Media mix modeling (MMM)
Mide el impacto de las campañas de marketing y publicidad para determinar cómo los elementos internos y externos contribuyen al resultado deseado, ya sean ingresos o cualquier otro KPI.
¿Qué es el media mix modeling (MMM)?
El media mix modeling, también conocido como marketing mix modeling, es un método estadístico que se utiliza para medir el impacto de las campañas de marketing y publicidad. Específicamente, revela cómo las 4Ps de la combinación de marketing (producto, precio, punto de venta y promoción) contribuyen a un objetivo particular, que a menudo es aumentar las conversiones.
Si bien las 4P representan las cuatro categorías amplias, estos son algunos de los elementos más comunes medidos en MMM:
- Datos de ventas: Mide la eficacia de diversas estrategias y campañas de marketing para impulsar los resultados comerciales deseados, como más descargas de aplicaciones o ingresos.
- Datos de los clientes: Supervisa la información demográfica y de comportamiento de los clientes, como ingresos, edad y hábitos de compra.
- Gasto en medios: Mide el dinero total gastado en diferentes formatos y tipos de medios.
- Exposición mediática: Mide el alcance, la frecuencia y los puntos de rating brutos de los medios.
- Factores externos: Incluye factores que influyen en el desempeño de ventas y marketing, como la actividad de la competencia, las condiciones económicas y la estacionalidad.
Discutiremos los elementos con más detalle más adelante en el artículo.
Piénsalo de esta manera: utilizando MMM, puedes identificar qué elementos de tu estrategia de marketing móvil están funcionando y cuáles no, lo que te permite modificar tu enfoque y optimizar tu campaña.
¿Cómo funciona MMM?
MMM utiliza análisis estadístico para comprender cómo los diferentes esfuerzos de marketing afectan los resultados comerciales, como las ventas. Utilizando una técnica llamada análisis de regresión lineal multiple, te permite vincular variables independientes (como el gasto en marketing en diferentes canales o métricas de engagement del usuario) con una variable dependiente (como las descargas de aplicaciones o los ingresos).
La idea aquí es evaluar múltiples modelos para responder con precisión a la pregunta: “¿Qué pasará si realizas este cambio?”.
Por ejemplo, puedes utilizar MMM para medir el impacto de los anuncios in-app en los ingresos totales. Luego puedes observar el efecto de un mayor gasto en estos anuncios: ¿te haría ganar más o menos?
Para utilizar MMM de forma eficaz, necesitas datos agregados y limpios de bases de datos internas y fuentes externas. Idealmente, tus datos abarcarán dos o tres años para tener en cuenta efectos como la estacionalidad. Luego, asigna un valor numérico a cada campaña de canal de medios en función del retorno de la inversión (ROI) y lo utiliza para asignar gastos futuros y crear pronósticos de ventas.
Las cuatro fases de un proceso MMM
Un proceso MMM estándar eficaz tiene las siguientes cuatro fases:
Fase 1: Recopilación de datos
Después de la inminente desaparición de las cookies de terceros, debes concentrarte en recopilar datos propios para obtener una representación más precisa de las reacciones y el comportamiento de los usuarios en respuesta a tu estrategia de marketing.
Recopila datos históricos completos sobre tus actividades de marketing anteriores, fuentes no relacionadas con el marketing y factores externos. Piensa: métricas de engagement del usuario, datos demográficos del público objetivo e inversión publicitaria.
También debes garantizar la integridad de los datos, utilizando métodos como asociaciones de datos con terceros (obtener información de partners comerciales actuales o potenciales para el enriquecimiento de la base de datos) y data clean rooms (utilizando información de usuario agregada y anónima para proteger la privacidad del usuario).
Fase 2: Modelado
MMM funciona mejor con canales digitales: los métodos tradicionales como la impresión y la radiodifusión son más difíciles de medir. Como mobile app marketer, puedes utilizar la regresión lineal multiple para determinar el ROI con insights precisos y confiables para la toma de decisiones.
Para crear un modelo MMM, elige la variable dependiente o el resultado comercial (por ejemplo, ingresos o descargas de aplicaciones) que deseas explicar. Luego, identifica las variables independientes, también conocidas como factores que afectan la variable dependiente (como la inversión publicitaria y el público objetivo).
Asegúrate de incluir tanto variables controlables como el precio y el canal como variables incontrolables como la competencia y la inflación.
Finalmente, asigna valores a las variables dependientes e independientes y crea un modelo matemático que represente la relación entre ellas.
Fase 3: Análisis de datos e insights
En esta etapa, utilizarás el modelo de la fase 2 para descubrir y analizar insights relacionados con tus campañas de marketing.
Evalúa la contribución de cada canal a los resultados comerciales y las métricas confiables que has identificado anteriormente. Siguiendo con nuestro ejemplo, puedes clasificar tus campañas de marketing en función de su impacto en los ingresos o el engagement de los usuarios. A partir de ahí, puedes medir la eficacia, la eficiencia y el ROI de los medios de cada campaña.
Ten en cuenta que puedes utilizar tu modelo para pronosticar el engagement y los ingresos futuros de los usuarios. Pero los modelos basados en datos históricos suponen que los patrones pasados se repetirán en el futuro y, por lo tanto, no tienen en cuenta los cambios del paisaje.
Fase 4: Optimización
La optimización es la fase final de MMM, donde optimizas tu combinación de marketing para campañas futuras utilizando los resultados de la fase 3.
Considera simular diferentes escenarios de marketing, dirigirte a diferentes audiencias o cambiar los niveles de inversión publicitaria para identificar la combinación óptima de tácticas para alcanzar tus objetivos de ingresos más rápido.
MMM en acción: un ejemplo
Supongamos que deseas determinar el impacto de tus anuncios en la aplicación en los ingresos.
Al trabajar en las fases de MMM, primero recopilarás datos sobre la inversión publicitaria, los datos demográficos de la audiencia objetivo y los ingresos del año pasado. Luego, utiliza la regresión lineal multiple para crear un modelo que represente la relación entre estas variables.
Supongamos que el modelo muestra que la inversión publicitaria y la demografía del público objetivo tienen un impacto positivo significativo en los ingresos. Eso significa que puedes optimizar tu combinación de marketing para futuras campañas aumentando la inversión publicitaria en los canales con mayor impacto en los ingresos y centrando tus esfuerzos de marketing hacia una audiencia más lucrativa.
¿Es MMM el modelo adecuado para ti?
Cuando se trata de MMM, no existe un enfoque único. Debes considerar ciertos factores clave para comprender si es el modelo adecuado para tu campaña de marketing de aplicaciones móviles. Esto es lo que debes pensar:
Presupuesto
Al ser un enfoque basado en datos, MMM muchas veces implica una inversión significativa en recopilación, modelado y análisis de datos, lo que hace que los costos sean prohibitivos para las empresas de desarrollo de aplicaciones más pequeñas. Antes de comprometerte con MMM, asegúrate de tener una comprensión clara de tu presupuesto aprobado.
Disponibilidad de datos
Tener acceso a un conjunto grande y diverso de datos, incluidos datos históricos de marketing y datos relacionados con factores externos que afectan el éxito de tu aplicación, es crucial para que MMM funcione. Considera la disponibilidad de estos datos y el nivel de esfuerzo requerido para recopilarlos y procesarlos, y si eso es factible.
Complejidad de la mezcla
Si tu campaña de marketing de aplicaciones tiene una combinación de marketing compleja que involucra múltiples canales y tácticas, MMM será una excelente opción para mejorar los resultados de tu campaña. Por otro lado, si tu campaña de marketing de aplicaciones es simple y directa, es posible que MMM no sea el enfoque más apropiado.
Objetivo de la campaña
MMM es mejor cuando deseas comprender el impacto de diferentes actividades de marketing en resultados comerciales clave, como descargas o compras de aplicaciones. Si tu objetivo es generar resultados a corto plazo (por ejemplo, interacciones a nivel de usuario, como clics o impresiones), la atribución data-driven sería una mejor opción.
Exploraremos las similitudes y diferencias entre la atribución data-driven y MMM con más detalle más adelante.
Habilidad y experiencia
MMM requiere experiencia en ciencia de datos, modelado y análisis de marketing. Si tu equipo no tiene las habilidades y la experiencia necesarias, puede resultarte difícil implementar el modelo de manera efectiva.
Periodo de tiempo
MMM generalmente requiere mucho tiempo y tarda varias semanas o incluso meses en completarse. Por lo tanto, si tu campaña de marketing de aplicaciones es urgente, es posible que un MMM no sea la mejor opción.
¿Cómo se mide el MMM?
Los analistas identifican variables dependientes e independientes y las ponen en una ecuación. Dependiendo de la relación entre las variables, la ecuación puede ser lineal o no lineal, pero monitorear y medir ciertos elementos es crucial cuando se usa un MMM.
Aquí hay un desglose de cada elemento con más detalle:
1 – Volumen de ventas
Al analizar el volumen de ventas en MMM, es necesario dividir las ventas totales en dos componentes: ventas base y ventas incrementales.
- Las ventas base están impulsadas por factores subyacentes, como los precios, las tendencias a largo plazo, la estacionalidad, el conocimiento de las aplicaciones y la lealtad de los usuarios. Estos generalmente incluyen variables económicas que fluctúan durante un período específico.
- Las ventas incrementales están impulsadas por las actividades de marketing y ventas. Puedes desglosar las ventas incrementales totales en segmentos afectados por cada iniciativa de marketing, para ver qué parte de las ventas está directamente influenciada por los esfuerzos de marketing y qué tan efectivas son esas actividades.
Puedes analizar más a fondo cada tipo de volumen de ventas para comprender el impacto específico de cada actividad de marketing.
2 – Precios
Los cambios de precios tienen una influencia directa en el volumen de ventas y un MMM puede ayudar a cuantificar este impacto.
Puedes obtener insights valiosos sobre los efectos directos de tus decisiones de precios analizando la relación entre los cambios en el precio y los cambios en las ventas. Luego, utilizando esta información, puedes optimizar las estrategias de precios de tus aplicaciones para lograr los resultados deseados.
Supongamos que aumentas el precio de tu aplicación de $3,99 a $4,99. Al utilizar la técnica MMM, descubres que el aumento de precio resultó en una disminución del 5% en las compras in-app, pero debido al alto precio, tus ingresos aumentaron en un 20%.
Con esta información, puedes continuar con el nuevo precio de tu aplicación, sabiendo que generarás mayores ingresos con un impacto mínimo en el volumen de ventas.
3 — Medios y publicidad
MMM es una herramienta valiosa para analizar el impacto de los medios y la publicidad en las ventas a través de diferentes medios y canales, incluidos anuncios online, impresos y billboards. Aunque es posible que los resultados de MMM no brinden respuestas claras, aún pueden brindarte insights valiosos sobre cómo los cambios en las estrategias publicitarias influyen en las ventas de aplicaciones.
Algunos ejemplos incluyen:
- Anuncios cortos vs anuncios largos
- Publicar anuncios en Facebook vs Instagram
- Transmitir anuncios durante el horario de máxima audiencia vs el horario no de máxima audiencia
Puedes utilizar estos insights para optimizar tus decisiones de inversión publicitaria, asegurándote de aprovechar al máximo tu inversión.
4 – Distribución
Un sistema de distribución eficiente impulsa el crecimiento de manera más eficaz que cualquier otro elemento. Por lo tanto, el hecho de que se pueda utilizar un MMM para determinar el impacto de los cambios en los esfuerzos de distribución en las variables dependientes es una gran ventaja. Te brinda una comprensión integral de todos tus canales de distribución y los costos relacionados, lo que te ayuda a tomar decisiones informadas sobre los canales en los que invertir.
Supongamos que deseas ampliar tus esfuerzos de distribución para tu aplicación móvil.
Puedes utilizar un MMM para analizar los datos de ventas de diferentes canales de distribución, como asociaciones, plataformas de redes sociales y tiendas de aplicaciones. Si descubres que asociarte con otras aplicaciones populares impulsa las descargas y las compras in-app, puedes centrar tus esfuerzos de distribución en crear más asociaciones, en lugar de depender únicamente de las tiendas de aplicaciones y las redes sociales.
Media mix modeling vs modelado de atribución data-driven
El modelado de atribución data-driven se refiere a los diversos modelos de atribución, como la atribución de un solo toque y la atribución multitáctil, que monitorean las interacciones a nivel de usuario a lo largo del viaje del cliente.
Como marketer de aplicaciones, puedes utilizar estos insights para comprender qué tácticas tienen el mayor impacto a medida que los consumidores avanzan en el viaje de la aplicación. Estos modelos de atribución evalúan el rendimiento una vez finalizada una campaña.
En términos generales, el media mix modeling y los modelos de atribución data-driven te ayudan a comprender cómo tus tácticas de marketing afectan un objetivo comercial específico, como los ingresos. Ambos métodos también utilizan modelos estadísticos y matemáticos para analizar datos.
Pero ahí es donde terminan las similitudes.
MMM no tiene en cuenta las interacciones a nivel de usuario; en cambio, mide el impacto que tienen los esfuerzos de marketing en el cumplimiento de objetivos comerciales predeterminados, sin considerar el viaje del cliente. Por otro lado, la atribución data-driven se centra en datos a nivel de persona, como el número total de impresiones y clics.
A continuación se incluye una tabla que te ayudará a comparar un MMM con modelos de atribución data-driven y el papel que cada uno puede desempeñar en el marketing de aplicaciones móviles.
| Características | Media mix modeling (MMM) | Modelado de atribución data-driven |
| Finalidad | Comprender el impacto del marketing mix en las ventas y los ingresos. | Comprender el impacto de los puntos de contacto de marketing individuales en la conversión. |
| Datos utilizados | Datos históricos agregados de actividades de marketing y factores externos. | Datos detallados a nivel individual, como clics, impresiones y conversiones. |
| Enfoque de modelado | Análisis de regresión lineal multiple | Algoritmos de aprendizaje automático |
| Resultados clave | Optimización del marketing mix, eficacia y eficiencia de los medios, ROI y previsión. | Atribución de conversión a puntos de contacto individuales, asignación de presupuesto y recursos. |
| Periodo de tiempo | Utiliza datos históricos de varios meses a un año. | Utiliza datos en tiempo real o casi en tiempo real. |
| Complejidad | Alto, debido a múltiples variables y modelos de regresión complejos | De baja a moderada, dependiendo de la complejidad del modelo de atribución |
| Limitaciones | Asumes que los patrones pasados se repetirán en el futuro y no tienes en cuenta los cambios del mercado. | Es posible que no captures con precisión el impacto general de la combinación de marketing y las interacciones de múltiples puntos de contacto. |
Ventajas y desventajas de MMM
La mayoría de los marketers de aplicaciones hoy en día no tienen objetivos ni KPIs claros, y se basan únicamente en métricas de “vanidad” (métricas que no tienen ningún impacto sólido en los resultados comerciales). Otros no logran segmentar su audiencia y terminan lanzando campañas y mensajes de marketing genéricos que tienen un rendimiento inferior en la era actual de la hiper-personalización.
Si también te resulta difícil medir el impacto de tu inversión en marketing, agregar un MMM como parte de tu estrategia de marketing podría ser la respuesta a tus problemas de medición. Pero, como cualquier otro sistema de modelado, un MMM también tiene sus precauciones.
Aquí hay una descripción general de las ventajas y desventajas:
Ventajas
- Preciso, con cobertura completa de los canales de marketing digitales y tradicionales.
- Capta la relación entre variables.
- Mide los resultados de conversión tanto online como offline.
- Estima y mide la saturación de los medios y los niveles de rendimiento, para que los marketers puedan identificar los niveles óptimos de inversión.
- Los enfoques avanzados de MMM brindan capacidades de planificación de escenarios y optimización de presupuestos, lo que permite a los marketers ejecutar simulaciones para pronosticar resultados comerciales.
- Cuentas que impactan directamente en el ROI
- Pierde el uso de información de identificación personal para garantizar que la privacidad del usuario nunca se vea comprometida
Desventajas
- Requiere muchas entradas de datos históricos
- Se basa en una serie de supuestos para factores ajenos al marketing.
- Proporciona reportes poco frecuentes.
- No considera la relación entre canales.
- No proporciona insights sobre la marca o el mensaje.
- No tiene en cuenta la experiencia del cliente
Hallazgos clave
- El media mix modeling (MMM) es un enfoque estadístico que se utiliza para evaluar el impacto de varios canales y tácticas de marketing en un resultado comercial específico, generalmente ingresos por ventas.
- El MMM utiliza datos históricos para analizar las relaciones entre las entradas y salidas de marketing, lo que permite a los marketers comprender la contribución de cada canal al rendimiento general y optimizar su media mix para lograr el máximo impacto.
- Al decidir si un MMM es adecuado para tu campaña de marketing de aplicaciones móviles, considera tu presupuesto, disponibilidad de datos, complejidad de la combinación, objetivo de la campaña, habilidad y experiencia, y cronograma.
- Un proceso MMM estándar tiene cuatro fases: recopilación de datos, modelado, análisis e insights de datos, y optimización.
- Un MMM se diferencia del modelo de atribución data-driven, que se basa en datos a nivel de usuario para medir cómo los puntos de contacto de marketing individuales afectan la conversión.
- Puede ayudar a los marketers a identificar los canales más eficaces, medir el retorno de la inversión en marketing y tomar decisiones informadas sobre cómo asignar el presupuesto para aumentar las ventas y los ingresos.
