A través del marketing las empresas buscan impulsar sus ventas y el conocimiento de la marca y los productos, pero ¿cómo pueden los expertos en marketing evaluar el rendimiento de la publicidad?

El Marketing Mix Modelling (MMM) es una técnica ampliamente usada en el sector para evaluar el rendimiento de la publicidad analizando la inversión, las ventas generadas, el ROI y otros KPIs para los distintos medios de publicidad.

1. Marketing y Marketing digital

En los últimos años hemos presenciado un cambio en el sector con la introducción del marketing digital. Tradicionalmente las empresas se han publicitado a través de medios Off-Line como TV, OOH (carteles), prensa o radio. Sin embargo, con la llegada de los dispositivos inteligentes y las redes sociales han aparecido nuevos canales: los medios On-Line. Google, Facebook, Instagram o Twitter son algunos ejemplos y la realidad es que las empresas ya están realizando grandes inversiones en estos medios.

Con la llegada de estas plataformas se han desarrollado modelos que cuantifican las ventas generadas por estos canales On-Line, donde a través de cookies y otros elementos se puede rastrear todo el recorrido online que realizan los usuarios, lo que se conoce como customer journey. Utilizando este customer journey, se pueden atribuir las ventas online a los distintos canales de publicidad con los que el usuario se ha encontrado durante su navegación. Uno de los modelos más conocidos es el “Last  touch” que atribuye toda la venta al último canal que ha visto el usuario. Otros atribuyen la venta proporcionalmente entre todos los canales y otros de forma proporcional al tiempo transcurrido entre el anuncio y el momento en el que se realizó la compra.

Todos estos modelos tienen en común que sólo pueden cuantificar la inversión y las ventas conseguidas de forma On-Line, ya que no hay forma de saber si los compradores vieron un anuncio de TV o radio que les motivase a interesarse por el producto que compraron de forma online. En este sentido, los modelos de MMM son mucho más poderosos y permiten la combinación de medios On-Line, Off-Line y la inclusión de variables externas que puedan afectar a las ventas, como la estacionalidad (verano o invierno), el COVID, el precio del producto, etc.

Los modelos de MMM son mucho más poderosos y permiten la combinación de medios On-Line, Off-Line y la inclusión de variables externas que puedan afectar a las ventas

2. Modelos de MMM

Los modelos de MMM miden el rendimiento de las campañas de marketing de los distintos medios de publicidad, pero ¿cómo lo hacen?

Respecto a los datos, se necesita son los datos de inversión de cada canal de publicidad para el histórico a analizar (la inversión semanal suele ser una buena agrupación, y otras posibles son la inversión diaria o la inversión mensual), junto los valores de las variables externas que introduzcamos al modelo. A la vez, se necesita la serie histórica de ventas equivalente (semanal en este caso).

Respecto a los modelos, para que sean precisos es necesario realizar varias transformaciones sobre los datos:

  • Adstock: se usa para modelizar el efecto a largo plazo que los anuncios tienen sobre los espectadores. Por ejemplo, es poco probable que al crear una campaña de TV sobre un coche, los espectadores que vean por primera vez el anuncio se decidan a comprarlo de inmediato. Lo normal es que los anuncios vayan creando conciencia sobre el coche y junto con otros anuncios en otros medios, finalmente y al cabo de un tiempo algunos espectadores acaben comprando el coche. Con el adstock conseguimos modelizar este comportamiento. Como ejemplo, en el siguiente gráfico podemos ver en azul la inversión real mensual, y en naranja la inversión transformada con adstock. Podemos ver que al iniciar la inversión las ventas no se aumentan de forma proporcional, mientras que en semanas posteriores cuando se deja de invertir los anuncios siguen haciendo “efecto” sobre los usuarios. La línea naranja sería entonces el efecto que los anuncios hacen sobre los usuarios desde el punto de vista de la compra.
  • Saturación: se usa para modelizar el efecto que surge cuando los usuarios ven “demasiados” anuncios. La relación entre inversión y ventas no es lineal, de forma que inversiones muy pequeñas prácticamente no generan ventas e inversiones demasiado grandes saturan y no generan tantas ventas como se esperaría. En la siguiente imagen podemos ver este efecto: por debajo de una inversión semanal (con adstock) de unas 100 unidades la respuesta que se produce es muy pequeña. Entre las 100 y las 300 unidades la respuesta es lineal, lo que significa que si doblamos de 100 a 200 unidades la inversión, la respuesta también se dobla. Para inversiones superiores a 300 unidades, la relación lineal se termina y el canal empieza a saturar, lo que significa que aumentar la inversión implica aumentar la respuesta pero en menor medida. Por lo tanto, lo ideal sería no superar demasiado este umbral para no “desperdiciar” el presupuesto. En el caso extremo por encima de 600 unidades de inversión, invertir más presupuesto no va a generar más ventas desperdiciando así bastante presupuesto.La transformación de los datos mediante adstock y saturación se hace sólo para los distintos canales de inversión. Cada medio tendrá sus propias curvas de saturación y adstock y habrá que encontrar los parámetros óptimos para el mejor funcionamiento del modelo. En general, los canales Off-Line clásicos como TV, radio, prensa u OOH tienen un gran efecto de arrastre y continúan generando ventas en las semanas/meses posteriores a las inversiones. Por otro lado, los nuevos canales On-Line como Meta o Display (pop-ups) suelen tener una vida más corta y las ventas están más próximas al momento de la inversión. Además, debemos alimentar el modelo con otras variables de contexto. Estas variables son específicas a cada caso, algunos ejemplos serían:
    • Variables económicas: precio de venta, precio de venta de la competencia, promociones, PIB, desempleo, etc.
    • Variables externas: eventos, COVID, etc.
    • Variables estacionales: tendencia, estacionalidad, festivos, clima, etc.

    A modo de ejemplo, hemos incluido a continuación una gráfica en la que podemos considerar una empresa de bebidas refrescantes que tenga una marcada estacionalidad por el verano y las vacaciones. Podemos ver la influencia que puede tener la temperatura (entendida como estacionalidad, playa, vacaciones, amigos, etc). En verano las ventas aumentan respecto al invierno como sería de esperar para productos como las bebidas refrescantes:

La transformación de los datos mediante adstock y saturación se hace sólo para los distintos canales de inversión.

3. Análisis de resultados

Una vez hemos lanzado el modelo hay que analizar los resultados e interpretarlos para mejorar la distribución del presupuesto en las próximas campañas de marketing. ¿Qué resultados obtenemos?

  1. 1. Tablas o gráficas con las ventas aportadas por cada variable. En este ejemplo podemos ver la evolución de ventas para cada mes. Las ventas base representan la mayoría de las ventas totales y son aquellas que no corresponden a la publicidad. En azul, marrón y amarillo tenemos las ventas correspondientes a las inversiones en publicidad, TV, OOH y Meta respectivamente.
  2. 2. Con las ventas totales de los medios de publicidad podemos ver KPIs como el ROI, ventas e inversión totales. En las siguientes gráficas podemos ver el rendimiento de las campañas para los distintos medios durante todo el periodo analizado. TV es el canal que más ventas genera pero también el que recibe la mayor inversión. Analizando el retorno de la inversión, TV tiene el mayor ROI y Meta el menor:
  3. 3. A parte de los medios de publicidad, tenemos que utilizar el resto de variables para analizar las ventas base o “baseline” que tienen las empresas. Estas ventas base estarían compuestas por la tendencia, estacionalidad, precio de venta, precio de venta de la competencia, promociones, festivos, etc. Nos ayuda a cuantificar si las ventas base están creciendo, decreciendo o se mantienen estables y que factores son los que contribuyen a ello. El baseline puede ser considerado como las ventas que tienen las empresas “sólo” por existir, si bien es cierto que el baseline está muy condicionado por el conocimiento de la marca y la publicidad en épocas anteriores. En la siguiente imagen se muestra un pie chart con la distribución de las ventas totales desglosando las variables del baseline. A modo de referencia se incluyen las ventas publicitarias en gris:
  4.  4. Otro análisis clave es el de las curvas de adstock y saturación para cada canal de publicidad. Una vez las tenemos podemos optimizar la inversión para no llegar a saturar los canales, de forma que el presupuesto restante se puede distribuir en otros canales que no hayan saturado. Siguiendo con nuestro ejemplo, en la siguiente imagen se puede ver el distinto comportamiento de los canales para la misma inversión. Podemos ver que los canales tradicionales como TV y OOH tienen una respuesta más suave que el canal digital Meta5. Utilizando las curvas de adstock y saturación del punto anterior se puede construir un simulador que ayude a optimizar la inversión, de forma que podemos simular varios escenarios de inversión combinando distintos canales y fechas. La simulación nos devuelve las ventas aportadas por cada canal para cada fecha, por lo que podemos calcular los principales KPIs como el ROI o ventas totales. Con esto podemos decidir cuál es la mejor forma de invertir el presuepuesto.

4. Conclusiones

En resumen, el Marketing Mix Modeling es esencial para poder analizar en profundidad el rendimiento de las campañas de publicidad (ROI, ventas, etc), así como las ventas producidas por otros factores. Además, también nos permite conocer el comportamiento de los distintos canales para poder distribuir la inversión de forma óptima.

Con respecto a las nuevas tendencias de Marketing Digital, un punto fuerte a favor de los MMM es el hecho de poder combinar datos de inversión de canales Off-Line, On-Line y otros factores externos, mientras que los modelos de Marketing Digital se restringen sólo a canales On-Line.