En resumen: el «pipeline influenciado» reúne oportunidades que cumplen un criterio de contacto previo con la publicidad. Sirve para investigar la relación entre medios y ventas, pero no revela cuánto cambió el anuncio la decisión de compra. Ni las impresiones, ni las interacciones, ni la herramienta «más completa del mundo» cuentan la historia entera de cada oportunidad.
El pipeline influenciado es una de esas expresiones que hacen que el informe de marketing quede mejor y la reunión con dirección sea un poco más tranquila.
La empresa recibió anuncios, interactuara o no con ellos. Después apareció una oportunidad en el CRM. La herramienta cruzó los datos y mostró una cifra en pantalla.
Listo. Ya tenemos algo que enseñar además de clics, impresiones y CTR.
Hasta que alguien pregunta: «Pero ¿cómo sabes que ese anuncio influyó en esa compra?»
Pues ahí es donde la conversación se pone interesante.
El otro día vi un debate en LinkedIn que venía a decir que usar la expresión «pipeline influenciado» era mentir sobre lo que había ocurrido.
El argumento tenía bastante peso. Nadie sabe:
- si la persona prestó atención;
- si se le quedó aquello en la memoria;
- si cambió de opinión;
- o si siquiera participaba en la compra.
La crítica me parece muy válida. Pero voy a hacer de abogado del diablo, porque la otra parte también merece que la escuchemos.
¿Qué puede mostrar realmente el pipeline influenciado?
Puede relacionar actividad publicitaria y oportunidades según una regla. La contribución de esa actividad a la compra sigue siendo una pregunta abierta.
Imagina una regla sencilla: la empresa debe haber recibido una cantidad determinada de impresiones antes de que se creara la oportunidad.
Si supera ese umbral, entra en el cálculo. Si se queda por debajo, no entra.
El cruce de datos puede estar perfectamente hecho. Las fechas pueden cuadrar. El importe puede ser exactamente el que figura en el CRM.
Aun así, sigue faltando un dato: ¿qué habría pasado con esa oportunidad si la publicidad no hubiera existido?
Quizá nunca habría aparecido. Quizá habría surgido igualmente. Quizá el anuncio ayudó a meter tu marca en la lista de proveedores, pero la recomendación de un cliente fue decisiva.
La pantalla muestra una relación observada. Interpretarla requiere algo más de cuidado.
¿Por qué tiene sentido la crítica al pipeline influenciado?
Porque recibir publicidad antes de comprar no demuestra que la publicidad haya cambiado la decisión.
Piensa en una empresa grande. Miles de empleados, departamentos distintos e intereses completamente diferentes.
Una persona puede ver tus anuncios mientras otra, sin haber tenido contacto con ese contenido, habla con tu equipo comercial por una recomendación.
Las dos aparecen bajo el mismo nombre de empresa. A algunos modelos les basta con eso para conectar los acontecimientos.
Pero trabajar en la misma empresa no significa participar en la misma decisión.
Y hay otra posibilidad: la empresa ya estaba buscando una solución. Esa búsqueda hizo que alguien prestara más atención a tus anuncios y, después, pidiera una reunión.
El interés pudo llegar antes que la interacción.
Si miro solo la secuencia registrada, es fácil contar una historia en la que todo empezó con el anuncio. El problema es que no puedo garantizar esa historia.
Esta es la parte de la crítica con la que más coincido: la palabra «influenciado» puede transmitir una certeza que el dato no ofrece.
¿Y quien ve todos los anuncios sin interactuar con nada?
Esa persona puede verse influida sin dejar un clic, una reacción o un comentario que permita identificar esa contribución.
Aquí aparece la otra cara de la moneda.
Imagina a un directivo que lleva meses siguiendo tus contenidos. Lee, reconoce tu marca, entiende lo que vendes y se va formando una opinión.
Pero nunca da a «me gusta». Nunca comenta. Nunca hace clic en el anuncio.
Un día surge una necesidad en la empresa y dice en una reunión: «Vamos a hablar con este proveedor».
Si tu regla exige interacción, ese posible efecto queda fuera.
¿Sería correcto concluir que marketing no participó?
Yo no podría afirmarlo.
Tampoco podría garantizar que sí participó. Ese directivo puede conocer la empresa por otro camino y apenas haber reparado en los anuncios.
La incapacidad de medir funciona en los dos sentidos.
Podemos darle mérito a un anuncio que no cambió nada. Y podemos ignorar una contribución que ocurrió sin dejar un rastro claro.
Esa parte invisible también tiene que entrar en la conversación sobre generación de demanda en LinkedIn.
¿Exigir más interacciones resuelve el problema de la influencia?
Exigir interacción cambia la señal que usamos en el análisis. No garantiza el efecto de esa señal sobre la compra.
Claro que tiene sentido fijarse en una empresa que ha interactuado con tus anuncios antes de abrir una oportunidad.
Hay una interacción registrada. Tenemos más elementos que investigar.
Pero llevemos el ejemplo al extremo: aunque aparecieran 50.000 interacciones antes de crear la oportunidad, seguiría necesitando entender de quién vinieron y qué significaban.
Puede haber compradores entre esas personas. También puede haber mucha gente a la que le interesa el tema, pero no tiene nada que ver con esa contratación.
El volumen aumenta. La historia sigue incompleta.
Y el directivo silencioso sigue sin aparecer entre quienes interactúan.
Por eso, una regla más restrictiva puede dar una cifra menor y más cómoda de defender. No podemos asumir que esa cifra se acerca automáticamente más a la influencia real.
¿Personalizar el criterio de influencia da más control?
Da control sobre qué oportunidades entran en la clasificación. Lo que ocurrió en la cabeza de quien compró sigue fuera de ese control.
Imagina poder combinar impresiones, interacciones con anuncios y reacciones o comentarios visibles de personas vinculadas a la empresa, siempre antes de crear la oportunidad.
Defines la ventana, eliges el mínimo de interacciones y sigues los casos que cumplen la regla.
Eso tiene valor. Resulta más fácil entender por qué una oportunidad entró en el informe y debatir el criterio con el equipo.
Pero elegir la regla no hace que la herramienta descubra el motivo de la compra.
Si cambio el criterio y el pipeline influenciado cae a la mitad, las oportunidades siguen siendo las mismas. Lo que cambió fue la forma de clasificarlas.
Ese control puede dar tranquilidad. Solo hace falta recordar qué estamos controlando exactamente.
¿Podemos comprobar si esta orientación ayuda?
Podemos investigar si las empresas con una señal determinada abren oportunidades con más frecuencia. Eso ayuda a evaluar la orientación, sin demostrar que la publicidad provocó la compra.
Imagina que las empresas con cierto nivel de interacción presenten una tasa mayor de apertura de oportunidades.
Ese dato puede ayudar al equipo comercial a decidir a quién investigar primero. Pero siguen abiertas dos preguntas distintas: ¿la señal ayudó a anticipar la oportunidad? ¿Y la publicidad ayudó a provocar esa oportunidad?
Una respuesta positiva a la primera no resuelve automáticamente la segunda.
También conviene mirar más allá del multiplicador llamativo. ¿Cuántas empresas presentaron la señal? ¿Cuántas abrieron una oportunidad? ¿Qué tasa hubo entre las que no presentaron la señal?
¿Y volvió a ocurrir en otro periodo o apareció solo en esa muestra?
Una señal puede destacar unas pocas cuentas interesantes y, al mismo tiempo, dejar fuera la mayoría de las oportunidades. Saber cuántos casos cubre ayuda a entender dónde resulta útil.
Y cuidado con las notas de 0 a 100.
Que una empresa reciba un 80 no significa que el 80% de la compra ocurriera gracias a los anuncios. Puede significar simplemente que está bien posicionada respecto a las demás empresas analizadas.
Tampoco podemos asumir que tiene un 80% de probabilidades de comprar. Esa interpretación necesitaría su propia validación.
Podemos comprobar si esa orientación merece confianza. La historia completa de cada compra sigue fuera de nuestro alcance.
La tranquilidad está mejor fundamentada cuando sabemos dónde ayuda la señal y dónde sigue dejando preguntas abiertas.
Si no podemos demostrar cada oportunidad, ¿para qué usar una herramienta?
Porque ver parte del camino ayuda a tomar decisiones, aunque no podamos reconstruir todo lo que llevó a la compra.
Y aquí tengo que aplicar la misma exigencia a LinkedScope.
Al cruzar los datos de LinkedIn Ads con el CRM, podemos observar la actividad publicitaria de las empresas y seguir sus oportunidades. Esa visibilidad permite investigar una relación que sería mucho más difícil de ver con la información separada.
También permite hacer preguntas útiles:
- ¿Estamos llegando a las empresas que queremos tener como clientes?
- ¿Cuáles están interactuando?
- ¿Qué actividad apareció antes de crear una oportunidad?
- ¿Qué merece la pena investigar con el equipo comercial?
Son preguntas que ayudan a dar rumbo a la operación. Conviene leer Pipeline Impact con ese cuidado sobre los criterios y el significado de las cifras.
Ahora bien, si la interpretación pasa a ser «todos estos ingresos solo existieron gracias a LinkedIn», la conclusión ha ido más allá de la evidencia.
Y eso vale para cualquier herramienta, incluida la nuestra.
La integración entre LinkedIn Ads y el CRM mejora la visibilidad. La capacidad de reconstruir la decisión humana sigue siendo limitada.
¿Los tests de incrementalidad pueden demostrar el resultado?
Los experimentos bien diseñados pueden estimar el efecto adicional de la publicidad sobre un grupo. Aun así, no cuentan la historia completa de cada compra.
Este matiz importa para no caer tampoco en el extremo de pensar que medir efectos es imposible en cualquier situación.
Existen experimentos con grupos de control que ayudan a estimar qué cambió gracias a la publicidad.
Eso responde a una pregunta relevante sobre resultados. Pero estimar un efecto en el conjunto no significa saber qué anuncio cambió la opinión de cada persona, qué conversación vino después o qué contacto pesó más en cada oportunidad.
Incluso con una medición mejor, parte de esa historia sigue fuera de nuestro alcance.
¿Cuál es la forma más honesta de interpretar el pipeline influenciado?
Tratar la cifra como una orientación apoyada en criterios conocidos, con espacio para cuestionar la interpretación.
Me gusta separar lo que podemos observar de la historia que estamos contando a partir de ello.
«Esta empresa tuvo actividad publicitaria antes de que se creara la oportunidad» es una información.
«Esta oportunidad surgió gracias a la publicidad» es una conclusión que exige mucho más.
Entre una frase y otra cabe una novela entera: recomendaciones, contenido, conversaciones por WhatsApp, experiencias anteriores, contactos comerciales, un competidor que metió la pata y una necesidad que surgió dentro de la empresa.
Ni siquiera el propio comprador sabrá siempre explicar cuánto pesó cada cosa.
La verdad es que es imposible reconstruir la historia completa de cada oportunidad, uses la herramienta que uses.
Puedes tener más datos, conexiones mejores y criterios más claros. Seguirá habiendo cosas que no aparezcan en la medición.
Aun así, entiendo la tranquilidad de tener una orientación. Saber que llegamos a las cuentas adecuadas, observar interacciones y seguir lo que ocurre después ayuda a decidir el siguiente paso.
El cuidado está en no dejar que esa tranquilidad se convierta en certeza.
Prefiero poder decir «con lo que sabemos hoy, tiene sentido seguir por aquí» y continuar investigando. Para tomar una decisión, eso ya ayuda bastante.
¿Quieres ver las señales de tus campañas junto con las oportunidades del CRM? Conoce LinkedScope y descubre cómo esa visibilidad puede ayudarte en tus próximas decisiones.
Preguntas frecuentes
¿El pipeline influenciado demuestra que LinkedIn Ads generó una venta?
La cifra, por sí sola, no lo demuestra. Reúne oportunidades que cumplen un criterio de actividad publicitaria previa. Esa asociación no determina qué habría ocurrido sin los anuncios.
¿Una persona puede verse influida sin hacer clic ni reaccionar?
Sí. Alguien puede consumir el contenido y recordar la marca sin interactuar de forma visible. La ausencia de interacción no permite concluir que no hubo influencia.
¿Merece la pena seguir el pipeline influenciado con estas limitaciones?
Sirve como orientación, siempre que los criterios estén claros. El cruce ayuda a investigar la relación entre publicidad y oportunidades, pero no debe presentarse como la historia completa ni como ingresos causados de forma demostrada por los anuncios.
