Qué es un estudio de Conversion Lift
Según la documentación de Google Ads, Conversion Lift es una herramienta de incrementalidad que mide el número de compras, visitas al sitio y otras acciones directamente impulsadas por que la gente vea tus anuncios. La lógica es la de un experimento controlado:
- Un grupo de tratamiento, que sí ve tus anuncios.
- Un grupo de control (holdback), que no los ve.
La diferencia de conversiones entre ambos grupos es el lift: el incremento causado por la presencia del anuncio. No es una estimación de modelo ni una asignación de crédito, es una comparación entre dos poblaciones equivalentes.
Un dato clave desde el arranque: Conversion Lift no está disponible para todas las cuentas de Google Ads. Hay que solicitarlo al representante de Google. No es una función que actives por tu cuenta desde la interfaz.
Los dos tipos de estudio
Google ofrece dos formas de armar los grupos, y elegir bien es clave para el éxito del experimento.
| Dimensión | Conversion Lift por usuarios | Conversion Lift por geografía |
|---|---|---|
| Cómo se arman los grupos | Atributos agregados de usuario (edad, género) | Datos geográficos agregados por región |
| Datos offline | No | Sí, admite datos offline |
| Medición cross-channel | Limitada | Sí |
| Tipos de campaña nativos | Video, Discovery, Demand Gen | Video, Display, Discovery, Demand Gen, Search, Shopping, App, Performance Max |
| Segmentación de resultados | Por acción, categoría, edad, género y país | Online y offline, con foco en transparencia |
| Consideración | Depende de tráfico opt-in, puede tener gaps de medición | Requiere solicitar acceso al representante de Google |
Para campañas de App, Display, Search, Shopping y Performance Max, el estudio por usuarios exige contactar al representante de Google; el estudio por geografía cubre esos tipos de campaña de forma más directa. Si tu foco está en Performance Max, Search y AI Max o YouTube, define antes qué canal quieres medir para elegir el tipo correcto.
Métricas que devuelve
Google reporta métricas agregadas distintas según el tipo de estudio. En el basado en usuarios vas a ver conversiones incrementales (lift absoluto), lift relativo, valor de conversión incremental, costo por acción incremental (iCPA) e iROAS incremental cuando asignas valores a las conversiones. En el basado en geografía el foco está en iROAS, conversiones incrementales, valor incremental y costo incremental. Para traducir esas métricas en una decisión de inversión, revisa cómo se calcula y se interpreta el resultado en un estudio de incrementalidad.
Elegibilidad, factibilidad e inversión
Google no publica un monto mínimo de inversión fijo para Conversion Lift, y por eso no vamos a inventar uno. Lo que sí documenta es cómo se decide:
- El presupuesto se determina durante la configuración, en base a los datos históricos de conversión de las campañas a medir.
- La herramienta de factibilidad (Study Power) estima la certeza de obtener resultados concluyentes. Se expresa como un porcentaje de 50% a 95%, en incrementos de 5%.
- Google recomienda apuntar a 90% o más de certeza para resultados confiables. Entre 50% y 90% los resultados sirven como insights direccionales. Si tu configuración queda por debajo de 90%, la herramienta ofrece una guía de presupuesto para llegar.
- La certeza depende de la data histórica de la cuenta, el lift estimado y tu configuración: acciones de conversión seleccionadas, presupuesto diario, duración del estudio y porcentaje de holdback.
Además, tu cuenta necesita registrar al menos una acción de conversión compatible. Si tu medición base es floja, el experimento va a arrancar con poca potencia estadística. Antes de pedir un estudio, conviene tener el tagging sano —revísalo con la auditoría de tagging y Consent Mode— y reforzar la señal con Enhanced Conversions y Customer Match. La calidad de la señal se relaciona con el Data Strength de tus campañas, pero no confundas ese score con el Data Strength Uplift anunciado en 2026: el Uplift cuenta conversiones adicionales recuperadas por una configuración de datos propios; no es un resultado causal, un ROI ni el score.
El anuncio presenta esa métrica, pero no documenta elegibilidad ni un despliegue por cuenta. Por eso no afirmamos que el Uplift aparezca en todas las cuentas ni que una cuenta concreta ya lo tenga habilitado.
Separa correlación de impacto real en tus campañas
Te ayudamos a definir si tu pregunta de incrementalidad puede responderse con Conversion Lift o GeoX y cómo diseñar la medición.
- 1
Diagnóstico gratuito de tu stack GMP
Un especialista revisa tu implementación actual (GA4, GTM, DV360, Ads) y te dice qué priorizar primero.
- 2
Plan de acción a medida
Sales de la llamada con next steps concretos para tu cuenta, no con una plantilla genérica.
- 3
Sin compromiso, sin venta forzada
Hablas con un especialista técnico, no con un vendedor. Si no encajamos, te lo decimos.
Respuesta a la brevedad
Medir el impacto incremental
Completa el form y coordinamos una asesoría sobre tu caso.
Cargando el formulario seguro de HubSpot…
No pudimos cargar el formulario. Puedes escribirnos a hola@leadaki.com .
Este formulario lo provee HubSpot y los datos que envíes se procesan allí. Consulta nuestra política de privacidad .
Sin compromiso · Google Marketing Platform Sales Partner
GeoX: experimentos geográficos open source
GeoX es la sigla de geo experiments: experimentos donde el tratamiento y el control se dividen por regiones geográficas en vez de por usuarios. Es la técnica ideal cuando quieres medir incrementalidad sin depender de identificadores a nivel usuario y cuando parte de tus conversiones ocurren offline.
Google tiene un historial largo con esta metodología. Su implementación open source de referencia, el paquete en R GeoexperimentsResearch, publica el análisis de datos de experimentos geográficos desarrollado internamente (bajo licencia Apache 2.0, con la aclaración de que es material de investigación, no un producto oficial). Sobre esa base de investigación, Google avanzó hacia una solución productizada.
Meridian GeoX
Meridian GeoX es una solución global y open source de incrementalidad que permite ejecutar experimentos geográficos transparentes, económicos y agnósticos del publisher. El anuncio público de Google del 10 de septiembre de 2026 indica que ya tiene disponibilidad general global en Meridian; la beta mencionada allí corresponde a una etapa anterior del producto, no a su estado actual. Esto describe la disponibilidad general anunciada, no confirma que una cuenta concreta tenga una habilitación, conexión o interfaz particular. La documentación pública presenta la biblioteca y ejemplos, pero no justificamos un flujo operativo de anuncios que Google no haya documentado.
- Ejecución multi-cell nativa: compara múltiples tratamientos contra un control común en un mismo estudio, lo que reduce costo y tiempo.
- Metodologías eficientes en presupuesto: maximiza la potencia estadística con regresión basada en tiempo y muestreo estratificado.
- Diseño flexible: permite elegir tipos de experimento como holdback, go dark y heavy up según tu objetivo.
- Integridad open source: los equipos pueden auditar las metodologías subyacentes.
- Integración con Meridian: puede sugerir experimentos para el modelo y aportar resultados de incrementalidad como priors para calibrar el MMM. La documentación de calibración aclara que no existe una fórmula única: hay que considerar contexto, incertidumbre, diferencias de estimando y controles de calidad.
Ese último punto es el que conecta el mundo de los experimentos con el del modelado agregado.
Experimentos vs. atribución vs. MMM
Estas tres familias de medición no compiten: responden preguntas distintas y se usan en conjunto. Sumamos Data Strength Uplift a la tabla sólo para dejar claro que es una métrica de señal, no una cuarta familia de medición ni un sustituto de un experimento. Es la lógica que también desarrollamos en MMM vs. atribución y en la guía de atribución cross-channel.
| Método | Pregunta que responde | Frecuencia | Fortaleza |
|---|---|---|---|
| Atribución (GA4, Google Ads) | ¿A qué punto de contacto asigno el crédito de una conversión observada? | Diaria, operativa | Optimización táctica en tiempo casi real |
| Experimentos (Conversion Lift, GeoX) | ¿Cuántas conversiones adicionales generó realmente este canal? | Puntual, por campaña o período | Evidencia causal, es el estándar de oro |
| MMM (Meridian) | ¿Cómo reparto el presupuesto entre todos los canales, incluidos los offline? | Trimestral o anual | Visión holística y privacy-safe |
| Data Strength Uplift | ¿Cuántas conversiones adicionales recuperó una configuración de datos propios? | Métrica reportada por Google | No prueba causalidad ni ROI; no es un experimento ni nuestro Data Strength Score |
La secuencia sana es clara: usas la atribución para operar, ejecutas experimentos para obtener la verdad causal de canales concretos, y llevas esos resultados a un MMM para planificar el mix completo. Los experimentos son el ancla de realidad que evita que el modelo derive.
Cómo los experimentos calibran un MMM
Un MMM bayesiano como Meridian parte de priors: creencias previas sobre el ROI de cada canal, expresadas como distribuciones de probabilidad. Si esos priors son genéricos, el modelo va a apoyarse demasiado en supuestos débiles. La documentación de Meridian es explícita: la calibración es el proceso de usar resultados de experimentos y conocimiento de dominio para definir priors específicos por canal.
Ahí está el círculo virtuoso:
- Ejecutas un experimento (Conversion Lift o GeoX) y obtienes evidencia incremental de un canal, con su incertidumbre y contexto.
- Usas ese resultado y el conocimiento de dominio para formular un prior para ese canal en Meridian; no existe una fórmula única ni un traslado mecánico.
- El MMM combina ese prior con los datos agregados y produce estimaciones más confiables.
- La integración documentada de Meridian GeoX y
CalibrationBuilderpuede facilitar este puente, pero requiere controles de calidad y criterio sobre las diferencias entre el experimento y el MMM.
Google advierte que hay matices al usar experimentos pasados como priors —sobre todo el timing del experimento respecto de la ventana temporal del modelo—, y la documentación añade diferencias de estimando, inversión, duración y granularidad. La calibración exige criterio, no es un copiar y pegar ni una promesa de causalidad o ROI. Es exactamente el tipo de trabajo que abordamos en analítica y medición avanzada.
Cuándo tiene sentido en tu operación
Un experimento de incrementalidad se justifica cuando:
- Dudas genuinamente de si un canal mueve ventas incrementales. Si Performance Max o Demand Gen reportan un ROAS altísimo pero sospechas que están cosechando demanda que ya existía, un experimento lo resuelve.
- Tienes volumen de conversión suficiente para alcanzar una certeza de lift razonable (idealmente 90%+).
- Parte de tus conversiones son offline o cross-channel: ahí GeoX y el Conversion Lift por geografía brillan.
- Vas a tomar una decisión de presupuesto en base al resultado. Un experimento sin decisión asociada es dinero mal gastado.
Si tu inversión es chica o tu medición base es floja, primero refuerza la calidad de datos y usa la calculadora de uplift AI Max vs. PMax para dimensionar el impacto potencial antes de comprometer presupuesto a un estudio formal.
Siguiente paso
Diseñar un experimento con potencia estadística suficiente, elegir entre estudio por usuarios o por geografía, y traducir los resultados en priors para tu MMM es un trabajo técnico donde los detalles definen si el resultado es confiable o ruido. En Leadaki, como agencia Google Partner en LatAm, acompañamos ese proceso extremo a extremo dentro de nuestro servicio de analítica y medición avanzada, sin prometer un número de lift, sino la certeza de estar midiendo lo que de verdad importa. Si quieres evaluar si tu cuenta tiene la madurez para un estudio de incrementalidad, escríbenos.