La atribución basada en clics se está degradando y seguirá degradándose. Las cookies de terceros han desaparecido en gran medida, el seguimiento de aplicaciones móviles requiere un consentimiento que la mayoría de los usuarios rechaza, y una parte creciente de las conversiones llega sin un camino utilizable adjunto. La respuesta de la mayoría de los equipos ha sido seguir leyendo los mismos informes de último clic mientras aceptan silenciosamente que los números ya no suman ingresos. El modelado de mix de marketing con AI es la alternativa práctica: en lugar de seguir a individuos, modela el gasto agregado frente a los resultados agregados y estima lo que contribuyó cada canal.
El enfoque es antiguo. Las empresas de bienes de consumo realizaban regresiones sobre el gasto en medios y las ventas décadas antes de que alguien tuviera un píxel de seguimiento. Lo nuevo es que el modelado ahora está al alcance de un anunciante de tamaño mediano. Las bibliotecas de código abierto manejan la maquinaria estadística, la computación en la nube hace que la estimación bayesiana sea barata, y la capa de modelo ayuda con las partes que solían requerir un especialista: especificar prioridades, verificar el ajuste y traducir la salida en una decisión presupuestaria.
Lo que realmente hace el modelo
En esencia, usted ajusta los datos de resultados semanales o diarios frente al gasto por canal, con dos ajustes que importan más que la regresión en sí. El primero es el adstock, que modela el hecho de que la publicidad sigue funcionando después de que se detiene: una ráfaga de televisión o una campaña de display tiene un efecto que decae durante semanas en lugar de terminar a medianoche. El segundo es la saturación, que modela rendimientos decrecientes, porque los décimos mil euros en un canal no compran lo que compraron los primeros mil.
Agregue controles para todo lo demás que mueve las ventas: cambios de precios, promociones, actividad de la competencia si puede observarla, estacionalidad, días festivos, cortes de stock y cualquier gran evento único. Omitir un control no produce un mensaje de error. Produce un coeficiente seguro y erróneo, generalmente asignado al canal que estaba funcionando durante el evento.
Qué puede y qué no puede responder el modelado de mix de marketing con AI
Sea claro sobre la resolución. Un modelo de mix responde preguntas a nivel de canal y, a veces, a nivel de campaña durante semanas. No responde preguntas a nivel de palabra clave o nivel creativo, y nunca le dice qué cliente individual vino de dónde. Cualquiera que le venda un modelo de mix que produzca atribución a nivel de usuario le está vendiendo otra cosa.
Las preguntas que responde bien son las costosas. ¿Nuestro presupuesto de búsqueda de marca es incremental o estamos cosechando demanda que ya creamos? ¿Qué sucede con los ingresos totales si reducimos el display en un treinta por ciento? ¿En qué punto deja de escalar nuestro mejor canal? Esas son las decisiones que valen millones y son precisamente las que los informes de último clic no pueden tocar, porque el último clic acredita el punto de contacto final y es estructuralmente ciego a los canales que crearon la demanda.
Los datos que necesita antes de empezar
Los requisitos son menos exigentes de lo que la gente supone, pero son estrictos en un punto: historia. Necesita suficientes períodos para ajustar los parámetros, lo que en la práctica significa al menos dos años de datos semanales, e idealmente variación en ese gasto. Si cada canal ha funcionado con un presupuesto fijo durante dos años, el modelo no tiene nada que aprender. La variación deliberada es una entrada, no una molestia.
- Gasto semanal por canal, bruto, incluyendo costos de producción y agencia si desea una lectura de eficiencia real.
- Ingresos semanales u otra métrica de resultado única en la que la empresa esté de acuerdo.
- Historial de precios y promociones, con la misma granularidad semanal.
- Eventos externos conocidos: lanzamientos, cortes, picos de relaciones públicas, campañas de la competencia.
- Impresiones o alcance por canal donde esté disponible, lo que generalmente se ajusta mejor que el gasto solo.
La mayor parte del tiempo del proyecto se dedica a ensamblar esta tabla. El modelado en sí, una vez que los datos están limpios, es cuestión de días. Los equipos que presupuestan lo contrario siempre se sorprenden.
Validar contra un experimento
Un modelo de mix es un conjunto de estimaciones con incertidumbre adjunta, y puede estar seguro de que es erróneo. La única verificación confiable es un experimento real: apague un canal en un conjunto de regiones, déjelo encendido en otros lugares y compare. Si el modelo predijo una caída de ingresos del doce por ciento y el holdout muestra un dos por ciento, el modelo necesita trabajo. Realice al menos un geo holdout por año y utilícelo para calibrar, no solo para confirmar.
Esta es también la respuesta honesta a la pregunta de precisión. Los modelos de mix y la atribución de clics no están de acuerdo, a menudo sustancialmente, y ninguno es la verdad absoluta. Los experimentos de incrementalidad son lo más cercano a la verdad absoluta disponible, y ambos métodos deben juzgarse contra ellos.
Use la salida como una dirección, no como un veredicto
El uso indebido más común es tratar las cifras de ROAS del modelo como números precisos y reconstruir el plan de medios alrededor de la parte superior de la tabla. Mire los intervalos creíbles. Si dos canales se superponen mucho, el modelo le está diciendo que no puede separarlos, y cambiar el presupuesto entre ellos sobre la base de una estimación puntual es perseguir ruido.
Donde gana su costo es direccional y repetido. Actualice el modelo trimestralmente, rastree cómo se mueven las curvas de respuesta y utilícelo para establecer la asignación amplia entre canales mientras mantiene los datos de clics y los experimentos para las decisiones dentro de cada canal. El modelado de mix de marketing con AI no reemplaza sus informes existentes. Responde la pregunta que sus informes existentes nunca fueron creados para responder, que es cuánto vale la publicidad en total cuando nadie puede ser seguido.
Siga leyendo: Optimización de Publicidad con AI
Servicio relacionado: Optimización publicitaria con IA