Marketing Mix Modeling: optimizando las campañas de mercadeo

Todo lo que querías saber, pero tenías miedo de preguntar

El dilema del marketing

Sean grandes o pequeñas, todas las compañías necesitan invertir en mercadeo para dar a conocer sus productos y servicios. Las inversiones en mercadeo suelen ser considerables y pueden marcar una diferencia entre la supervivencia o declive de una organización. Solo en Estados Unidos, la inversión total en marketing en 2020 fue de 225.8 mil millones de dólares, y se estima que pueda subir hasta 322 mil millones para 2024.

Sin embargo, nadie realmente puede pronosticar qué tan efectiva será su inversión de marketing. Esto no es un problema nuevo; en 1922 el magnate y pionero del marketing, John Wanamaker, expresaba sus inquietudes al respecto de la siguiente manera:

La mitad de lo que gasto en mercadeo es desperdiciado, el problema es que no se cuál mitad. — John Wanamaker

Hoy en día este problema es exacerbado por la cantidad de canales, tanto digitales como tradicionales, que se usan para realizar campañas de mercadeo. La situación es tan extraña que incluso hay compañías que no han visto cambios significativos en sus ingresos al disminuir su presencia digital.

Por lo tanto, entender la efectividad de los diferentes canales de mercadeo es esencial para la buena toma de decisiones en mercadeo. En este contexto las metodologías de atribución permiten calcular el impacto de cada medio sobre algún objetivo de negocio en el tiempo. En este artículo nos enfocaremos en entender la metodología de Marketing Mix Modeling.

¿De qué se trata?

Mix de medios

En esencia, Marketing Mix Modeling (MMM) es un modelo econométrico que busca estimar el impacto de las actividades de mercadeo sobre las ventas de algún producto o servicio. El modelo utiliza datos históricos y técnicas de modelado para estimar la relación entre las actividades de mercadeo y la métrica de interés.

Mediante el uso de MMM es posible responder preguntas como:

• ¿Cuál es el canal de mercadeo más efectivo?
• ¿Cuál es el nivel de inversión apropiado para cada canal de mercadeo?
• ¿Conviene seguir manteniendo el mismo nivel de inversión?
• ¿En qué momento los anuncios dejan de ser efectivos?

La ventaja de este tipo de modelos es que permiten analizar el retorno de la inversión (ROI) de los diferentes esfuerzos de marketing. A partir de este análisis es posible extraer insights de valor para el negocio, los cuales permiten ajustar las tácticas y estrategias de mercadeo. Así mismo, es posible explorar diferentes escenarios para la asignación óptima del presupuesto.

¡Ten en cuenta! La aplicación de MMM requiere suficientes datos históricos, por los menos 2–3 años previos con periodicidad semanal, para ser efectivo. Por lo tanto, esta metodología no es muy útil para analizar productos relativamente nuevos.

Consideraciones sobre un proyecto de Marketing Mix Modeling

Antes de comenzar algún proyecto de MMM, Adometry — ahora parte de Google — recomienda adoptar los siguientes pasos para poder enfocar los esfuerzos de la organización y extraer el mayor valor al proyecto.

1. Establecer metas: La clave de un buen proyecto de MMM es identificar las necesidades y objetivos, incluyendo las preguntas que el negocio busca responder. Estas preguntas servirán como guía para delimitar el alcance del proyecto y entender mejor qué información es esencial para alcanzar los objetivos.
2. Alinear a la organización y partes interesadas para entender los datos: Los modelos de Marketing Mix suelen requerir grandes cantidades de datos provenientes de fuentes internas y externas. Es importante conocer quiénes son los responsables de las fuentes y establecer los tiempos adecuados para obtener los datos requeridos. Por lo general, el equipo de marketing y sus aliados (agencias de publicidad, agencias de medios digitales, entre otros) son los responsables de las fuentes internas, aunque pueden haber más partes involucradas.
3. Identificar los datos más relevantes: Existen dos fuentes principales de información: las fuentes internas; que existen dentro de repositorios de datos dentro de las organizaciones, y las fuentes externas; que poseen datos sobre factores macroeconómicos, eventos estacionales, entre otros. Las fuentes internas, generalmente, se obtienen mediante plataformas (CRM, herramientas BI, etc.). Por otro lado, las fuentes externas pueden venir del gobierno, instituciones financieras y empresas privadas que realizan investigaciones de mercadeo. Identificar las fuentes información de manera anticipada permite ahorrar bastante tiempo y esfuerzo.
4. Entender el acceso a las fuentes de información: Se debe tener en cuenta que no todas las fuentes de información estarán disponibles de forma inmediata. En algunos casos, será necesario realizar transformaciones para ajustar los datos en el formato adecuado. Esto implica considerar los costos en tiempo y recursos para obtener los datos en la forma que se necesitan. Asimismo, considere que pueden haber datos de terceros que tengan costo.

Pasos para realizar un proyecto de Marketing Mix Modeling

Una de las metodologías más comunes para proyectos de ciencia de datos es la metodología CRISP-DM (CRoss Industry Standard Process for Data Mining). El equipo de MASS Analytics ha adaptado esta metodología para la ejecución de proyectos de MMM. La ventaja de implementar esta metodología es que el proceso es más confiable y fácil de repetir; asimismo, lo hace más fácil de entender para aquellos con pocos conocimientos en estadística y/o ciencia de datos.

Fuente: IBM

Bajo esta metodología, el proyecto de Marketing Mix Modeling se descompone en seis etapas:

1. Entendimiento del negocio: El objetivo de esta etapa es entender las necesidades del negocio y las inquietudes que se busca responder mediante MMM. Esto permite definir las metas y entregables del proyecto.

¡Importante! Contar con el apoyo de los líderes es vital para la implementación de proyectos de Marketing Mix Modeling en las organizaciones.

2. Recolección de los datos: En esta etapa se realiza la solicitud de los datos a los responsables de la información. Hacemos la recolección, preparación y limpieza de datos según se requiera. Sin importar la confiabilidad de la fuente, siempre es importante revisar los datos; la integridad del proceso depende de la calidad de la información (Garbage In-Garbage Out o GIGO por sus siglas en ingles).

3. Exploración de los datos: Aquí se examinan los datos mediante visualizaciones y análisis de datos para encontrar patrones y ajustar las variables que finalmente entrarán al modelo econométrico. Es muy común que se realicen transformaciones a las variables antes de entrar al modelo. Por ejemplo, las inversiones suelen transformarse para considerar efectos decrecientes (carryover) o efectos de saturación (diminishing returns). Otro entregable importante en esta etapa son las hipótesis sobre el comportamiento de los datos en el tiempo. Esto nos permite priorizar ciertas variables, explorar combinaciones de variables u otros cambios para obtener el mejor modelo.

¡Ten en cuenta! Es muy posible que gran parte del tiempo del proyecto transcurra en estas últimas dos etapas. Mejorar el flujo de datos y estandarizar los procesos para la obtención de los datos en los formatos requeridos, ayuda a reducir los tiempos.

4. Modelamiento: En esta etapa se construye el modelo de manera iterativa, seleccionando diferentes combinaciones de variables e hiperparámetros hasta obtener un modelo que cumpla con los requerimientos técnicos y de negocio.

5. Evaluación: Un buen modelo va más allá de su robustez a nivel estadístico. Hay un arte detrás de la creación de modelos MMM pues el contexto de negocio da forma al modelo y da soporte a las recomendaciones y aprendizajes.

Si el modelamiento se realiza en el vacío, desprovisto de contexto, puede llevar a decisiones suboptimas e incluso equivocadas. — Rajika Karunanayaka

Por ende, la comunicación con las partes interesadas es vital para ajustar correctamente los modelos. Los mejores modelos MMM permiten articular una historia para que el negocio pueda tomar decisiones basadas en datos.

Adicionalmente, en esta etapa se realizan los análisis de escenarios, optimizaciones y recomendaciones basados en los resultados del modelo.

6. Despliegue: En la etapa final se comparten los resultados y aprendizajes al negocio para la toma de decisiones. Con el fin de lograr una buena adopción del modelo, es importante hacer seguimiento a la implementación de estas recomendaciones. En la práctica, se ha observado que los resultados de la optimización y los análisis de escenarios son particularmente de interés pues permiten evaluar situaciones del tipo “¿Qué pasaría si …”? Finalmente es una buena práctica informar a otras partes potencialmente interesadas sobre los hallazgos con el fin de diseminar las recomendaciones y hacer que los resultados sean más accionables.

En la siguiente parte de este artículo, entraremos en más detalle sobre Marketing Mix Modeling mediante un ejemplo en Python; entenderemos cómo se construye un modelo MMM y cómo los diferentes entregables del modelo pueden usarse para la toma de decisiones. ¡No te lo pierdas!

Conclusión

Existe bastante incertidumbre acerca de la efectividad de las diferentes campañas de mercadeo. Marketing Mix Modeling es una herramienta que puede ayudar a aclarar varias de las dudas al utilizar modelos estadísticos para comprender el comportamiento histórico de las campañas y su impacto sobre métricas de interés. Bien implementados, estos modelos permiten optimizar la asignación de presupuesto y explorar diferentes escenarios.

En este artículo hemos explorado los diferentes pasos y recomendaciones para implementar Marketing Mix Modeling de manera robusta, buscando que aporte valor a una compañía. Invertir en la generación de este tipo de modelos mejora la confianza en las decisiones sobre mercadeo en los diferentes canales y puede convertirse en un factor diferenciador para las organizaciones.

Si tienes dudas o apreciaciones, escríbelas en la caja de comentarios; estaremos muy atentos para responderlas.