La eficacia de la publicidad online está demostrada por todas aquellas empresas que apuestan por ella en sus estrategia de marketing, ante la evidencia de que vivimos en un entorno digital donde los posibles clientes se desenvuelven a diario. Quien analice sus propios datos de tráfico web, ventas en tiendas en línea o retorno de la inversión con activación de su retail físico sabrá hasta qué punto logra rendimientos reales en sus campañas, pero quedaba por demostrar la fiabilidad de los mismos sistemas de medición.
Investigadores de la Northwestern University y Facebook publicaron en marzo una nueva investigación en la revista INFORMS Marketing Science que arroja luz sobre si los enfoques comunes para la medición de publicidad en línea son tan confiables y precisos como el «estándar de oro» de los experimentos aleatorios a gran escala.
El estudio se titula «Una comparación de enfoques para la medición de la publicidad: Evidencia de Big Field Experiments en Facebook» (A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook) y está escrito por Brett Gordon, de la Northwestern University; Florian Zetttelmeyer de la Northwestern University y la Oficina Nacional de Investigación Económica; y Neha Bhargava y Dan Chapsky de Facebook.
«Nuestros hallazgos sugieren que los enfoques de observación de uso común que se basan en datos generalmente disponibles para los anunciantes a menudo no miden con precisión el efecto real de la publicidad», dijo Brett Gordon.
Los enfoques observacionales son aquellos que abarcan una amplia clase de modelos estadísticos que se basan en los datos «tal como son», generados sin manipulación explícita a través de un experimento aleatorio.
«Encontramos una diferencia significativa en la efectividad de los anuncios obtenida de los ensayos de control aleatorios y los métodos de observación que los anunciantes utilizan con frecuencia para evaluar sus campañas», agregó Zettelmeyer.
“En general, los métodos actuales y más comunes sobreestiman la efectividad de los anuncios en relación con lo que encontramos en nuestras pruebas aleatorias. Aunque en algunos casos, subestiman significativamente la efectividad «.
Medir la efectividad de la publicidad online sigue siendo un problema importante para muchas empresas
Una pregunta clave es si una campaña publicitaria produjo resultados incrementales: ¿compraron más consumidores porque vieron un anuncio, o muchos de esos consumidores lo habrían comprado incluso en ausencia del anuncio? La obtención de una medida precisa de los resultados incrementales («conversiones») ayuda a un anunciante a calcular el retorno de la inversión (ROI) de la campaña.
«Las plataformas digitales que transmiten publicidad, como Facebook, han creado medios integrales para evaluar la efectividad de los anuncios, utilizando datos granulares que vinculan las exposiciones de los anuncios, los clics, las visitas a las páginas, las compras en línea e incluso las compras fuera de línea», dijo Gordon. «Aun así, incluso con estos datos, medir el efecto causal de la publicidad requiere la plataforma de experimentación adecuada».
Los autores del estudio utilizaron datos de 15 experimentos de publicidad de EE. UU. En Facebook, que comprenden 500 millones de observaciones de experimentos de usuarios y 1.600 millones de impresiones de anuncios.
La plataforma de experimentación de «conversión de conversión» de Facebook ofrece a los anunciantes la capacidad de realizar experimentos controlados aleatorios para medir el efecto causal de una campaña publicitaria en los resultados de los consumidores.
Estos experimentos asignan al azar a los usuarios a un grupo de control, que nunca están expuestos al anuncio, y a un grupo de prueba, que son elegibles para ver el anuncio. La comparación de los resultados entre los grupos proporciona el efecto causal del anuncio porque la aleatorización garantiza que los dos grupos sean, en promedio, equivalentes, excepto las exposiciones de publicidad en el grupo de prueba. Los resultados experimentales de cada campaña publicitaria sirvieron como una línea de base con la cual evaluar métodos comunes de observación.
Los métodos de observación comparan los resultados entre los usuarios que fueron expuestos al anuncio y los usuarios que no estaban expuestos. Estos dos grupos de usuarios tienden a diferir sistemáticamente de muchas maneras, como la edad y el género. Estas diferencias en las características pueden ser observables porque el anunciante (o su plataforma de publicidad) a menudo tiene acceso a estas características y otras, por ejemplo, además de saber el género y la edad de un usuario en línea, es posible observar el tipo de dispositivo. en uso, la ubicación del usuario, cuánto tiempo ha pasado desde la última vez que lo visitó, etc. Sin embargo, la parte difícil es que los grupos expuestos y no expuestos también pueden diferir en formas que son muy difíciles de medir, como los usuarios subyacentes Afinidad por la marca. Decir que el anuncio “causó” un efecto requiere que la investigación pueda explicar las diferencias observadas y no observadas entre los dos grupos. Los métodos de observación utilizan datos sobre las características de los usuarios que se observan para intentar ajustar las diferencias observables y no observables.
«Nos propusimos determinar si, como se cree comúnmente, los métodos de observación actuales que usan datos completos a nivel individual son ‘lo suficientemente buenos’ para la medición de anuncios», dijo Zettelmeyer. «Lo que descubrimos fue que incluso datos bastante completos resultan inadecuados para producir estimaciones confiables de los efectos publicitarios».
«En principio, creemos que el uso de ensayos controlados aleatorios a gran escala para evaluar la efectividad de la publicidad debería ser el método preferido para los anunciantes siempre que sea posible».
Ventas Off Line que proceden del On Line
Un informe previo de 2017 de la revista INFORMS de Marketing Science determinó que los anuncios online pueden aumentar las ventas minoristas en línea y fuera de línea, lo que proporciona información valiosa para futuras decisiones de marketing. El estudio titulado «Cuando menos es más: datos y poder en experimentos publicitarios» (When Less is More: Data and Power in Advertising Experiments) fue escrito por Garrett Johnson de la Universidad de Rochester, Randall Lewis de Netflix y David Reiley de Pandora, quienes estaban realizando una investigación para Yahoo! En el momento del estudio.
El Yahoo! los investigadores trabajaron con un minorista nacional de ropa sin nombre para evaluar los efectos de la publicidad del minorista. Colaboraron en un experimento de campo a gran escala que involucró a más de 3 millones de usuarios de Yahoo!. Durante dos semanas, los usuarios del grupo de tratamiento del experimento vieron anuncios de ropa de marca del minorista, mientras que los usuarios del grupo de control vieron anuncios de Yahoo!. En relación con la línea de base establecida por el grupo de control, el experimento mostró que la campaña del minorista aumentó las ventas en un 3,6 por ciento o aproximadamente tres veces el gasto del minorista en publicidad.
Reiley dijo: «Este minorista de ropa nos abordó con un problema interesante:» ¿Cómo puedo saber si mis anuncios en línea funcionan cuando el 90 por ciento de mis ventas están fuera de línea? «
Los autores atacaron este problema haciendo coincidir los registros de los clientes entre el minorista y Yahoo!. Es importante destacar que los autores combinaron los datos de ventas en línea y fuera de línea a nivel de cliente con un experimento controlado que les permitió evaluar cuánto habrían comprado los consumidores en ausencia de la campaña publicitaria. Determinaron que el 84 por ciento del aumento de ventas de los anuncios provino de ventas fuera de línea. Reiley agregó: “Sin el experimento, el minorista podría haber llegado a la conclusión errónea de que los anuncios solo aumentaron las ventas en línea y no las ventas fuera de línea. Irónicamente, esto podría haber llevado a una subinversión en publicidad en línea «.
El estudio señala que su novedoso diseño experimental puede ser valioso para las empresas que buscan medir la efectividad de la publicidad. Lewis señaló: «Antes realizábamos experimentos con este minorista, pero este fue el experimento más grande en el que usamos ‘anuncios de control’ para determinar qué miembros del grupo de control habrían visto los anuncios. Esto nos permitió ignorar el ruido estadístico de las compras de consumidores que nunca vieron los anuncios. También descubrimos que solo necesitábamos ver las ventas después del primer anuncio porque un anuncio solo puede afectarle después de haberlo visto. Estos dos trucos nos permitieron mejorar la precisión estadística de los beneficios estimados de la publicidad en línea «.
La mejora en la precisión del uso de anuncios de control es de vital importancia para los gerentes que toman decisiones publicitarias. Johnson explicó: “Las estimaciones de la efectividad de los anuncios tienden a ser pequeñas, pero también imprecisas. Incluso con un estudio de 3 millones de usuarios, los métodos estándar para mejorar la precisión al controlar el comportamiento y la demografía del cliente fueron menos efectivos de lo que se esperaba. Sin embargo, al hacer un uso completo de los anuncios de control, mejoramos aún más en seis veces la precisión estadística de nuestras estimaciones de efectos de anuncios. Para los gerentes, esta mejora podría ser el factor decisivo para saber si la publicidad en línea tiene un impacto positivo claro y estadísticamente significativo. Esperamos que las ideas en nuestro diseño puedan ayudar a las empresas a invertir con confianza en campañas publicitarias cuando es probable que sean rentables «.
Nuestro objetivo es construir una sociedad centrada en el progreso socioeconómico. Creemos que la tecnología y la conectividad pueden ayudar a mejorar la vida de millones de personas y empresas. Tenemos el compromiso de hacerlo reduciendo nuestro impacto ambiental y construyendo una sociedad digital inclusiva que respeta nuestro planeta.
El sector logístico español vive uno de los momentos más dinámicos de su historia reciente. Según el último informe Mercado de trabajo en el sector logístico, elaborado por Randstad Research, el sector alcanzó los 928.285 trabajadores en el último trimestre de 2025, su máximo histórico, consolidándose como uno de los sectores clave para el empleo en España.
La noticia confirma la excelente salud de un sector estratégico para el funcionamiento del comercio, la industria y el consumo. Sin embargo, detrás de este crecimiento surge un importante desafío para los responsables de operaciones: gestionar con eficiencia un volumen creciente de trabajadores, vehículos, rutas y entregas exige una estructura organizativa capaz de mantener el control a medida que aumenta la complejidad.
Porque incorporar más conductores, ampliar la flota o aumentar la capacidad de distribución no garantiza automáticamente una mejora de la rentabilidad. De hecho, si el crecimiento no viene acompañado de herramientas adecuadas de control y gestión, puede convertirse en una fuente de costes ocultos, ineficiencias y pérdida de competitividad.
La gran cuestión para el sector logístico ya no es únicamente crecer, sino cómo hacerlo de forma eficiente, rentable y sostenible.
El Gobierno anunció en junio un paquete de más de 162 millones de euros en ayudas públicas para impulsar las tecnologías duales, es decir, aquellas con aplicación tanto civil como militar. La financiación estará destinada a la creación de infraestructuras de investigación, ensayo y experimentación en ámbitos tecnológicos disruptivos y estratégicos.
Estas convocatorias abren una ventana de oportunidad para reforzar las capacidades tecnológicas e industriales de España, con la participación de universidades, centros públicos de I+D, centros tecnológicos y empresas. En un escenario marcado por la creciente importancia de la ciberseguridad, la defensa y la autonomía estratégica, el desarrollo de tecnologías de doble uso adquiere especial relevancia para reducir dependencias tecnológicas y fortalecer capacidades propias.
En el desarrollo de la inteligencia artificial, las redes neuronales son la columna vertebral de muchas herramientas avanzadas, entre ellas los modelos de lenguaje que hacen posible sistemas como ChatGPT, Gemini o Copilot. Estas redes están inspiradas en el funcionamiento de las neuronas biológicas, pero buena parte de sus fundamentos se apoyan en modelos conceptuales desarrollados a mediados del siglo XX. Ahora, investigadores del Instituto Flatiron de Nueva York han planteado un nuevo modelo computacional de neurona que podría ayudar a comprender mejor el funcionamiento del cerebro y, a largo plazo, abrir nuevas vías para el desarrollo de sistemas de IA.
Durante el verano, miles de personas mayores regresan temporalmente a sus pueblos de origen. Este retorno estacional a los entornos rurales plantea importantes desafíos operativos para unos servicios asistenciales que, en muchos municipios, están dimensionados para una población estable y reducida. La teleasistencia avanzada se convierte así en una herramienta clave para reforzar la seguridad y la continuidad asistencial de estas personas durante sus vacaciones.
Los modelos de lenguaje de gran tamaño (LLM) se han convertido en una de las herramientas más populares y extendidas de la inteligencia artificial. En sus múltiples aplicaciones han demostrado una gran capacidad para procesar lenguaje natural y generar respuestas coherentes. Sin embargo, para los profesionales, especialistas y emprendedores que desarrollan soluciones en sectores críticos, como el jurídico, el financiero o el análisis de datos sensibles, la adopción de la inteligencia artificial se encuentra con un gran obstáculo: la falta de explicabilidad y el riesgo de que se produzcan “alucinaciones” (contenidos incorrectos o inventados que se presentan como verosímiles). Cuando el coste de un error es sumamente alto, no se puede confiar ciegamente en una IA que funciona como una “caja negra”.
Este reto técnico también tiene una dimensión regulatoria en el marco del Reglamento de Inteligencia Artificial de la Unión Europea (AI Act). Esta norma establece obligaciones diferenciadas en función del tipo de sistema y su nivel de riesgo. En el caso de los sistemas de alto riesgo, exige, entre otros requisitos, un grado de transparencia que permita interpretar y utilizar adecuadamente sus resultados, así como documentación técnica, registro de actividad y mecanismos de supervisión humana. Para los proveedores de modelos de propósito general, contempla obligaciones específicas de documentación y transparencia. En este ámbito, mejorar la trazabilidad y facilitar la revisión humana puede contribuir a reducir riesgos y a cumplir la normativa.
Para abordar este desafío, los investigadores Steph Buongiorno y Corey Clark, de la Southern Methodist University (SMU), han diseñado el marco de trabajo GAME-KG (Gaming for Augmenting Metadata and Enhancing Knowledge Graphs). Esta metodología propone unir los grafos de conocimiento (KGs) con mecánicas de videojuegos de computación humana (HCG) para recopilar aportaciones de los jugadores con las que modificar y validar las relaciones entre los datos. El objetivo es proporcionar a los LLM una base de conocimiento estructurada y examinable por humanos que pueda mejorar la precisión y la trazabilidad de sus respuestas.
Uno de los ciberataques con mayor impacto para una empresa es la alteración fraudulenta de los datos de pago de sus trabajadores. El denominado fraude del cambio de cuenta bancaria se ha convertido en una amenaza especialmente sensible para los departamentos de Recursos Humanos y administración, ya que afecta directamente a uno de los procesos más críticos de cualquier organización, como es el pago de las nóminas.
A diferencia de otros ataques, este fraude no depende necesariamente de una brecha técnica compleja. Su eficacia se basa en la manipulación de personas y procedimientos internos, por lo que prevenirlo exige combinar medidas de seguridad, protocolos claros y formación específica para detectar solicitudes sospechosas antes de tramitar cualquier cambio.
