Introducción al modelado del mix de medios

Un problema al que se enfrentan muchas empresas es cómo asignar los presupuestos de marketing entre distintos canales de medios. Por ejemplo, ¿cómo deberían distribuirse los fondos entre TV, radio, redes sociales, correo directo u ofertas diarias?

Un enfoque podría ser usar heurísticas, es decir, reglas empíricas sensatas sobre lo que podría ser más adecuado para tu empresa. Por ejemplo, un enfoque muy utilizado es fijar el presupuesto de marketing como un porcentaje de los ingresos esperados. Pero esto implica conjeturas, algo que queremos evitar independientemente del tamaño del presupuesto de marketing.

Afortunadamente, con el modelado bayesiano podemos hacerlo mejor. El llamado Media Mix Modeling (MMM) puede estimar cuán eficaz es cada canal publicitario para impulsar nuestra métrica de interés, ya sean ventas, adquisición de nuevos clientes u otro indicador clave de desempeño (KPI). Una vez estimada la eficacia de cada canal, podemos optimizar la asignación del presupuesto para maximizar nuestro KPI.

¿Qué puedes hacer con el modelado del mix de medios?

El Media Mix Modeling (MMM) es una herramienta potente que proporciona información accionable para las empresas. Estas son algunas formas clave de aprovechar MMM para impulsar decisiones estratégicas y mejorar el retorno de la inversión (ROI) en marketing:

1. Comprender la eficacia de distintos canales de medios para impulsar la adquisición de clientes. No solo puedes aprender de los datos cuáles son los canales más influyentes para tu negocio, sino que también puedes actualizar este conocimiento con el tiempo. Al incorporar de forma continua nuevos datos de marketing y de adquisición de clientes, puedes aprender cómo cambia la eficacia de cada canal con el tiempo.

2. Optimizar la asignación del presupuesto: Usa MMM para determinar la distribución más eficaz de tu presupuesto de marketing entre diferentes canales. Al comprender el impacto de cada canal en tus KPI, puedes asignar recursos donde generen el mayor retorno.

3. Mejorar el pronóstico de ROI: Desarrolla previsiones más precisas de los retornos esperados para distintos escenarios de marketing. Esto te permite fijar objetivos realistas y tomar decisiones basadas en datos sobre campañas futuras.

4. Identificar sinergias entre canales: Descubre cómo interactúan y se complementan distintos canales de marketing. Este conocimiento te ayuda a crear estrategias más cohesionadas e integradas que aprovechen los efectos cruzados entre canales.

5. Adaptarte a los cambios del mercado: Actualiza continuamente tu modelo con nuevos datos para seguir los cambios en la eficacia de los canales a lo largo del tiempo. Esto te permite ajustar rápidamente tu estrategia a condiciones de mercado, comportamientos de consumidores o entornos competitivos en evolución.

6. Justificar las inversiones en marketing: Usa datos concretos para demostrar el valor de las actividades de marketing a las partes interesadas. MMM aporta una base cuantitativa para las discusiones sobre presupuestos de marketing y ayuda a alinear los objetivos de marketing con los objetivos generales del negocio.

7. Optimizar el momento y la frecuencia: Determina el momento y la frecuencia óptimos de tus esfuerzos de marketing en distintos canales. Esto puede ayudarte a evitar la sobresaturación y maximizar el impacto de tus campañas.

8. Planificación de escenarios: Ejecuta análisis de “qué pasaría si” para evaluar los posibles resultados de diferentes estrategias de marketing antes de implementarlas. Esto ayuda a mitigar riesgos e identificar las oportunidades más prometedoras.

9. Personalizar las estrategias de marketing: Usa los insights de MMM para adaptar tu enfoque de marketing a diferentes segmentos de clientes o regiones geográficas, maximizando la relevancia y la eficacia.

10. Comparar el desempeño: Compara tu desempeño de marketing con estándares del sector o datos históricos para identificar áreas de mejora y establecer objetivos competitivos.

11. Orientar la estrategia a largo plazo: Usa los insights de MMM para informar las estrategias de marketing y de negocio a largo plazo, asegurando que tus esfuerzos de marketing se alineen con los objetivos y la visión más amplios de la empresa.

Al aprovechar estas ideas accionables del Media Mix Modeling, las empresas pueden tomar decisiones más informadas y basadas en datos que se traduzcan en una mayor eficacia de marketing, un ROI superior y un crecimiento sostenible.

Breve historia de los modelos de mix de medios

Los Modelos de Mix de Medios (MMM) tienen una rica historia que se remonta a las décadas de 1950 y 1960, cuando fueron desarrollados por pioneros del marketing. A continuación, un breve repaso de su evolución:

1. Años 1950-1960: El concepto de los MMM surgió cuando los mercadólogos buscaban cuantificar el impacto de diferentes canales publicitarios en las ventas.

2. Años 1970-1980: Con la llegada de técnicas estadísticas más sofisticadas y mayor potencia de cómputo, los MMM se extendieron en la industria publicitaria.

3. Años 1990: El auge de los datos de escáner y los programas de fidelización proporcionó datos más granulares, permitiendo modelos más detallados y precisos.

4. Años 2000: La revolución digital introdujo nuevos retos y oportunidades. Los MMM tuvieron que adaptarse para incorporar canales digitales y lidiar con la mayor complejidad del panorama mediático.

5. Años 2010: Se empezaron a incorporar técnicas de big data y aprendizaje automático en los MMM, permitiendo modelos más complejos y optimización en tiempo real.

6. Actualmente: Enfoques bayesianos modernos, como los utilizados en PyMC‑Marketing. Ofrecen varias ventajas, incluida la capacidad de incorporar conocimiento previo, manejar la incertidumbre de forma más robusta, calibrar los modelos mediante pruebas de lift y proporcionar resultados más interpretables.

A lo largo de esta evolución, el objetivo central de los MMM ha permanecido igual: ayudar a los responsables de marketing a comprender y optimizar la eficacia de su gasto en distintos canales. A medida que el panorama de medios continúa evolucionando, también lo harán las técnicas y aplicaciones del Media Mix Modeling.

¿Cómo funciona el Media Mix Modeling?

En términos sencillos, podemos entender los MMM como modelos de regresión aplicados a datos de negocio. El objetivo es estimar el impacto de las actividades de marketing y otros impulsores sobre una métrica de interés, como el número de clientes nuevos por semana.

Para ello, usamos dos tipos principales de variables predictoras:

1. El nivel de gasto de cada canal de medios a lo largo del tiempo.

2. Un conjunto de mediciones de control que pueda capturar la estacionalidad o indicadores económicos. El enfoque básico de los MMM usa regresión lineal para estimar un conjunto de coeficientes que reflejen la importancia relativa de cada uno de estos predictores, pero los MMM del mundo real suelen incorporar también factores no lineales para capturar con mayor precisión el efecto de las actividades de marketing en el comportamiento del consumidor:

La función de alcance (o saturación)

En lugar de modelar nuestro KPI como una función lineal del gasto en marketing, la función de alcance modela la posible saturación de los distintos canales: mientras que el gasto inicial en un canal publicitario puede tener un gran impacto en la adquisición de clientes, inversiones adicionales a menudo conllevan rendimientos decrecientes a medida que la gente se acostumbra al mensaje. Al pensar en optimización, modelar este efecto es fundamental. Algunos canales pueden estar lejos de saturarse y generar aumentos significativos de adquisiciones al invertir en ese canal. Conocer la saturación de cada canal es vital para tomar decisiones sobre el gasto de marketing futuro.

La función de adstock

El gasto de marketing en un canal dado puede tener un efecto a corto plazo o un impacto a largo plazo. ¿Recuerdas esa melodía de un anuncio de TV que viste hace 20 años? Ese es un gran impacto a largo plazo. La función de adstock captura estos efectos temporales de los distintos canales publicitarios. Conocer esto es crucial: si sabemos que algunos canales tienen efectos a corto plazo que se desvanecen rápidamente, podemos planificar campañas más frecuentes. Pero si otro canal tiene un impacto prolongado en la adquisición de clientes, puede ser más eficaz usar ese canal con menor frecuencia.

Así podemos resumir el MMM completo con esta imagen:

Requisitos de datos

Para implementar eficazmente un Media Mix Model (MMM), necesitas recopilar tipos específicos de datos. Estos son los requisitos clave:

1. Datos de ventas o KPI:

   • Series temporales de tu variable objetivo (p. ej., ventas, conversiones, clientes nuevos).

   • Normalmente con granularidad semanal o diaria.

   • Debe abarcar un periodo de tiempo suficiente (idealmente 2–3 años) para capturar estacionalidad y tendencias.

2. Datos de gasto en marketing:

   • Series temporales del gasto en marketing (o impresiones) para cada canal (p. ej., TV, radio, digital, prensa).

   • Debe coincidir con la granularidad de tus datos de ventas.

   • Incluir todos los canales de marketing significativos utilizados durante el periodo.

3. Variables de control:

   • Indicadores económicos (p. ej., PIB, tasa de desempleo).

   • Actividades de la competencia (si están disponibles).

   • Factores estacionales (p. ej., festivos, eventos especiales).

   • Cambios de precio o promociones.

4. Factores externos:

   • Datos meteorológicos (si son relevantes para tu negocio).

   • Factores específicos del sector.

5. Datos geográficos:

   • Si ejecutas campañas regionales, incluye información de ubicación.

6. Idealmente, cuentas con pruebas de lift u otros experimentos que puedas usar para calibrar tu modelo.

Recuerda: la calidad y la completitud de tus datos impactan directamente en la precisión y utilidad de tu Media Mix Model. Es crucial garantizar la consistencia de los datos, tratar adecuadamente los valores faltantes y validar la calidad de los datos antes de construir tu modelo.

Características de Media Mix Modeling en PyMC‑Marketing

PyMC‑Marketing ofrece un conjunto completo de funcionalidades para Media Mix Modeling:

• Priors y verosimilitudes personalizadas: Incorpora conocimiento específico del dominio mediante distribuciones a priori personalizables, lo que te permite adaptar el modelo a las necesidades únicas de tu negocio.

• Transformación de adstock: Optimiza los efectos de arrastre en tus canales de marketing para comprender mejor cómo los esfuerzos de marketing pasados impactan el rendimiento actual.

• Efectos de saturación: Modela y analiza los rendimientos decrecientes de las inversiones en medios, ayudándote a identificar el punto de gasto óptimo para cada canal.

• Funciones de adstock y saturación personalizables: Elige entre diversas funciones preconstruidas o implementa tus propias funciones para modelar adstock y saturación. Consulta la guía de documentación para más detalles.

• Intercepto variable en el tiempo: Captura contribuciones de base que cambian con el tiempo usando métodos avanzados de aproximación con procesos gaussianos. Esto permite modelar con mayor precisión las tendencias subyacentes de tus datos.

• Contribución de medios variable en el tiempo: Modela la eficiencia de los canales de medios a medida que cambia con el tiempo, nuevamente utilizando métodos eficientes de aproximación con procesos gaussianos. Esta funcionalidad ofrece información sobre cómo evoluciona la eficacia de los distintos canales.

• Visualización y diagnósticos del modelo: Obtén una visión completa del desempeño de tu modelo mediante diversas herramientas de visualización y métricas de diagnóstico, lo que te ayuda a interpretar resultados y validar tu modelo.

• Algoritmos de inferencia flexibles: Elige entre múltiples implementaciones de NUTS (No‑U‑Turn Sampler), incluidas BlackJax, NumPyro y Nutpie, para ajustarse mejor a tus necesidades de inferencia.

• Predicciones fuera de muestra: Genera pronósticos del rendimiento de marketing futuro con intervalos creíbles. Esta función es muy útil para simulaciones y planificación de escenarios.

• Optimización del presupuesto: Asigna eficientemente tu presupuesto de marketing entre varios canales para maximizar el ROI. El paquete incluye herramientas para ayudarte a determinar el gasto óptimo por canal.

• Calibración con experimentos: Ajusta finamente tu modelo con base en experimentos empíricos, como pruebas de lift, para crear una visión más unificada y precisa de tus esfuerzos de marketing. Esta función ayuda a cerrar la brecha entre las predicciones del modelo y los resultados del mundo real.

Cada una de estas funcionalidades cuenta con amplia documentación y cuadernos de ejemplo que te permiten profundizar en su implementación y casos de uso.

PyMC‑Marketing en producción

PyMC‑Marketing puede integrarse sin fricciones en entornos de producción utilizando herramientas MLOps modernas del stack PyData. Esto permite flujos de trabajo de modelado del mix de medios automatizados, escalables y reproducibles. Estos son algunos aspectos clave para ejecutar PyMC‑Marketing en producción:

1. Contenerización con Docker:

   • Encapsula tu entorno y dependencias de PyMC‑Marketing en un contenedor Docker.

   • Garantiza la consistencia entre distintos entornos (desarrollo, pruebas, producción).

   • Simplifica el despliegue y el escalado de tus canalizaciones de MMM.

2. Seguimiento de experimentos con MLflow:

   • Registra parámetros, métricas y artefactos del modelo con MLflow.

   • Compara distintas versiones del modelo y realiza seguimiento de experimentos a lo largo del tiempo.

   • Reproduce resultados con facilidad y comparte insights con los miembros del equipo.

3. Orquestación de flujos de trabajo:

   • Utiliza herramientas como Apache Airflow o Prefect, por ejemplo, para programar y orquestar tus canalizaciones de MMM.

   • Automatiza la ingesta de datos, el entrenamiento del modelo y la generación de resultados de forma periódica.

4. Monitoreo y alertas:

   • Implementa monitoreo del desempeño del modelo y del drift de datos.

   • Configura alertas ante cambios inesperados en las salidas del modelo o problemas de calidad de datos.

Al aprovechar estas herramientas, puedes crear una canalización de MMM robusta y automatizada que proporcione continuamente insights para tus estrategias de marketing.

Para obtener más información sobre estas herramientas, visita:

• Docker: https://www.docker.com/

• MLflow: https://mlflow.org/

¿Cómo empezar?

Para ver cómo se integran todos estos componentes, puedes revisar el cuaderno de ejemplo de MMM y la aplicación explicativa de MMM.