Modelado de mezcla de marketing (MMM)

El modelado de la mezcla de marketing es un enfoque estadístico que estima la contribución de las actividades de marketing y los factores externos a un resultado empresarial, generalmente ventas o ingresos, utilizando datos agregados de series temporales. En lugar de realizar un seguimiento de usuarios individuales, realiza una regresión de los resultados en función del gasto por canal, precio, promoción, distribución, estacionalidad, actividad de la competencia y condiciones económicas, generando estimaciones de la contribución de cada factor y sus rendimientos decrecientes.

Esta técnica es muy anterior a la publicidad digital, ya que se desarrolló para empresas de bienes de consumo cuyos medios, como la televisión, la prensa escrita y la publicidad exterior, no podían rastrearse a nivel individual. Su reciente resurgimiento es consecuencia directa del deterioro del seguimiento a nivel de usuario: a medida que las cookies de terceros, los identificadores móviles y la medición entre sitios web se han vuelto menos fiables, el modelado agregado ha recuperado relevancia porque no requiere datos a nivel de usuario y, por lo tanto, no se ve afectado por las tasas de consentimiento ni las restricciones de la plataforma.

Sus principales ventajas son la cobertura y la neutralidad. Puede incluir canales que la atribución a nivel de usuario no detecta, como la televisión, la radio, la prensa escrita, el patrocinio y la publicidad exterior, además de los canales digitales, e incorporar factores no relacionados con el marketing, como los precios, la estacionalidad y las condiciones macroeconómicas, que la atribución ignora por completo. Al evaluar todos los canales dentro de un mismo marco, evita el sesgo sistemático de los resultados reportados por las plataformas, donde todas afirman las mismas conversiones.

Sus limitaciones son igualmente estructurales. Requiere historiales extensos, generalmente de dos a tres años de datos semanales consistentes, lo que excluye a las empresas jóvenes y cualquier período posterior a un cambio importante en la presentación de informes. Necesita una variación real en el gasto para estimar los efectos, por lo que no se pueden evaluar los canales con presupuesto constante. Genera orientación a nivel de canal en lugar de detalles a nivel de campaña o creatividad, por lo que no puede servir de base para la optimización diaria. El gasto correlacionado entre canales dificulta la separación de las contribuciones individuales. Además, las decisiones sobre la especificación del modelo, incluyendo cómo se manejan los efectos de arrastre y las curvas de saturación, afectan significativamente los resultados, lo que significa que dos analistas competentes pueden obtener conclusiones diferentes a partir de los mismos datos.

La respuesta práctica a estas limitaciones consiste en la triangulación, en lugar de depender de un único método. El modelado de mezclas proporciona una visión estratégica de la contribución de los canales y la asignación presupuestaria. Los experimentos de incrementalidad validan causalmente canales específicos y pueden utilizarse para calibrar las probabilidades a priori del modelo. La atribución proporciona información táctica casi en tiempo real para la optimización en curso. Cada método es débil por sí solo; al utilizarse conjuntamente, la concordancia entre ellos aumenta la confianza y la discrepancia permite identificar dónde investigar.

La adopción práctica suele depender más de la preparación de los datos que de la técnica de modelado, y dicha preparación es sustancial. El gasto debe recopilarse de forma coherente en todos los canales y periodos, incluyendo los honorarios de las agencias y los costes de producción cuando estos afecten significativamente al total. Es necesario obtener y alinear factores externos, como la actividad de la competencia (cuando sea posible), las variaciones de precios y distribución, las condiciones meteorológicas para las categorías relevantes y los indicadores macroeconómicos. Los periodos promocionales y los eventos puntuales deben estar claramente definidos para que el modelo no atribuya sus efectos a cualquier publicidad que se haya realizado simultáneamente. Durante esta fase, las organizaciones suelen descubrir que no pueden reconstruir su historial de gastos con una granularidad semanal, un hallazgo que merece ser tenido en cuenta independientemente de si el modelo está construido o no.

La adopción se ha ampliado considerablemente con la aparición de implementaciones de código abierto y marcos bayesianos que admiten conjuntos de datos más pequeños y permiten que los resultados experimentales informen directamente al modelo. Sin embargo, el valor depende de la calidad de los datos y de la voluntad de la organización para actuar sobre los resultados que contradicen los informes de la plataforma. En la práctica, el modelado en sí reside en análisis de datos, mientras que las decisiones presupuestarias que informa pertenecen a Gestión del crecimiento y Planificación estratégica y consultoría, puesto que la reasignación del gasto entre distintos canales suele ser tanto una cuestión de gobernanza como una cuestión analítica.