Marketing Mix Modeling: el problema no es construir el modelo, sino saber cuándo confiar en él

Un marketing mix modeling (MMM) fiable no es el que mejor predice las ventas pasadas: es el que identifica, con datos reales, cuánto aporta cada canal. Un R² alto no confirma esa identificación causal, solo que el modelo ajusta bien al histórico. La pregunta que importa no es si el modelo funciona, sino qué decisiones puede sostener.

Para entender qué es el marketing mix modeling basta una definición corta: es un modelo estadístico que estima cuánto contribuye cada canal de marketing a un resultado de negocio —ventas, conversiones, ingresos— a partir de datos históricos de inversión y contexto. Google Meridian y Meta Robyn han democratizado su construcción: hoy en un equipo con conocimientos de R o Python podemos entrenar un MMM en pocos días.

El marketing basado en datos ya no depende de tener el modelo. Depende de saber qué efectos puede identificar realmente ese modelo con los datos disponibles, qué incertidumbre arrastra cada estimación y qué decisiones tienen derecho a apoyarse en ella, algo especialmente relevante en la medición en un entorno sin cookies, donde el MMM ha vuelto a ganar protagonismo.

Un marketing mix modeling que predice bien puede atribuir mal

Predicción no es lo mismo que identificación causal. Un modelo puede reproducir con precisión las ventas históricas y, aun así, repartir mal el mérito entre canales. Ajustar bien el pasado (fit) y estimar correctamente el efecto causal de cada canal (identificación) son dos problemas estadísticos distintos, y un modelo puede resolver el primero sin resolver el segundo.

La documentación oficial de Google Meridian lo dice de forma explícita: el objetivo de un MMM es estimar efectos causales, no minimizar el error de predicción fuera de muestra. Antes de confiar en un resultado conviene evaluar el ajuste de un MMM, pero un buen ajuste (goodness-of-fit) y una atribución de ROI fiable son dos criterios de calidad distintos. Un modelo puede tener el primero sin tener el segundo.

Por qué un R² alto no valida el ROI

Un R² (coeficiente de determinación) alto indica que el modelo reproduce bien la variación observada en las ventas históricas, pero no demuestra que haya identificado correctamente cuánto aporta cada canal. Puede seguir confundiendo el efecto de la inversión publicitaria con otros factores que evolucionan al mismo tiempo, como la estacionalidad, la tendencia o eventos puntuales.

Tres años de datos no son tres años de información

Un MMM no aprende del volumen de datos que recibe. Aprende de la variación independiente que contiene cada canal: los periodos en los que ese canal subió o bajó sin que los demás se movieran igual. Tres años de datos con canales que siempre suben y bajan juntos aportan casi la misma información que tres meses.

Multicolinealidad y estacionalidad, dos formas del mismo problema

Los modelos de marketing mix sufren especialmente dos patrones. El primero es la multicolinealidad: canales que suben y bajan a la vez —por ejemplo, TV y Paid Social durante una misma campaña—, porque el modelo no tiene forma de separar el efecto de uno del efecto del otro con esos datos. El segundo es la estacionalidad estructural: una marca que lanza su campaña más fuerte todos los años en Black Friday deja un histórico que apenas contiene información sobre qué habría pasado sin esa campaña en esas fechas.

¿Vendemos más porque invertimos más, o invertimos más porque íbamos a vender más?

Uno de los problemas más delicados en un marketing mix modeling es distinguir si la inversión está provocando las ventas o si, en realidad, la inversión aumenta precisamente cuando ya se espera vender más. A este problema se le llama endogeneidad o causalidad inversa.

El modelo puede asumir que un mayor gasto en un canal causa un incremento de ventas, cuando en algunos casos ocurre lo contrario: la previsión de una mayor demanda lleva al equipo a aumentar la inversión. Si no se corrige este efecto, el MMM puede atribuir al canal un impacto que en realidad procede, al menos en parte, de una demanda que ya existía y terminar sobreestimando su ROI.

El caso del Paid Search de marca

El ejemplo más citado es el Paid Search de marca. La secuencia real suele ser TV → búsquedas de marca → clic en el anuncio de Search → venta, no al revés. Una campaña de TV genera interés, ese interés se traduce en búsquedas del nombre de la marca, y el usuario hace clic en el primer resultado, que suele ser un anuncio de Search. El modelo puede atribuir a Search un mérito que en realidad generó la TV cuando no distingue esta cadena. Una agencia de publicidad en buscadores con experiencia en medición conoce este patrón: el Search de marca captura demanda con más frecuencia de la que la genera.

Antes de controlar una variable, decidimos qué papel causal juega

No todas las variables relacionadas con las ventas deben tratarse igual dentro de un marketing mix modeling. Antes de incluir una variable de control, hay que entender qué papel juega en la relación causal entre inversión y resultado.

Confusor o mediador: la pregunta que cambia el resultado

Un confusor influye tanto en la inversión de un canal como en las ventas y conviene controlarlo para evitar una estimación sesgada. Un mediador, en cambio, forma parte del mecanismo mediante el cual otro canal produce su efecto. Si se controla como si fuera un confusor, el modelo puede eliminar precisamente una parte del impacto que intenta medir.

Las búsquedas de marca son uno de los ejemplos más habituales. Incluirlas entre las variables de control del modelo sin analizar su función puede infravalorar el efecto de la TV en el upper funnel: la televisión puede generar búsquedas de marca y esas búsquedas, a su vez, terminar generando ventas a través de Search.

Variables de negocio que el modelo puede olvidar

Stock, distribución, precio y promociones no son ruido: son causas reales de venta que compiten con el marketing por explicar el mismo resultado. Un MMM que omite estas variables les atribuye, por defecto, parte de su efecto a los canales de medios.

El mejor canal histórico no es el mejor destino del siguiente euro

Que un canal haya tenido el mejor rendimiento histórico no significa que sea el lugar más rentable para aumentar la inversión. Para entender esa diferencia hay que separar el ROI medio del ROI marginal (mROI).

ROI medio frente a ROI marginal (mROI)

El ROI medio mide el retorno de toda la inversión histórica en un canal. El ROI marginal (mROI) mide el retorno del próximo euro invertido en ese mismo canal, y casi siempre es más bajo que el medio, porque la mayoría de canales tienen rendimientos decrecientes.

Saturación y el límite de la extrapolación

Un MMM para repartir el presupuesto entre canales describe curvas de respuesta con una zona observada —donde hay datos reales de inversión— y una zona extrapolada, más allá del rango histórico. Recomendar duplicar la inversión en un canal que nunca ha recibido ese nivel de gasto es, en la práctica, pedirle al modelo una predicción fuera de la evidencia que tiene.

Un ROI no es un número: es un intervalo

Meridian y Robyn son modelos bayesianos: no devuelven un único ROI, devuelven una distribución completa de valores posibles, resumida en intervalos creíbles. Por eso, ordenar canales por su ROI puntual es habitual y, muchas veces, engañoso. Cuando los intervalos de dos canales se solapan de forma amplia, los datos no permiten afirmar con confianza que uno rinda más que el otro, aunque sus puntos centrales estén ordenados.

En Proun llamamos a la lectura de ROI puntuales sin sus intervalos «teatro de la precisión»: aparenta un rigor que los propios datos no sostienen. Por tanto, optimizar la inversión publicitaria con marketing mix modeling exige reportar el intervalo junto al punto central, no solo el número que mejor queda en la diapositiva.

Un MMM no demuestra incrementalidad por sí solo

Un MMM produce una hipótesis cuantificada sobre el efecto de cada canal, no una prueba definitiva. Los tests de incrementalidad —lift tests, geo experiments— son el instrumento que contrasta esa hipótesis con evidencia experimental. Meridian y Robyn nos permiten incorporar los resultados de esos experimentos como calibración: ajustan las estimaciones del modelo hacia los valores medidos experimentalmente en lugar de dejarlas depender solo de la variación histórica.

Calibration mismatch: el experimento tiene que medir lo mismo que el modelo

Un experimento calibra correctamente un MMM solo cuando mide la misma unidad, la misma población, el mismo resultado y la misma ventana temporal que la variable que se quiere calibrar en el modelo. Un test de retargeting no calibra toda la gestión de campañas en redes sociales: retargeting y prospecting son audiencias distintas, con comportamientos distintos, y tratarlos como un único canal de Paid Social en la calibración introduce un sesgo nuevo en lugar de corregir el existente.

Robyn de Meta y Meridian documentan este proceso de calibración con condiciones específicas sobre qué experimentos son válidos para cada canal. En Proun diseñamos los tests de incrementalidad con esas condiciones en mente antes de calibrar cualquier modelo: ignorarlas produce una calibración que parece rigor y no lo es.

Triangular no es promediar: qué método tiene autoridad sobre qué decisión

Trabajamos con cuatro instrumentos que dan respuesta a cuatro preguntas distintas. Antes de preguntar qué dice el modelo sobre un canal, conviene preguntar qué instrumento tiene autoridad para responder esa pregunta en concreto. No todos sirven para medir la contribución de cada canal del mismo modo.

Triangular varios métodos no significa promediar sus resultados cuando discrepan. Significa usar cada uno para lo que puede responder con autoridad y desconfiar de la lectura que no resiste el contraste con las demás. Cuando el MMM y un test de incrementalidad discrepan mucho para el mismo canal, el problema casi nunca es «promediar la diferencia»: casi siempre es una señal de calibration mismatch o de un confusor no controlado.

De la optimización matemática a la decisión de negocio

El modelo no conoce tus restricciones. Un optimizador de presupuesto resuelve un problema matemático: maximizar el resultado dado un presupuesto. No conoce los contratos mínimos con medios, la capacidad operativa del equipo ni los objetivos de marca que una empresa no está dispuesta a sacrificar aunque el número lo recomiende.

Recomendar mover presupuesto hacia un canal sin capacidad de optimización de la conversión suficiente para absorber ese tráfico adicional no mejora el resultado: solo traslada el cuello de botella de la inversión a la conversión.

El KPI equivocado invalida la recomendación aunque el modelo esté bien construido

Optimizar un MMM sobre revenue en lugar de margen o LTV puede recomendar escalar canales que traen ingresos con poco margen. Antes de aceptar cualquier recomendación conviene medir el impacto real de cada canal con el KPI que de verdad importa al negocio, no el que es más fácil de modelar. El modelo tampoco conoce roturas de stock, cambios de agencia ni promociones excepcionales del periodo modelado: esa información solo la aporta el conocimiento operativo del equipo, a través de priors.

La confianza en el modelo debe determinar el tamaño de la decisión

Un modelo bien identificado, con intervalos estrechos y calibrado con al menos un experimento reciente, puede respaldar una redistribución del presupuesto entre canales sin necesidad de realizar una prueba adicional antes de actuar. En cambio, un modelo poco identificado, con intervalos amplios o sin calibración reciente, no ofrece evidencia suficiente para justificar cambios relevantes de inversión: permite plantear una hipótesis, pero conviene validarla antes de tomar una decisión.

Preguntas que debemos hacer antes de aprobar un MMM

• Qué decisión concreta va a responder este modelo.
• Dónde falta variación independiente en los datos.
• Qué canales están correlacionados entre sí.
• Qué parte de las curvas de respuesta es extrapolación y qué parte es evidencia observada.
• Qué intervalo de confianza tiene cada ROI, no solo su punto central.
• Qué se ha calibrado y con qué experimento exactamente.
• Qué ha cambiado en el negocio o el mercado desde el periodo modelado.

Conectar medición y decisión

Como agencia de marketing digital, en Proun conectamos la medición con la decisión: interpretamos resultados de MMM, diseñamos tests de incrementalidad y repartimos la inversión entre buscadores, redes sociales y conversión con criterio, no solo con el número más cómodo del modelo.

¿Cuánto de tu presupuesto se está moviendo con números que tu modelo no puede sostener? En Proun te ayudamos a conectar medición y decisión: qué canales escalar, dónde validar con experimentos y cómo optimizar tu inversión en buscadores, redes sociales y conversión. Habla con nuestro equipo.

Preguntas frecuentes sobre el marketing mix modeling

¿Un MMM demuestra causalidad?

No por sí solo. Un MMM produce una hipótesis cuantificada sobre el efecto causal de cada canal, basada en la variación histórica de los datos. Esa hipótesis se vuelve evidencia más sólida cuando se contrasta con un test de incrementalidad —lift test o geo experiment— que mida el mismo canal, la misma población y el mismo resultado. Sin esa calibración, el MMM sigue siendo una estimación estadística, no una prueba.

¿Cuántos datos necesita un MMM para ser fiable?

No es una cuestión de cantidad de datos, sino de variación independiente entre canales dentro de esos datos. Dos años de histórico con canales que siempre suben y bajan juntos, o que se lanzan siempre en las mismas fechas, aportan poca información nueva. Un MMM fiable necesita periodos en los que cada canal se haya movido de forma relativamente independiente de los demás.

¿Qué diferencia hay entre MMM, atribución e incrementalidad?

La atribución reparte el mérito de una conversión entre los puntos de contacto que un usuario tocó antes de convertir, normalmente dentro de una plataforma o herramienta multi-touch. El MMM estima la contribución de cada canal al resultado total, controlando factores externos. La incrementalidad mide, mediante un experimento, el efecto causal real de un canal frente a no haberlo activado. Cada instrumento responde una pregunta distinta; ninguno sustituye a los otros dos.

¿Qué es el ROI marginal en un MMM?

El ROI marginal (mROI) es el retorno esperado del próximo euro invertido en un canal, a diferencia del ROI medio, que mide el retorno de toda la inversión histórica en ese canal. Casi siempre el mROI es menor que el ROI medio, porque la mayoría de canales tienen rendimientos decrecientes: cada euro adicional rinde algo menos que el anterior a medida que el canal se acerca a su nivel de saturación.

¿Cada cuánto hay que recalibrar un MMM?

No existe una frecuencia universal. Un MMM se recalibra cuando cambian las condiciones que el modelo asume estables: entrada de un competidor relevante, cambio de algoritmo en una plataforma publicitaria, variación de precios, o cuando pasa el tiempo suficiente para acumular un nuevo periodo con variación útil. Recalibrar solo por calendario, sin revisar qué ha cambiado, da una falsa sensación de actualidad.

¿Puede un MMM sustituir a los tests de incrementalidad?

No. Un MMM y un test de incrementalidad responden preguntas relacionadas pero distintas: el primero estima la contribución de muchos canales a la vez a partir de datos observacionales; el segundo mide el efecto causal de un canal concreto mediante un experimento controlado. Lo habitual y más robusto es usar los tests de incrementalidad para calibrar el MMM, no para reemplazarlo ni al revés.