Suscríbete a Merca2.0. Haz clic aquí

Guillermo Perezbolde

Econometrics, guía para implementar un Marketing Mix Modelling – Parte 1

El Modelo Econometric o Marketing Mix Model (MMM) es un estudio heurístico que conjunta técnicas de análisis estadístico aplicado a datos de marketing.
Muchos estudian marketing para no tener que utilizar  matemáticas en el trabajo, bueno, este artículo definitivamente no es para ellos.
Por lo extenso del tema, abordaré el MMM en dos partes, organizadas de la siguiente manera:
Primera parte
Definición del modelo
Canales de atribución básica
Modelo de atribución avanzado
Segunda parte
Adquisición de data
Tablas de contribución
Uso del ROI marginal
Nunca en la historia las marcas habían tenido tantas opciones de medios para llegar al consumidor, desde los tradicionales como la TV, Radio, Prensa, hasta los digitales con todas las variantes que ofrecen.
No todas las marcas necesitan estar presentes en todos los canales, pero es importante saber en cuales y de que manera debemos medir el impacto que generamos con ellos.
La cantidad de canales ha crecido exponencialmente en la última década, y con ello también la expectativa comercial acompañada del reto de demostrar el retorno de inversión que genera cada uno y en el conjunto.
El Modelo Econometric o Marketing Mix Model (MMM) es un estudio heurístico que conjunta técnicas de análisis estadístico aplicado a datos de marketing o ventas para estimar el impacto de acciones o canales. El objetivo de implementar el MMM es garantizar que el plan arroje un retorno más efectivo de la inversión publicitaria con una base científica.
Definición del modelo
Canales de atribución
El MMM crea un modelado estadístico que busca identificar la relación entre la inversión de marketing en cada canal individual y el resultado deseado (clicks, visitas al sitio web, descargas, ventas, leads, etc.).
Para que el modelo funcione necesitamos contar con datos históricos para descubrir la contribución de cada canal hacia los KPI planteados. Esto se hace esencialmente identificando las variaciones en la inversión en cada canal y las variaciones correspondientes en el KPI. Por lo tanto, es crucial contar con variaciones en la inversión, para que el modelo pueda determinar cómo cada pequeña fluctuación impactó de manera directa el producto final.
Modelos básicos de atribución
Atribución de último impacto(toque)
Como su nombre lo dice, este es el canal de atribución en el que los ingresos generados se atribuyen al canal de marketing con el que el usuario participó por última vez.
Este enfoque es muy simple e incluso más fácil de medir, pero corre el riesgo de simplificar en exceso su atribución, ya que el último toque no es necesariamente la actividad de marketing que generó la compra.
Atribución de primer toque
En este caso la atribución se asigna al primer canal  con el que el Target interactuó dentro del todo el Journey de compra.
Al igual que con el último toque,  en el primer toque tiene una ventaja en la simplicidad, pero nuevamente corre el riesgo de simplificar demasiado su enfoque de atribución.
Atribución lineal
En este enfoque, la atribución se divide de manera uniforme entre todos los canales tocados por el usuario en el Journey de compra.
Este enfoque es más adecuado para capturar la tendencia del comportamiento táctil multicanal que estamos viendo en el comportamiento del consumidor. Sin embargo, no distingue entre los diferentes canales, y dado que no todo el Engagement  de los consumidores con los esfuerzos de marketing es igual, este es un claro inconveniente de este modelo.
Atribución Time-decay
La atribución  Time-decay o caída de tiempo, es un modelo de atribución multitáctil que otorga cierto crédito a todos los canales que llevaron a la conversión de un cliente, considerando que el primer canal publicitario con el que interactuó el cliente simplemente plantó la semilla, y el interés del cliente para considerar una compra creció con el tiempo con la exposición repetida a varios canales.
La forma en que el modelo de atribución Time-decay  asigna crédito a sus diferentes  canales puede interpretarse como un nivel creciente de interés y compromiso por parte del cliente.
Time-decay es especialmente útil para medir ciclos de ventas más largos, ya que el tiempo transcurrido entre interacciones con cada canal realmente servirá para resaltar la diferencia en el mérito de cada uno.
Cada canal recibe crédito con base en el supuesto de que cuanto más tiempo haya pasado desde la primera interacción, más se acercó el cliente a la venta.
Modelos de atribución avanzado
Cadenas de Markov
El modelo de cadenas de Markov fue creado en 1907 y llevan el nombre de su autor, el matemático ruso Andrei Markov, y describen una secuencia de posibles eventos en los que la probabilidad de cada evento depende solo del estado alcanzado en el evento anterior.(Osea, probabilidad, estadística y matemáticas)
Las cadenas de Markov, hablando de canales de atribución, nos brindan un marco para modelar el Journey  de los consumidores y cómo cada canal influye para llegar o no a la conversión.
La idea central de las cadenas de Markov es utilizar los datos obtenidos para identificar las probabilidades de pasar de un evento a otro en nuestra red de eventos potenciales de canales de marketing y/o eventos de conversión. La definición creada por su autor supone que en procesos estocásticos(variables que dependen de otras variables) la probabilidad de que algo suceda, depende únicamente del pasado histórico del evento que estamos estudiando. Por eso, a menudo se dice que estas cadenas cuentan con memoria.

Modelo Shapley(el modelo de Google)

El modelo de atribución Shapley, desarrollado por Lloyd Shapley (premio Nobel de economía), tiene como base la teoría de juegos o Game theory(modelo matemático de análisis de estructuras) para resolver el problema de la equidad al momento de asignar crédito a cada punto de contacto con los canales, teniendo en cuenta la contribución que da cada uno hasta alcanzar la conversión.

El modelo Shapley es utilizado por Google como parte de su modelo de atribución basado en datos (Data Driven).para comparar la probabilidad de conversión de usuarios parecidos que han sido expuestos a los puntos de contacto, con la probabilidad de conversión que existe cuando uno de los puntos de contacto no se produce dentro del Journey.
Este tipo de análisis ofrece mayor precisión a la hora de asignar el crédito a cada canal. Sin embargo, como todo modelo de atribución, tiene  algunas debilidades; entre ellos, el propio hecho de que a los puntos de contacto se les atribuye el valor sin tener en cuenta que, a medida que el usuario avanza hacia la conversión, la probabilidad de convertir varía en el tiempo a medida que a las distintas acciones de marketing influyen en su decisión de compra.
En la siguiente parte veremos la aplicación practica de todo lo anterior y como enfocarlo al ROI
El conocimiento que no se comparte, pierde por completo su valor

Suscríbete al contenido premium de Merca2.0

De Madrid a la Ciudad de México, la fuente más confiable de estrategias de mercadotecnia a nivel global. Una mirada a las estrategias de las grandes marcas y las tendencias del consumidor.

Más de 150,000 mercadólogos inscritos en nuestros boletín de noticias diarias.

Premium

Populares

Únete a más de 150,000 lectores

Regístrate a nuestro newsletter en la siguiente forma y recibe a primera hora las noticias más importantes de mercadotecnia, publicidad y medios en tu correo.

Más de Merca2.0

Artículos relacionados

You don't have credit card details available. You will be redirected to update payment method page. Click OK to continue.