El modelado de mezcla de marketing, o MMM, es un método estadístico que estima cuánto contribuye cada canal de marketing a las ventas, utilizando datos agregados semanales o diarios en lugar de seguimiento de usuarios. Las herramientas asistidas por AI, incluidos los proyectos de código abierto como Meridian de Google y Robyn de Meta, facilitan la creación de modelos. Las pequeñas empresas pueden empezar si tienen unos dos años de datos consistentes de gastos y ventas.
¿Por qué está de moda el MMM?
La atribución basada en clics se ha vuelto menos fiable. Las funciones de privacidad del navegador, los requisitos de consentimiento y los cambios en el seguimiento de aplicaciones significan que muchas conversiones no pueden vincularse a un clic en un anuncio. Los informes de las plataformas también tienden a acreditarse a sí mismos. El MMM evita esto observando la relación entre el gasto y los resultados a lo largo del tiempo, sin datos personales.
El método tiene décadas de antigüedad, pero solía requerir consultores costosos. Las bibliotecas de código abierto, la computación más barata y los asistentes de codificación de AI han reducido la barrera. Un especialista en marketing cómodo con hojas de cálculo y algo de Python, o trabajando con un analista, ahora puede ejecutar un modelo básico.
¿Es el MMM realista para una pequeña empresa?
Depende de los datos, no del tamaño de la empresa. El MMM necesita variación: semanas en las que gastó más en Meta y menos en Google, una pausa en un canal, un impulso estacional. Si ha gastado la misma cantidad en los mismos dos canales cada semana durante un año, el modelo tiene poco que aprender.
- Al menos de 18 a 24 meses de datos semanales es una regla general común
- Gasto por canal por semana, de cada plataforma publicitaria
- Ventas o clientes potenciales por semana de su tienda o CRM, no de plataformas publicitarias
- Eventos conocidos: promociones, cambios de precios, falta de existencias, días festivos
- Idealmente, algo de variación natural en el gasto entre canales
Para una empresa que gasta una pequeña cantidad en dos canales, un enfoque más simple puede ser mejor: pruebas planificadas de encendido/apagado o pruebas geográficas en un canal a la vez. El MMM se vuelve valioso cuando hay varios canales y la pregunta de dónde mover el presupuesto es real.
¿Qué herramientas puede utilizar?
Meridian es el marco de trabajo MMM bayesiano de código abierto de Google, escrito en Python. Robyn es el paquete de código abierto de Meta, construido en R con una interfaz de Python disponible. Ambos son gratuitos y están documentados en GitHub. También existen herramientas SaaS comerciales que envuelven el modelado en un panel, dirigidas a marcas de comercio electrónico.
La asistencia de AI se encuentra en varios lugares. Los asistentes de codificación como ChatGPT, Claude o Gemini ayudan a escribir los scripts de limpieza de datos y modelos. Las bibliotecas en sí utilizan optimización automatizada para probar muchas configuraciones de modelos. Y los modelos de lenguaje pueden ayudar a explicar los resultados en términos sencillos, aunque una persona debe verificar la explicación con los números.
¿Cómo construir un primer modelo paso a paso?
- Paso 1: Exporte el gasto semanal por canal desde Google Ads, Meta Ads Manager y cualquier otra fuente pagada
- Paso 2: Exporte los ingresos semanales o clientes potenciales desde Shopify, WooCommerce o su CRM
- Paso 3: Agregue columnas para promociones, días festivos y cambios de precios
- Paso 4: Verifique los datos en busca de lagunas y errores obvios, como una semana con cero ventas debido a un problema de seguimiento
- Paso 5: Ejecute un modelo básico con la configuración predeterminada y el ejemplo de documentación de la biblioteca
- Paso 6: Revise las estimaciones de contribución del canal y sus rangos de incertidumbre
- Paso 7: Compare los resultados con cualquier cosa que ya sepa, como el efecto de una pausa pasada
- Paso 8: Planifique una prueba para verificar la mayor afirmación del modelo
¿Qué errores deben evitar los principiantes?
El primer error es tratar el resultado como una verdad. El MMM da estimaciones con rangos, y esos rangos pueden ser amplios para conjuntos de datos pequeños. Si el modelo dice que un canal devuelve tres veces su costo con un rango de menos de uno a seis, la conclusión honesta es ‘todavía no lo sabemos’.
El segundo error es ignorar las cosas que no son marketing. Una caída de precios, un nuevo competidor o una publicación social viral pueden impulsar las ventas. Si faltan en los datos, el modelo los acreditará al canal que haya gastado más esa semana.
- No utilice los recuentos de conversiones de la plataforma publicitaria como resultado
- No incluya canales sin casi variación de gasto y espere respuestas claras
- No realice grandes cambios de presupuesto basados en una sola ejecución de modelo
- Registre lo que cambió en el negocio cada semana
¿Cómo convertir los resultados en decisiones?
Utilice el modelo para formar una hipótesis, luego pruébela. Si el MMM sugiere que YouTube contribuye más de lo que muestra la atribución de clics, aumente el gasto en YouTube de forma controlada durante un período determinado, o realice una prueba geográfica, y vea si las ventas totales responden. Meta y Google ofrecen herramientas de estudio de elevación para algunos anunciantes que pueden ayudar a validar los hallazgos.
Vuelva a ejecutar el modelo cada trimestre a medida que lleguen nuevos datos. Con el tiempo, la combinación de estimaciones de modelos y resultados de experimentos ofrece una visión mucho más fiable que cualquiera de ellos por separado.
Cómo aplica Alien Road el modelado de mezcla de marketing asistido por AI
En un compromiso típico para un anunciante más pequeño, comenzamos con una verificación de preparación de datos: cuántas semanas de datos limpios de gastos y ventas existen, qué canales varían lo suficiente como para modelar y qué eventos comerciales deben registrarse. Si los datos son demasiado escasos, recomendamos primero pruebas estructuradas y configuramos la recopilación de datos para que el MMM sea posible más adelante.
Cuando los datos están listos, nuestros analistas construyen un modelo con un marco de código abierto, documentan cada suposición y presentan resultados con rangos de incertidumbre en lugar de números únicos. Las recomendaciones siempre incluyen una prueba de validación. Los informes trimestrales actualizan el modelo, comparan los resultados previstos y reales y ajustan el plan presupuestario.
Mantenga el primer modelo deliberadamente pequeño. Tres o cuatro canales, un puñado de variables de control y una documentación clara le enseñarán más que un modelo ambicioso que nadie en el equipo puede explicar al departamento de finanzas.
Por dónde empezar esta semana
Cree una hoja de cálculo con una fila por semana durante los últimos dos años. Agregue columnas para el gasto por canal y para los ingresos de su propia tienda o CRM. Complete lo que pueda y marque las lagunas. Si termina con datos limpios para la mayoría de las semanas y al menos dos canales que variaron, está listo para un primer modelo.
Siga leyendo: Publicidad · Optimización de publicidad con AI