Modelización del marketing mix

El modelado de la combinación de marketing (MMM) es una técnica de análisis estadístico que cuantifica la contribución de cada canal de marketing (y de los factores ajenos al marketing) a resultados empresariales como los ingresos, utilizando datos históricos agregados en lugar de seguimiento a nivel de usuario.

El MMM se desarrolló en la década de 1960 para la publicidad en televisión y prensa, y ha experimentado un renacimiento a medida que el seguimiento digital se vuelve menos fiable. Es el único enfoque de medición que funciona completamente sin identificadores a nivel de usuario ni cookies.

La atribución funciona a nivel de usuario individual y rastrea a clientes concretos a lo largo de su recorrido por los puntos de contacto registrados. El MMM funciona a nivel poblacional y analiza patrones agregados de inversión e ingresos a lo largo del tiempo para inferir la contribución de cada canal.

La atribución es detallada, pero incompleta (omite las interacciones offline, el dark social y los puntos de contacto no registrados). El MMM ofrece una visión estadística completa, pero no puede identificar los recorridos de clientes individuales. Ambos enfoques son complementarios, no rivales.

Un modelo de MMM requiere datos de series temporales semanales o mensuales sobre: inversión de marketing por canal, ingresos o conversiones y variables externas que afectan a las ventas de forma independiente del marketing, como la estacionalidad, la actividad de la competencia, los cambios de precios, los indicadores macroeconómicos y el clima.

La calidad de los resultados del MMM es directamente proporcional a la calidad y exhaustividad de los datos de entrada. La ausencia de canales o factores externos hará que el modelo atribuya erróneamente sus efectos a los canales presentes en el conjunto de datos.

Uno de los resultados principales del MMM es un gráfico de descomposición de ingresos que muestra qué porcentaje de los ingresos totales se atribuye a cada canal de marketing, a la demanda base (lo que ocurriría sin marketing) y a los factores externos.

Esta descomposición suele revelar que la demanda base representa una proporción de los ingresos mayor de la que esperan la mayoría de los equipos de marketing. Esto ayuda a recalibrar las conversaciones sobre el impacto total del marketing y el valor incremental de cada canal.

Adstock hace referencia al efecto de arrastre de la publicidad: la idea de que la inversión publicitaria de hoy sigue influyendo en las ventas de las semanas siguientes, a medida que el recuerdo y el conocimiento de la marca se reducen gradualmente en lugar de desaparecer de inmediato.

Los rendimientos decrecientes describen cómo cada unidad adicional de inversión en un canal genera menos ingresos incrementales que la unidad anterior. El MMM cuantifica tanto la tasa de decaimiento de Adstock como el punto de rendimientos decrecientes de cada canal.

Las curvas de saturación representan la relación entre la inversión en un canal y los ingresos obtenidos, y muestran cómo los ingresos crecen rápidamente con niveles de inversión bajos para después aplanarse cuando el canal alcanza su punto de saturación.

Estas curvas, derivadas de los resultados del MMM, son la base de la optimización del presupuesto: revelan qué canales todavía tienen margen de crecimiento (inversión baja y curva pronunciada) y cuáles están saturados (inversión alta y curva plana), por lo que conviene redirigir su presupuesto a otros canales.

Robyn de Meta (paquete de R) y LightweightMMM de Google (Python) son los dos principales frameworks de MMM de código abierto, y hacen accesible el análisis sofisticado de la combinación de marketing sin recurrir a proveedores propietarios costosos.

Robyn utiliza algoritmos evolutivos para calibrar modelos automáticamente y genera directamente resultados de optimización de presupuesto y curvas de saturación. LightweightMMM utiliza inferencia bayesiana, lo que permite cuantificar la incertidumbre de los resultados del modelo, una ventaja significativa para comunicar intervalos de confianza a quienes toman decisiones.

Un optimizador de presupuesto de MMM toma como entrada las curvas de saturación y calcula la asignación de un presupuesto total fijo que maximiza los ingresos previstos; en esencia, encuentra el punto de la curva de cada canal que aporta más ingresos incrementales por unidad monetaria invertida.

Las recomendaciones habituales del MMM incluyen reducir la inversión en canales de televisión o display saturados y reasignarla a canales digitales que aún tienen margen de crecimiento, a menudo con rangos del impacto previsto en los ingresos.

El MMM requiere al menos dos años de datos semanales para producir resultados fiables; las series temporales más cortas no permiten separar los patrones estacionales de los efectos reales del marketing. Además, tiene un desfase temporal: los modelos suelen actualizarse trimestralmente, por lo que no pueden orientar decisiones de campaña en tiempo real.

El MMM también presenta dificultades con canales muy correlacionados (por ejemplo, televisión y vídeo online que siempre se ejecutan conjuntamente) y no puede medir los efectos detallados de la segmentación por audiencia que sí captura la atribución a nivel de usuario.

Un marco de medición sofisticado combina el MMM para tomar decisiones estratégicas de asignación presupuestaria (en qué canales invertir el próximo trimestre) con la atribución para optimizar tácticamente las campañas en curso (qué palabras clave, audiencias y creatividades convierten hoy).

El MMM calibra los modelos de atribución al revelar en qué casos la atribución sobrevalora o infravalora sistemáticamente la contribución de los canales, creando un ciclo de retroalimentación que mejora con el tiempo la precisión de ambos enfoques de medición.

Una técnica habitual para validar los resultados del MMM consiste en realizar un experimento de exclusión geográfica: desactivar un canal en un conjunto de mercados de prueba mientras se mantiene activo en los mercados de control, y comparar la diferencia de ingresos con la contribución prevista por el MMM para ese canal.

Cuando el resultado del experimento de exclusión se aproxima a la predicción del MMM, aumenta la confianza en la precisión del modelo. Las discrepancias significativas indican que pueden faltar variables importantes en los datos de entrada del modelo o que es necesario ajustar la especificación de Adstock.

El MMM cuantifica la contribución de cada canal a los ingresos a partir de datos agregados, sin depender del seguimiento a nivel de usuario, lo que lo convierte en el enfoque de medición más resistente en un entorno que prioriza la privacidad.

Las curvas de saturación y los optimizadores de presupuesto de Robyn o LightweightMMM convierten los resultados del modelo en decisiones prácticas de reasignación. Combinar el MMM con la atribución crea una estructura de medición completa: MMM para la estrategia y atribución para las tácticas.