La medición causal no falla por falta de modelos, sino por creer que los modelos existentes toleran las decisiones que tomamos durante el experimento.

Por qué los modelos causales fallan cuando las decisiones operativas del experimento violan los supuestos que esos modelos exigen.

Creemos que el problema central de la medición en marketing no es la ausencia de técnicas causales — hay más que nunca — sino la brecha entre los supuestos que esas técnicas exigen y las decisiones operativas que los equipos toman antes, durante y después de recoger datos. Los avances recientes en inferencia secuencial, diseño experimental y atribución revelan un patrón común: cada vez que un analista observa resultados intermedios, reasigna presupuesto o condiciona en variables post-tratamiento sin justificación formal, introduce un sesgo que ningún modelo downstream puede corregir. La tesis que defendemos es que la frontera real de la medición no está en inventar nuevos estimadores, sino en disciplinar el proceso de decisión que rodea al experimento.

El peeking no es un pecado venial: la inferencia secuencial exige estructura

La tentación de mirar los datos a mitad de un test A/B y decidir si continuar es ubicua en equipos de growth y performance. Lo que la literatura reciente deja claro es que esta práctica no es inocua pero tampoco tiene que prohibirse: puede formalizarse. Mathis y Waudby-Smith demuestran que la inferencia anytime-valid de horizonte infinito introduce conservatividad innecesaria, y proponen horizontes de confianza — secuencias de confianza definidas sobre un horizonte finito predeterminado — que recuperan precisión asintótica sin inflar la tasa de error tipo I [1]. La conexión que establecen con las fronteras de detención clásicas de Pocock, O'Brien–Fleming y Wang–Tsiatis no es decorativa: significa que las reglas de parada temprana que los ensayos clínicos llevan décadas usando tienen un análogo directo y formalizable para los tests de marketing, siempre que se predefina el horizonte.

Peeking sin estructura: el analista mira p-valores diarios y detiene cuando "se ve significativo". Infla el error tipo I de forma incontrolada.

Peeking con horizonte de confianza: se pre-especifica un horizonte temporal acotado y un número máximo de observaciones intermedias. La validez secuencial se mantiene con mayor precisión que los métodos anytime-valid estándar [1].

Kazin llega a la misma conclusión desde otro ángulo: el algoritmo HDI+ROPE, popular en análisis bayesianos de tests, acopla la regla de parada al criterio de decisión, lo que permite que un intervalo de alta densidad posterior amplio satisfaga el criterio con muestras tempranas no representativas — generando un coste sistemático de falsos positivos. Su propuesta DPitG desacopla parcialmente ambos componentes exigiendo que se cumplan simultáneamente un objetivo de precisión y un veredicto concluyente [6].

62 % → 2 %

Reducción de la tasa de inconclusión de PitG a DPitG en simulaciones de moneda justa

Con ω = 0.08 y ROPE = 0.5 ± 0.05, a un coste mediano de solo 5 % de muestras adicionales [6]

> 40 %

Sesgo en casi la mitad de las variables analizadas de la CPS ASEC

Resultado obtenido vinculando registros administrativos a lo largo de más de dos décadas. La fuente dominante es error de medición entre respondentes, no la no respuesta [12]

Diseño antes que análisis: la asignación determina el techo de lo que puedes estimar

Hull demuestra un resultado que debería incomodar a quienes confían ciegamente en la aleatorización balanceada: cuando los resultados potenciales son acotados — caso frecuente en marketing, donde las conversiones son binarias —, el MSE en el peor caso se minimiza mediante asignación aleatoria independiente (donde la proporción de tratados es aleatoria en la muestra realizada), combinada con un estimador de regresión no convencional. La aleatorización completa dentro de pares y la regresión con efectos fijos por par exhiben el doble del MSE en el peor caso [8]. La lectura que hacemos es que la obsesión por el balance perfecto ex ante puede ser contraproducente cuando los resultados tienen soporte conocido: la aleatoriedad en la proporción realizada de tratados es informativa, no ruido.

El problema del diseño se agrava cuando el tamaño muestral debe re-estimarse a mitad de camino. Anderson y Pedley muestran que los diseños de potencia condicional — frecuentemente preferidos por su tamaño muestral inicial menor — pueden derivarse de forma muy ineficiente y, peor aún, pueden revelar información sobre el efecto de tratamiento intermedio, comprometiendo la integridad del ensayo. Su recomendación: un diseño secuencial grupal planificado conservadoramente se adapta al tamaño muestral mediante reglas de parada temprana pre-planificadas sin esos riesgos [4].

Controles malos, adaptación endógena y la fragilidad de lo que parece razonable

En diferencia en diferencias — la técnica causal más usada en marketing para evaluar lanzamientos, cambios de precio o intervenciones geo — condicionar en covariables afectadas por el tratamiento es una práctica extendida y rara vez cuestionada. Caetano, Callaway, Payne y Sant'Anna formalizan el problema: tanto eliminar esos bad controls como incluirlos directamente puede sesgar la estimación del efecto de tratamiento. La solución no es una regla de dedo, sino un juicio formal: o se condiciona en los valores pre-tratamiento del control malo, o se emplean estimadores de imputación y de aprendizaje automático doblemente desesgado bajo una condición explícita de no-confusión de la covariable [3]. Que esto se extienda al caso de adopción escalonada — el diseño por defecto cuando una campaña se lanza por fases regionales — lo hace directamente operativo para equipos de marketing.

La endogeneidad del tamaño muestral introduce otra fuente de sesgo subestimada. Adusumilli, Gu y Tao estudian Empirical Bayes en experimentos adaptativos compuestos — donde el algoritmo de muestreo modifica dinámicamente cuántas observaciones se asignan a cada brazo — y encuentran que el g-modeling (estimación de la distribución a priori vía verosimilitud marginal) sigue siendo válido incluso cuando asume incorrectamente que los datos son exógenos. Pero la fórmula de Tweedie del f-modeling, herramienta estándar en muchos pipelines, puede producir reglas sesgadas bajo muestreo adaptativo [11]. La implicación práctica: si tu plataforma de experimentación reasigna tráfico adaptativamente entre variantes — como hacen varios bandidos contextuales de uso común —, tu método de estimación posterior importa tanto como tu diseño.

Donde no puedes experimentar, mide lo que de verdad falla

El error de medición — no la no respuesta, no la cobertura — es la fuente dominante de sesgo en datos de encuestas, según el marco de Error Total de Encuesta de Meyer, Mittag y coautores. Para casi la mitad de las variables de ingreso y programas sociales de la CPS ASEC, el sesgo supera el 40 por ciento, y eliminarlo requeriría cambiar más del 80 por ciento del total verdadero [12]. Creemos que este hallazgo tiene un paralelo directo en los datos que los equipos de marketing tratan como ground truth — encuestas de brand tracking, estudios de atribución auto-reportada, paneles de consumidores — donde el énfasis convencional se pone en la tasa de respuesta cuando el problema real reside en la exactitud de lo que los respondentes declaran.

La frontera emergente: atribución en superficies que no controlas

Kato, Honma y Kato abren una pregunta que la mayoría de los equipos de marketing todavía no se han formulado: ¿cómo atribuir valor a la presencia de marca en respuestas generadas por IA, donde la exposición ni siquiera es directamente observable? Su marco GMMM (Generative Marketing Mix Modeling) distingue entre GEO — presencia orgánica en respuestas generadas, operacionalizada mediante conteos de preguntas, cuotas de uso entre sistemas y probabilidades de noticia — y GEM — colocaciones patrocinadas combinadas con probabilidades de noticia [9]. El enfoque compara respuestas de negocio esperadas bajo secuencias alternativas de tratamiento, situándose dentro del paradigma de efectos potenciales. La validación es por ahora simulada, no observacional, lo que limita su aplicabilidad inmediata pero no su relevancia conceptual: el Marketing Mix Modeling clásico necesita extenderse a entornos donde la variable de exposición misma es latente.

Lo que sostenemos

La evidencia reciente converge en una dirección: el eslabón débil de la medición causal en marketing no es econométrico sino procesal. La inferencia secuencial ya tiene soluciones formales para el peeking [Fuente 1, Fuente 6]. El diseño óptimo ya cuestiona la aleatorización balanceada ingenua [8]. Los estimadores ya distinguen entre aquellos que sobreviven a la adaptación endógena y los que no [11]. Y la fuente dominante de sesgo en datos declarativos ya está identificada como error de medición, no como no respuesta [12]. Lo que falta no es ciencia — es que los equipos que ejecutan campañas y los que las miden compartan un protocolo de decisiones donde cada elección operativa tenga una justificación estadística explícita.

Fuentes consultadas

Chase Mathis and Ian Waudby-Smith. Confidence Horizons. arXiv:2608.03889, 2026.
Minxing Zheng, Wenbin Zhou, and Shixiang Zhu. Beyond Prediction: Conformal Inference for Latent Distributional Parameters. arXiv:2608.03607, 2026.
Carolina Caetano, Brantly Callaway, Stroud Payne, and Hugo Sant'Anna. Difference-in-differences with "bad controls". arXiv:2608.03881, 2026.
Keaven M. Anderson and Alison Pedley. Two-Stage Design with Sample Size Re-estimation Using gsDesign. arXiv:2608.03456, 2026.
Simone Ciardulli, Nicole Fontana, Simone Vantini, and Francesca Ieva. Generalized propensity score weighting for functional causal inference framework. arXiv:2608.03200, 2026.
Eyal A. Kazin. Precision and Decisiveness as Goals: Reliable Sequential Hypothesis Testing with a Dual Stopping Criterion. arXiv:2608.05301, 2026.
Jeremy Lin and Tianchen Qian. Micro-randomized Trials with Categorical Treatments and Binary Proximal Outcome: Causal Effect Estimation and Sample Size Calculation. arXiv:2608.05135, 2026.
Peter Hull. Optimal Experimental Design and Estimation when Potential Outcomes are Bounded. arXiv:2608.09812, 2026.
Masahiro Kato, Daiki Honma, and Taka Kato. Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact. arXiv:2609.11915, 2026.
Lorenzo Muñoz, Stephane Hess, Thomas O. Hancock, and Georges Sfeir. Using machine learning metrics to provide deeper insights into the performance of choice models. arXiv:2609.20655, 2026.
Karun Adusumilli, Jiaying Gu, and Junfan Tao. Empirical Bayes for compound adaptive experiments. arXiv:2609.17158, 2026.
Error de encuesta: anatomía, descomposición y fuentes dominantes de sesgo. ver