El modelado de mezcla de marketing para pequeñas empresas utiliza análisis estadístico para determinar cómo contribuyen los diferentes canales de marketing a las ventas totales. Al procesar datos semanales agregados de los últimos dos años, este método identifica el retorno de la inversión para cada canal, teniendo en cuenta factores externos como días festivos o cambios de precios. Ofrece a las marcas medianas una forma segura para la privacidad de optimizar su gasto en medios sin depender del seguimiento de usuarios individuales o cookies.
¿Por qué está ganando terreno el modelado de mezcla de marketing ahora?
El panorama digital ha cambiado significativamente debido a las regulaciones de privacidad y la eliminación de las cookies de terceros. Según las tendencias de la industria, el 46,9% de los especialistas en marketing de EE. UU. están aumentando su inversión en modelado de mezcla de marketing, según informan varias encuestas de proveedores. Este cambio ocurre porque los métodos de seguimiento tradicionales como los píxeles a menudo no logran capturar el viaje completo del cliente a través de diferentes dispositivos y puntos de contacto fuera de línea.
Para una empresa mediana, confiar únicamente en la atribución de último clic puede llevar a malas decisiones presupuestarias. Puede ver un alto retorno en Google Ads, pero esos usuarios pueden haber descubierto su marca primero a través de un anuncio de video de Meta. El MMM analiza el panorama general analizando cómo las fluctuaciones en el gasto se correlacionan con las fluctuaciones en los ingresos a lo largo del tiempo.
¿Qué datos necesita una empresa mediana para el MMM?
Para construir un modelo confiable, generalmente necesita aproximadamente dos años de datos semanales. Esta duración es necesaria para tener en cuenta la estacionalidad, como el aumento de las ventas durante el Black Friday o la típica desaceleración del verano. Si solo usa seis meses de datos, el modelo podría atribuir incorrectamente un pico estacional natural a una campaña publicitaria específica que estaba ocurriendo al mismo tiempo.
Los datos requeridos son agregados, lo que significa que no necesita correos electrónicos o nombres de clientes individuales. Necesita el monto total gastado en cada canal por semana y el número total de conversiones o ingresos generados. También debe incluir variables que no sean de marketing que podrían influir en las ventas, como indicadores económicos o incluso patrones climáticos locales si tiene tiendas físicas.
- Datos de medios: Gasto semanal e impresiones para Meta, Google Ads, LinkedIn y YouTube.
- Datos de ventas: Ingresos semanales o volumen de pedidos de Shopify, Amazon o su CRM.
- Datos de referencia: Fechas de días festivos importantes, cambios de precios y lanzamientos de productos.
- Datos externos: Niveles de actividad de la competencia o tendencias económicas regionales.
¿Cómo reducen las herramientas de código abierto la barrera de entrada?
En el pasado, el modelado de mezcla de marketing era un servicio costoso proporcionado solo por consultoras de alto nivel. Esto ha cambiado con el lanzamiento de bibliotecas de código abierto como Robyn de Meta y Meridian de Google. Estas herramientas permiten a las empresas con analistas de datos internos o agencias especializadas ejecutar modelos estadísticos complejos sin pagar enormes tarifas de licencia.
Robyn utiliza un enfoque automatizado para manejar cálculos complejos como el adstock (el efecto persistente de los anuncios) y la saturación (el punto en el que gastar más dinero produce menos resultados). Meridian, que se basa en Python, ofrece un marco similar que se centra en la transparencia y permite una comprensión más profunda de cómo interactúan los diferentes canales de medios entre sí.
Comprender los efectos de adstock y saturación
Un patrón común en el marketing es que el impacto de un anuncio no siempre es inmediato. Esto se conoce como el efecto adstock. Si un cliente potencial ve un anuncio de YouTube un lunes, es posible que no realice una compra hasta el jueves. El modelo utiliza funciones de decaimiento para tener en cuenta este retraso, asegurando que el crédito por una venta se distribuya correctamente durante los días posteriores a la exposición al anuncio.
La saturación es otro concepto crítico para las empresas con presupuestos medianos. Cada canal tiene un punto de rendimientos decrecientes. Por ejemplo, una tienda Shopify que vende café orgánico podría encontrar que gastar $2,000 a la semana en Instagram genera $10,000 en ventas. Sin embargo, aumentar ese gasto a $10,000 podría generar solo $20,000 en ventas. El MMM ayuda a identificar estos puntos de saturación para que pueda mover el presupuesto a canales más eficientes.
Una comparación de MMM y la atribución multitáctil
Es útil ver el MMM y la Atribución Multitáctil (MTA) como herramientas complementarias en lugar de competidoras. Mientras que la MTA se centra en el viaje del usuario individual y los clics a corto plazo, el MMM proporciona una visión macro de todo el ecosistema empresarial.
- Privacidad de datos: El MMM utiliza datos agregados (seguro para la privacidad); la MTA utiliza datos a nivel de usuario (sensible a la privacidad).
- Alcance: El MMM incluye factores fuera de línea y valor de marca; la MTA se limita principalmente a los clics digitales.
- Horizonte temporal: El MMM es mejor para la planificación estratégica a largo plazo; la MTA es mejor para los ajustes diarios de las campañas.
- Enfoque técnico: El MMM utiliza análisis de regresión; la MTA utiliza píxeles de seguimiento y cookies.
Pasos para preparar sus datos de marketing para el modelado
La parte que más tiempo consume del proceso es la preparación de los datos. Debe asegurarse de que sus datos estén limpios y formateados de manera consistente. Una cuenta típica debería comenzar exportando el gasto histórico de plataformas como Google Ads y Meta Ads Manager a nivel semanal.
A continuación, alinee estos datos de medios con sus datos de ingresos. Si su semana fiscal comienza un lunes pero sus informes de marketing comienzan un domingo, deberá realinearlos para asegurarse de que las correlaciones sean precisas. También debe crear un archivo de ‘días festivos’ que enumere todos los eventos importantes que podrían sesgar sus datos, como el Día del Trabajo o períodos promocionales específicos exclusivos de su negocio.
Selección de variables para modelos de pequeñas empresas
No intente incluir cada métrica en su primer modelo. Comience con 5 a 10 variables clave. Estas podrían incluir sus tres canales de gasto principales, su tasa de descuento promedio y un índice de estacionalidad. Agregar demasiadas variables con puntos de datos limitados puede llevar a un ‘sobreajuste’, donde el modelo encuentra patrones que en realidad no existen.
Escenarios de asignación de presupuesto para comercio electrónico
Considere una marca de comercio electrónico mediana que gasta $50,000 por mes en varias plataformas. Al ejecutar un MMM utilizando una herramienta de código abierto como Robyn, la marca podría descubrir que sus anuncios de búsqueda están altamente saturados, lo que significa que el gasto adicional allí es ineficiente. Al mismo tiempo, el modelo podría mostrar que sus anuncios de video tienen un alto ‘efecto halo’, impulsando tráfico indirecto a su sitio web.
Con estos hallazgos, el gerente de marketing puede reasignar $10,000 de la búsqueda al video. Dado que el MMM tiene en cuenta el retraso en la efectividad del video, el gerente no se desanimará si no ve un aumento inmediato en las ventas directas de los anuncios de video. Entenderán que el impacto a largo plazo aparecerá en los datos agregados durante las semanas siguientes.
Por dónde empezar esta semana
Si está listo para explorar el modelado de mezcla de marketing, comience auditando sus datos históricos. Verifique si tiene al menos 104 semanas de registros consistentes de gastos e ingresos almacenados en su sistema de análisis o CRM. Estos datos son la base de cualquier modelo exitoso.
Una vez que sus datos estén organizados, puede aprovechar la documentación de código abierto para Robyn o Meridian para comprender los requisitos técnicos para su analista de datos. Si no tiene un analista interno, considere un proyecto piloto con una agencia como Alien Road para construir un modelo inicial. Esto le ayudará a identificar qué canales están impulsando realmente el crecimiento y dónde podría estar gastando de más.
Siga leyendo: Planificación estratégica · Marketing digital