Webinar: Introducción al MMM (Marketing Mix Modeling)

Webinar: Introducción al MMM (Marketing Mix Modeling)

Autor: Kraz Team
abril 28, 2022

En el último webinar de Kraz, Introducción al MMM (Marketing Mix Modeling), tratamos uno de los mayores desafíos en marketing y publicidad que tienen las empresas hoy día: determinar eficazmente la efectividad publicitaria. ¿Qué canales de push paid están proporcionando un mejor retorno de la inversión? ¿Debería incrementar la inversión publicitaria? Y de ser así, ¿en qué canales funcionaría mejor?

Como ya dijo John Wannamacker, “el 50% del gasto en publicidad no funciona, pero ¿qué 50%?”. Responder a esta pregunta es una de las principales preocupaciones de muchos CEOs y CMOs, que además se enfrentan ahora a retos añadidos como el incremento de las ventas online, o los efectos de la pandemia de la Covid-19.

Para tratar esta cuestión, en Kraz Data Solutions hemos desarrollado el webinar MMM y la medición de la efectividad publicitaria, con el fin de que puedas entender esta metodología y su aplicación práctica en el ámbito del marketing.

Si estás interesado en medir la efectividad de la inversión publicitaria de tu compañía, visiona el vídeo o sigue leyendo.

¿Qué es el Marketing Mix Modeling (MMM)?

El Marketing Mix Modelling es la metodología o solución analítica basada en Machine Learning que permite modelizar el impacto real de cada uno de los canales de comunicación y facilita que las empresas puedan tomar decisiones estratégicas relacionadas con las principales palancas de marketing y publicidad sobre las que tienen control.

A través de la creación de modelos de marketing mix, elaborados a partir de datos procedentes de múltiples canales (TV, radio, SEM, Facebook Ads, newsletter…), las empresas pueden dar respuestas a las siguientes preguntas:

  • ¿Cuál es el retorno publicitario de la inversión en los canales de pago, tanto online como offline? 
  • ¿Cómo se puede ajustar la actual inversión en marketing para conseguir mejores resultados? 
  • ¿Cuál es el impacto cruzado de la publicidad online y offline
  • ¿Qué nivel de ventas tendrán las empresas en el siguiente trimestre en caso de aumentar la inversión publicitaria?
  • ¿En qué canales de ventas deben las empresas aumentar la inversión y en cuáles deberían reducirla? 

¿Qué variables intenta explicar el MMM (Marketing Mix Modeling)?

La multiplicidad de canales de venta, impulsado por el papel decisivo de las redes sociales y los cambios en los hábitos del consumidor, han aumentado la complejidad en la analítica del marketing. Aunque existen los modelos de atribución digital MTA, estos tienen algunas desventajas considerables, ya que se limitan a la atribución individual, no se adaptan a entornos multicanal y cualquier cambio en el ecosistema online pueden afectar a su funcionamiento. 

El Marketing Mix Modelling es una mejor metodología para el tracking de la efectividad publicitaria

Vamos a explicar cómo un modelo MMM pueda explicar la evolución de los resultados de una empresa.

Posibles variables de resultados a modelizar

  • Ventas (Pedidos, Productos): referidas a productos o categorías de productos, en unidades o valor monetario. 
  • Registros (leads, nuevos clientes en tiendas físicas): los registros (leads) pueden ser otra de las variables importantes para modelizar como resultado de nuestras acciones de marketing.
  • Visitas web o presenciales: el tráfico web o las visitas de potenciales clientes a los distintos puntos de venta pueden ser otra de las variables de resultados que podemos considerar en nuestro modelo MMM.
  • Número de descarga de apps:  esta variable puede ser mucho más representativa del modelo de las campañas en aquellas empresas cuyo foco principal de interacción sea una app móvil, como es el caso de las plataformas de delivery.

Es especialmente relevante escoger el KPI clave que ayude a determinar con eficacia el éxito de la inversión publicitaria. También es esencial acotar el modelo de datos en un período de tiempo y un ámbito geográfico.

Hay que tener en cuenta también que todos los datos deberán tener la misma capilaridad temporal, es decir, si introducimos la inversión realizada en publicidad televisiva a nivel semanal, los datos de la inversión en Google Ads deben ser también semanales.

Tipos de variables

Hay 3 tipos de variables explicativas que debemos aplicar en el modelo MMM.

  • Push paid media. Incluye todos los canales de pago o medios publicitarios, tanto online como offline. Podemos presentarlos de forma agregada (por ejemplo, TV), o desagregada (distintas cadenas de TV) si ello resulta relevante para nuestra modelización de marketing mix.
  • Variables orgánicas. Se trata de acciones comunicativas que se desarrollan con medios internos, como es el caso de la newsletter, publicaciones orgánicas en redes sociales, o las notificaciones push en dispositivos móviles.
  • Variables de contexto. Son elementos que intervienen en la curva de ventas vinculados al escenario en el que se mueve la marca y el período de tiempo. Por ejemplo, el calendario promocional (Black Friday, Rebajas…), el número y tamaño de puntos de venta de la marca, o la incidencia acumulada de Covid-19 en el ámbito geográfico donde se encuentran son condicionantes que pueden afectar a las acciones publicitarias y a las ventas, por lo que todo MMM debe tenerlos en cuenta.

Para que nuestro MMM explique las ventas con éxito, lo ideal es lograr el máximo grado de capilaridad de los datos (mejor datos diarios que mensuales), lo que permitirá encontrar patrones de relación más fácilmente. 

Aquí puedes ver un ejemplo de una estructura de datos de entrada para un modelo MMM:

 

Outputs. ¿Cómo funciona el MMM (Marketing Mix Modeling) y qué resultados genera?

La modelización de marketing mix utiliza los inputs anteriormente mencionados para el entrenamiento del modelo. A partir de los datos de ventas en un período de tiempo, el modelo MMM basado en Machine Learning puede detectar patrones de relación entre todas las variables para obtener un output.

Si bien tradicionalmente cada consultora ha utilizado su propia metodología MMM, actualmente la tendencia es utilizar código open source, donde se pueden aprovechar los conocimientos de la comunidad para afinar al máximo los modelos predictivos. 

Superada esta fase de training, testamos el modelo MMM con unos datos que no ha utilizado anteriormente, de manera que pueda realizar una predicción basándose en los patrones que ha detectado durante el entrenamiento, lo que permite evaluar si el modelo predictivo es eficaz y se ajusta a la realidad.

 A través del Machine Learning e Inteligencia Artificial, se realizan ajustes progresivos y se afinan los distintos parámetros para perfeccionar el modelo y que se ajusten lo mejor posible a las variables de la evolución de ventas que se necesitan explicar.

Resultados de un modelo MMM (Marketing Mix Modeling)

Los resultados de la modelización de marketing mix permiten a perfiles como CEOs y CMOs obtener información estratégica que ayude a ajustar el presupuesto de marketing y optimizar el plan de medios de la empresa para obtener un mejor retorno de la inversión. 

Estos serían los principales beneficios tangibles de la modelización de la curva de ventas.

Ventas modelizadas

El primer resultado que obtiene una empresa que implemente una metodología MMM es el ajuste de los datos de la predicción a la realidad. En la medida en que un modelo es capaz de explicar los causantes y condicionantes que influyen en la curva de ventas podremos obtener un modelo creíble y bien afinado que permita la predicción de las ventas en función de la evolución de las distintas variables.

 

 

Análisis de gastos y efectos

El segundo elemento que se puede obtener con una metodología MMM es la relación entre el porcentaje de gastos y la distribución de cada uno de los canales de publicidad y comunicación. En esta parte se pueden identificar cuáles son los canales de comunicación con exceso de gasto, así como los canales con un potencial de éxito en caso de recibir mayor inversión. Podemos obtener también datos relativos al ROI (Return On Investment) por cada canal.

 

Optimización del budget

El MMM nos aporta las claves para la optimización del presupuesto de inversión en marketing y publicidad. Sin incrementar el presupuesto global de marketing, podemos conocer qué distribución del gasto tendría el mayor efecto en los resultados de la empresa. Éste es uno de los objetivos principales, ya que como decíamos al principio, uno de los retos clave es entender qué gasto publicitario no está generando el suficiente impacto dentro de nuestro mix de marketing.

Modelización de escenarios

El cuarto elemento en el que la metodología del MMM puede ayudar a una compañía es la simulación o modelización de escenarios. Se trata de un proceso estratégico clave para la toma de decisiones. Podemos responder a preguntas como cuál sería el efecto de un aumento de la inversión en un determinado canal publicitario, como por ejemplo el SEM, o qué impacto tendría un incremento de la inversión del 10% en todos los canales. 

Descomposición de patrones temporales y peso de las distintas variables

El último objetivo de un MMM es detectar patrones en la evolución de las ventas por períodos de tiempo, o en momentos concretos. Podemos medir la evolución de los resultados en períodos estacionales, festivos específicos o cualquier evento contextual que pueda tener un impacto en las ventas.

¿Qué hacer después de crear un modelo MMM (Marketing Mix Modeling)? 

Después de llevar a cabo un MMM con un alto grado de precisión y eficacia en sus predicciones, el trabajo no termina ahí. 

Por una parte, se puede dar continuidad al modelo reentrenando y afinando el mismo a partir de nuevos datos obtenidos en los períodos sucesivos a los datos originales con los que se ha entrenado el modelo.

Por otra parte las empresas pueden calibrar el modelo a través de los Conversion Lifts Experiments (CLEs). Aplicar experimentos reales de tests A/B, a partir de canales digitales como Facebook Ads o Instagram Ads, permiten evaluar y ajustar nuestros modelos de marketing mix para mejorar el conocimiento predictivo y optimizar la toma de decisiones.

En conclusión

MMM es una metodología sólida, basada en Inteligencia Artificial y Machine Learning que ayuda a las empresas a conocer el impacto estratégico de las distintas palancas de marketing. Esta solución utiliza datos reales y validados para poder medir el ROAS por canal, optimizar el presupuesto y predecir escenarios futuros de manera muy eficaz.

Hoy más que nunca es importante que los CEO y CMO de las empresas se comprometan con la medición de la eficacia publicitaria, ya que existen metodologías basadas en IA que permiten elaborar modelos que ayudan a entender nuestras ventas con un alto de precisión y mejorar la toma de decisiones.

En Kraz, consultora anlítica de datos, trabajamos con Robyn, el código open source de Meta Platforms Inc (anteriormente Facebook), para la creación de modelos de marketing mix de acuerdo con tus objetivos.

Si estás interesado en explorar la implementación de modelos MMM, solicita una reunión con nosotros.

Si te gusta lo que estás leyendo…

Nuestros últimos posts

No te pierdas ninguna de nuestras novedades del blog y suscríbete a nuestra newsletter