Marketing Mix Modeling sin cookies: medir y asignar presupuesto
El Marketing Mix Modeling permite estimar cómo Marketing contribuye a un resultado agregado utilizando series temporales, sin reconstruir el recorrido individual de cada usuario. Su valor no está en repartir mérito histórico entre canales, sino en simular decisiones futuras: cuánto invertir, dónde aparece saturación y qué retorno marginal podemos esperar bajo distintos escenarios.
En un entorno con menos identificadores, más restricciones de privacidad y recorridos fragmentados, el MMM recupera protagonismo. Pero no es una solución mágica ni una sustitución directa de la atribución. Es un modelo causal imperfecto que necesita datos consistentes, supuestos explícitos y validación con experimentos.
La pregunta útil no es «¿qué canal tuvo más ROI?». Es: ¿qué retorno marginal esperamos del siguiente euro, dentro de qué rango y con qué incertidumbre?
Qué es Marketing Mix Modeling
Marketing Mix Modeling o MMM es una familia de modelos estadísticos que relaciona una métrica de negocio —ventas, pedidos, clientes nuevos, margen o pipeline— con inversión en Marketing y otras variables que también pueden explicar su evolución: precio, promociones, estacionalidad, distribución, stock, actividad comercial o entorno macroeconómico.
Trabaja normalmente con datos agregados por semana, región, mercado o unidad de negocio. No necesita cookies para seguir a una persona de un anuncio a una compra. Esto reduce dependencia de identificadores, aunque no elimina la necesidad de gobernanza, calidad de dato ni cumplimiento normativo.
El modelo intenta separar tres componentes: demanda base que existiría sin la presión analizada, contribución asociada a las acciones de Marketing y efecto de variables externas. Esa separación nunca es perfecta. Su utilidad depende de si las decisiones derivadas resisten datos nuevos y otras formas de evidencia.
Qué pregunta responde y cuáles no
El MMM es especialmente útil para asignación presupuestaria entre canales, lectura de saturación, planificación por escenarios y comprensión de efectos agregados a medio plazo.
No suele ser la mejor herramienta para decidir entre dos anuncios, ajustar una puja diaria o seguir un recorrido individual. Para eso conservamos experimentación, atribución operativa y analítica de producto.
Cada herramienta ocupa un nivel distinto:
• Atribución: ayuda a operar campañas y recorridos con rapidez.
• Experimentos: estiman causalidad para intervenciones concretas.
• MMM: ofrece una lectura agregada y permite simular asignación de recursos.
Una organización madura no obliga a una única herramienta a responderlo todo. Triangula y utiliza las discrepancias como señal de aprendizaje.
El dataset que necesita un MMM
La unidad temporal suele ser semanal, aunque depende del volumen y de la velocidad con la que Marketing afecta al negocio. Cada fila representa un periodo y cada columna una señal potencialmente explicativa.
Variable objetivo
Conviene aproximarla al resultado económico. Si los canales alteran el mix, optimizar facturación bruta puede premiar ventas con poco margen. Margen de contribución, clientes nuevos netos o pipeline ponderado pueden ser mejores objetivos, según la decisión.
Variables de Marketing
Inversión, impresiones, alcance o GRP deben mantener definiciones consistentes. Mezclar coste neto y bruto o cambiar fuentes durante la serie introduce roturas que el modelo puede interpretar como efecto.
Controles del negocio y el entorno
Precio, promociones, aperturas, distribución, disponibilidad, festivos, tendencia, estacionalidad, actividad comercial y variables macro relevantes. No se trata de añadir todo lo disponible, sino de representar causas plausibles sin construir un sistema imposible de identificar.
Cuando dos canales se mueven siempre juntos, el modelo puede estimar bien la contribución total de Marketing y repartirla mal entre ellos. La multicolinealidad no desaparece por utilizar una técnica más sofisticada.
Adstock, retardo y saturación
Adstock
El adstock representa que parte del efecto continúa después de la semana de inversión. Una campaña de respuesta directa puede agotarse rápido; una inversión de marca puede influir durante más tiempo. La tasa debe estimarse dentro de rangos defendibles para el negocio.
Saturación
La saturación representa rendimientos decrecientes. Pasar de 0 a 20.000 euros no produce necesariamente el mismo incremento que pasar de 200.000 a 220.000. Sin una curva de respuesta, el modelo puede proyectar crecimiento lineal donde ya no queda audiencia, inventario o demanda incremental.
Interacciones
Los canales no siempre actúan de forma independiente. Vídeo puede elevar búsquedas de marca; una promoción puede amplificar Paid Social; distribución limitada puede impedir que la presión publicitaria se convierta en ventas. Añadir interacciones aumenta realismo y también incertidumbre. Solo incorporaría mecanismos con fundamento y datos suficientes.
Ejemplo ilustrativo de asignación
Imaginemos un negocio que invierte 400.000 euros al mes: 160.000 en búsqueda, 120.000 en social, 80.000 en vídeo y 40.000 en afiliación. El MMM estima contribución y curvas de respuesta, pero el dato decisivo aparece al simular el siguiente tramo de 50.000 euros.
• Canal · ROI medio estimado · ROI marginal del siguiente tramo · Lectura
• Búsqueda · 3,4 · 1,2 · Cerca de saturación
• Social · 2,1 · 1,6 · Capacidad moderada
• Vídeo · 1,7 · 1,9 · Mayor oportunidad marginal
• Afiliación · 2,8 · No concluyente · Duda de incrementalidad
La recomendación no sería trasladar todo a vídeo. Reduciría 20.000 euros en la zona más plana de búsqueda, reasignaría 15.000 a vídeo y 5.000 a social, y reservaría 10.000 para un geoexperimento que valide el efecto incremental. Mantendría guardrails de margen, volumen, demanda de marca y capacidad operativa.
El escenario podría estimar un 4 % más de margen incremental. Si el intervalo razonable va de −1 % a +8 %, esa incertidumbre debe formar parte de la decisión. Una reasignación reversible puede justificarse; un compromiso anual necesitaría evidencia adicional.
Del ROI medio al retorno marginal
El ROI medio divide contribución estimada entre inversión histórica. Es descriptivo. El marginal aproxima el valor del siguiente euro y, por tanto, es el que orienta presupuesto.
Un canal pequeño puede mostrar un ROI medio excelente porque todavía recoge demanda barata. Al triplicar inversión entra en audiencias menos receptivas. Otro puede tener un promedio menor y soportar más presupuesto antes de saturarse.
La asignación debe respetar límites: mínimo de presencia, máximo operativo, compromisos contractuales, inventario, liquidez y necesidad de aprendizaje. El optimizador matemático no conoce esos límites si la organización no los declara.
Cómo validar un Marketing Mix Model
Una validación seria combina cuatro capas.
1. Ajuste temporal. Reproduce la dinámica relevante sin perseguir cada ruido semanal.
2. Validación fuera de muestra. Mantiene capacidad predictiva en periodos que no utilizó para aprender.
3. Coherencia de negocio. Signos, retardos, elasticidades y saturación resultan plausibles para quienes operan los canales.
4. Calibración causal. Los efectos son compatibles con holdouts, geoexperimentos o estudios de lift disponibles.
Un buen R² no convierte correlación en causalidad. Tampoco un modelo bayesiano elimina variables omitidas. La pregunta es si la recomendación cambia de forma razonable cuando modificamos supuestos y si sobrevive a pruebas posteriores.
La secuencia más útil es circular: el MMM identifica dónde hay mayor incertidumbre económica; los experimentos reducen esa incertidumbre; y sus resultados calibran la siguiente versión.
Escenarios en vez de una cifra única
Presentaría tres escenarios a stakeholders:
• Conservador: protege caja y exige payback corto.
• Base: maximiza margen esperado dentro de rangos ya observados.
• Crecimiento: acepta más incertidumbre para explorar capacidad adicional.
Cada uno debe mostrar inversión por canal, contribución, margen, clientes incrementales, CAC marginal, intervalo de incertidumbre y restricciones. También debe declarar qué no incorpora: cambios creativos, entrada de competidores, problemas de stock o transformaciones del producto.
Así, Marketing y Finanzas dejan de discutir una cifra y evalúan una combinación común de retorno, riesgo, liquidez y aprendizaje.
Errores que convierten un MMM en una falsa seguridad
• Utilizar pocas observaciones para demasiadas variables.
• Cambiar definiciones de inversión durante la serie.
• Omitir precio, promociones, disponibilidad o estacionalidad.
• Interpretar contribución como prueba causal definitiva.
• Optimizar con ROI medio cuando la decisión es marginal.
• Extrapolar fuera del rango de inversión observado.
• Ocultar intervalos y sensibilidad.
• Ignorar caja, capacidad comercial o inventario.
• Construir el modelo una vez y tratarlo como terminado.
Preguntas frecuentes sobre Marketing Mix Modeling
¿El MMM sustituye a Google Analytics o a la atribución?
No. Responde preguntas agregadas de contribución y presupuesto. La analítica digital y la atribución siguen siendo útiles para operar recorridos, campañas y producto.
¿Cuántos datos necesita?
Depende de frecuencia, variación, número de canales y controles. Más filas no compensan una serie sin cambios de inversión o con canales perfectamente correlacionados. La identificabilidad importa tanto como el volumen.
¿Puede demostrar causalidad?
Puede aproximarla bajo supuestos, pero necesita contraste. Los experimentos, el conocimiento operativo y los análisis de sensibilidad ayudan a separar una narrativa estadística de una decisión defendible.
Conclusión: medir sin cookies no significa medir a ciegas
El MMM obliga a abandonar la comodidad de seguir cada recorrido individual y a construir una inferencia más disciplinada sobre cómo Marketing modifica el resultado.
Su entrega más importante no es el porcentaje de contribución de cada canal. Es una frontera de inversión que explica retorno esperado, saturación, incertidumbre y límites. Ahí la medición deja de intentar demostrar qué hizo Marketing y empieza a ayudar a decidir qué debería hacer después.
