quién convirtiera".

La confusión entre ambos conceptos es habitual y cara. Es perfectamente posible tener un usuario con propensión de compra altísima que habría convertido igualmente sin ver un solo anuncio. Por eso un modelo de propensión bien planteado no busca solo "a quién le puedo vender", sino "a quién le puedo vender que además necesita el empujón" — la variable que de verdad mueve el ROAS incremental.

De la teoría a la activación en paid media

El score de propensión solo tiene valor si se conecta a decisiones de medios. En la práctica, esto se traduce en varias palancas concretas:

• Exclusión de audiencias de baja propensión en campañas de conversión, liberando presupuesto que hoy se diluye en usuarios que nunca iban a comprar.
• Seeds de look-alike más limpias: en lugar de alimentar a Meta o Google con toda la base de clientes, se usa solo el decil superior de propensión como semilla, mejorando la calidad de la audiencia expandida.
• Bid modifiers dinámicos en Google Ads y Search Ads 360, ajustando puja por rango de score en tiempo real vía Customer Match.
• Priorización de presupuesto por segmento dentro del propio full-funnel, moviendo inversión de awareness a consideración cuando el score agregado de un cluster sube por encima de un umbral.
• Personalización de creatividad según la etapa de propensión, no solo según el canal o el formato.

Los errores más comunes al implementar propensión

El primero es el data leakage: entrenar el modelo con variables que solo existen después de la conversión (por ejemplo, número de visitas post-compra), lo que infla artificialmente la precisión y la hace inútil en producción. El segundo es no revalidar el modelo: un score de propensión que funcionaba hace seis meses puede haberse degradado por completo si cambió el catálogo, la estacionalidad o el comportamiento del mercado tras una campaña de paid media agresiva.

El tercer error, más silencioso, es no medir si el modelo aporta algo por encima de una segmentación simple por RFM (recencia, frecuencia, valor monetario). Si un modelo de propensión no supera a un baseline sencillo en un test A/B controlado, no merece la complejidad ni el mantenimiento que exige.

Un modelo de propensión que no se valida contra un holdout no es un modelo de propensión: es una suposición con aspecto de matemáticas.

Cómo medir si el modelo realmente funciona

La validación correcta pasa por un diseño de holdout: se retiene un porcentaje de la audiencia de alta propensión sin exponerla a la campaña y se compara su tasa de conversión orgánica contra el grupo activado. Si la diferencia incremental es baja, el modelo está identificando conversores naturales, no oportunidades reales de medios. Este mismo principio —el de aislar el efecto causal del canal— es el que aplicamos en geo holdouts y en cualquier test de incrementalidad serio.

También conviene monitorizar el modelo en producción con métricas de drift: si la distribución de scores se desplaza mes a mes sin que cambie el negocio, algo en los datos de entrada se ha roto silenciosamente, y las decisiones de puja o exclusión que dependen de ese score dejan de ser fiables sin que nadie lo note hasta que el rendimiento cae.

En Latitude Media integramos los modelos de propensión dentro de nuestro método de Diagnóstico, Diseño Estratégico, Activación, Optimización y Escalabilidad: no como una capa de machine learning aislada, sino como un input más dentro de una estrategia full-funnel donde cada decisión de paid media, programática o afiliación se valida con datos, se mide de forma incremental y se escala solo cuando el retorno es real, no aparente.