Qué es el marketing mix modeling (MMM)

El MMM parte de datos que casi cualquier empresa ya tiene: cuánto se vendió cada semana y cuánto se invirtió en cada canal esa misma semana. Sobre esas series se ajusta un modelo de regresión que reparte la variación de las ventas entre los factores que la explican, y la publicidad es uno de ellos.

La técnica es antigua. Nació en el gran consumo, donde no había clic que rastrear y la televisión, la radio y la prensa solo podían evaluarse por su efecto agregado sobre las ventas. Durante la década del seguimiento individual quedó relegada, porque parecía menos precisa que contar conversiones una por una.

Ha vuelto por un motivo práctico: el seguimiento individual se ha estrechado. Los rechazos de consentimiento, el bloqueo de cookies de terceros y las limitaciones de los identificadores en móvil abren huecos que la medición basada en usuarios no puede rellenar. El MMM no tiene ese problema porque nunca miró al usuario. Trabaja con totales, y un total no depende de que alguien acepte un aviso de cookies.

Las herramientas abiertas publicadas por Google y por Meta han abaratado además la entrada, que antes pasaba obligatoriamente por una consultora especializada.

El punto de partida es una tabla con una fila por periodo, normalmente una semana. En las columnas van las ventas o la métrica de negocio elegida, la inversión de cada canal y las variables de contexto que también mueven las ventas: precio, promociones, estacionalidad, festivos y actividad de la competencia.

Antes de entrar en la regresión, la inversión de cada canal pasa por dos transformaciones. El adstock recoge que el efecto de un anuncio no se agota el día que se emite y decae a lo largo de las semanas siguientes. La curva de saturación recoge que cada euro adicional rinde menos que el anterior, de modo que la respuesta se aplana cuando el canal se satura.

Con esas curvas ajustadas, el modelo estima la contribución de cada canal, su retorno y la forma en que la respuesta cambia con el gasto. De ahí sale lo que de verdad interesa a quien decide: cuánto convendría mover de un canal a otro para mejorar el resultado total.

Los modelos actuales suelen ser bayesianos. Eso permite introducir conocimiento previo, y muy en particular resultados de experimentos anteriores, que entran como distribución de partida del retorno de un canal. También devuelven intervalos de credibilidad en lugar de un número seco, lo que deja ver cuánta incertidumbre queda en cada estimación.

El MMM contesta la pregunta que la analítica de plataforma no puede contestar: cuánto vale el conjunto. Un panel de Google Ads sabe de Google Ads. Un modelo de mix ve la televisión, el patrocinio, el buzoneo, la inversión en display y el precio dentro de la misma ecuación, y por eso puede comparar canales que no comparten sistema de medición.

Eso lo convierte en la herramienta natural de la planificación anual y del reparto entre medios. También cubre lo que ningún píxel cubre: los canales sin clic, el arrastre de la notoriedad de marca y la parte del negocio que ocurre fuera de internet.

El segundo motivo es de resistencia. Un sistema de medición que depende del consentimiento se degrada cada vez que cambia una norma o un navegador. Un modelo alimentado con totales de inversión y de venta sigue funcionando igual, porque esas cifras salen de la contabilidad y del plan de medios.

A cambio hay un precio, y conviene decirlo antes de encargar el proyecto: el MMM no sabe nada de personas concretas. No sirve para decidir a quién impactar mañana ni para optimizar una puja. Es un instrumento de reparto, no de activación.

• Reunir varios años de datos semanales antes de empezar y contar cuántos parámetros va a tener el modelo. Con pocos periodos por parámetro las estimaciones salen inestables por muchos canales que se incluyan.
• Provocar variación deliberada en la inversión. Un canal que lleva dos años con el mismo presupuesto no deja rastro que el modelo pueda leer.
• Incluir las variables que mueven las ventas al margen de la publicidad: precio, promociones, distribución, estacionalidad y competencia.
• Calibrar el modelo con experimentos. El retorno medido en un test geográfico entra como información previa y ancla la estimación del canal correspondiente.
• Mirar los intervalos y no solo el valor estimado. Un canal cuyo intervalo va de casi cero a mucho no es un canal rentable, es un canal sin medir.
• Reajustar el modelo con periodicidad fija y comprobar después si las recomendaciones anteriores se cumplieron en la realidad.

• Leer el resultado como causalidad demostrada. El modelo separa correlaciones bajo el supuesto de que se han incluido todas las variables que influyen a la vez en la inversión y en la venta, y ese supuesto no se puede comprobar con ningún test estadístico.
• Subir y bajar todos los canales a la vez, siempre en las mismas fechas. Cuando las inversiones se mueven juntas el modelo no puede separarlas y reparte el mérito de forma poco fiable.
• Usar el MMM para decisiones de activación como audiencias, pujas o creatividades. Esa escala no está en los datos.
• Trasplantar el retorno de un experimento antiguo o de otro mercado como información previa sin revisar si el periodo, el público y el escenario comparado coinciden.
• Presentar el modelo como sustituto de los experimentos. Sin una referencia externa que lo calibre, un MMM puede ajustarse muy bien al histórico y seguir equivocándose en el reparto.