Aplicando metodologías avanzadas de Marketing Mix Modeling (MMM), se estimó que el 6.2% del total de visitantes provenientes de Estados Unidos a República Dominicana durante 2024 fueron causados de manera directa por las acciones de marketing digital desarrolladas por el Ministerio de Turismo. Esto implica un total de 278.913 turistas incrementalesa 47x ROI. El modelo utilizado sugiere que el efecto máximo de las campañas publicitarias ocurre aproximadamente a los 50 días posteriores a la exposición al anuncio, particularmente en los canales con mayor inversión —Google Search y Meta—, y que se extiende hasta 100 días después como efecto residual.

Contexto: el marketing como catalizador del desarrollo turístico

Desarrollar la industria del turismo constituye un eje estratégico para promover el crecimiento económico sostenible, especialmente en economías en desarrollo y destinos emergentes. La literatura académica ha documentado ampliamente el rol positivo que desempeña la inversión en promoción turística en la generación de demanda internacional.

Por ejemplo, Brida y Schubert (2008) concluyeron que un aumento en el gasto en promoción tiene un efecto directo y significativo sobre el incremento de turistas, lo cual a su vez estimula la producción, el empleo y la inversión en infraestructura.

De manera similar, Divisekera y Kulendran (2006) demostraron, a partir de un análisis en el caso australiano, que la publicidad sostenida es un determinante clave de las llegadas internacionales desde mercados como Japón y Nueva Zelanda.

Por último, Longwoods International (2021) introdujo el concepto de “efecto halo”, señalando que las campañas de marketing turístico no solo mejoran la imagen del país como destino de viaje, sino que también influyen positivamente en su percepción como lugar para invertir, estudiar o residir.

En América Latina, la tendencia al alza del turismo internacional ha sido clara: 117 millones de turistas visitaron la región en 2023, según datos de la Organización Mundial del Turismo (OMT). Sin embargo, esta dinámica se da en un entorno de competencia creciente entre destinos. Países como México (45 millones), Brasil (6.7 millones) y Argentina (5.3 millones) encabezaron el ranking regional en 2023. México, además, experimentó un crecimiento interanual del 7.4%, mientras que Brasil lo hizo en un 12.6%. Argentina, con 5.3 millones de turistas en los primeros nueve meses del año, alcanzó su segundo mejor registro histórico en más de una década.

En paralelo, destinos en Centroamérica y el Caribe —como República Dominicana— están implementando estrategias de marketing más sofisticadas y mejorando su infraestructura para capturar una mayor cuota de mercado. República Dominicana se consolidó como el destino más popular del Caribe al superar los 10 millones de visitantes en 2023, mientras que Colombia alcanzó 6.7 millones de visitantes en 2024, lo que representa un incremento del 8.5% respecto al año anterior. Esta competencia regional está empujando a los países a diversificar su oferta con propuestas de ecoturismo, turismo cultural y gastronómico, y turismo de aventura, respondiendo a una demanda cada vez más exigente, informada y orientada hacia experiencias auténticas.

Desafío: brecha en la medición del impacto

A pesar de la importancia estratégica del marketing turístico, existen pocos esfuerzos públicos sistemáticos para medir su impacto real utilizando herramientas econométricas y datos agregados de comportamiento. Algunos antecedentes relevantes permiten dimensionar el desafío:

• Oxford Economics, en su evaluación del programa Brand USA, estimó que las campañas publicitarias contribuyeron con un incremento del 1.4% en 2016 y 0.6% en los visitantes internacionales en 2022 (post-pandemia), y reportaron un retorno sobre la inversión (ROI) de 34x y 11x el valor invertido.
• Google, mediante un experimento controlado aleatorio de tres meses en Nueva Zelanda, estimó un lift del 11% en visitantes entre el grupo expuesto a anuncios versus el grupo de control, y un ROAS (Return on Ad Spend) de 12x.

Estos casos ilustran tanto el potencial del marketing como la complejidad de medir su efecto real. Por eso, contar con métricas rigurosas que permitan identificar visitantes verdaderamente incrementales resulta fundamental para los gobiernos al momento de decidir la asignación eficiente de sus presupuestos de promoción internacional.

Estrategia de medición: diseño, metodología y datos

Ante esta necesidad, el Ministerio de Turismo de República Dominicana, en colaboración con Bunker, diseñó e implementó un plan integral de medición, basado en las mejores prácticas de la industria y la investigación académica. Este enfoque combinó:

• Modelos de Marketing Mix (MMM), específicamente el framework open-source Robyn, desarrollado por Meta y Meridian de Google.
• Diseño de experimentos geográficos y análisis de series temporales, con el objetivo de validar la estabilidad de los resultados bajo distintas configuraciones.
• Análisis de atribución digital post-click y post-view, para complementar la estimación con información individualizada sobre exposición a campañas.

Este sistema de medición fue diseñado para triangular resultados y así fortalecer la validez causal de las conclusiones obtenidas. El foco estuvo en la inversión realizada en medios digitales orientados al mercado estadounidense, durante el período comprendido entre enero y diciembre de 2024.

Diseño del modelo: estimación econométrica del impacto publicitario

La estimación del impacto de la inversión en medios digitales sobre el número de visitantes desde Estados Unidos hacia República Dominicana en 2024 se llevó a cabo mediante un enfoque econométrico robusto basado en la metodología de Marketing Mix Modeling (MMM).

Para ello, se utilizó el modelo Robyn, una solución open-source desarrollada por Meta que integra técnicas de machine learning y estadística clásica para cuantificar el efecto incremental del marketing en variables de negocio. Robyn aplica un enfoque frecuentista multicanal, apoyado en modelos de regresión regularizada —específicamente Ridge y Lasso—, lo que permite manejar situaciones típicas de alta multicolinealidad y sobreajuste, frecuentes en entornos con múltiples canales publicitarios y gran volumen de datos. Este enfoque permite obtener estimaciones parsimoniosas, interpretables y estables, incluso en contextos de complejidad estructural alta.

Para garantizar la robustez del modelo, se implementó una división sistemática del dataset en tres conjuntos: entrenamiento, validación y prueba. Los resultados fueron consistentes en todos los cortes temporales, alcanzando un R² ajustado de 0.83 en entrenamiento, 0.89 en validación, y 0.832 en testeo. Estos valores reflejan una alta capacidad predictiva y una buena generalización del modelo, lo que otorga confianza en la solidez estadística de las estimaciones.

Variables incluidas en el modelo

Además de las variables de inversión publicitaria en medios digitales (Meta y Google), se testearon e incorporaron una batería de variables de control clave que permiten aislar el efecto causal del marketing sobre el volumen de turistas. Estas variables fueron seleccionadas en base a evidencia empírica y estudios cualitativos previos sobre el comportamiento de los viajeros, e incluyen:

• Precios relativos promedio de hotelería en República Dominicana versus destinos turísticos competidores.
• Precios relativos de vuelos hacia República Dominicana en comparación con alternativas similares en la región.
• Evolución de las búsquedas digitales relacionadas con términos de interés para potenciales turistas hacia el destino.
• Calendario de feriados y eventos especiales en Estados Unidos, incluyendo fechas clave que condicionan el flujo de viajes.
• Estacionalidad climática y shocks exógenos, como fenómenos meteorológicos o condiciones sanitarias, que pueden afectar la intención de viaje.

La inclusión explícita de estas variables tiene como objetivo controlar las fuentes de variabilidad no atribuibles al marketing, asegurando que el impacto estimado de las campañas publicitarias digitales represente exclusivamente su efecto incremental sobre las decisiones de viaje, y no la influencia de factores estructurales o coyunturales. Las variables fueron construidas utilizando diferentes fuentes de información del ministerio de turismo, Google Trends, google flight prices y diferentes fuentes de información climatológicas como OpenWeatherMap.

Resultados principales

Impacto incremental estimado

El modelo Robyn permitió estimar que las campañas digitales dirigidas al mercado de Estados Unidos tuvieron 47x ROI, generando el 6.2% de las visitas totales desde ese país en 2024. Esto equivale a 278.913 turistas adicionales, atribuibles de manera directa y estadísticamente significativa a la inversión en publicidad digital.

Este porcentaje es especialmente relevante si se lo compara con otros casos documentados a nivel internacional. Por ejemplo, el programa de Brand USA generó un impacto del 1.4% sobre las visitas internacionales a Estados Unidos en 2019, según cifras oficiales (thebrandusa.com). Otro estudio, aplicado sobre cadenas hoteleras españolas, identificó que la publicidad en plataformas de Meta representó el 16.8% de las reservas web durante 2021 (Marketing Insider Review). El resultado estimado del 6.2% representa una estimación conservadora, ya que se enfoca exclusivamente en efectos de corto plazo y no contempla beneficios prolongados como la construcción de marca o el retorno de visitantes recurrentes.

Eficiencia y retorno económico

El análisis arrojó un retorno de la inversión publicitaria promedio (ROAS) para el periodo analizado de:

• 56x ROAS en Google Search
• 53.7x ROAS en Meta (Facebook e Instagram)
• 48x ROAS en Google Demand Gen
• 24x ROAS en campañas de YouTube Video

Teniendo en cuenta que el gasto promedio por turista (extranjero no residente) en República Dominicana fue de US$168 por noche por un promedio de 8 noches, totalizando 1343 USD por persona, el marketing digital mostró un retorno directo promedio de 47 veces por cada dólar invertido durante el periodo.

Este indicador excede las métricas de otros programas internacionales y confirma la alta rentabilidad de las acciones promocionales llevadas a cabo durante el período. Cabe aclarar que estas estimaciones no incluyen efectos indirectos ni el impacto multiplicador sobre otros sectores de la economía (alojamiento, gastronomía, transporte, comercio).

Temporalidad del efecto

El análisis temporal del modelo identificó que el pico del impacto publicitario se produce a los 50 días de la exposición al anuncio, con un efecto significativo que se extiende hasta 100 días posteriores. Este dato es clave para la planificación de campañas: permite alinear los momentos de mayor inversión publicitaria con las ventanas efectivas de decisión de los viajeros.

Robustez del modelo: validaciones cruzadas y modelos alternativos

En línea con las mejores prácticas recomendadas por equipos de marketing science, como los de Google y Meta, se aplicaron diversas pruebas de robustez para minimizar sesgos y validar la estabilidad del resultado:

1. Consistencia entre diferentes configuraciones del modelo: se entrenaron múltiples modelos (8 familia de modelos) con variaciones en los períodos de entrenamiento, validación y test, todos manteniendo R² ajustados superiores a 0.8 en los conjuntos de datos de prueba.
2. Modelos bayesianos alternativos (Meridian): se implementaron 12 configuraciones utilizando modelos jerárquicos bayesianos con componentes espaciales y temporales, desagregando la inversión y visitas por región de origen. Aunque estos modelos presentaron mejores ajustes en training (0.85–0.94), la performance en testing fue más modesta (0.5–0.65), lo que reafirma la robustez del enfoque base.
3. Atribución digital post-click y post-view: se evaluó el comportamiento en una ventana de 28 días previos al arribo de los turistas en octubre de 2024. A través de datos anonimizados, se estimó el porcentaje de visitantes expuestos a campañas digitales, como una validación indirecta del alcance real de las mismas. Si bien esta información no permite establecer causalidad, apoya la hipótesis del modelo respecto al orden de magnitud del efecto.

Próximos pasos: escalar la medición

Este estudio representa un paso significativo hacia una medición más precisa y basada en evidencia del impacto del marketing digital en el turismo internacional. El resultado —278.913 turistas adicionales provenientes de Estados Unidos en 2024— valida la efectividad de las campañas implementadas por República Dominicana y demuestra que es posible construir modelos replicables, escalables y útiles para la toma de decisiones públicas.

Medir el impacto del marketing turístico no solo permite optimizar presupuestos, sino también garantizar que cada inversión contribuya de forma efectiva al desarrollo económico, la generación de empleo y la competitividad del país como destino internacional.

Por ello, en base a los resultados obtenidos y la solidez metodológica del enfoque adoptado, se proponen las siguientes líneas de trabajo para profundizar y escalar el modelo:

• Diseño e implementación de un experimento geográfico controlado, que aproveche la variabilidad en niveles de inversión en diferentes regiones de EE.UU., con el objetivo de generar evidencia causal complementaria mediante la creación de grupos de control sintético.
• Actualización periódica del modelo con datos del primer trimestre de 2025, para monitorear la evolución del impacto, incluyendo la eventual incorporación de nuevos canales como TikTok, orientados a audiencias más jóvenes.
• Aplicación del modelo en nuevos mercados emisores, especialmente aquellos con menor inversión publicitaria y volumen de visitas, lo cual requerirá adaptar la estructura del modelo y explorar nuevas variables predictoras relevantes para esos contextos.

Referencias

• Banco Central de la República Dominicana. (s. f.). Sector turismo. Recuperado el 4 de julio de 2025, de https://www.bancentral.gov.do/a/d/2537-sector-turismo
• Brand USA. (2023, 1 de mayo). The return on investment of Brand USA marketing (FY2022): Oxford Economics report. Recuperado el 4 de julio de 2025, de https://www.thebrandusa.com/system/files/FY2022_ROI%20Report_TE-Oxford%205-1-2023.pdf
• Brida, J. G., & Schubert, S. F. (2008). The economic effects of advertising on tourism demand. Disponible en https://ideas.repec.org
• Divisekera, S., & Kulendran, N. (2006). Effects of advertising on tourism demand: An econometric study. Sustain PATA, SAGE Journals. Disponible en https://journals.sagepub.com
• Duan, Q. (2017). Measuring long-term advertising effects in the tourism and hospitality industry (Tesis doctoral). University of South Carolina. Disponible en https://scholarcommons.sc.edu
• International Trade Administration. (s. f.). National Travel and Tourism Office. Recuperado el 4 de julio de 2025, de https://www.trade.gov/national-travel-and-tourism-office
• Jones, N. B., Miles, P., & Beaulieu, T. (2021). The value of social media advertising strategies on tourist behavior: A game-changer for small rural businesses. Journal of Small Business Strategy. https://www.jsbs.org
• Kim, H., Jang, S., & Fu, S. (2020). A model of tourism advertising effects. Tourism Management, ScienceDirect. https://www.sciencedirect.com
• Kulendran, N., & Divisekera, S. (2006). Economic effects of advertising on tourism demand: A case study. Sustain PATA, SAGE Journals. https://journals.sagepub.com
• Longwoods International. (2021). Advertising impact on economic development beyond tourism: “Halo Effect”. Disponible en https://longwoods-intl.com
• Ministerio de Turismo (República Dominicana). (s. f.). Tableros. Recuperado el 4 de julio de 2025, de https://situr.mitur.gob.do/tableros/
• Think with Google. (2019, septiembre). Experiment: How Tourism New Zealand measured the incremental impact of display ads on tourist visits. Recuperado el 4 de julio de 2025, de https://www.thinkwithgoogle.com/intl/en-apac/marketing-strategies/search/experiment-how-tourism-new-zealand-measured-incremental-impact-display-ads-tourist-visits/
• Steinmetz, J. L., Park, S., & Fesenmaier, D. R. (2010). Measuring tourism advertising: The Destination Advertising Response (DAR) model. University of Massachusetts Amherst, ScholarWorks. https://scholarworks.umass.edu