Las ventas subieron, el tráfico creció y varias plataformas muestran números positivos. Todo parece ir súper bien, hasta que alguien pregunta: ¿cuánto generó realmente el marketing?

Google muestra sus impresiones, Meta también, los números parecen comparables, pero sabemos que no lo son. Ahora bien, salgamos de lo digital: ¿qué pasa con la vía pública y la TV? ¿Cómo podemos comparar todo nuestro mix de marketing bajo el mismo criterio?

Si no podemos comparar peras con peras, ¿cómo sabemos dónde invertir el próximo peso de marketing? ¿Cómo medimos realmente qué medio se desempeña mejor o peor?

Es ahí donde aparece el Marketing Mix Modeling, más conocido como MMM, como una posible solución.

¿Qué es el Marketing Mix Modeling?

Pensemos en una empresa que vende café. Durante dos años invierte en televisión, redes sociales, buscadores, influencers y publicidad en puntos de venta. En ese mismo periodo lanza promociones, cambia precios, abre nuevos puntos de venta y atraviesa temporadas de mayor y menor demanda. Al final, las ventas crecen, pero todavía falta explicar por qué. Tal vez la televisión aumentó el reconocimiento de marca, quizás una promoción adelantó compras, o tal vez los nuevos puntos facilitaron el acceso al producto. También es posible que una temporada fría impulsara el consumo sin que la publicidad tuviera nada que ver.

El Marketing Mix Modeling (MMM) es un modelo de inteligencia artificial predictiva que intenta separar esos efectos y estimar la contribución incremental de cada uno, es decir, cuánta venta no habría ocurrido sin ellos. Analiza cómo cambian las compras a lo largo del tiempo y compara esos movimientos con la inversión en medios, los precios, las promociones, la distribución, la estacionalidad y otras variables del negocio. Esa lectura, eso sí, solo es válida bajo ciertos supuestos: que la inversión haya variado lo suficiente en el tiempo y que no falten variables importantes en el modelo.

Puedes encontrar un reporte simulado de un Marketing Mix Model en nuestro sitio web https://links.evoacademy.cl/mmm-anda o escaneando este código QR

El modelo te permite responder varias preguntas. La primera es: ¿qué parte del resultado habría ocurrido de todas maneras y qué parte podemos relacionar con nuestras acciones de marketing?

El modelo no necesita saber que una persona vio un anuncio el martes, buscó la marca el jueves y compró el sábado. El modelo trabaja con información agregada, como ventas semanales, inversión por canal, precios, promociones, regiones y variables externas. A partir de esos patrones, intenta estimar cuánto aportó cada canal, qué retorno produjo y cuánto presupuesto adicional podría recibir antes de comenzar a perder eficiencia.

Por ejemplo, el modelo podría decir que solo un 21,4% de la venta se explica por la inversión en medios. Si apagáramos mañana todas nuestras campañas, ¿cuántas ventas perderíamos realmente? El MMM intenta estimar esa diferencia.

A su vez, otra pregunta clave que el modelo busca responder es: ¿qué medio está contribuyendo más a la venta?  En el siguiente gráfico puedes ver una separación entre la venta base, la que habría ocurrido sin publicidad, y cada uno de los medios.

Una misma persona puede ver un anuncio en Meta, buscar la marca en Google, abrir un correo y comprar dos días después. Cada plataforma puede relacionar esa venta con su intervención. El MMM toma otro camino: en lugar de preguntar qué canal apareció antes de cada conversión, observa qué ocurrió con las ventas totales cuando la empresa aumentó o redujo su inversión.

Por ello, también es posible comparar la venta que el modelo atribuye a cada medio con el gasto realizado en el periodo analizado.

Con esa información, el equipo puede empezar a responder preguntas como cuánto aporta realmente cada canal, dónde conviene aumentar o reducir inversión y qué podría ocurrir si mueve presupuesto entre medios o regiones. Por eso el MMM se utiliza principalmente para decisiones presupuestarias y estratégicas. No pretende decir qué anuncio específico debemos apagar mañana, sino ayudarnos a entender dónde podría producir más resultado el próximo peso que vamos a invertir.

¿Cómo se ejecuta un MMM en la práctica?

Aquí empieza la parte menos glamorosa. Un proyecto de MMM no comienza con inteligencia artificial ni con un dashboard espectacular, sino buscando archivos. Alguien reúne las ventas históricas, otra persona solicita la inversión semanal, la agencia entrega una base con nombres de canales distintos a los utilizados internamente y el área de finanzas informa montos con impuestos, mientras que marketing trabaja con cifras netas. En muchos proyectos, ordenar esta información consume más esfuerzo y tiempo que construir el modelo.

Luego viene la construcción de la base. Habitualmente los datos se organizan por semanas. Cada fila representa un periodo y cada columna cuenta una parte de la historia: ventas, inversión en televisión, Meta, Google o YouTube, precios, promociones, distribución y eventualmente variables como clima, inflación, feriados o movimientos de la competencia. Una base simplificada podría verse así:

¿Cuántos datos se necesitan? Como referencia, la práctica habitual pide al menos dos años de historia semanal, para que el modelo alcance a ver dos ciclos estacionales completos, y del orden de diez semanas de datos por cada canal que se quiera medir. Pero hay algo más importante que el volumen: la variación. Si un medio recibió prácticamente la misma inversión todas las semanas durante dos años, ningún modelo podrá estimar qué habría pasado con más o con menos. Esa falta de variación, más que la falta de datos, es la razón más frecuente por la que un proyecto de MMM no llega a conclusiones útiles.

Después el modelo intenta representar algo que intuitivamente sabemos: la publicidad no funciona como un interruptor. Una campaña que aparece hoy puede influir en compras durante varias semanas. Ese efecto de arrastre se conoce como adstock. Al mismo tiempo, el MMM considera que existe saturación: al comienzo, aumentar la inversión puede producir un crecimiento importante, pero llega un momento en que cada peso adicional genera cada vez menos resultado. Invertir el doble no necesariamente significa vender el doble.

Como se puede observar en el siguiente gráfico, no todos los medios tienen la misma curva de saturación. Algunos pueden llegar a rendimientos bajos muy rápidamente, mientras otros pueden mantener su efectividad por bastante tiempo.

A partir de esas curvas también podemos construir escenarios. El equipo podría preguntar qué ocurriría si reduce televisión en un 10%, mantiene Google y aumenta YouTube, o si mueve parte de la inversión hacia regiones donde todavía existe mayor espacio de crecimiento. El MMM permite estimar esos escenarios antes de mover realmente el presupuesto.

Sus resultados incluyen además rangos de incertidumbre, porque estamos trabajando con estimaciones y no con cifras exactas. El modelo no entrega una orden del tipo “invierte exactamente $243 millones en este canal”, sino que estima el ingreso potencial de invertir determinado monto. Mientras más se aleje este monto del que tenemos actualmente, el modelo estima con menos confianza el efecto. Eso se puede observar en el rango que aparece en el siguiente gráfico.

¿Qué no puede responder un MMM?

El MMM no identifica qué anuncio, creatividad, palabra clave o audiencia produjo una venta específica ni tampoco resulta ideal para evaluar campañas de pocos días o tomar decisiones tácticas que cambian diariamente. Funciona mejor para preguntas agregadas: cuánto aportó cada canal, cómo se comportó su retorno, dónde aparece la saturación y cómo conviene distribuir el presupuesto.

Tampoco un MMM demuestra causalidad por sí solo, ya que el modelo aprende de datos históricos y puede confundirse cuando varios canales se mueven al mismo tiempo o cuando faltan variables importantes. Por eso conviene combinarlo con experimentos, conocimiento del negocio y otras formas de medición.

Además, el MMM admite solo una variable objetivo, es decir, un único resultado que intenta explicar. En los ejemplos anteriores usamos la venta, lo cual puede ser limitante para aquellas marcas que están tratando de construir poder de marca en el largo plazo.

Al final, el MMM nos ayuda a dejar atrás la conversación en la que cada plataforma presenta su propio éxito y empezar a mirar el resultado completo del negocio. Con esto, la pregunta deja de ser “¿qué canal se atribuyó más conversiones?” y pasa a ser otra bastante más útil: ¿cómo contribuyó realmente el marketing al resultado y dónde deberíamos invertir el próximo peso?

¿Qué herramientas de MMM existen hoy en día?

El MMM no es nuevo, pero durante mucho tiempo quedó reservado para empresas con grandes presupuestos, abundantes datos y equipos especializados, por lo complejo de su implementación.

Hoy existen herramientas de código abierto que han hecho más accesible parte del proceso. Entre ellas está Meridian, desarrollada por Google, que utiliza un enfoque bayesiano y permite incorporar información geográfica, conocimiento previo y resultados de experimentos. También existe Meta Robyn, que sigue otro camino: en lugar de inferencia bayesiana usa regresión regularizada combinada con optimización evolutiva. Nació en R y hoy también cuenta con una versión en Python. Y PyMC-Marketing, una biblioteca de Python basada en inferencia bayesiana.

Es importante entender que estas herramientas siguen siendo complejas y deben ser manejadas por personas con conocimiento estadístico que les permita ajustar el modelo al contexto del mercado y de la industria. Ahora bien, aunque estos modelos no están construidos sobre modelos de lenguaje, varios ya incorporan complementos que acercan sus resultados a perfiles no técnicos: Meridian cuenta con un planificador de escenarios sin código para simular reasignaciones de presupuesto y está disponible dentro de Google Analytics 360 con consultas en lenguaje natural, y PyMC-Marketing tiene un agente conversacional en versión beta.