Cómo medí la eficiencia publicitaria de Meta en la política guatemalteca
En la primera vuelta presidencial de 2023, las campañas guatemaltecas gastaron alrededor de Q8.9 millones en anuncios de Facebook e Instagram y generaron más de 1,236 millones de impresiones. Es la primera vez que una elección en Guatemala se libra a esta escala dentro de plataformas que deciden, mediante algoritmos de subasta que nadie fuera de Meta puede auditar, quién ve qué anuncio y a qué precio.
El Tribunal Supremo Electoral no tenía —y todavía no tiene— herramientas para responder una pregunta básica: ¿cuánto rinde realmente cada quetzal que una campaña invierte en estas plataformas? No el gasto declarado, sino la eficiencia: cuántas impresiones obtiene cada partido por cada quetzal, y por qué unos obtienen muchas más que otros con la misma plata.
Dediqué mi tesis de maestría a medir exactamente eso. Descargué los 7,828 anuncios políticos que los binomios presidenciales de los 16 partidos políticos publicaron entre abril y junio de 2023, los modelé con regresión multivariada, y encontré patrones que vale la pena que cualquier persona interesada en la política guatemalteca conozca. Esta es la versión accesible de ese trabajo.
Qué significa “eficiencia publicitaria” y por qué no es lo obvio
Cuando se habla de pauta política en redes, la conversación casi siempre se queda en cuánto gastó cada quien. Es la métrica fácil porque la Meta Ad Library la reporta. Pero el gasto total dice poco: es como evaluar a un equipo solo por su presupuesto, ignorando cuántos partidos ganó.
La métrica que de verdad importa es la eficiencia: las impresiones obtenidas por cada quetzal invertido (imp/GTQ). Dos campañas pueden gastar lo mismo y alcanzar audiencias de tamaños radicalmente distintos, porque el algoritmo de Meta no cobra igual por llegar a todos. Llegar a una audiencia muy disputada —donde muchos anunciantes pujan por los mismos ojos— cuesta más por impresión que llegar a una audiencia barata.
Acá hay que ser honesto con una distinción que casi nunca se hace: eficiencia no es lo mismo que efectividad electoral. Que un partido consiga muchas impresiones por quetzal no significa que esas impresiones se conviertan en votos. La eficiencia mide qué tan barato es alcanzar gente, no qué tan bien persuade ese alcance. Mi estudio mide lo primero, que es lo que los datos públicos permiten medir con rigor. Lo segundo —el efecto sobre el voto— requiere otros datos y lo dejo explícitamente fuera. Esa frontera importa, y vuelvo a ella al final.
De dónde salen los datos (y qué les falta)
Todo viene de la Meta Ad Library, el repositorio público que Meta mantiene de los anuncios políticos publicados en sus plataformas. Es la fuente más completa disponible, pero tiene dos límites que conviene tener claros desde el inicio, porque condicionan todo lo que se puede afirmar:
Primero, Meta no reporta cifras exactas de gasto e impresiones, sino rangos. Para cada anuncio adopté el punto medio del rango, que es el estándar en la literatura que usa esta fuente. Esto introduce imprecisión, sobre todo en los anuncios de menor presupuesto, donde el rango es más ancho en términos relativos.
Segundo, no hay desglose geográfico. La Ad Library da totales nacionales por anuncio, pero no permite saber qué parte del alcance ocurrió en cada departamento o municipio. Para un país con la heterogeneidad territorial de Guatemala, es una limitación real, y la nombro sin rodeos.
La muestra final fue de 7,828 anuncios de los binomios presidenciales de 16 partidos políticos que inscribieron binomio ante el TSE, publicados entre el 1 de abril y el 25 de junio de 2023.
El modelo, sin fórmulas pesadas
El objetivo era estimar qué factores se asocian con la eficiencia, controlando varios al mismo tiempo. La eficiencia publicitaria tiene una distribución muy sesgada —la mayoría de anuncios rinde modestamente y unos pocos rinden muchísimo—, así que trabajé sobre su logaritmo, que es la transformación estándar para corregir esa asimetría y poder hacer inferencia válida.
Usé tres herramientas, una por cada pregunta:
Para la relación entre gasto y rendimiento, usé regresión con splines cúbicos. En lugar de asumir que la relación es una línea recta (que sería decir “cada quetzal extra rinde igual sin importar cuánto lleves gastado”), los splines dejan que la curva cambie de pendiente en distintos tramos de inversión. Esto resultó clave, como verás.
Para el perfil demográfico de cada partido, medí qué tan distintas son las audiencias entre sí usando distancia estadística entre distribuciones, y agrupé a los partidos con clustering jerárquico.
Para el contenido, clasifiqué los 7,828 anuncios en seis categorías temáticas usando procesamiento de lenguaje natural con diccionarios construidos para el español electoral guatemalteco. Para confiar en esa clasificación, la validé contra un clasificador independiente (un SVM lineal): el acuerdo entre ambos fue de κ = 0.954, lo que en la escala estándar se considera “casi perfecto”.
El modelo principal explica alrededor del 41% de la variación en eficiencia (R² = 0.41). Ese número merece una lectura honesta: significa que el 59% restante queda sin explicar por las variables observables. Y eso no es un defecto del modelo, sino el reflejo de algo más interesante —la parte del rendimiento que depende del algoritmo opaco de Meta, invisible para cualquier investigador externo. Volveré a esto.
Los hallazgos
1. La diferencia entre partidos es enorme: una brecha de 9 a 1
El primer resultado es el más contundente. La eficiencia no se reparte parejo: entre el partido más eficiente y el menos eficiente hay una brecha de aproximadamente 9 a 1. La prueba estadística (Kruskal-Wallis, H = 2,319.66, p < 0.001) confirma que estas diferencias no son ruido.
El contraste más ilustrativo: el binomio del partido FCN-Nación alcanzó la eficiencia más alta del campo —cerca de 765 impresiones por quetzal— con apenas 96 anuncios. En el otro extremo, el partido UNE, la campaña que más anuncios publicó y más invirtió en total, obtuvo una de las eficiencias más bajas. Más plata compró más presencia, sí, pero no más eficiencia. De hecho, compró bastante menos por quetzal.
Lo que no puedo afirmar es por qué. La diferencia podría venir de mejor contenido creativo, de mensajes que resuenan con audiencias más baratas, o de cómo el algoritmo de Meta decide a quién mostrar cada anuncio. Con datos observacionales no puedo separar esas causas, y no lo voy a fingir.
2. Gastar más no rinde proporcionalmente: hay un techo
Acá es donde los splines cúbicos ganaron su lugar. Si la relación gasto-eficiencia fuera una línea recta, cada quetzal extra rendiría igual. No es así. La curva sube rápido al principio y luego se aplana, hasta que invertir más empieza a rendir menos por quetzal.
Identifiqué dos umbrales operativos por anuncio:
- Alrededor de Q223 por anuncio, el rendimiento marginal se vuelve bajo: cada quetzal adicional aporta cada vez menos.
- Alrededor de Q757 por anuncio, la eficiencia predicha alcanza su pico y empieza a caer activamente. Más allá de ese punto, meterle más presupuesto al mismo anuncio se asocia con menos impresiones por quetzal, no más. Es saturación de audiencia.
Esto tiene una lectura práctica directa: en este mercado, concentrar mucho presupuesto en pocos anuncios caros parece rendir peor que distribuirlo. El modelo lineal simple, que mucha gente usaría por defecto, asume una relación constante (su R² fue apenas 0.032) y se pierde por completo esta curva. La no linealidad es el hallazgo.
3. Instagram rinde mucho menos que Facebook
Controlando por partido político, gasto y momento de la campaña, los anuncios en Instagram fueron ~64% menos eficientes que los de Facebook. Es un diferencial grande y consistente.
La explicación más probable no es que Instagram sea “peor”, sino que su audiencia —más joven— es un segmento más disputado y por lo tanto más caro por impresión en la subasta de Meta. Es la misma lógica documentada internacionalmente: las audiencias más competidas cuestan más, sin importar la plataforma.
También encontré que la eficiencia decae con el tiempo: alrededor de 1.7% por cada semana adicional de campaña, compatible con fatiga de audiencia conforme se satura el ecosistema cerca de la elección.
4. El contenido importa, y el ataque casi no se usó
Clasifiqué cada anuncio en seis temas. Dos hallazgos saltan:
Primero, la campaña guatemalteca en Meta fue abrumadoramente positiva. La “movilización al voto” y los mensajes de “identidad y valores” dominaron, mientras que la “crítica y denuncia” —el ataque al rival— fue marginal: menos del 1% de los anuncios y del gasto. El campo digital guatemalteco de 2023 no fue, al menos en pauta pagada de Meta, una guerra sucia.
Segundo, el contenido se asocia con la eficiencia. Los anuncios centrados en el perfil del candidato rindieron más (~259 imp/GTQ), casi el doble que el contenido genérico o de crítica (~130 imp/GTQ). Una diferencia de casi 2 a 1 según el tema del mensaje.
5. Cada partido le habló a una audiencia distinta
Al perfilar las audiencias por edad y género, emergieron tres arquetipos de targeting: joven con paridad de género, joven con sesgo femenino, y adulto/mayor con sesgo masculino. La mayoría de las campañas concentró más del 60% de sus impresiones en personas de 18 a 34 años.
Una advertencia metodológica que me parece importante: estos perfiles no necesariamente reflejan decisiones deliberadas de cada campaña. La audiencia que finalmente ve un anuncio resulta de tres cosas mezcladas que los datos no permiten separar: lo que el anunciante configuró, la composición real de usuarios de Meta en Guatemala, y la optimización del propio algoritmo. Atribuirlo todo a “estrategia de la campaña” o “del partido” sería sobreinterpretar.
Lo que NO pude medir
Un estudio serio se define tanto por lo que afirma como por lo que se niega a afirmar. Mis límites:
No medí votos. Mido eficiencia de alcance, no persuasión ni conversión electoral. Un anuncio eficiente llega barato; si eso cambia una intención de voto es otra pregunta, con otros datos.
No puedo probar sesgo algorítmico. Los patrones que encontré son compatibles con que el algoritmo de Meta condicione el alcance de forma desigual, pero compatibilidad no es prueba. Demostrarlo requiere auditorías experimentales que un estudio observacional no puede hacer. El 41% que el modelo explica deja un 59% en la oscuridad, y buena parte de esa oscuridad es, precisamente, el algoritmo que nadie de afuera puede ver.
No tengo desglose territorial. Sin datos subnacionales, no puedo decir nada sobre cómo se distribuyó la pauta entre regiones de Guatemala.
El gasto y las impresiones son aproximaciones. Rangos convertidos a puntos medios, no cifras exactas.
Nombrar estos límites no debilita el trabajo: lo hace confiable. Cualquier afirmación de este artículo se sostiene dentro de esas fronteras, y ninguna las cruza.
Por qué esto importa (y para quién)
Para el TSE y el Congreso: hoy una parte central de la competencia electoral ocurre dentro de un sistema que la autoridad no puede auditar. No se trata de cuánto se gasta —eso se declara— sino de cómo se distribuye ese alcance y bajo qué reglas opacas. Medir esto es el primer paso para regularlo.
Para periodistas: hay una historia cuantificable detrás de la pauta política, más allá del “quién gastó más”. La brecha de 9 a 1, el techo de rendimiento, el ausente ataque digital, son ángulos reporteables con datos públicos.
Para investigadores y campañas: existe una metodología replicable, con datos abiertos, para estudiar esto en cada nuevo ciclo. Mi recomendación es justamente repetirlo en 2027 y ver si los patrones son estructurales o propios de 2023.
La conversación sobre el poder de las plataformas en nuestras democracias suele quedarse en la indignación o en la anécdota. Mi apuesta es que se puede hacer con números, con método, y con honestidad sobre lo que esos números sí y no permiten decir. Eso fue lo que intenté.
Este artículo es la versión accesible de mi tesis de maestría en Estadística Aplicada (USAC), “Modelo multivariado para medir la eficiencia publicitaria de Meta en el ámbito político”, aceptada para publicación en la Revista Científica de la USAC (en prensa, 2026). La metodología completa, las pruebas de robustez y las referencias están en el documento académico. Cuando se publique, enlazaré la versión oficial en /investigacion.