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 Officers (CMOs) es cuantificar el impacto de la publicidad en el negocio por medio de diferentes métricas. Sin embargo, la irrupción de Internet en el mundo de la publicidad -transformándolo en un entorno híbrido, complejo y diverso- hacen que esta tarea requiera de nuevas herramientas. A lo medios publicitarios tradicionales como la televisión, la radio o las publicaciones se han sumado redes sociales, motores de búsqueda y páginas web. Los medios digitales cuentan con la ventaja de ser rastreables, por ejemplo, mediante la atribución “last click”. Sin embargo, debemos tener en cuenta que 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 ya que su modelo de comunicación, masiva y unidireccional, impide realizar un seguimiento de los usuarios impactados.
En este complejo panorama, estamos obligados a desarrollar nuevas herramientas y técnicas que nos guíen a la hora de tomar decisiones. Aquellos que dominan el análisis de la información disponible logran implementar estrategias publicitarias óptimas. Uno de los mejores aliados para comprender y procesar todos los datos disponibles es la metodología del Marketing Mix Modeling (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, ventas, visitas, presupuestos, etc.

¿Cómo aplicamos el Marketing Mix Modeling con Analytics?

La aplicación de los modelos de MMM comienza entendiendo el flujo de negocio gracias al análisis del Customer Journey o de las fases por las que pasa un cliente antes de comprar un producto o hacer uso de un servicio. Este análisis permite identificar en qué pasos del funnel o del proceso influyen cada una de las palancas del negocio y determinar los modelos necesarios para obtener una medición más precisa de los impactos publicitarios. Estos modelos se basan en un esquema de modelización (ver Figura 1) que permite definir qué datos específicos son necesarios para su desarrollo.

Figura 1:Ejemplo de esquema de modelización

Figura 1:Ejemplo de esquema de modelización

Una vez definido el esquema, comienza la fase de recopilación de información y tratamiento de los datos. En cualquier proyecto de Analytics esta fase es crucial ya que la calidad del dato condiciona la calidad del análisis. Las distintas fuentes de datos se recopilan y se tratan mediante procesos ETL, aquellos que permiten extraer información de uno o varios orígenes de datos, para lograr una base de datos optimizada sobre la cual se desarrollarán los modelos pertinentes.

Estos modelos se realizan sobre los Key Performance Indicators (KPIs) o “indicadores claves de desempeño” que se refieren a todas las variables identificadas como necesarias para evaluar la efectividad de una estrategia de marketing (ventas, visitas, presupuesto, etc). El objetivo de MMM es explicar el comportamiento de los KPIs en función de las distintas palancas de negocio. Independientemente del modelo elegido, el resultado que se obtiene es una ecuación capaz de estimar el comportamiento de la variable analizada. Cuanto más parecida sea esta estimación a la realidad, más robusto será el modelo (ver Figura 2).

Figura 2:Ejemplo de ajuste de modelon

Figura 2:Ejemplo de ajuste de modelo

Una vez que se ha obtenido un buen modelo, es posible cuantificar la atribución de cada palanca de negocio a las ventas, los ingresos o la variable respuesta que se utilice. Su representación gráfica (ver Figura 3) permite ver cómo evoluciona la contribución de los KPIs analizados a lo largo del tiempo.

Figura 3: Ejemplo de gráfico de áreas

Figura 3: Ejemplo de gráfico de áreas

Finalmente, todos los pasos anteriores permiten determinar el impacto que han tenido las diferentes acciones de marketing realizadas y obtener el Return on investment (ROI) o retorno de la inversión para cada medio o canal publicitario (ver Figura 4).

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, sino que además permiten:

  • Medir las relaciones entre los distintos pasos del Customer Journey modelizados.
  • Comprender cómo impactan las acciones de la competencia.
  • Analizar el impacto de las inversiones de marketing de las distintas campañas publicitarias.
  • Determinar la eficacia de las acciones publicitarias en el corto y largo plazo.
  • Detectar posibles sinergias entre medios que potencien su eficacia.
  • Estimar los comportamientos no lineales de los medios, sus niveles de saturación y generar escenarios que optimicen la estrategia de medios en función de los presupuestos.
  • Realizar predicciones y fijar objetivos de negocio.

¿Por qué realizar modelos de MMM?

Una de las preguntas que más se plantean los anunciantes a la hora de contratar un proyecto de Marketing Mix Modeling se refiere al retorno de esta inversión. ¿Estos modelos producen unos beneficios superiores a la inversión realizada para desarrollarlos?

Para responder a esta pregunta analizamos los resultados de nuestro benchmark, que cuenta con más de 100 ejercicios de optimización de Mix de Medios desarrollados en los últimos años (ver Figura 5). Observamos que en más de la mitad de los casos -y manteniendo el mismo presupuesto publicitario- se incrementa la contribución sobre el negocio en más de un 6%.

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

Además de las evidentes mejoras de la eficacia a nivel publicitario, cabe destacar que los modelos nos proporcionan información de las distintas palancas accionables, brindando oportunidades de mejora en diversos ámbitos. Los múltiples aprendizajes que obtenemos mediante el MMM lo convierten en un gran aliado 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