Con el rechazo de cookies y los cambios de privacidad en navegadores y móviles, la atribución por clic ve cada vez una parte menor del recorrido del cliente. Y medios como la televisión, la radio o el exterior nunca se pudieron medir con clics.
El marketing mix modeling (MMM) vuelve a estar de actualidad porque no necesita seguir a nadie. Explicamos qué es, qué datos necesita y cómo encaja con la atribución, los tests de incrementalidad y el reparto diario del presupuesto.
En resumen
- Un MMM relaciona la inversión semanal o diaria en cada medio con las ventas, descontando la estacionalidad, el precio y otros factores.
- Estima la contribución y el retorno de cada canal, su saturación y qué pasaría con otro reparto. No sirve para optimizar campañas o creatividades día a día.
- Necesita un histórico largo, la inversión por canal y las ventas de tu fuente de la verdad.
- Funciona mejor calibrado con tests de incrementalidad y combinado con un sistema que decida cada día.
Qué es el marketing mix modeling
Un modelo de marketing mix es una regresión: explica una variable de negocio, normalmente las ventas, a partir de la inversión en cada medio y de otros factores que también la mueven. Trabaja con datos agregados por semana o por día, no con usuarios ni con clics, así que puede incluir medios offline y no depende de cookies.
Para que el resultado tenga sentido, incorpora tres ideas sobre cómo funciona la publicidad.
Adstock o efecto arrastre
Un anuncio no solo vende la semana en que se emite: parte de su efecto se nota después y se va apagando. El adstock recoge ese arrastre, que suele ser más largo en televisión que en búsqueda.
Saturación
Duplicar la inversión no duplica las ventas. A partir de cierto nivel, cada euro adicional aporta menos, y el modelo estima esa curva para cada canal.
Base y factores externos
Una parte de las ventas ocurriría sin publicidad: clientes recurrentes, marca, tráfico orgánico. Es la base. Además, las ventas se mueven por la estacionalidad, el precio, las promociones o la competencia. Si el modelo no los incluye como variables de control, atribuirá a los medios lo que fue un efecto de calendario.
Qué responde un MMM y qué no
Un MMM bien construido responde a preguntas de presupuesto:
- Contribución de cada canal. Cuántas ventas incrementales aporta cada medio.
- Retorno por canal. Cuánto vende cada euro invertido, en media y en el margen.
- Curvas de saturación. Hasta dónde compensa subir la inversión en un canal.
- Escenarios. Qué pasaría si movieras presupuesto de un medio a otro o recortaras el total.
Lo que no hace es bajar al detalle. Con datos agregados no distingue qué campaña o qué creatividad funciona mejor, y no reacciona a lo que pasó ayer: se actualiza cada pocas semanas o meses.
Qué datos necesita
- Histórico suficiente. Lo habitual es al menos dos años de datos semanales, para que el modelo vea varias veces cada temporada. Con datos diarios o por región puede bastar menos, pero no hay una cifra mágica.
- Inversión por canal. Gasto, y si es posible impresiones o GRP, de cada medio en cada periodo. Si un canal ha tenido siempre el mismo gasto, el modelo no puede medir qué pasa al cambiarlo.
- Ventas de tu fuente de la verdad. El resultado que tu negocio da por bueno, del ERP o del CRM, no las conversiones de cada plataforma. Lo contamos en qué es la fuente de la verdad.
- Variables de control. Precio, promociones, estacionalidad, festivos, competencia y cualquier evento que haya movido las ventas.
MMM, atribución y tests de incrementalidad
Son tres formas de medir que no compiten: cada una cubre lo que las otras no ven.
La atribución multicanal sigue el recorrido de cada usuario y asigna el mérito a los puntos de contacto. Es rápida y llega al nivel de campaña y anuncio, pero solo ve lo que se puede rastrear y tiende a premiar a los canales cercanos a la conversión, como la búsqueda de marca.
El MMM mira el conjunto, incluye medios offline y no depende del rastreo. A cambio, es lento, poco granular y depende de sus hipótesis: dos MMM razonables con los mismos datos pueden dar repartos distintos.
Los tests de incrementalidad son experimentos. En un test geográfico (geo-lift) se activa o se cambia la inversión en unas zonas y se compara con otras parecidas que actúan de control. En un estudio de conversion lift, la propia plataforma separa un grupo de usuarios que no ve los anuncios. Es lo más cercano a una medida causal, pero cada test responde a una sola pregunta, sobre un canal y un periodo.
Por qué calibrar el MMM con experimentos
Un MMM puede confundir correlación con causa: si siempre inviertes más en las semanas en que más vendes, atribuirá al medio lo que fue demanda. Un test de incrementalidad le dice qué rango de efecto es realista para ese canal. Las herramientas actuales permiten incorporarlo al modelo, y es una de las mejores formas de ganar confianza en sus conclusiones.
Herramientas de código abierto
Las dos opciones más conocidas las publican las propias plataformas:
- Meridian, de Google. Un marco bayesiano en Python que admite datos por región y permite incorporar resultados de experimentos como información previa. Sustituye a LightweightMMM, su proyecto anterior.
- Robyn, de Meta. Desarrollado originalmente en R, automatiza la búsqueda de parámetros de adstock y saturación, genera varios modelos candidatos y también permite calibrar con tests de incrementalidad.
Gratuitas no significa sencillas: preparar los datos, elegir los controles, revisar que los resultados tengan sentido de negocio y mantener el modelo al día exige tiempo y criterio estadístico.
Errores habituales
- Modelar las conversiones de las plataformas. Si las ventas ya vienen infladas por la doble atribución, el modelo hereda el problema.
- Olvidar los factores externos. Sin precio, promociones ni estacionalidad, el modelo atribuye a los medios lo que no es suyo.
- Tomar los resultados como exactos. Un MMM da estimaciones con margen de incertidumbre, y dos retornos parecidos pueden no ser distintos.
- No validarlo nunca. Sin un experimento, no sabes si el modelo acierta o solo encaja con el pasado.
- Hacerlo una vez y guardarlo. Un modelo de hace un año describe un mercado que ya no existe.
Cómo combinar el MMM con el reparto diario del presupuesto
El MMM marca el rumbo: qué peso debería tener cada canal y dónde se satura. Pero entre una actualización y otra pasan semanas, y el rendimiento de cada medio cambia.
Por eso tiene sentido trabajar en dos niveles. A largo plazo, el MMM y los tests de incrementalidad validan el reparto entre canales. Cada día, un sistema de reparto dinámico del presupuesto mueve la inversión según el coste por resultado de cada medio, medido con la misma fuente de la verdad. Si los dos apuntan en direcciones muy distintas durante semanas, toca revisar uno de ellos o diseñar un test que lo resuelva. La condición es que ambos midan lo mismo: si el MMM explica las ventas del ERP y las pujas optimizan las conversiones de cada plataforma, cada nivel defenderá una cifra distinta.
Cómo lo hace Babuin
Babuin, la plataforma de MonkeyFlux, trabaja en el nivel diario. Se conecta a tu fuente de la verdad y, con esos resultados, MonkeyBot puja dentro de cada medio y DBA reparte cada día el presupuesto entre canales. Esas decisiones se validan con atribución, MMM y tests de incrementalidad, así que lo que se decide cada día y lo que se mide a largo plazo parten del mismo dato.
Un buen MMM te dice hacia dónde ir. Lo que pasa entre una actualización y la siguiente también cuenta.
Preguntas frecuentes
¿Qué es el marketing mix modeling?
Es un modelo estadístico que estima cuánto aporta cada medio a las ventas a partir de datos agregados de inversión y ventas por semana o por día. Tiene en cuenta el efecto arrastre de la publicidad, la saturación de cada canal y factores externos como la estacionalidad o el precio, y no necesita cookies ni seguimiento de usuarios.
¿Qué diferencia hay entre MMM y atribución?
La atribución sigue el recorrido de cada usuario y reparte el mérito entre los anuncios que vio o pulsó, con detalle de campaña y en poco tiempo, pero solo ve lo que se puede rastrear. El MMM trabaja con datos agregados, incluye medios offline y estima la contribución de cada canal, pero no baja a nivel de campaña ni de creatividad. Lo habitual es usar los dos. Lo explicamos en atribución publicitaria.
¿Qué es un test de incrementalidad?
Es un experimento que mide cuántas ventas genera de verdad un medio comparando un grupo expuesto a los anuncios con otro que no lo está. Puede hacerse por zonas geográficas (geo-lift) o con estudios de conversion lift de la propia plataforma. Sus resultados sirven para calibrar un MMM.
¿Cuántos datos hacen falta para un MMM?
Lo habitual es contar con al menos dos años de datos semanales de inversión por canal, ventas y variables de control como precio, promociones y estacionalidad. Con datos diarios o por región se puede trabajar con menos tiempo. Además, la inversión en cada canal tiene que haber variado lo suficiente para que el modelo pueda medir su efecto.
