Hay una intuición que casi siempre se cumple en marketing: la publicidad no actúa solo en el momento en que se activa. Una campaña hoy puede influir mañana, la semana siguiente y, en algunos canales, durante bastante más tiempo. Sin embargo, muchos modelos siguen tratando la inversión como si su efecto desapareciera en el mismo periodo en que se ejecuta. Esa simplificación no es inocente: altera la atribución, distorsiona el ROI y puede cambiar decisiones presupuestarias millonarias.
Sin embargo, muchos modelos siguen tratando la inversión como si su efecto desapareciera en el mismo periodo en que se ejecuta. Esa simplificación no es inocente: altera la atribución, distorsiona el ROI y puede cambiar decisiones presupuestarias millonarias.
El problema es que, si tu modelo trata la inversión como un input «instantáneo» (gasto hoy — efecto hoy), terminan atribuyendo mal el incremental: sueles infravalorar canales de construcción (brand) y sobrevalorar canales de cierre inmediato. Y eso no es un error estadístico menor: es un sesgo estructural en la toma de decisiones.
Aquí entra en juego el Adstock: una transformación lineal que introduce dependencia temporal en la variable de inversión, convirtiéndola en una señal con memoria explícita y estructura de rezago distribuido. Y en Robyn (la solución MMM de código abierto promovida por Meta), además, el efecto Adstock no es un «ajuste manual»: es un componente estructural del feature engineering que se optimiza como hiperparámetro porque cambia la forma temporal de la señal y, con ella, la atribución y el ROI.
El problema que resuelve el Adstock
Imagina que inviertes 100.000€ en TV esta semana. Parte del efecto se observa rápido, pero otra parte se reparte en el tiempo: recuerdo, consideración, conversaciones, visitas diferidas…
Si el modelo no captura esa persistencia, está forzado a «colocar» todo el efecto en el mismo periodo del gasto (o a repartirlo con rezagos ad hoc). El Adstock formaliza esa dinámica: una inversión genera un efecto que decae con el tiempo.
¿Qué es el Adstock?
De forma intuitiva, el Adstock es una transformación matemática que convierte la inversión publicitaria en una señal que incorpora memoria.
En lugar de asumir que el impacto ocurre solo en el periodo actual, el Adstock considera que cada inversión sigue teniendo efecto en los periodos siguientes, pero con intensidad decreciente. La versión más utilizada es el Adstock geométrico.
Adstock geométrico: la formulación estándar
El Adstock geométrico se construye sobre una idea sencilla: el impacto pasado se va reduciendo con el tiempo según un factor de decaimiento.
Si llamamos:
- Xₜ: inversión en el periodo t
- Aₜ: inversión transformada con Adstock
- θ: factor de decaimiento (0 < θ < 1)
La fórmula es: Aₜ = Xₜ + θ · Aₜ₋₁
Esta expresión corresponde a un rezago distribuido infinito con estructura geométrica, convergente siempre que 0 < θ < 1. Es decir, el gasto actual pesa 1, el anterior pesa θ, el previo θ², etc.
Esta forma recursiva deja claro qué está pasando: en cada periodo sumas el gasto actual y «arrastras» una fracción θ de la presión acumulada anterior.
Interpretación técnica de θ: persistencia, half-life y «masa total» del impulso
1. θ como persistencia
El parámetro θ es el corazón del modelo. Representa el factor de persistencia o decaimiento.
- Si θ es bajo (ej. 0.2), el efecto se disipa rápidamente.
- Si θ es alto (ej. 0.9), el efecto se mantiene durante muchos periodos.
No es un parámetro técnico más, es una hipótesis estructural sobre la dinámica temporal del efecto publicitario. En términos estadísticos, define la persistencia del proceso generado por la transformación. Por eso su interpretación en negocio es clave.
En la práctica, elegir un θ equivocado no solo afecta al ajuste del modelo: redefine cómo entendemos la memoria del mercado.
2. Masa total del impulso (área bajo la respuesta)
Una forma muy útil de entender el modelo es imaginar un único impulso: si inviertes 1€ en un solo periodo y nada más después, el efecto total acumulado de la respuesta geométrica es:
Masa total = 1 / (1 − θ)
Desde el punto de vista matemático, esta expresión corresponde a la suma de una serie geométrica convergente, lo que garantiza estabilidad siempre que 0 < θ < 1.
Esto nos dice cuánto se amplifica el impacto total debido a la persistencia temporal.
Por ejemplo:
-
Si θ = 0.75 → 1 / (1−0.75) = 4
Eso significa que 1€ invertido genera un efecto total equivalente a 4 unidades distribuidas en el tiempo. No porque multiplique mágicamente ventas, sino porque su impacto se prolonga.
Esta lectura cambia la conversación: no estamos multiplicando ventas «mágicamente», estamos cuantificando la persistencia del impacto.
3. Duración media: centro de masa del efecto
Otra métrica muy potente es el tiempo medio de Adstock, que puede interpretarse como el «centro de gravedad temporal» del impacto:
Duración media = θ / (1 − θ)
Esto representa el número promedio de periodos durante los cuales la publicidad sigue teniendo efecto.
Ejemplos:
- Si θ = 0.5 → Duración media = 0.5 / (1−0.5) = 1 periodo
- Si θ = 0.9 → Duración media = 0.9 / (1−0.9) = 9 periodos
Este indicador es especialmente útil en negocio porque traduce el modelo matemático en algo entendible: «Este canal tiene, en promedio, 9 semanas de resonancia.»
De hecho, desde una perspectiva de claridad ejecutiva, este suele ser el indicador más transparente para negocio.
4. Half-life: la métrica más interpretable
La vida media responde a: ¿cuántos periodos tarda el efecto en reducirse a la mitad?
Half-life = log(0.5) / log(θ)
Esto aterriza el parámetro a una unidad entendible (semanas/días). Si trabajas con datos semanales, half-life también está en semanas.
Adstock dentro del Marketing Mix Modeling
En un modelo de Marketing Mix Modeling, no solo queremos predecir ventas: queremos descomponer contribuciones y estimar incremental. El Adstock:
- Introduce memoria publicitaria (Carryover).
- Cambia la forma temporal de cada canal.
- Afecta correlaciones entre canales.
- Altera elasticidades y ROI marginales.
Este punto es crítico: si suavizas demasiado, puedes volver canales más parecidos entre sí (colinealidad); si suavizas demasiado poco, puedes forzar al modelo a asignar impacto inmediato a canales que realmente tienen resonancia.
Cuando esto ocurre, el modelo puede empezar a repartir contribución de forma incorrecta, y con ella, las recomendaciones de inversión.
Por eso el Adstock no es un detalle técnico. Es una decisión con consecuencias directas sobre cómo se mide y se optimiza la inversión publicitaria.