Entradas y variables
Inversión, estacionalidad y base
Entradas y variables es una lección gratuita de Digital Marketing Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Digital Marketing Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Digital Marketing Academy incluye 4 lecciones en total.
Anatomía de las entradas del MMM
Un MMM solo puede ser tan bueno como sus entradas. Estas se dividen en tres grupos: variables de medios (las palancas que controla), variables de control (los factores que no controla) y la variable dependiente (lo que predice).
Definirlas correctamente, con la granularidad y la frecuencia adecuadas, constituye la mayor parte del trabajo necesario para crear un modelo fiable.
dependent : sales or revenue (weekly)
media : spend or impressions per channel
controls : price, promo, seasonality, macro
transforms: adstock, saturationLa variable dependiente
Elija un resultado claro: unidades vendidas, ingresos o nuevos clientes. Sea coherente respecto a si se trata de valores brutos o netos y a si se excluyen las devoluciones.
Modele con la granularidad sobre la que pueda actuar, normalmente semanal y a escala nacional o regional. Los datos diarios añaden ruido; los mensuales ocultan la dinámica.
Variables de medios: inversión frente a impresiones
Puede introducir los medios como inversión o como exposición (impresiones, GRP o clics). Las impresiones desacoplan la entrega del coste, algo importante cuando fluctúan los CPM.
Un patrón habitual consiste en modelar las impresiones para obtener la curva de respuesta y convertir después el resultado de nuevo a inversión para calcular el ROI. Mantenga siempre las unidades coherentes dentro de cada canal.
TV -> GRPs
Search -> clicks or spend
Social -> impressions
OOH -> spend (no impression feed)Adstock (arrastre)
Los efectos de la publicidad persisten después de que termina el periodo de emisión. El adstock modela este decaimiento, de modo que las ventas de esta semana reflejen los medios de las semanas anteriores.
La tasa de decaimiento lambda controla la memoria: 0.0 significa que no hay arrastre; 0.8 significa que existe una cola larga. La televisión suele tener un adstock mayor que Search.
adstock_t = media_t + lambda * adstock_(t-1)
lambda=0.3 (search): fast decay
lambda=0.7 (TV): slow decay, long memorySaturación (rendimientos decrecientes)
Duplicar la inversión rara vez duplica las ventas. Las transformaciones de saturación capturan los rendimientos decrecientes para que el modelo no extrapole linealmente para siempre.
Las transformaciones de Hill o logarítmicas curvan la respuesta y proporcionan a cada canal un techo realista y un intervalo operativo eficiente.
Hill: response = x^a / (x^a + k^a)
low spend -> steep gains
high spend -> flattening curve (saturated)Variables de control
Las variables de control absorben los factores ajenos a los medios para que no se atribuyan erróneamente a los anuncios. Algunos factores clave son el precio, las promociones, la distribución o disponibilidad, la actividad de la competencia y los índices macroeconómicos.
Omitir un control importante sesga los coeficientes de los medios y suele inflar el canal que casualmente estuvo activo durante una promoción.
price : average selling price
promo : 0/1 flag or % discount depth
distribution : stores or % ACV
competitor : share of voice / spend
macro : consumer confidence, CPIEstacionalidad y tendencia
Muchos productos presentan patrones estacionales marcados. Captúrelos con variables indicadoras de mes o semana, términos de Fourier o un índice estacional, además de un término de tendencia para el crecimiento o descenso subyacente.
Sin estos elementos, los aumentos de ventas estacionales se filtran hacia las variables de medios que casualmente estuvieron activas en la temporada alta.
fourier: sin(2*pi*t/52), cos(2*pi*t/52)
trend: t (linear) or spline
holiday: black_friday_flag, holiday_flagLa división entre base e incremental
El MMM separa una base (lo que vendería sin nueva inversión en medios: valor de marca, distribución y precio) de las contribuciones incrementales impulsadas por los medios.
Un modelo saludable suele mostrar una base grande y estable. Si los medios «explican» casi todo, probablemente los controles sean demasiado débiles.
total_sales = base + sum(media_contributions)
base : 70%
incremental : 30% (split across channels)Problemas de multicolinealidad
Cuando los canales se activan al mismo tiempo, el modelo no puede distinguir sus efectos y los coeficientes se vuelven inestables; en ocasiones, incluso cambian de signo.
Diagnostique el problema con matrices de correlación y VIF. Mitíguelo variando la inversión a lo largo del tiempo, añadiendo variación geográfica o utilizando distribuciones previas bayesianas para estabilizar las estimaciones.
corr(TV, Social) = 0.91 -> high collinearity
VIF > 10 -> unstable estimate
fix: stagger flights, add geo splits, priorsLista de comprobación de las variables
Alinee todas las series con el mismo calendario y la misma zona horaria. Rellene las lagunas deliberadamente, no con ceros silenciosos que no permitan distinguir entre «sin inversión» y «sin datos».
Deflacte las series monetarias para tener en cuenta la inflación si el periodo es largo y documente cada transformación para que los resultados sean reproducibles.
Cómo combinar las entradas
La matriz de diseño final combina los controles sin transformar con los medios transformados. A cada columna de medios se le ha aplicado adstock y después saturación antes de incorporarla a la regresión.
El orden de esta canalización es importante: primero el arrastre (cuándo se produce el efecto) y después la saturación (cuánto efecto se produce).
raw_TV -> adstock(lambda=0.7) -> saturation(Hill)
-> column TV_eff in model
sales = base + b1*TV_eff + b2*Search_eff
+ b3*price + b4*promo + seasonComprobación rápida
Identifique la transformación adecuada para cada fenómeno.
Resumen
Las entradas del MMM son la variable dependiente, las variables de medios (transformadas primero mediante adstock y después mediante saturación) y las variables de control (precio, promoción, distribución, estacionalidad y factores macroeconómicos).
Los controles sólidos evitan atribuir un mérito excesivo a los medios, mientras que las series limpias, escaladas de forma coherente y bien documentadas son la base de un modelo fiable.
Preguntas frecuentes
¿La lección «Entradas y variables» es gratis?
Sí — el texto completo de «Entradas y variables» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Digital Marketing Academy, actualiza a CoddyKit PRO. El curso de Digital Marketing Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Entradas y variables»?
Inversión, estacionalidad y base Practicas Digital Marketing Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Digital Marketing Academy?
No se requiere experiencia previa. Digital Marketing Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Entradas y variables»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Digital Marketing Academy?
Sí. Cada lección de Digital Marketing Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- MMM frente a atribución
- Entradas y variables
- Lectura de un MMM
- Redistribución del presupuesto