En Kraz somos firmes defensores de la metodología MMM (Marketing Mix Modeling) como fuente de conocimiento de las organizaciones respecto al impacto de sus acciones de marketing y comunicación. Sin embargo, esta metodología requiere de una cuidadosa planificación e implementación. Conseguir un buen modelo es el resultado final de un proceso iterativo con sucesivas buenas decisiones durante todas estas etapas iterativas y para ello es necesario conocer cuáles son los errores más comunes que cometen las marcas al implementar modelos de Marketing Mix Modeling. ¿Quieres saber más? ¡Sigue leyendo!
Los errores más comunes a la hora de implementar un modelo MMM
1. Ajuste inadecuado de la curva de ventas a explicar
El punto de partida de un modelo MMM tiene que ser un buen nivel mínimo de ajuste de la curva de ventas a explicar.
Si no somos capaces de generar un modelo que reproduzca la evolución histórica de las ventas a explicar, no podremos realizar ningún análisis sólido sobre los resultados del modelo.
¿Cuáles son los indicadores de la bondad del ajuste? Hay muchos indicadores estadísticos relacionados con la bondad de ajuste de un modelo. Entre ellos, hay 2 que son fundamentales:
- R cuadrado (R^2 o R2): El R cuadrado es una medida común de la bondad de ajuste en la regresión. Representa la proporción de la variabilidad en la variable dependiente que se explica por el modelo. Un valor de R cuadrado cercano a 1 indica que el modelo se ajusta bien a los datos.
- Error porcentual absoluto medio (MAPE, por sus siglas en inglés): El MAPE calcula el promedio del porcentaje absoluto de diferencia entre los valores observados y los valores predichos. Cuanto menor sea el MAPE, mejor será el ajuste del modelo.
¿Qué podemos hacer para ajustar de forma progresiva el ajuste del modelo durante las sucesivas iteraciones?
Lo fundamental es analizar las desviaciones de la curva modelizada vs la evolución de la curva de ventas real. El análisis de estas desviaciones permitirá ver posibles ajustes del modelo, que se concretarán en alguna de estas acciones:
- Introducción de nuevas variables.
- Agregación/desagregación de variables del modelo.
- Ajuste de los hiperparámetros de modelos referentes a adstock y saturation.
Tras sucesivas iteraciones, el modelo escogido debería tener un R2 mínimo del 0.8, y óptimamente del 0.9 o superior.
¡Pero cuidado con tener modelos demasiado ajustados! En ocasiones, cuando alguna de las variables del modelo correlaciona de forma fuerte con la variable a explicar, puede crear situaciones de exceso de fit (overfitting), recibiendo una cuota de contribución que no se corresponde con la realidad.
2. Poca granularidad de las variables explicativas
Las variables explicativas del modelo deben tener un nivel de granularidad que sea el adecuado para la toma de decisiones.
Por ejemplo, en vez de concentrar todas las campañas de display en una única variable, se pueden desagregar según distintos criterios:
- por proveedor / plataforma publicitaria (ej.: google ads vs bing ads)
- por tipología de creatividades (formatos, tamaños)
- por contenido de creatividades (ej.: genéricas vs producto)
- etc
¿Qué variables desagregar y hasta qué nivel? Para nosotros, el criterio tiene que ser el de accionabilidad, es decir, tener el suficiente detalle para que la variable se corresponda con alguna posible palanca concretamente accionable.
La iteración de varios modelos con estas posibles desagregaciones dará muy buenas pistas si un criterio de desagregación es mejor que otro.
Pero tenemos que tener en cuenta que los modelos MMM tienen limitaciones en cuanto al número de posibles variables explicativas a entrar en el modelo. El número de variables está relacionado con la longitud de la serie de datos del modelo (cuanto mayor periodo de datos y mayor detalle temporal, más variables explicativas “cabrán” en el modelo)
3. Enfoque no holístico de las variables explicativas
La metodología MMM se basa en el hecho de que la evolución de las ventas en el tiempo debe ser explicada por todas aquellas variables que expliquen esta evolución. Por tanto, no podemos dejar fuera del modelo a ninguna variable que tenga un impacto en las ventas a explicar.
Si nos dejamos fuera una variable explicativa relevante, la parte de contribución que esa variable debería haber tenido acaba “repartida” entre las otras variables presentes en el modelo… con lo cual se sobreasigna un impacto irreal al resto de variables del modelo por falta de una variable importante ausente en el modelo final.
Por ejemplo: en un modelo de ecommerce tendríamos que incluir la variable “black friday”, que indique los días de este periodo en el que se observarán unas ventas anómalamente altas y el modelo pueda asignar a esta variable el incremento adicional no explicado por otras causas en este periodo.
4. Mala elección del KPI de una variable independiente
Para algunas de las variables explicativas pueden existir distintos KPIs. Ejemplo: la variable de campañas de email puede medirse en cada periodo en nº de campañas, nº de usuarios únicos, nº total de emails enviados, nº de emails abiertos, nº de emails efectivamente entregados (envíos excluyendo bounces), etc. Asimismo, cualquier campaña de display se puede medir en impresiones o clicks.
Solo un indicador por variable deberá ser entrado en el modelo. La iteración y la ejecución de pruebas preliminares será la manera de explorar y encontrar el mejor de estos indicadores.
Pon a prueba tus modelos MMM de la mano de Kraz
Como hemos visto, a la hora de implementar modelos de Marketing Mix Modeling, las compañías caen a veces en algunos errores que es importante conocer para poder evitar. Desde Kraz, como agencia MMM, contamos con un equipo de expertos especialistas en implementar este tipo de modelos en grandes compañías. Por eso, si quieres que te ayudemos a poner en funcionamiento el tuyo evitando este tipo de errores tan comunes, no lo dudes y contacta con nosotros. ¡Estaremos encantados de poder ayudarte!
