Modelado de mezcla de marketing (MMM) explicado

El modelado mixto es más antiguo que Internet; las compañías de bienes de consumo lo utilizaron para asignar presupuestos de televisión e impresión décadas antes de que alguien hiciera clic en un anuncio. Se cayó de moda cuando el seguimiento digital prometió seguir a cada cliente individualmente, y ha vuelto a rugir a medida que esa promesa se derrumbaba. El MMM moderno es más accesible de lo que sugiere su ascendencia corporativa: bibliotecas de código abierto, computación más barata y mejores prácticas lo han puesto al alcance de equipos de tamaño medio. Este artículo explica qué es, cómo funciona conceptualmente, qué exige y cómo evitar las formas en que sale mal.

La idea central

Deshazte de las matemáticas y MMM hace una pregunta simple de la historia.

Aprendiendo de la variación

Si sus ventas semanales aumentaron y cayeron en dos años, mientras que su actividad en el canal también varió, el patrón de comovimiento contiene información. Semanas con una fuerte actividad de correo electrónico y fuertes ventas, semanas con campañas pausadas y ventas suaves, empujes regionales que coincidieron con los levantamientos regionales: un modelo de regresión formaliza este trabajo de detective en todos los canales simultáneamente, estimando cuánto resultado acompañó históricamente cada unidad de actividad, después de tener en cuenta todo lo demás que estaba sucediendo.

Los controles lo hacen o lo rompen

Las ventas se mueven por razones que no tienen nada que ver con el marketing: estacionalidad, vacaciones, cambios de precios, falta de existencias, lanzamientos de competidores, condiciones económicas, incluso el clima para algunas categorías. Un modelo creíble incluye estos como variables de control para que el marketing no reciba crédito por diciembre o la culpa de un problema de suministro. La mayoría de los fallos de MMM embarazosos se remontan a un control que falta, no a un algoritmo defectuoso.

Cargo y saturación

Dos transformaciones dan a MMM su realismo. Adstock captura el remanente: el marketing visto esta semana influye en el comportamiento durante semanas después, con fuerza decreciente. Las curvas de saturación capturan los rendimientos decrecientes: el primer incremento de actividad en un canal hace más que el décimo. Ajustar estas formas es lo que permite a un modelo responder a la pregunta que los ejecutivos realmente hacen, que no es “hacer este trabajo de canal”, sino “qué pasaría si cambiamos el presupuesto”.

Lo que MMM necesita de ti

El modelo es tan bueno como sus insumos, y los insumos son un proyecto en sí mismos.

Historia con variación

Necesita al menos dos años de datos semanales, idealmente más, que cubran los resultados y la actividad por canal. Críticamente, la actividad debe haber variado; un canal mantenido a nivel constante para toda la ventana es estadísticamente invisible, porque el modelo nunca observó el mundo sin él. Los equipos que planean MMM a veces introducen deliberadamente variaciones, pulsando canales hacia arriba y hacia abajo, específicamente para hacerlos medibles más adelante.

Medidas de actividad honestas

Los canales de pago contribuyen con el gasto o las impresiones. Los canales orgánicos aportan medidas de actividad: publicaciones publicadas, correos electrónicos enviados, contenido publicado, alcance logrado. Reúna estos de sus propios sistemas; a plataforma de gestión de redes sociales como SocialBlaze proporciona el volumen de publicación y el historial de participación que permite que las redes sociales orgánicas ingresen al modelo como una variable adecuada en lugar de agruparse en una línea base inexplicable. Los canales que quedan fuera del modelo no desaparecen; su efecto se atribuye erróneamente a lo que se correlaciona con ellos.

Un registro de todo lo demás

Ensamblar la serie de control: calendario de promociones, cambios de precios, lanzamientos de productos, interrupciones del sitio, momentos de relaciones públicas. La memoria institucional se evapora rápidamente, por lo que la mejor práctica es un registro de ejecución mantenido a medida que ocurren los eventos. Los futuros analistas tratarán ese registro como un tesoro.

Leer la salida MMM correctamente

Los entregables son poderosos y rutinariamente mal leídos.

Descomposición de la contribución

El resultado del titular divide los resultados históricos en una línea de base, lo que habría sucedido sin marketing, más un segmento de contribución por canal. Los niveles básicos a menudo son más grandes de lo que esperan los recién llegados, lo que refleja la fuerza, el hábito y la distribución de la marca. Una línea de base grande no es una acusación de marketing; gran parte de ella fue construida por el marketing pasado.

Curvas de respuesta y retorno marginal

Para cada canal, el modelo produce una curva que relaciona el nivel de actividad con el resultado. La cantidad estratégica es la pendiente en su punto de operación actual: un canal con excelente rendimiento promedio puede estar saturado en el margen, mientras que un canal pequeño puede ofrecer el mejor próximo dólar. Las decisiones presupuestarias deben seguir lecturas marginales, y esta reformulación por sí sola cambia con frecuencia las asignaciones.

La incertidumbre es parte de la respuesta

Los buenos modelos reportan rangos, no puntos. Un canal estimado con un intervalo amplio es un canal que los datos no pueden precisar, lo cual es en sí mismo procesable: diseñar un experimento para ajustarlo. Los modeladores que presentan números únicos y seguros sin intervalos están ocultando la información más relevante para la decisión que produjo el modelo.

Ejecutar un programa MMM

Un modelo único es un informe; un modelo mantenido es una capacidad.

Construir, comprar o código abierto

Las opciones abarcan proveedores comerciales de MMM, consultorías y marcos de código abierto que operan sus propios analistas. Los proveedores aportan velocidad y experiencia con menos transparencia; el control interno y el aprendizaje institucional con un requisito real de personal. Sea cual sea el camino, insista en ver la validación: qué tan bien predice el modelo las semanas retrasadas en las que nunca se entrenó, y si sus estimaciones se mantienen estables bajo cambios razonables de especificación.

Calibrar contra los experimentos

La práctica moderna más sólida suelda MMM a las pruebas de incrementalidad. Cuando un geo-holdout mide directamente el verdadero impulso de un canal, ese resultado ancla la estimación del modelo para el canal, y el modelo extiende el aprendizaje a través del tiempo y los niveles de presupuesto que los experimentos no pueden cubrir. Cada método corrige los puntos ciegos del otro; juntos forman un sistema de medición en lugar de un par de opiniones en competencia.

Refrescarse en un ritmo

Los mercados se desvían, los canales maduran y los modelos se vuelven obsoletos. Las actualizaciones trimestrales o semestrales con nuevos datos, además de un nuevo examen de los controles después de grandes cambios en el negocio, mantienen las estimaciones conectadas a la realidad actual. Rastrear si las predicciones hacia adelante del modelo siguen aterrizando; el error de predicción que se arrastra hacia arriba es la señal para revisar la especificación.

Donde MMM encaja entre los métodos

MMM responde a algunas preguntas de manera brillante y otras no.

Su territorio natural

Asignación presupuestaria trimestral y anual, contribución a nivel de canal en un mundo con restricciones de privacidad, planificación de escenarios para cambios presupuestarios y valorando los canales que la atribución a nivel de usuario estructuralmente subestima, incluidos los medios de marca, audio y programas orgánicos con horizontes de influencia largos. Es el único método que maneja todos los canales, en línea y fuera de línea, en un marco coherente.

Sus puntos ciegos

MMM es agregado y lento. No puede decirte qué creativo ejecutar mañana, qué línea de asunto ganó o qué publicación resonó; el análisis de participación y las pruebas controladas son las propietarias de esas preguntas. También lucha con canales nuevos que carecen de historia y con canales que nunca variaron. Utilícelo para las grandes decisiones lentas y otras herramientas para las pequeñas rápidas.

Una imagen operativa combinada

Los equipos maduros ejecutan tres capas: plataforma siempre activa y análisis de contenido para velocidad táctica, experimentos periódicos para verdad causal y MMM para asignación estratégica, cada uno calibrando los demás. El desacuerdo entre capas no es un fracaso; es información sobre dónde la realidad es más complicada que cualquier lente individual.

Un ejemplo mental trabajado

Las descripciones abstractas de MMM encajan con un recorrido concreto y simplificado de lo que el modelo ve y dice.

La configuración

Imagine un negocio de suscripción con tres años de historia semanal: registros como resultado, más series semanales para envíos de correo electrónico, publicaciones sociales orgánicas publicadas, semanas de patrocinio de podcast y una campaña de búsqueda cuyo presupuesto subió y bajó estacionalmente. Los controles incluyen un cambio de precio a mitad de camino, dos lanzamientos de productos y semanas de vacaciones marcadas. Nada en este conjunto de datos identifica a un solo usuario; es completamente agregado, que es el punto entero.

Lo que el modelo nota

El proceso de ajuste encuentra, por ejemplo, que las semanas de registro se mueven simultáneamente con el gasto de búsqueda rápida y bruscamente, con semanas de podcast en un retraso que decae durante aproximadamente un mes, y con una publicación social sostenida en una construcción lenta que las semanas individuales apenas muestran. El cambio de precio explica un cambio de nivel que ningún canal podría, que es exactamente para lo que era el control. Cada canal recibe una curva de respuesta: la búsqueda aumenta rápidamente y se aplana temprano, lo que sugiere saturación en los presupuestos actuales; la curva de las redes sociales es menos profunda pero sigue subiendo, lo que sugiere un margen de margen sin explotar.

Lo que el equipo hace con él

La conversación de asignación cambia de opiniones a compensaciones: recortar el presupuesto de la curva más plana, reinvertir donde la pendiente marginal es más pronunciada y encargar un experimento geográfico en la estimación del podcast, el intervalo más amplio en el modelo, para ajustarlo antes de renovar el patrocinio. Ninguno de estos movimientos requería rastrear a un solo individuo, y cada uno se vuelve a examinar cuando el modelo se actualiza el próximo trimestre con la nueva variación que esas mismas decisiones crearon.

Empezar sin sobrecoger

Comience con la auditoría de datos: ¿puede reunir dos años de resultados semanales, actividad de canal y controles? Ese ejercicio cuesta poco y es valioso independientemente de si modela este año. A continuación, ajuste un modelo simple, incluso una regresión básica con estacionalidad, para aprender las peculiaridades de sus datos y desarrollar la alfabetización organizacional en contribuciones y curvas de lectura. Introduce una variación deliberada en los canales que quieras medir. Luego, decida entre el proveedor y el interno con expectativas realistas: el primer modelo es el peor modelo que tendrá, y el valor se combina a través de ciclos de actualización a medida que se acumulan los experimentos de calibración. Los equipos que tratan a MMM como un sistema de aprendizaje permanente, en lugar de un oráculo de una sola vez, son los que todavía lo usan de manera rentable años después.