En un mundo donde los consumidores están constantemente expuestos a una multitud de canales de comunicación y puntos de contacto de marca, medir el impacto de la publicidad se ha convertido en un desafío monumental. A esto se suma la creciente preocupación por la privacidad y la eliminación de las cookies, que ha dejado a los profesionales del marketing en una encrucijada. ¿Cómo pueden saber qué estrategias publicitarias están funcionando y cuáles están desperdiciando recursos en un entorno tan complejo y cambiante?

En palabras del magnate y pionero del marketing John Wanamaker, "la mitad del dinero que gasto en publicidad se desperdicia; el problema es que no sé qué mitad". Esta famosa cita resuena aún más fuerte en la era digital, donde la segmentación precisa y la atribución exacta son dos de los grandes retos a resolver.

Sin embargo, en medio de este desafío surge una solución aparentemente antigua pero revitalizada: los Marketing Mix Models (MMM). Estos modelos, que han estado en uso desde la década de 1960, han experimentado un renacimiento gracias al poder del machine learning y la analítica avanzada.

Entornos cambiantes y el desafío cookieless

El entorno cookieless se refiere al actual escenario en el que la recopilación y el uso de cookies de terceros para rastrear el comportamiento del usuario en línea se vuelve cada vez más difícil debido a regulaciones de privacidad más estrictas y cambios en los navegadores web que limitan el seguimiento de cookies. Este cambio presenta desafíos significativos para los profesionales del marketing, ya que la atribución precisa de conversiones y la medición del impacto de las estrategias publicitarias se vuelve más complicada.
En este contexto, la aproximación holística de los modelos de Marketing Mix emerge como una alternativa atractiva a los modelos de atribución que, aunque más granulares, plantean dificultades en términos éticos y de privacidad. Algunas de las ventajas de los MMM sobre los modelos de atribución son:

• Menor dependencia de datos de usuario individuales: Los MMM se basan en datos agregados y anonimizados sobre el rendimiento de los canales de marketing y las ventas, en lugar de datos de usuario individualizados que pueden plantear preocupaciones de privacidad. Esto reduce la necesidad de recopilar y almacenar datos personales sensibles, lo que es más compatible con las regulaciones de privacidad, como el GDPR y la CCPA.
• Enfoque en resultados de negocio, no en seguimiento individualizado: Mientras que los modelos de atribución a menudo se centran en el seguimiento individualizado del comportamiento del usuario para asignar crédito a canales específicos, los MMM se enfocan en entender cómo la combinación de todos los elementos de la mezcla de marketing impactan en los resultados comerciales globales. Esto reduce la necesidad de rastrear cada interacción del usuario, lo que puede ser visto como una intrusión en la privacidad.
• Mayor transparencia y comprensión de las contribuciones de marketing: Los MMM proporcionan una visión más transparente y completa (ya que analizan tanto marketing online como offline) del impacto de las estrategias de marketing en los resultados comerciales, lo que ayuda a los profesionales del marketing a tomar decisiones más informadas y éticas. Al analizar datos agregados a nivel de canal en lugar de datos individuales de usuario, los MMM promueven una mayor transparencia y confianza tanto para los consumidores como para las empresas.

Ejemplo de fuentes de datos analizadas que permiten medir, no solo el impacto publicitario, sino también el de distintos drivers que explican la realidad de un negocio. 

Datos necesarios

Los MMM son modelos muy flexibles, que pueden desentrañar el impacto de cada canal y táctica de marketing en las ventas finales, a través de una amplia variedad de datos, provenientes tanto de fuentes internas de la empresa, como variables exógenas que puedan influir en nuestro sector. 

• Datos de ventas: Es fundamental incluir datos de ventas para poder medir el impacto de las actividades de marketing en los resultados comerciales. Estos datos pueden incluir ventas totales, unidades vendidas, ingresos y cualquier otra métrica relevante para el negocio.
   
• Datos de publicidad: Esto incluye información sobre el gasto en publicidad en diferentes canales y tácticas, como televisión, radio, medios impresos, publicidad en línea (SEM, display, social media), entre otros. Estos datos ayudan a entender cuánto se está invirtiendo en cada canal y cómo está contribuyendo a las ventas.
   
• Datos de precios y promociones: Los precios y las promociones pueden tener un impacto significativo en las ventas. Incluir datos sobre los precios de los productos, descuentos, ofertas promocionales, y otras acciones de pricing es crucial para entender cómo estas estrategias afectan las ventas y el rendimiento general.
   
• Datos del mercado: Es importante considerar factores externos que puedan influir en las ventas, como la competencia, las tendencias del mercado, condiciones económicas y eventos externos. Estos datos pueden ayudar a contextualizar el rendimiento de las actividades de marketing y identificar oportunidades y amenazas.
   
• Datos de comportamiento del consumidor: Si es posible, incluir datos sobre el comportamiento del consumidor, como la segmentación demográfica, preferencias de producto, historial de compras y otros datos relevantes. Estos datos pueden ayudar a entender mejor quiénes son los clientes y cómo responden a las diferentes estrategias de marketing.

Insights accionables y resultados tangibles

Los MMM se benefician de avanzadas técnicas de machine learning para adaptarse y evolucionar con el tiempo, refinando continuamente sus predicciones y recomendaciones a medida que se recopilan más datos y se identifican nuevas tendencias. Esto les brinda a los profesionales del marketing una herramienta esencial en su arsenal, con multitud de aplicaciones que apoyan la toma de decisiones estratégicas fundamentadas en datos:

• Medición del impacto publicitario: Los MMM permiten evaluar cómo diferentes canales y tácticas publicitarias contribuyen al rendimiento general de ventas de una empresa.
• Optimización de presupuestos: Al analizar el rendimiento de cada canal, los MMM ayudan a los profesionales del marketing a asignar recursos de manera más efectiva, optimizando así sus presupuestos publicitarios.
• Predicción de resultados: Gracias al machine learning, los MMM pueden proyectar el impacto futuro de diferentes estrategias publicitarias, proporcionando información valiosa para la toma de decisiones.
• Generación de escenarios what-if: Los MMM pueden simular diferentes escenarios "what-if", permitiendo a los profesionales del marketing explorar cómo cambios en las estrategias publicitarias podrían afectar al rendimiento de ventas, lo que ayuda a tomar decisiones más informadas y estratégicas.
• Adaptación continua: Estos modelos pueden ajustarse y evolucionar con el tiempo, refinando sus predicciones a medida que se recopilan más datos y se identifican nuevas tendencias, lo que brinda una visión más precisa y actualizada del rendimiento publicitario.
• Identificación de desperdicio: Al desentrañar el impacto de cada canal, los MMM ayudan a identificar qué parte del gasto publicitario no está generando un retorno significativo, permitiendo así tomar medidas correctivas para reducir el desperdicio.

Por lo tanto, nos encontramos ante una herramienta que no solo puede ayudar a las empresas a medir de manera más precisa el impacto de sus estrategias de marketing cumpliendo con las regulaciones de privacidad, sino que además ofrece insights accionables y resultados tangibles.
Ahora, el resurgimiento de los MMM potenciados por el machine learning ofrece una respuesta a la famosa pregunta de John Wanamaker sobre el desperdicio en publicidad. Este renacimiento de los MMM nos recuerda que la combinación de métodos antiguos con innovación tecnológica puede conducir a soluciones efectivas en el complejo mundo del marketing digital.
En conclusión, el resurgimiento de los Marketing Mix Models es un recordatorio de que, a veces, las soluciones más efectivas pueden provenir de los métodos más antiguos, cuando se combinan con la innovación tecnológica moderna. Así que, en lugar de lamentarnos sobre la dificultad de medir el impacto de la publicidad, aprovechemos las herramientas disponibles para tomar decisiones más informadas y efectivas en nuestro camino hacia el éxito del marketing en un mundo digitalmente diverso y desafiante.