6 recomendaciones para construir modelos avanzados de Marketing Mix

Artículo

6 recomendaciones para construir modelos avanzados de Marketing Mix

Guía práctica de MMM

En los últimos años las empresas han experimentado una profunda transformación digital que está provocando un importante cambio en el panorama de medición de la actividad de marketing. Marketing Mix Modeling (MMM), Multi-Touch Attribution (MTA) y los experimentos ya no son técnicas en conflicto: cooperan y se complementan entre ellas, ayudándose mutuamente en el objetivo común de ofrecer información útil para la toma de decisiones. Y MMM es la técnica que más gana terreno en la perspectiva del futuro entorno cookie-less.

 

¿Cuáles son las 6 claves a considerar cuando se desarrollan modelos avanzados de Marketing Mix?

The future is modeled: A how-to guide for Advanced Marketing Mix Models

1. Modelar el Funnel en su totalidad

Los modelos avanzados de MMM son flexibles y pueden medir el impacto de los medios en cualquier KPI de negocio: conocimiento de la marca, visitas web, ventas en tiendas físicas y online, entre otros. Las oportunidades de medición omni-canal de un MMM son únicas dentro del ecosistema de metodologías de medición del marketing actual. La construcción de un ecosistema de modelos conectados, que refleje todo el Customer Journey, ofrece a los anunciantes una imagen más completa de la dinámica del negocio, y los profesionales que desarrollan estos modelos tienen que garantizar un buen nivel de automatización que permita apoyar la toma de decisiones de forma ágil y continua.

2. Personalizar la solución para que se adapte al negocio

Los Modelos de Marketing Mix ofrecen un valor añadido: la combinación de la perspectiva de negocio y de medios en un modelo único, con la posibilidad de combinar drivers estructurales y accionables de crecimiento. Por eso todo MMM debe adaptarse al contexto específico de cada anunciante. Los anunciantes deben centrarse en construir modelos que reflejen su contexto de negocio específico, incluyendo inversión en medios (offline y online), y otras variables de marketing y negocio (precios, promociones, competidores, lanzamientos de nuevos productos, estacionalidad, etc.). La arquitectura de esta construcción tiene que ser personalizada, sólida y robusta en términos de metodología, siguiendo normas estándares certificadas.

3. Aumentar la participación de la IA y reducir el sesgo humano

Por un lado, controlar el sesgo humano es uno de los principales retos de los modelos de Marketing Mix. Y además, cada vez es mayor la necesidad de actualizar los modelos con la máxima frecuencia posible para apoyar la toma de decisiones en entornos que evolucionan cada vez a mayor velocidad. Los modelos avanzados de MMM impulsan técnicas y códigos automáticos que son escalables y objetivos. Técnicas de Inteligencia Artificial como Nevergrad de Facebook (plataforma open source) optimizan la exploración en torno a diferentes soluciones de modelos, buscando el mejor resultado de forma más rápida y precisa que los algoritmos tradicionales. Otras metodologías como la herramienta Robyn, también de Facebook (código de R open source) utiliza técnicas de Machine Learning, consiguiendo objetivos similares respecto a una mayor escalabilidad y objetividad en el análisis.

4. Construir modelos ágiles que sean flexibles y adaptables a futuros escenarios

Para mejorar la predicción del modelo, los analistas tienen que trabajar en la penalización de variables explicativas altamente correlacionadas (multicolinealidad). Técnicas de regularización como Lasso y Ridge Regression mejoran la predicción de los Modelos de Marketing Mix, evitando el sobreajuste (Overfitting) de los mismos, y ayudando a mejorar la selección de variables óptimas. A su vez, proporciona modelos más flexibles que permiten niveles de detalle más profundos y resultados más sólidos, con un mejor equilibrio entre los componentes analíticos y de negocio.

5. Explorar las relaciones entre MMM, modelos de atribución omni-canal (MTA) y experimentos.

Los modelos avanzados de MMM pueden ser calibrados con otras aproximaciones como modelos de atribución y experimentos para asegurar una solución consolidada con resultados incrementales. Hay 3 modos diferentes de converger estas soluciones:

  1. Restricción de modelos MMM teniendo en cuenta resultados previos de modelos de atribución y experimentos. Se guía la modelización a través de los resultados obtenidos a priori a partir de atribución y experimentos.
  2. Selección de modelos MMM que minimicen la distancia entre los resultados de la predicción y resultados obtenidos en experimentos y atribución.
  3. Validación de resultados de MMM comparando la contribución de un canal con los resultados de ese mismo canal según modelos de experimentos y atribución, en un intervalo temporal determinado.

6. Focalizar la atención en resultados accionables.

Los modelos avanzados de MMM deben estar lo suficientemente automatizados para permitir un modelado continuo casi en tiempo real. Encontrar el equilibrio en la granularidad de los datos aquí es clave (por ejemplo, modelar diferentes tipos de campañas, como prospecting frente a retargeting o trabajar cada una de las campañas de forma separada). Finalmente es necesario integrar un optimizador de presupuestos de marketing, con la capacidad de aplicar restricciones personalizadas adaptadas a las necesidades de la compañía, para ofrecer recomendaciones que optimicen y rentabilicen al máximo los presupuestos de media mix para los ciclos siguientes.