La campanya no està donant els resultats que esperàvem. Què fem? Augmentem el pressupost, canviem els anuncis, provem un altre públic, modifiquem la segmentació o afegim una campanya nova. Durant uns dies sembla que fem moltes coses i, amb sort, alguna funcionarà. També pot passar que estiguem intentant solucionar un problema que encara no hem identificat.
En Paid és molt fàcil confondre activitat amb optimització. Tenim accés immediat a dades, configuracions, creativitats i pressupostos, de manera que pràcticament sempre hi ha alguna cosa que podem modificar. Però que puguem tocar alguna cosa no vol dir que ho hàgim de fer.
Quan una campanya no aconsegueix els resultats esperats, la primera pregunta no hauria de ser «què canviem?», sinó «on és realment el problema?». Perquè no tots els mals resultats tenen l’origen en la mateixa campanya. I augmentar la inversió sobre un problema que encara no entenem només aconsegueix una cosa: fer-lo més car.
Continguts
Abans d’optimitzar, hem de diagnosticar
Imaginem que volem generar oportunitats comercials. Invertim en publicitat, els anuncis reben clics, els usuaris arriben al web, alguns emplenen el formulari, l’equip comercial hi contacta i una part acaba convertint-se en client.
Vist així, la campanya és només una peça d’un recorregut força més llarg: impressió → clic → visita → conversió → lead → oportunitat → client.
Si el resultat final no arriba, qualsevol d’aquests punts el pot estar frenant. Pot ser que tinguem poca demanda, que els anuncis atreguin el públic equivocat, que el missatge generi curiositat però no intenció, que la pàgina no convenci o que el formulari generi massa fricció. També pot passar que estiguem mesurant com a conversió una cosa que aporta poc valor, que els leads siguin adequats però que el problema aparegui després o, simplement, que les nostres expectatives de cost, volum o temps no siguin realistes.
Per això, a Èmfasi entenem l’optimització com una conseqüència del diagnòstic, no a l’inrevés.
En el nostre article sobre IA aplicada a l’estratègia de campanyes de pagament ja parlàvem del fet que la configuració d’una campanya hauria de ser la conseqüència de decisions anteriors. La mateixa lògica serveix quan les campanyes ja estan actives: abans de decidir què canviar, hem d’entendre què està passant.
El primer problema pot aparèixer abans del clic
Quan una campanya rep poca resposta, és temptador pensar immediatament que necessitem millors anuncis. Pot ser, però abans convé comprovar què estem intentant aconseguir.
Hi ha prou demanda? Estem entrant en un mercat massa petit? La nostra proposta respon a una necessitat reconeixible? Estem intentant captar una decisió que requereix més temps del que estem considerant? El pressupost disponible permet generar prou volum per aprendre?
Una campanya no pot fabricar indefinidament una demanda que no existeix. També pot passar el contrari: hi ha demanda, però hi competim amb un missatge pràcticament intercanviable amb el de qualsevol altra empresa.
«Qualitat», «servei personalitzat», «professionals amb experiència» o «solucions adaptades a les teves necessitats» poden sonar correctes, però també poden dir molt poca cosa. Podem produir vint versions diferents i continuar dient essencialment el mateix.
Aquí el diagnòstic no consisteix a preguntar-nos quin titular aconsegueix algun clic més. Consisteix a preguntar-nos si tenim alguna cosa prou rellevant a dir.
Hi ha clics. Això vol dir que la campanya funciona?
Suposem ara que els anuncis sí que reben resposta. El CTR és raonable, hi ha trànsit i els costos estan dins del que esperàvem, però les conversions no arriben.
En aquest punt és força habitual continuar treballant dins de la plataforma: canviar audiències, licitacions, anuncis o segmentacions. I potser el problema ja no és aquí.
Aconseguir el clic només vol dir que una persona ha decidit continuar. Ara hem de complir l’expectativa que hem creat. Si un anunci parla d’una solució molt específica i porta a una pàgina genèrica, hi ha una ruptura. Si promet rapidesa però la pàgina obliga a buscar durant dos minuts què ha de fer l’usuari, n’hi ha una altra. Si la proposta sembla interessant però falten arguments, proves o elements de confiança, podem perdre l’usuari encara que l’anunci hagi fet correctament la seva feina.
Per això el disseny de la pàgina web i de les pàgines de destinació també forma part del rendiment d’una campanya. I no parlem únicament de disseny visual: parlem de claredat, velocitat, contingut, proposta, jerarquia, confiança i facilitat per avançar.
Un cas publicat per web.dev el 2026 mostra fins a quin punt el rendiment tècnic pot formar part del problema: Nuvemshop va millorar significativament les seves mètriques de velocitat i va observar, en la cohort analitzada, un augment del 8,9 % en la conversió mòbil procedent de cerca orgànica.[3] Això no vol dir que millorar la velocitat produeixi automàticament aquest resultat en qualsevol projecte. Sí que ens recorda una cosa important: l’experiència posterior al clic també afecta el resultat.
Quan paguem per portar algú a una pàgina, aquesta pàgina també forma part de la inversió.
També podem estar mesurant correctament una cosa que no ens importa gaire
Un altre escenari: la campanya genera conversions, el dashboard està en verd i el cost per conversió sembla bo. Problema resolt? No necessàriament.
Abans ens hem de preguntar què estem anomenant conversió. Una trucada, un formulari, una descàrrega, un registre, una sol·licitud, una compra o una oportunitat comercial no representen el mateix per al negoci.
La documentació de Google sobre mesurament defineix les conversions com a accions valuoses per a l’empresa, com ara una compra o un registre.[1] La paraula important aquí no és «acció». És «valuosa».
Podem tenir una campanya perfectament optimitzada per generar una acció que aporta poc. De fet, Google Analytics diferencia fins i tot entre esdeveniments com generar un lead i convertir un lead qualificat en client, cosa que reflecteix que el formulari inicial i el resultat comercial pertanyen a moments diferents del procés.[2]
Aquest punt connecta directament amb una cosa que ja hem treballat a Èmfasi: no n’hi ha prou d’aconseguir contactes, hem de saber si són els que el negoci necessita. Per això una bona analítica web no s’hauria de limitar a indicar-nos quant trànsit hem generat. Ens hauria d’ajudar a entendre què passa després.
Una campanya pot generar conversions i continuar tenint un problema
Aquest és un dels casos més enganyosos. Els anuncis funcionen, arriben formularis i el cost per lead fins i tot baixa, però l’equip de vendes diu: «Aquests contactes no ens interessen».
Aleshores el problema canvia completament. Ja no estem intentant esbrinar per què la gent no converteix, sinó per què converteix la gent equivocada.
Potser el missatge és massa ampli. Potser estem fent massa fàcil que qualsevol persona contacti. Potser no expliquem per a qui està pensat el servei. O potser la campanya està prioritzant una acció que nosaltres mateixos hem definit com a valuosa, encara que comercialment no ho sigui tant.
En l’article anterior sobre la qualitat dels leads arribàvem precisament a aquesta conclusió: aconseguir més contactes no sempre vol dir aconseguir millors oportunitats.
I aquí apareix una regla força útil per diagnosticar Paid: mai no hauríem d’avaluar una campanya únicament fins al punt en què deixa de ser responsabilitat directa de la plataforma. Si el seu objectiu és generar negoci, hem de connectar campanya i negoci.
El problema pot aparèixer fins i tot després del lead
Suposem ara que el contacte encaixa, té una necessitat real, l’empresa és adequada i hi ha pressupost. Sembla una bona oportunitat, però les vendes continuen sense arribar.
Continuem tenint un problema de Paid? Potser no.
El temps de resposta comercial pot ser massa llarg. Hi pot haver dificultats per contactar. Potser la proposta comercial no continua correctament l’argument que va iniciar la campanya. Hi pot haver una diferència entre el que s’ha promès durant la captació i el que s’ofereix posteriorment. O simplement pot ser que estiguem analitzant un període massa curt per a un procés de decisió llarg.
Aquí és on separar màrqueting i vendes comença a ser poc útil. La campanya no s’hauria d’optimitzar únicament amb el que passa abans del formulari si disposem d’informació sobre el que passa després.
Això no vol dir que Paid sigui responsable de tot el procés. Vol dir que necessita conèixer-lo per interpretar correctament els seus resultats.
De vegades la campanya funciona i el problema són les nostres expectatives
També hi ha una possibilitat menys còmoda: que la campanya no estigui malament.
Imaginem que un client nou genera 5.000 euros de marge per a l’empresa, el procés comercial converteix una de cada cinc oportunitats i només una part dels contactes inicials acaba sent una oportunitat. Aleshores hi ha un límit lògic al que podem esperar pagar per cada lead.
No podem analitzar el cost publicitari de manera aïllada. Hem de relacionar-lo amb les taxes de conversió, el tiquet, el marge, la recurrència, la capacitat comercial i el valor del client.
Una campanya ens pot semblar cara perquè estem comparant el seu cost amb una xifra arbitrària. O ens pot semblar barata mentre genera clients que amb prou feines deixen marge.
Per això augmentar el pressupost mai no hauria de ser una decisió basada únicament en el fet que «les campanyes estan funcionant». Primer hem de definir què vol dir funcionar per a aquell negoci.
Un dashboard ens diu què ha passat. No necessàriament per què
Els dashboards són útils, però també ens poden donar una falsa sensació de coneixement.
Podem veure que el cost per adquisició ha pujat un 20 %. Això és una dada. El diagnòstic comença després.
Ha augmentat el cost del trànsit? Ha baixat la taxa de conversió? Ha canviat la combinació de campanyes? Estem comparant setmanes amb comportaments diferents? Hi ha menys demanda? S’ha modificat el web? Ha canviat el producte? Estem rebent els mateixos leads però l’equip comercial els està classificant d’una altra manera?
El mateix indicador es pot deteriorar per causes completament diferents, i cadascuna necessita una resposta diferent. Si el problema és a la landing, canviar els anuncis pot no resoldre’l. Si el problema és la qualitat del lead, augmentar el trànsit pot empitjorar-lo. Si el problema és el mesurament, optimitzar segons aquestes dades ens pot portar directament en la direcció equivocada.
Una dada ens assenyala on mirar. No sempre ens diu què hem de fer.
On entra, doncs, la intel·ligència artificial?
No començaria el diagnòstic preguntant a una IA: «Per què no funciona aquesta campanya?». Amb poca informació, només pot respondre amb causes habituals: segmentació, creativitats, pressupost, landing, competència o oferta. I probablement encertarà que alguna d’aquestes causes podria ser rellevant, però «podria ser» no és un diagnòstic.
La IA comença a resultar molt més útil quan li donem informació real i preguntes més petites. La podem utilitzar per comparar períodes i localitzar canvis, resumir grans volums de comentaris comercials, agrupar cerques o motius de descart, detectar campanyes que es comporten de manera diferent de la resta, relacionar missatges publicitaris amb pàgines de destinació o revisar si hi ha contradiccions entre el que promet un anunci i el que explica la pàgina.
També ens pot ajudar a construir hipòtesis que després haurem de contrastar.
La diferència és important: no li demanem que trobi el problema per nosaltres. La utilitzem per ampliar la nostra capacitat d’investigar-lo. Això encaixa molt millor amb la manera com entenem la IA a Èmfasi: un accelerador de l’anàlisi i del criteri professional, no un substitut.
La IA també ens pot ajudar a evitar un mal costum: començar per la nostra explicació preferida
Tots tenim biaixos. Si treballem habitualment amb campanyes, podem pensar primer en segmentació o anuncis. Si venim de l’analítica, mirarem el mesurament. Si treballem en UX, potser sospitarem de la landing. Si el client acaba de dir que la competència ha abaixat els preus, podem atribuir-li tots els problemes.
La IA pot ser útil per obligar-nos a considerar explicacions alternatives. Li podem donar una hipòtesi i demanar-li que busqui dades que la podrien contradir, fer que compari diverses explicacions possibles o fins i tot utilitzar un segon model per qüestionar les conclusions del primer.
Però després continuem necessitant proves.
La IA permet ampliar les preguntes. El diagnòstic exigeix reduir-les.
Canviar cinc coses alhora tampoc no ens ajuda a aprendre
Un cop identifiquem diverses hipòtesis apareix un altre impuls: corregir-les totes. Anunci nou, pàgina nova, audiència nova, formulari nou i pressupost nou. Tot el dilluns.
Dijous els resultats milloren. Perfecte. Però què hem après? No gaire.
Quan modifiquem massa variables simultàniament, és molt més difícil atribuir el canvi a una causa concreta. Això no vol dir que tot s’hagi de convertir en una prova científica. En moltes campanyes no hi ha prou volum per fer experiments perfectes, però sí que necessitem una certa disciplina.
Què creiem que està passant? Quin canvi ens podria ajudar a comprovar-ho? Quin indicador esperem que es mogui? Quant de temps o volum necessitem per observar-ho? Quina decisió prendrem segons el resultat?
Experimentar per experimentar tampoc no és necessàriament una virtut. El 2025, Tomomichi Amano i Joonhwi Joo advertien a Harvard Business Review que un excés de proves A/B pot alentir la presa de decisions quan l’organització acaba esperant contínuament més evidència estadística sense valorar adequadament el cost d’esperar.[4]
La qüestió no és fer més proves. És aprendre prou per decidir millor.
Un diagnòstic de Paid hauria d’avançar per capes
Quan revisem una campanya que no està aconseguint el resultat esperat, preferim no començar per una llista interminable d’optimitzacions. Primer intentem localitzar en quina part del recorregut apareix la desviació.
Hi ha prou demanda i estem arribant al públic adequat? Si la resposta és sí, mirem la resposta al missatge. Els anuncis generen interès? Si generen trànsit, avancem: la pàgina continua correctament la proposta? L’usuari entén què oferim i per què li hauria d’interessar?
Si converteix, la pregunta següent és si la conversió que estem mesurant representa realment valor. Si genera leads, revisem si són bons. Si són bons, mirem si avancen comercialment. I si tot això funciona, aleshores analitzem si la relació entre inversió i resultat és rendible i escalable.
No sempre podrem respondre cada pregunta amb certesa absoluta, però aquest recorregut evita una cosa força habitual: intentar arreglar l’última part que hem mirat simplement perquè és la que tenim al davant.
Quan té sentit augmentar el pressupost?
Augmentar el pressupost pot ser exactament el que necessita una campanya, però hauria d’arribar després d’altres preguntes.
Hem de saber que hi ha prou demanda o capacitat de generar-ne, que el trànsit respon, que la pàgina converteix raonablement, que les conversions tenen valor, que el negoci pot absorbir més oportunitats, que el marge permet assumir el cost i que no hi ha senyals clars que estiguem comprant volum a costa de deteriorar la qualitat.
En campanyes de publicitat en cercadors, per exemple, augmentar la inversió pot permetre captar una part més gran d’una demanda que ja existeix. En publicitat de pagament a les xarxes socials ens pot ajudar a ampliar l’abast, treballar amb nous públics o generar demanda.
Però en tots dos casos la pregunta continua sent la mateixa: què esperem que passi amb aquest pressupost addicional i per què creiem que passarà?
Si no podem respondre-la, encara no tenim una decisió. Tenim una aposta.
Optimitzar no vol dir tocar més coses
Hi ha setmanes en què la millor decisió pot ser no canviar res. Esperar més informació, corregir un mesurament, parlar amb vendes, revisar una pàgina, analitzar cinc leads que semblaven bons, comprovar si ha canviat la demanda o reconèixer que la campanya està funcionant d’acord amb les condicions disponibles i que el problema següent que hem de resoldre és en un altre lloc.
Això pot semblar menys emocionant que llançar una estructura nova, però forma part del treball estratègic. En Paid no ens paguen per fer clic a més botons. Ens paguen per utilitzar correctament una inversió.
Primer entendre. Després decidir. I només aleshores optimitzar
Quan una campanya no funciona, hem d’actuar. Però actuar ràpid no vol dir actuar sense diagnòstic.
Podem augmentar el pressupost i aconseguir més trànsit. Podem generar deu anuncis nous amb IA en pocs minuts. Podem obrir una altra campanya o provar una audiència nova. Totes són accions possibles. La pregunta és si responen al problema que realment tenim.
Per això preferim començar per una cosa menys espectacular: entendre què està passant. Mirar el recorregut complet, connectar publicitat, web, analítica i resultat comercial, separar símptomes de causes, construir hipòtesis, contrastar dades i prioritzar.
I aleshores sí, decidir què val la pena canviar.
La intel·ligència artificial pot fer aquest procés més ràpid. Ens pot ajudar a ordenar més informació, trobar patrons i qüestionar les nostres primeres conclusions. Però el valor no és que ens proporcioni cent optimitzacions possibles, sinó que ens ajudi a arribar abans a les poques que realment tenen sentit.
Perquè abans d’invertir més en una campanya, hem de saber on és el problema.
Fonts consultades
[1] Google for Developers — Measure conversions and key events. Documentació sobre el mesurament d’accions rellevants per al negoci i la seva relació amb les interaccions publicitàries.
[2] Google Analytics — Recommended events: lead generation. Documentació que diferencia la generació inicial d’un lead de la seva conversió posterior en client.
[3] web.dev — How Nuvemshop’s image prioritization strategy led to a 68% improvement in LCP and 8.9% more conversions. Cas publicat el juny de 2026 sobre la relació observada entre millores de rendiment web i mètriques de conversió en una cohort de botigues.
[4] Amano, T. i Joo, J. — “You’re Probably A/B Testing Too Much. Here’s What to Do Instead”. Harvard Business Review, desembre de 2025. Reflexió sobre com un ús excessiu o poc orientat a decisions de les proves A/B pot alentir l’aprenentatge i la presa de decisions.
Preguntes freqüents
Primer cal determinar en quina part del recorregut apareix el problema. Pot estar en la demanda, el públic, el missatge, la pàgina de destinació, el mesurament, la qualitat dels contactes, el procés comercial o fins i tot en les expectatives de rendibilitat.
Sí, sempre que el problema sigui realment una limitació d'inversió i la resta del recorregut funcioni correctament. Si hi ha problemes de conversió, qualitat, mesurament o oferta, augmentar el pressupost pot simplement multiplicar el cost del problema.
Si aconseguim trànsit adequat però els usuaris no avancen, convé revisar l'experiència posterior al clic. La coherència entre l'anunci i la pàgina, la proposta de valor, la velocitat, la claredat, la confiança i la fricció poden afectar el resultat.
Ens pot ajudar a analitzar informació, comparar períodes, agrupar dades i formular hipòtesis. Però necessita dades i context reals. Una resposta genèrica d'una IA no substitueix un diagnòstic basat en el negoci i en el recorregut complet de l'usuari.
No hi ha una xifra universal. L'important és que els canvis permetin aprendre. Si modifiquem massa variables alhora, pot ser difícil saber què ha provocat la millora o l'empitjorament.
Depèn de l'objectiu i del punt del recorregut que estiguem analitzant. Les mètriques publicitàries són útils, però s'han de relacionar amb les conversions, la qualitat dels leads, les oportunitats, les vendes i la rendibilitat quan aquesta informació estigui disponible.
