Marketing Mix Modeling

Artículo

Marketing Mix Modeling (MMM):

Una herramienta de Analytics para medir la eficacia publicitaria

Uno de los principales retos a los que se enfrentan los Chief Marketing Officer (CMO), es cuantificar el impacto de la publicidad en el negocio (ya sea medido en ventas, visitas a la web, presupuestos, etc.), este reto se hace mucho más complejo considerando la diversidad de canales publicitarios offline y online a los que están expuestos los consumidores.

Los medios digitales, cuentan con la ventaja de ser rastreables y gracias a ello es posible determinar su atribución “last click”, sin embargo estos métodos de atribución dejan de lado todo el efecto previo a la decisión que puede generar la publicidad. Por otro lado cuando hablamos de medios offline la medición publicitaria es mucho más compleja pues al ser medios de comunicación masiva, no hay mecanismos para realizar un rastreo de los usuarios impactados.

Como solución a estas limitaciones surge la metodología MMM, la cual se basa en el uso de modelos estadísticos avanzados para determinar la relación que tienen las distintas palancas de negocio: Publicidad, Precio, Distribución, Variables Macroeconómicas, etc. con los KPIs: Ventas, visitas, presupuestos, etc.

¿Cómo aplicamos el Marketing Mix Modeling con Analytics?

La aplicación de los modelos de MMM comienza con el análisis del Customer Journey, entender el flujo de negocio, permite identificar en qué pasos del funnel influyen cada una de las palancas y determinar los modelos necesarios para tener una medición más precisa de los impactos publicitarios. A partir del esquema también se define la necesidad de datos para el desarrollo de los modelos.

Figura 1:Ejemplo de esquema de modelización

Figura 1:Ejemplo de esquema de modelización

A partir del esquema definido comienza la fase de recopilación de información y tratamiento de los datos, y aunque en este tema no profundizaremos, cabe resaltar que esta fase es fundamental en el desarrollo de cualquier proyecto de Analytics, pues de la calidad de los datos depende la calidad del análisis. Las distintas fuentes de datos se recopilan y se tratan mediante procesos ETL que permiten tener una base de datos optimizada para el desarrollo de modelos.

Tras la obtención de los datos se realizan los modelos sobre los KPIs definidos en el esquema de modelización. El objetivo es explicar el comportamiento del KPI en función de las distintas palancas de negocio. Independientemente del modelo elegido, el resultado que se obtiene es una ecuación que es capaz de estimar el comportamiento de la variable analizada, entre más parecida sea esta estimación a la realidad, más robusto es el modelo.  

Figura 2:Ejemplo de ajuste de modelon

Figura 2:Ejemplo de ajuste de modelo

Cuando se obtiene un modelo lo suficientemente robusto, es posible cuantificar la atribución de cada palanca de negocio, estos impactos podemos representarlos gráficamente y de esta manera podemos analizar cómo evolucionan a lo largo del tiempo.

Figura 3: Ejemplo de gráfico de áreas

Figura 3: Ejemplo de gráfico de áreas

A partir de lo anterior, se determina el impacto de las acciones realizadas y con ello se obtiene el ROI de cada uno de los medios publicitarios.

Figura 4: Representación del retorno publicitario por medios

Figura 4: Representación del retorno publicitario por medios

¿Qué aprendizajes podríamos obtener?

Los modelos no solo son útiles para determinar la contribución de las distintas palancas al negocio, además permiten:

  1. Medir las relaciones entre los distintos pasos del customer journey modelizados.
  2. Comprender como impactan las acciones de la competencia.
  3. Analizar el impacto de las inversiones de marketing, no solo a nivel de medios, también es posible contrastar el resultado de distintas campaña publicitarias.
  4. Determinar la eficacia de las acciones publicitarias en el corto y largo plazo
  5. Detectar posibles sinergias entre medios, que potencien la eficacia de los mismos.
  6. Estimar los comportamientos no lineales de los medios y a partir de estos, sus niveles de saturación.
  7. A partir de los niveles de saturación, se pueden generar escenarios que optimizan la estrategia de medios, en función de los presupuestos.
  8. Los modelos permiten realizar predicciones y fijación de objetivos de negocio.

¿Por qué realizar modelos de MMM?

Una de las grandes preguntas de los anunciantes, en el momento de la decisión sobre la contratación de proyectos de Marketing Mix Modeling (MMM), es relativa al retorno de esta inversión: ¿el MMM produce beneficios en costes superiores con respecto al dinero invertido en estos desarrollos analíticos?

Para dar respuesta a esta pregunta, analizamos los resultados de nuestro benchmark, el cual cuenta más de 100 ejercicios de optimización del mix de medios desarrollados en los últimos años. En ellos observamos que en más del 50% de los casos, manteniendo mismo presupuesto publicitario, se puede incrementar la contribución publicitaria sobre el negocio en más de un 6%, evidenciando que en gran parte de los casos hay un margen de mejora considerable.

Figura 5: Benchmark Deloitte Incremento estimado de la 
eficacia publicitaria tras la optimización

Figura 5: Benchmark Deloitte Incremento estimado de la eficacia publicitaria tras la optimización

Claramente este resultado depende de la consolidación del mix de medios del anunciante, de su madurez y experiencia en la aplicación de modelos analíticos y cualitativos de optimización (a más experiencia corresponde menos margen de incremento), etc.

Además de las mejoras de la eficacia a nivel publicitario, cabe recordar que los modelos nos proporcionan información de las distintas palancas accionables, brindando oportunidades de mejora en diversos ámbitos. La diversos aprendizajes que podemos obtener mediante los modelos de MMM, lo convierten en un aliado eficaz para la toma de decisiones estratégicas.  

Conoce a nuestros expertos

Carlos Real
Senior Manager – Analytics & Cognitive
creal@deloitte.es

 

Víctor López
Studio Lead – Analytics & Cognitive
vlopez@deloitte.es