El MMM es un acrónimo de “Marketing Mix Modeling”, y es una metodología de modelización de la evolución temporal de una curva de ventas. Los modelos MMM pretenden explicar el peso y la influencia de los distintos factores que intervienen en la evolución de una curva de ventas.
Los modelos MMM se basan en series temporales: toman como variable a explicar la curva de ventas de una empresa, y la explican a través del impacto de las diferentes palancas de marketing.
Un MMM resuelve preguntas relacionadas con el impacto de las distintas palancas de marketing en el resultado de ventas de una empresa. Algunas preguntas de ejemplo a las que un modelo MMM permite dar respuesta:
El ejemplo mostrado a continuación ilustra un ejemplo simplificado de este concepto: el modelo MMM se crea con los inputs de la evolución temporal de distintas palancas de marketing (por ejemplo, anuncios en TV, radio, prensa, SEM, newsletters, SMS, …) que se definen como variables explicativas, es decir, las variables cuya acción tienen un impacto en la variable a explicar, el output del modelo (en este caso las ventas):
Las variables explicativas (inputs del modelo) tienen que tener la misma secuencia y capilaridad que el output que se pretende explicar.
Por otro lado, el modelo tiene que incluir todas aquellas variables que tengan un potencial efecto en la curva de ventas. Lo que está, explica -y lo que no está, no explica.
¿Qué tipos de variables se incluyen en un modelo MMM? Hay varios de variables de entrada al modelo. Vamos a explicarlas con detalle:
Las variables Push Paid Media (Canales de pago) corresponden a la inversión realizada en canales de pago (espacio publicitario de pago). Son variables controlables y medibles, ya que se han contratado por decisión de la empresa y con control sobre el gasto y el nivel de push asociado al mismo. Algunos ejemplos de variables en esta categoría son
Para el caso de push paid media, se incluyen 2 medidas en cada variable:
Las variables orgánicas son variables que afectan al push de comunicación, que están bajo nuestro control, pero que son de difícil cuantificación monetaria ya que son herramientas no pagadas a un mercado publicitario, sino que son herramientas internas a veces de difícil cuantificación monetaria (o sin una cuantificación monetaria claramente asociada).
Algunos ejemplos de variables en esta categoría son
Las variables de contexto son variables de entorno económico, social o empresarial que nos condicionan los resultados de ventas. Son variables no directamente vinculadas con push de comunicación, pero que hay que tener en cuenta en el análisis por su impacto en las ventas. Algunos ejemplos:
Las variables de contexto son especialmente relevantes ya que pueden contribuir a explicar la evolución de ventas -efectos en ventas no causados por campañas de marketing sino por circunstancias de entorno económico o social.
Por poner un caso muy evidente: las variables relacionadas con la COVID en parte contribuyen a explicar el salto de las ventas en canales online -las ventas online tuvieron un salto significativo cuando los indicadores de la epidemia subieron también significativamente. La COVID, más que ninguna otra variable, explica el salto en las ventas online de muchas organizaciones.
Entonces, como habíamos comentado, las variables explicativas (inputs del modelo) tienen que tener la misma secuencia y capilaridad que el output que se pretende explicar. La BBDD inicial del modelo tiene un formato como el que sigue:
La BBDD de entrada debe guardar determinadas proporciones de (nº periodos de la serie vs nº variables de entrada). Por poner un orden de magnitud a esto, necesitamos aproximadamente el número total de periodos (filas) tiene que ser 10x el número de variables del modelo (columnas). No podemos intentar explicar un modelo con 12 puntos de datos (ventas mensuales de un único año) a partir de 25 variables.
Hay varios factores que afectan a la calidad del modelo.
Obviamente, la calidad de los datos recolectados: garbage in, garbage out. El modelo no hace un check sobre la calidad de los datos. Asume que todos los datos son correctos. Si hay errores en la recolección de datos, estos se trasladan al modelo, invalidando las conclusiones que se puedan deducir del mismo
La capilaridad de datos es fundamental: mejor poder disponer de datos semanales que mensuales. E incluso mejor si podemos disponer de datos diarios en vez de semanales
Los patrones de los datos de entrada al modelo también afectan al mismo: es mejor disponer de datos “no planos”, es decir que tengan oscilaciones, curvas, saltos y patrones irregulares. Los modelos MMM trabajan bien con patrones irregulares, distintos y únicos para cada una de las variables de entrada.
Cuanta más complejidad hay en la estrategia de marketing (múltiples acciones en múltiples canales), más necesidad de MMM y de explicar el impacto de las diferentes palancas sobre el resultado final a nivel de ventas.
La metodología MMM aporta una mirada científica sobre el impacto de acciones de marketing.
El retrato robot del cliente ideal para MMM es el siguiente
Como en todos los procesos de Machine Learning, las sucesivas iteraciones del modelo durante el proceso de aprendizaje automático se basan en ir buscando el máximo ajuste de los sucesivos modelos generados a partir del training set (datos de entrenamiento) en el test set (datos para test).
El modelo se entrena en base a los datos de training (sin incluir los datos de test) y se valida su ajuste con los datos de test (datos que el modelo previamente no ha visto y son totalmente nuevos).
En general, la variable más común a explicar en un análisis MMM es la variable de ventas. Pero las ventas se pueden medir a base de varios indicadores:
Por otra parte, pueden existir variables previas a la venta final pero que para determinadas organizaciones representen un KPI fundamental. Algunos ejemplos:
Por ejemplo, para una empresa de créditos al consumo, la variable “Leads” o “Registros” es un auténtico KPI de referencia, sobre el que luego interesa la máxima conversión -pero por si mismo, el número de leads ya representa la variable a monitorizar y explicar para entender el impacto de las diversas acciones destinadas a la captación de estos leads.
Otro caso: empresas de quick commerce (apps como Glovo, Deliveroo, Getir) el nº de descargas e instalaciones de la app es un KPI fundamental. Muchos de los esfuerzos en medios van encaminados a lograr este objetivo de descarga, que es el primer paso en la vinculación del usuario con la empresa.
Los proyectos MMM deben tener un ámbito definido de modelización. Este ámbito se define a partir de un perímetro marcado por las siguientes fronteras:
MMM finaliza con la generación de los resultados del modelo. Los ejemplos mostrados más abajo corresponden a Robyn, la solución open source de MMM que Facebook ofrece a anunciantes y agencias que deseen implementar modelos MMM.
Kraz es una de las agencias que utiliza la solución de Robyn para la implementación de proyectos MMM. Vamos a mostrar los diferentes resultados que Robyn muestra.
Es el punto de partida del modelo: si un modelo no ajusta bien la evolución de la variable a modelizar (ventas), entonces no es un buen modelo y no necesitamos profundizar más.
El ajuste del modelo a la curva real se mide por la distancia en cada punto (momento del tiempo) entre el valor de las ventas modelizadas (teóricas, resultado del modelo) con las ventas reales observadas. Cuanto más se solapan las 2 series de datos (datos reales vs datos modelizados) mejor ajuste tendremos.
Indicadores de gasto respecto el impacto: compara el 100% del gasto publicitario, repartido en los diferentes medios de pago, contra el 100% del impacto generado por estos medios, también repartido entre los diferentes medios de pago, para ver las contribuciones relativas en gasto y en impacto, y detectar aquellos canales con potencial de incremento de inversión vs aquellos con exceso de inversión.
El modelo MMM permite la creación de escenarios de inversión alternativos, ajustando los parámetros de entrada (planes de medios) y viendo el impacto generado en cada escenario a nivel de ventas.
Algunos ejemplos de escenarios a modelizar:
El ejemplo abajo muestra un escenario donde, sin incremento de inversión total, el modelo arroja el reparto óptimo de inversión por canales (optimized spend share) en comparación con el reparto real de presupuesto (initial spend share).
Uno de los outputs del modelo es la desagregación de la curva de ventas en diferentes capas de patrones temporales. Estas capas de patrones temporales detectan
Por ejemplo, esta serie de datos de ventas muestra diferentes patrones:
Los anteriores datos tienen una marcada tendencia mensual que es la siguiente:
Y una menos evidente tendencia anual a simple vista, pero que los datos detectan:
También se detecta el patrón de impacto debido a la distribución de días festivos:
Más allá de la modelización de escenarios y de optimización de presupuesto, el modelo arroja el impacto de todos los posibles distintos componentes en el resultado final.
Estos componentes incluyen:
Componente a componente, se analiza su peso a la contribución total de ventas. Ello permite ver el peso relativo de las palancas de paid media respecto las variables más orgánicas, y ver el peso de la tendencia de ventas como inercia del negocio separada del posible empujón de comunicación pagado u orgánico.
Si has llegado hasta aquí está claro que este tema te interesa, así que permíteme invitarte a un café virtual si tienes dudas, ya que Kraz es la agencia de datos que necesitas para un proyecto de esta envergadura.
Si quieres profundizar un poco más en este tema puede interesarte el webinar que impartí junto a Quim Coll, CDO de Kraz, en el que dimos respuestas a preguntas como:
<< VOLVER AL DICCIONARIO ECOMMERCE
No se han encontrado artículos relacionados.
Your email address will not be published. Required fields are marked *
Δ