Por qué los media mix models son la respuesta para impulsar la medición en un mundo centrado en la privacidad

Como especialista en marketing de resultados, normalmente tienes que responder a preguntas como “¿Cuál es la inversión en medios óptima para cada canal de marketing para alcanzar tus KPIs objetivo?” 

¿Podrías responder a esta pregunta de inmediato con absoluta certeza? Si no, quizás valga la pena investigar un media mix models (MMM).

Esto puede parecer obvio, pero en un panorama de marketing cada vez más complejo y centrado en la privacidad, la medición de los medios y la posterior comprensión del retorno de la inversión (ROI) son cada vez más importantes que nunca. 

El media mix modeling es uno de los varios métodos disponibles para ayudarte a medir la efectividad de tu inversión en marketing. Sigue leyendo para descubrir cómo este método estadístico puede ayudarte a medir, optimizar y predecir el impacto de tus esfuerzos de marketing en el ROI.

¿Qué son los media mix models?

El media mix modeling (MMM, también conocido como modelado de la combinación de marketing o econometría) es un método estadístico que mide el éxito de las campañas de marketing. Si se utilizan correctamente, estos modelos pueden convertirse en un motor para todas las decisiones empresariales.  

Una ventaja importante de los MMMs es que no solo aíslan el impacto de los medios, sino que también tienen en cuenta otros factores, como los cambios en los productos, la estacionalidad, la actividad de la competencia, las condiciones económicas, etc. Debido a que agregan datos de una amplia variedad de fuentes, en lugar de depender de datos a nivel de usuario, los MMMs pueden proporcionar soluciones de medición en el panorama actual centrado en la privacidad. 

Los MMMs ganaron popularidad a finales de los 80 y principios de los 90, ofreciendo a los marketers una forma de demostrar el impacto de canales como la televisión, la radio y la prensa en los resultados comerciales de una marca. Sin embargo, si bien los modelos originales consumían mucho tiempo y eran costosos y requerían un equipo de analistas experimentados, las partes más laboriosas del proceso ahora se pueden automatizar gracias a la tecnología mejorada y a los marcos MMM de código abierto. Esta es una buena noticia para los marketers de resultados. 

Hoy en día, MMM ha pasado a ocupar un lugar destacado en la lista de prioridades para muchos anunciantes que buscan entender el verdadero impacto de sus campañas de marketing y, por lo tanto, su ROI de marketing. Dado que el marco ATT de Apple, su SKAdNetwork y el tan esperado Privacy Sandbox de Google limitan gravemente el acceso a los datos a nivel de usuario, los especialistas en marketing de resultados han aprendido a mantenerse a la vanguardia combinando MMM con las pruebas de atribución e incrementalidad.

¿Por qué invertir en un MMM?

Construir un MMM no es una tarea sencilla. Requiere analistas o científicos de datos con experiencia, colaboración entre equipos, normalmente más de 12 meses de datos históricos de todas las fuentes y presupuestos específicos. 

Sin embargo, la inversión dará sus frutos a medida que tu modelo se convierta en el motor de tu proceso de optimización y establecimiento de presupuestos.

Estas son algunas de las preguntas que un MMM puede ayudarte a responder: 

• ¿Dónde debemos asignar la inversión publicitaria?
• ¿Cuál es el ROI de cada canal de marketing?
• ¿Qué campañas en los medios generaron el mayor rendimiento?
• ¿Cuál es nuestra combinación de medios óptima?
• ¿Cuál es la época óptima del año para invertir?
• ¿Cuál debe ser nuestro presupuesto para alcanzar nuestros objetivos anuales?
• ¿Podemos identificar áreas de rentabilidad decreciente en nuestras inversiones en marketing para optimizar el gasto de manera eficiente?
• ¿Cuál es el impacto de los factores externos, como la estacionalidad, las tendencias económicas y las actividades de la competencia, en nuestro negocio?

No se trata en absoluto de una lista exhaustiva de preguntas. La clave a tener en cuenta es que el MMM es una herramienta poderosa tanto para las activaciones tácticas de los medios como para la planificación estratégica a largo plazo. Cuanto más tiempo dediques a usar un MMM, mayor será el impacto que tendrá en tu negocio. Por lo general, las marcas pueden ver una mejora del 10% al 20% en el ROI después de una iteración de MMM.

¿Cuál es la diferencia entre MMM y atribución?

Si bien tanto el MMM como la atribución tienen como objetivo cuantificar el impacto de las diferentes actividades de marketing, lo hacen desde lentes muy diferentes y, en última instancia, utilizando datos y metodologías diferentes. 

Los MMMs evitan los problemas de privacidad al utilizar datos agregados y técnicas estadísticas avanzadas para analizar los datos históricos y cuantificar el impacto que el marketing, los medios y otros factores externos tienen en sus KPIs. Puedes utilizar los insights recogidos para optimizar tus futuras inversiones en marketing.

La atribución, por otro lado, funciona con datos más granulares a nivel de usuario. Traza el viaje de los clientes individuales a través de diferentes puntos de contacto para determinar qué actividades de marketing fueron responsables de una conversión. La atribución se centra en la ruta de compra del usuario en un plazo más corto y no tiene en cuenta factores externos. Sin embargo, su superpoder es su visión detallada; por ejemplo, puede responder a preguntas como: “¿Cuál es mi ubicación más eficiente?”

Combinación de enfoques para lograr un mayor impacto

Ten en cuenta que, en nuestro mundo donde la privacidad es lo primero, estos dos enfoques de medición se complementan entre sí. Entonces, en lugar de preguntar: “¿Qué método es mejor/más preciso?”, deberías preguntarte: “¿Cómo puedo usar ambos para maximizar mis retornos de marketing?”

Al combinar el MMM y la atribución, puedes optimizar los medios tanto a corto como a largo plazo. Además, estás bien posicionado para un futuro sin cookies. También puedes añadir pruebas de marketing geográficas o coincidentes: un enfoque de pruebas incrementales que se puede utilizar para verificar los resultados y las recomendaciones que se obtienen a través del MMM y de la atribución.

Recibe en tu bandeja de entrada las últimas noticias de marketing e insights de expertos

Cómo empezar a construir un MMM

Cuando estés listo para crear un MMM para tu empresa, es crucial abordarlo de manera sistemática. Estos son algunos pasos que te guiarán en tu desarrollo:

• Define los objetivos: Ten claros los objetivos o KPIs que quieres medir. Estos podrían incluir ventas, descargas de la app, tráfico, métricas de conversión y más.
• Define una agenda de aprendizaje: Haz una lista de las preguntas clave que inicialmente esperas que responda tu MMM. Si bien es tentador crear una lista exhaustiva de preguntas, es mejor centrarse en un grupo básico de unas seis. Luego, refina y profundiza en las siguientes actualizaciones de MMM.
• Recoge puntos de datos: Necesitas un rango de datos de varias fuentes, que normalmente abarquen entre 12 y 18 meses. Esto podría incluir datos históricos de ventas, presupuestos de medios, métricas de alcance, frecuencia e interacción, datos de la competencia, etc.
• Prepara tus datos: La preparación de los datos para el análisis implica la limpieza de los datos, la normalización y el tratamiento de los valores faltantes.
• Desarrolla tu modelo: Desarrolla un modelo estadístico utilizando técnicas como el análisis de regresión o el aprendizaje automático (utilizando marcos de código abierto, como se detalla a continuación) para aislar los principales impulsores de los KPIs de tu empresa.
• Implementa el modelo: Utiliza el modelo para guiar las decisiones de marketing, perfeccionándolo de forma iterativa a medida que dispongas de más datos.

Valida tu modelo: Realiza periódicamente pruebas de mercado geográficos o coincidentes para validar la magnitud del impacto que el MMM sugiere para tus canales de medios.

¿Qué plataformas, software o personas necesito para construir un MMM?

El primer paso en cualquier viaje de MMM es responder a la pregunta: “¿Quién va a construir tu modelo?”. Por lo general, se reduce a tres opciones:

1. Tu equipo interno de análisis o ciencia de datos
2. Un MMP o una consultoría de análisis
3. Tu agencia de medios

Cada opción tiene sus ventajas y desventajas, que no analizaremos aquí. Sin embargo, hay que tener cuidado a la hora de alojar los MMMs: si bien esto puede ser viable para una prueba de concepto a pequeña escala, es fácil subestimar la complejidad de la tarea. Esto puede conducir a modelos que, si bien son estadísticamente sólidos y satisfacen la curiosidad intelectual de tu analista o científico de datos, no proporcionan ningún valor comercial. 

Esta es una de las razones más comunes por las que los proyectos de MMM se abandonan en primer lugar. Por lo tanto, es mejor buscar socios con experiencia cuando estés comenzando. Con el tiempo, a medida que tu programa demuestre su éxito, puedes empezar a considerar la posibilidad de quedarte en una vivienda.

Si eliges la segunda o la tercera opción, solo necesitarás tus datos históricos. La mayoría de los profesionales de MMM solicitarán al menos de 12 a 18 meses de datos históricos sobre las métricas de tu empresa, el gasto en medios, las impresiones, los clics, las instalaciones, etc. Si no tienes tantos datos, comienza a recopilarlos ahora. Los modelos se pueden construir a partir de 12 meses de datos, pero normalmente vienen con algunas advertencias importantes y posibles problemas.

La participación de las partes interesadas es clave para implementar con éxito un MMM. Si tu marca se ha basado en gran medida en la atribución, los resultados que veas a través de un MMM pueden ser motivo de debate. 

Sin embargo, como se describió anteriormente, el MMM y la atribución miden dos cosas diferentes: El MMM mide el impacto incremental, mientras que la atribución asigna valor a los canales de marketing que aparecieron en el viaje de un usuario. Una vez que las partes interesadas entiendan esta distinción, será mucho más fácil poner en práctica las recomendaciones proporcionadas por tu MMM.

Opciones de código abierto

Si quieres realizar internamente una prueba de concepto a pequeña escala, vale la pena echarle un vistazo a las iniciativas MMM de código abierto de Google o Meta: 

• LightweightMMM de Google utiliza el lenguaje de programación Python y un enfoque bayesiano para el modelado MMM.
• Project Robyn de Meta utiliza el lenguaje de programación R y varias técnicas de aprendizaje automático para proporcionar un enfoque semiautomático del modelado MMM.

Recuerda que se trata simplemente de marcos de medición: los datos y los resultados que obtienes no tienen nada que ver con Google o Meta. También vale la pena señalar que LightweightMMM de Google no es un producto oficial de Google, a diferencia de Robyn de Meta. 

Si bien cada herramienta tiene sus ventajas y desventajas, no es necesario que te quedes atascado en los detalles. La pregunta clave es: ¿con qué lenguaje de programación se sienten más cómodos tus científicos de datos? Si es R, usa Project Robyn. Si es Python, usa LightweightMMM.

Hallazgos clave

A medida que el panorama del seguimiento de datos personales evoluciona, los anunciantes deben mantenerse a la vanguardia para garantizar una comprensión completa del rendimiento y el ROI de las campañas. 

Si bien crear un media mix model no es una tarea sencilla, las ideas y recomendaciones que proporciona hacen que la inversión valga la pena. Los MMMs proporcionan respuestas a algunas de las preguntas más difíciles a las que se enfrentan las empresas y los especialistas en marketing, en particular, ofrecen orientación sobre dónde invertir tu presupuesto de marketing para maximizar su impacto y rentabilidad.

No te demores: gracias a iniciativas de código abierto como Project Robyn de Meta y LightweightMMM de Google, el obstáculo para crear tu primer MMM es más bajo que nunca. Cuanto antes te embarques en la construcción de tus modelos, antes empezarás a ver su impacto.