El modelado de mezcla de marketing asistido por IA estima cuánto contribuye cada canal, incluida la búsqueda orgánica, a las ventas mediante el análisis de gastos, actividad e ingresos agregados a lo largo del tiempo. Para el SEO, cambia la conversación de la atribución del último clic a la contribución incremental, pero solo si la búsqueda orgánica se introduce en el modelo como una variable adecuada en lugar de tratarse como ruido de fondo.
El interés en MMM ha crecido a medida que las cookies, el seguimiento de aplicaciones y la atribución a nivel de clic se han debilitado. Las herramientas de código abierto como Meridian de Google y Robyn de Meta, además de las plataformas comerciales, lo han hecho más accesible. La pregunta para los equipos orgánicos es cómo aparece su trabajo.
¿Qué es el modelado de mezcla de marketing?
MMM es un modelo estadístico, generalmente una forma de regresión, que relaciona resultados semanales o diarios, como ingresos o clientes potenciales, con entradas como el gasto en medios por canal, promociones, precios, estacionalidad y factores externos. No necesita seguimiento a nivel de usuario, por lo que sobrevive a los cambios de privacidad.
La parte “asistida por IA” generalmente significa métodos bayesianos, búsqueda automatizada de hiperparámetros y aprendizaje automático utilizado para estimar el adstock (cuánto dura el efecto de un canal) y la saturación (donde el gasto adicional deja de compensar). Algunas plataformas también utilizan modelos de lenguaje para explicar los resultados en texto plano.
¿Por qué es difícil modelar el SEO?
Los canales pagados tienen una entrada limpia: el gasto. La búsqueda orgánica no. No hay una línea de presupuesto semanal que mueva la visibilidad hacia arriba y hacia abajo, y el efecto del trabajo de contenido llega de forma lenta y desigual.
- Las entradas son indirectas: contenido publicado, enlaces ganados, correcciones técnicas, nada de esto se mide en dinero
- Los efectos se retrasan semanas o meses, más que los efectos de la mayoría de los canales pagados
- La visibilidad orgánica se ve afectada por cosas fuera de su control, como actualizaciones de algoritmos y movimientos de la competencia
- La demanda de marca impulsa la búsqueda de marca, por lo que los clics orgánicos reflejan parcialmente el éxito de otros canales
Si el modelo simplemente deja fuera el SEO, su contribución se absorbe en la línea base o se acredita erróneamente a cualquier canal pagado que se movió al mismo tiempo.
¿Cómo debería entrar la búsqueda orgánica en el modelo?
La mayoría de los profesionales utilizan una variable de actividad o exposición en lugar de gasto. Las opciones comunes son los clics o impresiones orgánicas semanales sin marca de Google Search Console, separados de las consultas de marca.
- Utilice los clics orgánicos sin marca como la variable principal de SEO
- Modele la búsqueda de marca por separado, como un resultado influenciado por otros canales
- Agregue fechas conocidas de actualización de algoritmos como variables de evento
- Registre los cambios importantes del sitio, como las migraciones, también como eventos
- Mantenga al menos dos años de datos semanales siempre que sea posible
Tratar los clics sin marca como una entrada no es perfecto, porque los clics son en parte un resultado también. Pero es mucho mejor que ignorar el canal, y le da un coeficiente que puede discutir.
¿Qué cambia para los presupuestos de SEO?
Una vez que la búsqueda orgánica aparece en el modelo con una contribución estimada, se puede comparar con los canales pagados en la misma moneda: ingresos por unidad de actividad. La inversión en SEO compite entonces sobre la base de pruebas en lugar de gráficos de tráfico.
Esto funciona en ambos sentidos. Un modelo puede mostrar que una gran parte de los clics orgánicos son impulsados por la marca y habrían sucedido de todos modos. También puede mostrar que el tráfico orgánico sin marca impulsa las ventas a un costo menor que algunas campañas pagadas. Cualquiera de los dos resultados es más útil que el estancamiento habitual entre los equipos de SEO y pagados.
¿La búsqueda por IA cambia el panorama?
Los resúmenes de IA en Google, la búsqueda de ChatGPT y Perplexity responden algunas consultas sin un clic. En términos de MMM, eso puede reducir los clics orgánicos mientras que el conocimiento de la marca y las búsquedas de marca posteriores se mantienen. Si solo modela los clics, puede subestimar la influencia orgánica.
Una respuesta práctica es rastrear la visibilidad de la IA por separado, por ejemplo, la proporción de indicaciones rastreadas donde se cita su marca, y probarla como una variable adicional una vez que exista suficiente historial. Trate los primeros resultados con precaución; las series de datos son cortas.
¿Cómo se valida el modelo?
Los resultados de MMM parecen precisos y pueden estar muy equivocados. La validación importa más que la herramienta.
- Compruebe que los ingresos previstos sigan los ingresos reales en las semanas de prueba
- Realice experimentos basados en geografía o tiempo para canales pagados y compare con las estimaciones del modelo
- Para SEO, utilice lanzamientos de contenido o pausas deliberadas en una sección como experimentos naturales
- Observe si los coeficientes son estables cuando agrega o elimina unos meses de datos
Cómo Alien Road aplica el modelado de mezcla de marketing asistido por IA
En un compromiso típico, nuestro equipo comienza con un inventario de datos: gasto semanal por canal, exportaciones de Search Console divididas en marca y sin marca, ingresos de CRM, promociones y eventos conocidos. El historial faltante es el bloqueador habitual, por lo que documentamos las brechas antes de cualquier modelado.
Luego construimos un primer modelo con un marco de código abierto como Meridian o Robyn, revisamos los resultados con los equipos pagados y orgánicos del cliente juntos, y acordamos qué experimentos probarán las estimaciones más inciertas. La búsqueda orgánica siempre se modela como su propia variable, con las consultas de marca separadas.
Los informes son trimestrales, con el modelo actualizado y las recomendaciones presupuestarias expresadas como rangos, no como números únicos. Donde el modelo y un experimento no están de acuerdo, el experimento gana y el modelo se ajusta.
¿Qué problemas de calidad de datos rompen el MMM?
La mayoría de los proyectos de MMM fallan en los datos, no en las estadísticas. El gasto registrado en las fechas de factura en lugar de las fechas de entrega desplaza los efectos por semanas. Los ingresos que mezclan canales, como el mercado y las ventas directas, ocultan lo que impulsa cada canal. Las promociones que no se registran se acreditan a cualquier medio que se ejecutó al mismo tiempo.
- Registre el gasto por la semana en que se ejecutó, no la semana en que se facturó
- Separe las fuentes de ingresos donde el modelo de negocio lo permita
- Registre cada promoción, cambio de precio y falta de existencias con fechas
- Anote los cambios de seguimiento, como una migración de GA4, como eventos
Por dónde empezar esta semana
Exporte dos años de datos semanales de Search Console y divídalos en consultas de marca y sin marca utilizando una expresión regular para los nombres de su marca. Póngalo junto a los ingresos semanales y el gasto pagado en una hoja. Incluso antes de que exista un modelo, esa tabla muestra si el orgánico sin marca se mueve con las ventas, y es la primera entrada que necesitará cualquier proyecto de MMM.
Espere que el primer modelo sea aproximado. Su valor principal es a menudo la conversación que obliga entre los equipos pagados y orgánicos sobre qué datos faltan y qué suposiciones ha estado haciendo cada lado.
Siga leyendo: Publicidad · Optimización de publicidad con IA