Stop-Loss vs Core-Size en Anuncios de Catálogo de Meta: Cómo Prevenir el Desperdicio de Presupuesto en E-Commerce

## La Trampa del Algoritmo en los Anuncios de Catálogo Advantage+ (DPA) En el ecosistema del comercio electrónico contemporáneo a escala, los **Anuncios de Catálogo Advantage+** (anteriormente denominados Anuncios Dinámicos de Producto o DPA) representan habitualmente entre el 35% y el 65% de la facturación atribuida total en Meta Ads. La promesa comercial de Meta resulta incuestionablemente atractiva para cualquier director de marketing o fundador: conecta el inventario de tu tienda online mediante un feed en tiempo real, activa una campaña con el píxel o la API de Conversiones (CAPI), y permite que los modelos predictivos de aprendizaje automático (*machine learning*) analicen miles de millones de señales de navegación para emparejar a cada usuario con el producto exacto que presenta la mayor probabilidad matemática de compra. Sin embargo, para los directores de e-commerce, responsables de crecimiento y compradores de medios de alto rendimiento, este modelo de delegación algorítmica total oculta una trampa económica silenciosa pero letal para la rentabilidad neta: ``` [Catálogo Completo en Meta Commerce Manager (15,000 SKUs)] | v [Subasta de Meta Optimiza por eCTR y Tasa de Interacción Inicial] | v +-------------------------------------------------------------+ | PRODUCTO SESGADO: Vestido Estacional / Accesorio Barato | | - Precio de Venta: 14.99 € (Margen Bruto de Contribución: 2.20 €) | | - Stock por Variante: Solo disponible en tallas XS y XXL | | - Tallas Nucleares (S, M, L): 100% AGOTADAS | | - Asignación de Presupuesto: 62% del total de la campaña | +-------------------------------------------------------------+ | v [CONSECUENCIA FINANCIERA DIRECTA: Cientos de clics pagados, tasa de rebote] [en PDP superior al 85% por falta de tallas comunes, y quema de margen] ``` El algoritmo de subasta de Meta persigue un único objetivo matemático primario: **maximizar la tasa estimada de clics (eCTR) y el valor de la subasta en el corto plazo**, manteniendo a los usuarios enganchados a la plataforma. No obstante, el sistema de optimización de Meta opera en una completa ceguera operativa respecto a: 1. **Tu estructura de margen de contribución real (CM2 / CM3)** tras deducir costes de bienes vendidos (COGS), aranceles, pasarelas de pago y logística inversa. 2. **La profundidad de inventario por curva de tallas (Core-Sizes)**: un producto con solo un 5% de tallas disponibles genera clics altamente ineficientes porque el 80% de los compradores potenciales usan tallas medias. 3. **El coste de adquisición de nuevo cliente (nCAC)** versus la tasa de recompra a 90 días (LTV). Si permites que Meta distribuya el presupuesto sin restricciones a nivel de catálogo completo, el algoritmo inevitablemente canalizará la mayor parte de tu inversión hacia artículos de bajo valor unitario, productos en liquidación con stock roto o productos con imágenes virales pero márgenes netos casi nulos. Para solucionar este problema estructural, los equipos de performance marketing más sofisticados implementan la arquitectura dual: **Stop-Loss vs. Core-Size**. --- ## Anatomía de la Arquitectura: Stop-Loss vs. Core-Size La arquitectura **Stop-Loss vs. Core-Size** es un marco de ingeniería de feeds y segmentación de subastas que desacopla los productos de alto rendimiento comercial de aquellos que presentan riesgos de inventario o de margen, forzando al algoritmo a gastar únicamente donde existe certeza de rentabilidad y stock saludable. | Dimensión Operativa | Conjunto Core-Size (El Motor de Margen) | Conjunto Stop-Loss (La Red de Seguridad) | | :--- | :--- | :--- | | **Objetivo Estratégico** | Maximizar volumen de ventas rentables y adquisición de clientes | Liquidar stock residual o aislar productos volátiles sin quemar presupuesto | | **Condición de Stock** | Curva de tallas completa (S, M, L presentes y stock > 5 unidades por SKU) | Stock roto (tallas aisladas) o inventario residual menor al umbral crítico | | **Margen Bruto de Contribución** | Superior al 60% (Margen neto suficiente para absorber CPA alto) | Margen bajo (< 40%) o productos de liquidación profunda con descuento agresivo | | **Asignación Presupuestaria** | 70% – 85% del presupuesto total de Catálogo Advantage+ | 15% – 30% del presupuesto, con topes rígidos de coste por resultado | | **Estrategia de Puja en Meta** | Volumen más alto o ROAS Objetivo conservador (Bid Cap opcional) | Límite de Coste (Cost Cap) estricto o Límite de Puja (Bid Cap) defensivo | | **Destino de Tráfico** | PDP optimizada con variantes completas o Category PLP | PDP con aviso de stock limitado o bundle promocional | ### 1. El Pilar Core-Size: Concentración de Liquidez en Ganadores Estables Un producto se califica como **Core-Size** únicamente cuando cumple con un estándar de disponibilidad comercial riguroso: - **Disponibilidad de curva de tallas clave**: En moda y calzado, representa tener disponibilidad simultánea en al menos las tres tallas con mayor cuota de demanda (por ejemplo, tallas 38, 39 y 40 en calzado femenino, o M y L en textil). - **Profundidad de unidades**: Más de 10 unidades por variante nuclear para prevenir que una pequeña racha de ventas deje la página de producto rota a mitad del día publicitario. - **Margen unitario suficiente**: Precio de venta al público (PVP) que permite una holgura mínima de 25 € a 45 € de margen bruto para cubrir el coste por adquisición (CPA) de Meta. ### 2. El Pilar Stop-Loss: Contención de Pérdidas y Liquidación Inteligente Por el contrario, el conjunto **Stop-Loss** actúa como una cámara de contención para aquellos productos que: - Tienen tallas huérfanas (solo XS o XXL) que causan un rebote masivo cuando un comprador habitual llega a la tienda. - Poseen márgenes tan estrechos que cualquier incremento menor en el CPM de Meta genera pérdidas netas inmediatas. - Han registrado un gasto publicitario superior a 3 veces el CPA Objetivo en los últimos 7 días sin haber generado al menos 2 transacciones confirmadas. Al colocar estos productos en un conjunto separado con un **Cost Cap estricto**, obligas a Meta a pujar únicamente cuando la probabilidad de conversión es extraordinariamente alta, impidiendo que el algoritmo gaste tu presupuesto diario en clics improductivos. --- ## Definición de Reglas de Feed: Campos Personalizados y Atributos Clave Para ejecutar esta arquitectura sin intervención manual diaria, es imprescindible configurar **campos personalizados (*custom labels*)** en tu feed de productos (ya sea generado vía Shopify, WooCommerce, Magento o plataformas de gestión de feeds como Channable o Feedonomics). A continuación se detalla la matriz estándar de campos recomendada por PaidMediaWorld: ``` +------------------+-----------------------+-------------------------------------------------------+ | Etiqueta Feed | Valor Posible | Criterio Lógico de Negocio | +------------------+-----------------------+-------------------------------------------------------+ | custom_label_0 | CORE_HIGH_MARGIN | Margen Bruto >= 65% Y Stock Total >= 15 unidades | | custom_label_0 | CORE_MID_MARGIN | Margen Bruto 45% - 64% Y Stock Total >= 15 unidades | | custom_label_0 | STOP_LOSS_BROKEN_SIZE | Tallas clave (M/L) agotadas O Stock Total < 5 unid. | | custom_label_0 | STOP_LOSS_LOW_MARGIN | Margen Bruto < 40% (Independiente del stock) | +------------------+-----------------------+-------------------------------------------------------+ | custom_label_1 | VELOCITY_TOP | Top 20% productos más vendidos últimos 14 días | | custom_label_1 | VELOCITY_SLOW | Cero ventas últimos 30 días pero stock inmovilizado | +------------------+-----------------------+-------------------------------------------------------+ | custom_label_2 | SEASON_ACTIVE | Temporada actual (Nueva Colección / Primavera-Verano) | | custom_label_2 | SEASON_CLEARANCE | Fuera de temporada / Outlet | +------------------+-----------------------+-------------------------------------------------------+ | custom_label_3 | FULL_SIZE_RUN_TRUE | Cumple 100% curva de tallas S-M-L disponibles | | custom_label_3 | FULL_SIZE_RUN_FALSE | Rota al menos 1 talla principal | +------------------+-----------------------+-------------------------------------------------------+ ``` --- ## Python Automation Script: Generador de Feed con Reglas de Margen y Stock Para los equipos técnicos que procesan feeds XML/CSV o mediante APIs REST de e-commerce, el siguiente script en Python demuestra cómo enriquecer un catálogo de productos crudo calculando automáticamente los márgenes de contribución, evaluando la disponibilidad de tallas centrales y asignando las etiquetas `custom_label_0` y `custom_label_3`. ```python #!/usr/bin/env python3 # -*- coding: utf-8 -*- # Meta Advantage+ Catalog Feed Optimizer: Stop-Loss vs Core-Size # PaidMediaWorld E-Commerce Engineering Framework import csv import json import sys def evaluate_product_tier(item): price = float(item.get('price', 0.0)) cogs = float(item.get('cost_of_goods', 0.0)) shipping_allowance = float(item.get('shipping_cost', 4.50)) gateway_fee = price * 0.025 + 0.25 # 2.5% + 0.25 EUR por transaccion # Calculo de Margen de Contribucion Unitario (EUR y %) gross_margin_eur = price - cogs - shipping_allowance - gateway_fee gross_margin_pct = (gross_margin_eur / price) * 100.0 if price > 0 else 0.0 # Analisis de curva de tallas (curva nuclear: S, M, L / 38, 39, 40) sizes_raw = item.get('available_sizes', '') available_sizes = [s.strip().upper() for s in sizes_raw.split(',') if s.strip()] core_sizes_required = {'S', 'M', 'L'} has_full_core_sizes = core_sizes_required.issubset(set(available_sizes)) total_inventory = int(item.get('inventory_quantity', 0)) # Asignacion de Logica Stop-Loss vs Core-Size if total_inventory <= 3 or not has_full_core_sizes: custom_label_0 = "STOP_LOSS_BROKEN_SIZE" custom_label_3 = "FULL_SIZE_RUN_FALSE" elif gross_margin_pct < 45.0: custom_label_0 = "STOP_LOSS_LOW_MARGIN" custom_label_3 = "FULL_SIZE_RUN_TRUE" if has_full_core_sizes else "FULL_SIZE_RUN_FALSE" elif gross_margin_pct >= 65.0 and total_inventory >= 15: custom_label_0 = "CORE_HIGH_MARGIN" custom_label_3 = "FULL_SIZE_RUN_TRUE" else: custom_label_0 = "CORE_MID_MARGIN" custom_label_3 = "FULL_SIZE_RUN_TRUE" return { "id": item.get('id'), "title": item.get('title'), "price": f"{price:.2f} EUR", "margin_eur": round(gross_margin_eur, 2), "margin_pct": round(gross_margin_pct, 1), "custom_label_0": custom_label_0, "custom_label_3": custom_label_3, "availability": "in stock" if total_inventory > 0 else "out of stock" } def process_catalog(input_csv, output_csv): processed_count = 0 core_count = 0 stop_loss_count = 0 with open(input_csv, mode='r', encoding='utf-8') as infile, \ open(output_csv, mode='w', encoding='utf-8', newline='') as outfile: reader = csv.DictReader(infile) fieldnames = list(reader.fieldnames) + ['custom_label_0', 'custom_label_3', 'margin_eur', 'margin_pct'] writer = csv.DictWriter(outfile, fieldnames=fieldnames) writer.writeheader() for row in reader: evaluation = evaluate_product_tier(row) row['custom_label_0'] = evaluation['custom_label_0'] row['custom_label_3'] = evaluation['custom_label_3'] row['margin_eur'] = evaluation['margin_eur'] row['margin_pct'] = evaluation['margin_pct'] if "CORE" in evaluation['custom_label_0']: core_count += 1 else: stop_loss_count += 1 writer.writerow(row) processed_count += 1 print(f"Catalogo Procesado con Exito:") print(f"Total SKUs: {processed_count}") print(f"Core-Size SKUs: {core_count} ({(core_count/processed_count)*100:.1f}%)") print(f"Stop-Loss SKUs: {stop_loss_count} ({(stop_loss_count/processed_count)*100:.1f}%)") ``` --- ## Configuración en Meta Commerce Manager: Conjuntos de Productos Estancos Una vez que el feed exporta correctamente las etiquetas `custom_label_0` y `custom_label_3`, el siguiente paso crítico se ejecuta dentro del **Administrador de Ventas de Meta (Commerce Manager)**. ### Paso 1: Creación del Conjunto "Core-Size: Máxima Rentabilidad" 1. Accede a **Commerce Manager** > Selecciona tu Catálogo > Dirígete a **Conjuntos (*Sets*)**. 2. Haz clic en **Crear conjunto** y selecciona **Usar filtros**. 3. Configura la regla de inclusión lógica: - `custom_label_0` es igual a `CORE_HIGH_MARGIN` **O** `CORE_MID_MARGIN`. - `availability` es igual a `in stock`. - `custom_label_3` es igual a `FULL_SIZE_RUN_TRUE`. 4. Asigna un nombre claro: `[PMW] Core-Size - Stock Pleno & Margen Alto`. ### Paso 2: Creación del Conjunto "Stop-Loss: Curva Rota y Liquidación" 1. Crea un segundo conjunto con las siguientes reglas de filtro: - `custom_label_0` coincide con cualquiera de `STOP_LOSS_BROKEN_SIZE`, `STOP_LOSS_LOW_MARGIN`. - `availability` es igual a `in stock`. 2. Asigna el nombre: `[PMW] Stop-Loss - Tallas Restantes & Control de Margen`. ### Paso 3: Exclusiones Dinámicas Asegúrate de que ningún SKU pueda pertenecer a ambos conjuntos de manera simultánea. Las reglas deben ser mutuamente excluyentes para evitar la canibalización de subasta interna entre campañas. --- ## Estructura de Campañas en Ads Manager: Separación de Presupuesto y Puja La configuración en Meta Ads Manager debe reflejar fielmente la segregación del catálogo. Nunca mezcles conjuntos Core-Size y Stop-Loss dentro del mismo conjunto de anuncios o bajo la misma optimización de presupuesto de campaña (CBO/Advantage Campaign Budget) sin restricciones. ``` ESTRUCTURA DE CUENTA RECOMENDADA: [Campaña 1: CBO / Advantage Campaign Budget] (80% Presupuesto) ├── Objetivo: Ventas del Catálogo ├── Puja: Volumen Más Alto o ROAS Objetivo └── Conjuntos de Anuncios: ├── AdSet A: Prospección Abierta (Broad) -> Conjunto [Core-Size] └── AdSet B: Retargeting Dinámico (DPA 14d) -> Conjunto [Core-Size] [Campaña 2: ABO / Presupuesto por Conjunto de Anuncios] (20% Presupuesto) ├── Objetivo: Ventas del Catálogo ├── Puja: Límite de Coste Estricto (Cost Cap = Margen Bruto * 0.40) └── Conjuntos de Anuncios: └── AdSet Único: Retargeting Carritos Abandonados -> Conjunto [Stop-Loss] ``` ### Por qué esta estructura funciona: 1. **El conjunto Core-Size tiene libertad para escalar**: Al contener únicamente productos con margen saludable y stock pleno, el algoritmo de Meta puede aprender libremente sin riesgo de dirigir tráfico hacia carritos que no pueden completarse por falta de tallas. 2. **El conjunto Stop-Loss solo gasta si convierte barato**: Al imponer un **Cost Cap estricto**, Meta no pujará en subastas agresivas. Si un usuario con altísima intención busca ese vestido en liquidación de talla XS, el anuncio se disparará al coste exacto fijado, logrando la venta sin erosionar el margen global. --- ## Métricas Clave y Cuadro de Mando POAS (Profit on Ad Spend) en BigQuery SQL El error más común de los equipos de medios es medir el éxito de Catálogo Advantage+ mediante el **ROAS de plataforma**. Un ROAS de 4.0x en productos con margen del 20% genera pérdidas operativas, mientras que un ROAS de 2.5x en productos con margen del 75% genera beneficios extraordinarios. Para monitorear la salud financiera real de tu catálogo, debes medir el **POAS (Profit on Ad Spend)**: $$\text{POAS} = \frac{\text{Margen Bruto de Contribución (€)}}{\text{Gasto Publicitario en Meta (€)}} = \frac{\sum (\text{Ingresos de Producto} - \text{COGS} - \text{Logística} - \text{Pasarela})}{\text{Ad Spend}}$$ A continuación presentamos la consulta SQL para calcular el rendimiento por conjunto de catálogo cruzando datos de Meta Ads y Shopify/ERP en **Google BigQuery**: ```sql -- Cuadro de Mando POAS: Core-Size vs Stop-Loss en Google BigQuery WITH sales_enriched AS ( SELECT orders.order_id, orders.created_at, items.product_id, items.sku, items.quantity, items.price * items.quantity AS gross_revenue, items.cogs * items.quantity AS total_cogs, (items.price * items.quantity * 0.025) + 0.25 AS payment_gateway_fee, orders.shipping_cost_actual AS logistics_cost, feed.custom_label_0 AS catalog_segment FROM `enterprise_dw.shopify_orders` orders CROSS JOIN UNNEST(orders.line_items) items LEFT JOIN `enterprise_dw.product_catalog_feed` feed ON items.product_id = feed.product_id WHERE orders.created_at >= TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 30 DAY) AND orders.financial_status = 'paid' ), daily_performance AS ( SELECT DATE(created_at) AS date_record, catalog_segment, COUNT(DISTINCT order_id) AS total_orders, SUM(gross_revenue) AS revenue, SUM(gross_revenue - total_cogs - payment_gateway_fee - logistics_cost) AS net_contribution_margin FROM sales_enriched GROUP BY 1, 2 ), ad_spend_meta AS ( SELECT date, CASE WHEN campaign_name LIKE '%CORE%' THEN 'CORE_SIZE' WHEN campaign_name LIKE '%STOP%' THEN 'STOP_LOSS' ELSE 'OTHER' END AS campaign_tier, SUM(spend) AS total_spend, SUM(clicks) AS total_clicks FROM `enterprise_dw.meta_ads_insights` WHERE date >= DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY) GROUP BY 1, 2 ) SELECT d.date_record, d.catalog_segment, d.revenue, d.net_contribution_margin, m.total_spend, ROUND(SAFE_DIVIDE(d.revenue, m.total_spend), 2) AS blended_roas, ROUND(SAFE_DIVIDE(d.net_contribution_margin, m.total_spend), 2) AS blended_poas FROM daily_performance d LEFT JOIN ad_spend_meta m ON d.date_record = m.date AND ( (d.catalog_segment LIKE 'CORE%' AND m.campaign_tier = 'CORE_SIZE') OR (d.catalog_segment LIKE 'STOP%' AND m.campaign_tier = 'STOP_LOSS') ) ORDER BY d.date_record DESC, blended_poas DESC; ``` --- ## Casos de Estudio Reales: Escalabilidad en Moda y Consumo Masivo ### Caso 1: Marca D2C de Calzado Femenino (Escalado de 50.000 € a 220.000 €/mes) - **Problema previo**: La marca utilizaba una única campaña Advantage+ Catalog con todo el catálogo. Tres modelos de sandalias de verano acumulaban el 58% del gasto diario, pero el 80% de las tallas 37 a 39 estaban agotadas. El ROAS aparente era de 3.2x, pero la tasa de cancelaciones y devoluciones por falta de stock hundió el margen neto por debajo del 4%. - **Implementación**: Se desplegó la arquitectura Stop-Loss vs Core-Size mediante un script cron nocturno que evaluaba el inventario en Shopify. Los modelos con menos de 4 unidades en tallas 37-39 fueron movidos automáticamente a `STOP_LOSS_BROKEN_SIZE` con un Cost Cap conservador. - **Resultados a 60 días**: - Reducción del 42% en rebotes de páginas de producto. - El POAS (beneficio neto sobre gasto publicitario) se incrementó de **0.85 a 1.92**. - El presupuesto publicitario escaló de 50.000 €/mes a 220.000 €/mes con total estabilidad financiera. ### Caso 2: Retailer Multimarca de Ropa Deportiva (Catálogo de 45.000 SKUs) - **Desafío Operativo**: Más de 12 marcas internacionales conviviendo en una única cuenta de Meta. Los productos de marcas de bajo margen tenían un volumen masivo de impresiones debido a rebajas del 50%, mientras que las colecciones exclusivas de alto margen no recibían presupuesto. - **Estrategia Implementada**: - Creación de 3 capas jerárquicas: `CORE_TIER_1` (Margen > 70%), `CORE_TIER_2` (Margen 50-69%) y `STOP_LOSS_OUTLET`. - Vinculación con Google Sheets y Feedonomics para recalcular la velocidad de venta cada 6 horas. - **Resultados Obtenidos**: - Incremento del ticket medio de compra (AOV) de 68.50 € a 94.20 €. - Reducción del coste por adquisición de nuevos clientes (nCAC) en un 28.4%. - Eliminación completa de quejas de clientes por pedidos cancelados debido a desincronización de inventario. --- ## Troubleshooting Forense: Los 5 Errores Críticos al Escalar Catálogos en Meta A pesar de la solidez matemática de la arquitectura Stop-Loss vs Core-Size, muchos anunciantes cometen fallos técnicos en la fase de implementación que bloquean el aprendizaje de la máquina o reintroducen ineficiencias presupuestarias: ### 1. Desfase Temporal en la Ingesta del Feed (Feed Latency Lag) Si tu plataforma de e-commerce sincroniza el feed únicamente a medianoche mediante un archivo CSV estático, pero tu campaña de rebajas está gastando 5.000 € al día, se produce una brecha de información de hasta 24 horas. Durante este lapso, un producto cuya talla L se agotó a las 10:00 AM seguirá recibiendo miles de impresiones pagadas hasta la siguiente sincronización nocturna. - **Solución Técnica**: Implementar la **API de Actualización de Lote en Tiempo Real de Meta (Graph API Catalog Batch Endpoint)** activada mediante webhooks de inventario desde tu plataforma de e-commerce (`orders/create`, `inventory_levels/update`). ### 2. Canibalización por Falta de Negativas Cruzadas Cuando se crean dos conjuntos de catálogo distintos (Core-Size y Stop-Loss) pero se lanzan en campañas CBO abiertas dirigidas al mismo público geográfico e demográfico sin exclusiones, ambas campañas pueden llegar a competir en la subasta interna de Meta (*auction overlap*). - **Solución Técnica**: Utilizar la herramienta de solapamiento de audiencias en Meta Business Suite y comprobar el indicador de solapamiento de subasta (*Auction Overlap %*) en la pestaña de Inspección de Anuncios. Si el solapamiento supera el 15%, segmenta geográficamente o prioriza la puja mediante reglas automatizadas de pausado. ### 3. Sobre-Segmentación de Conjuntos (Data Fragmentation) Dividir el catálogo en 20 conjuntos diminutos de menos de 50 SKUs destruye la capacidad del algoritmo para encontrar patrones de compra. El aprendizaje automático de Meta requiere un volumen mínimo de 50 conversiones semanales por conjunto de anuncios para salir de la fase de aprendizaje (*Learning Phase*). - **Solución Técnica**: Mantener únicamente dos o como máximo tres conjuntos consolidados. La concentración de datos permite que el píxel acumule densidad de señales predictivas mucho más rápido. ### 4. Ignorar la Tasa de Devoluciones (Return Rate Attribution) Un producto puede tener un margen bruto aparente del 70%, pero si su tasa de devolución por problemas de patronaje o calidad es del 45%, el margen neto real se evapora entre costes de transporte de vuelta y reacondicionamiento. - **Solución Técnica**: Incluir en el script de enriquecimiento de feed la columna `return_rate_30d`. Cualquier SKU cuya tasa de devoluciones supere el percentil 85 debe ser reclasificado automáticamente a la etiqueta `STOP_LOSS_HIGH_RETURN`. ### 5. No Utilizar Dynamic Creative Overlays Mostrar imágenes de catálogo crudas sobre fondos blancos reduce sustancialmente el CTR relativo en comparación con la competencia. - **Solución Técnica**: Utilizar las herramientas de diseño de catálogo de Meta para aplicar marcos dinámicos (*dynamic overlays*), etiquetas automáticas de precio tachado, porcentaje de descuento o información sobre envío gratuito garantizado. --- ## Protocolo de Mantenimiento Semanal y Automatización de Alertas Para evitar desviaciones operativas, los media buyers deben seguir esta rutina técnica semanal: ``` RUTINA SEMANAL DE AUDITORÍA: LUNES: Auditoría de Feeds y Etiquetas - Verificar que el feed de catálogo se actualiza con una frecuencia mínima de 4 veces al día (o vía API en tiempo real). - Revisar productos huérfanos sin asignación de custom_label. - Analizar logs de errores de procesamiento en Meta Commerce Manager (rechazos de imágenes o títulos). MIÉRCOLES: Revisión de Desplazamiento de Subasta (Auction Shift) - Comprobar en Ads Manager si algún producto de Core-Size ha entrado en rotura de stock durante la semana. - Ajustar manualmente los Cost Caps en la campaña Stop-Loss si el CPA medio supera el umbral de contribución. - Validar la tasa de clics salientes (Outbound CTR) en relación al Conversion Rate de las PDPs principales. VIERNES: Conciliación POAS y Finanzas - Ejecutar la consulta en BigQuery para verificar que el POAS global de la cuenta se mantiene por encima del objetivo mínimo (1.50x). - Si el POAS cae de 1.20x, reducir el presupuesto de la campaña Stop-Loss y reasignar liquidez hacia los productos Core-Size con mayor stock disponible. - Generar reporte consolidado para el equipo de compras e inventario destacando qué productos de alto margen necesitan reposición urgente. ``` --- ## Plan de Acción Inmediato: Hoja de Ruta para los Primeros 14 Días Si actualmente estás ejecutando campañas de catálogo abierto sin segmentación por stock o margen, aquí tienes el plan de implementación paso a paso: ``` Día 1-3: Auditoría y Cálculo de Márgenes - Extrae el informe de ventas por SKU de los últimos 90 días desde tu ERP o e-commerce. - Calcula el margen de contribución real por SKU (PVP - COGS - Coste Envío - Comisiones). - Identifica tus tallas clave históricas (por ejemplo, tallas 38, 39, 40 en calzado o M, L en ropa). Día 4-6: Configuración de Feeds y Custom Labels - Desarrolla el script de enriquecimiento o configura las reglas en tu herramienta de feed (Channable/DataFeedWatch). - Genera las etiquetas custom_label_0 (CORE vs STOP_LOSS) y custom_label_3 (FULL_SIZE_RUN). - Sube el nuevo feed a Meta Commerce Manager y verifica que los atributos se procesan sin errores. Día 7-8: Estructuración en Ads Manager - Crea los dos conjuntos de productos en Commerce Manager. - Duplica tu campaña de catálogo actual para mantener el histórico de aprendizaje. - Asigna el conjunto Core-Size a tu campaña principal y crea la campaña ABO secundaria para Stop-Loss con Cost Cap. Día 9-14: Monitoreo y Ajuste de Pujas - Supervisa diariamente el gasto asignado a cada producto. - Ajusta el Cost Cap de la campaña defensiva hasta encontrar el equilibrio donde capture ventas sin superar el CPA admisible. - Compara la tasa de conversión global del e-commerce antes y después de aislar las tallas rotas. ``` --- ## Preguntas Frecuentes (FAQ) ### ¿Por qué no simplemente pausar los productos con stock roto en lugar de crear un conjunto Stop-Loss? Pausar productos por completo elimina la posibilidad de capturar ventas de liquidación de compradores altamente interesados (por ejemplo, personas que precisamente buscan tallas especiales como XS o XXL). El conjunto Stop-Loss con Cost Cap permite capturar estas ventas oportunistas a un coste publicitario extremadamente bajo, liquidando inventario inmovilizado sin arriesgar presupuesto diario. ### ¿Con qué frecuencia se debe sincronizar el feed de productos con Meta? En tiendas con más de 100 pedidos diarios, la sincronización mediante archivo estático una vez al día resulta insuficiente. Se recomienda utilizar la **API de Catálogo de Meta (Batch API)** o sincronizaciones programadas cada 1 o 2 horas para evitar que el algoritmo continúe mostrando productos agotados. ### ¿Se puede aplicar esta arquitectura a tiendas con catálogos pequeños (< 50 productos)? En catálogos reducidos, la segmentación debe realizarse por margen de contribución directo en lugar de tallas. Los productos estrella con margen superior al 60% se aíslan en el conjunto principal, mientras que accesorios o productos con poco margen se ubican en el conjunto defensivo. ### ¿Cómo afecta esta segmentación al aprendizaje de Advantage+ Shopping Campaigns (ASC+)? En las campañas ASC+ de Meta, el control sobre el catálogo es menor si se utiliza la configuración automática global. Sin embargo, puedes asociar a la campaña ASC+ únicamente el conjunto de productos Core-Size, garantizando que el algoritmo de inteligencia artificial de Advantage+ opere exclusivamente con tu inventario de máximo margen y stock saludable.