Marketing Mix Modeling (MMM) y la medición de incrementalidad
La medición del retorno de inversión en Medios (Paid Media) está experimentando una «regresión tecnológica» que, paradójicamente, representa el futuro de la industria. Con la paulatina desaparición de las cookies de terceros y las estrictas normativas de privacidad (como GDPR o la política ATT de Apple), el rastreo individualizado de usuarios (Multi-Touch Attribution o MTA) ha perdido precisión. Ante este «apagón de datos», los grandes anunciantes están abandonando la medición a nivel de usuario para adoptar un enfoque macroeconómico y estadístico: el Marketing Mix Modeling (MMM) y la medición de Incrementalidad.
De la Atribución Individual a la Econometría
El Marketing Mix Modeling (MMM) no es una disciplina nueva; las empresas de gran consumo (FMCG) lo utilizaban en la década de los 90 para medir el impacto de sus anuncios de televisión en las ventas de los supermercados. Sin embargo, su adaptación al ecosistema digital moderno lo ha convertido en la herramienta definitiva para los anunciantes (Media Buyers).
A diferencia de la analítica digital estándar, que intenta seguir a un usuario desde que hace clic en un banner hasta que compra en la web (enfoque Bottom-Up), el MMM es un modelo probabilístico Top-Down. Analiza datos históricos agregados; es necesario al menos un histórico de 3 años con la mayor capilaridad posible (mejor semanas que meses) sin necesidad de identificadores personales. El modelo estadístico utiliza:
- Variables de Marketing: Cuánto se invirtió semanalmente en Google Ads, Meta Ads, TikTok, Televisión o Email Marketing; es decir, la inversión semanal en cualquier soporte.
- Variables Externas: Estacionalidad (Navidad, Black Friday), clima, inflación económica, acciones de la competencia, inversión de la competencia (hay sectores donde tener esta información es posible con InfoAdex) e incluso huelgas de transporte.
- Variables de Negocio: Benchmarking de producto en el mercado.
- La Variable de Respuesta: El volumen total de ventas reales e ingresos en caja del negocio.
Al cruzar estas variables mediante regresiones multivariantes y machine learning, el modelo aísla estadísticamente qué porcentaje exacto de los picos de ingresos es atribuible a la inyección de presupuesto publicitario y qué porcentaje es simplemente ruido externo u orgánico (línea base).
Por fin hablamos de Incrementalidad en Medios
El mayor peligro en la compra de medios digitales es la canibalización y el falso mérito. Si inviertes fuertemente en campañas de retargeting o en campañas de búsqueda por el nombre de tu propia marca (Brand Search), las plataformas publicitarias reclamarán el éxito de esas ventas basándose en la última interacción. Pero la pregunta financiera que el negocio debe responder es: ¿Cuántas de esas personas habrían comprado de todos modos, incluso si hubiésemos apagado los anuncios por completo?
El MMM mide la Incrementalidad, es decir, el incremento real (Lift) en las ventas que ocurrió exclusivamente porque el anuncio existió.
- Ventas Base (Línea base o Base Sales): El volumen de ventas que tu marca generaría por inercia, valor de marca establecido, tráfico directo y clientes recurrentes, asumiendo una inversión publicitaria de 0€.
- Ventas Incrementales: Las ventas netas adicionales que el modelo demuestra que fueron impulsadas directamente por la presión publicitaria.
Entender esta diferencia matemática evita que los directores de marketing premien con más presupuesto a canales que solo están capturando ventas que ya iban a suceder, y permite descubrir canales en la parte alta del embudo (Display, Vídeo) que realmente están sembrando nueva demanda en el mercado.
Herramientas de modelos Open Source: Meridian y Robyn
Históricamente, ejecutar un estudio MMM requería contratar a consultoras tradicionales que tardaban seis meses en entregar un informe estático a un coste inasumible para la mayoría de empresas. Hoy, la Inteligencia Artificial ha democratizado este proceso.
Los gigantes de la publicidad han lanzado sus propios modelos de código abierto (Open Source) basados en lenguajes de programación estadística (Python y R) para que los anunciantes puedan ejecutar modelos MMM internamente en cuestión de días y actualizar sus predicciones de forma continua.
Google ha desarrollado el proyecto Meridian, un modelo bayesiano de arquitectura abierta diseñado para procesar el impacto de canales complejos, integrando la frecuencia con la que se impacta al usuario y el punto de saturación (cuando gastar más ya no genera más ventas) de cada canal. Por su parte, Meta impulsó Robyn, un modelo algorítmico semiautomatizado que permite a las marcas medir el verdadero impacto incremental de su ecosistema frente al resto del mix de medios.
La combinación del MMM como brújula estratégica para distribuir el presupuesto a largo plazo y la experimentación controlada (Geo-Testing o estudios de Lift) a corto plazo se ha consolidado como el estándar actual para garantizar la rentabilidad de las inversiones en un ecosistema ciego a las cookies.
Mi experiencia
El Marketing Mix Modeling (MMM) nos ha permitido tener una visión de cómo cada medio aporta el negocio. Además, y por la forma como hemos desarrollado el modelo, nos ha permitido cuantificar lo que la notoriedad de marca aporta al negocio; algo que de otra forma nos sería muy difícil de cuantificar.
Fuentes de la información
- Think with Google: Marketing Mix Models: Documentación sobre la evolución de la medición publicitaria hacia la econometría en entornos centrados en la privacidad.
- Meta Open Source: Project Robyn: Repositorio oficial y documentación técnica del modelo de MMM de Meta para reducir el sesgo de selección humano y medir la incrementalidad real.
- Google Developers: Project Meridian: Marco técnico sobre la herramienta de MMM basada en estadística bayesiana impulsada por Google para anunciantes avanzados.
