¿Qué es un MMM y por qué es importante para los especialistas en marketing?

El MMM (modelado de mezcla de marketing o medios) es una metodología basada en datos que permite a las empresas identificar y medir el impacto de sus campañas de marketing a través de múltiples canales. El propósito del MMM es ayudar a las empresas a tomar decisiones informadas sobre sus estrategias de publicidad y marketing. Al analizar datos de varios canales, como la televisión, las redes sociales, el marketing por correo electrónico y más, el MMM puede determinar qué canales contribuyen más a las ventas y a otros resultados comerciales. Al incluir eventos e indicadores externos, los responsables de la toma de decisiones pueden comprender mejor el impacto de factores externos (como los feriados, las condiciones económicas o el clima) y evitar sobrevalorar accidentalmente el impacto del gasto publicitario por sí solo.

Mediante el MMM, las empresas pueden identificar qué canales de marketing generan la mayor interacción, ventas o ingresos. Esta información se puede utilizar para optimizar los presupuestos de marketing y asignar recursos a los canales más eficaces. Por ejemplo, digamos que una empresa ha estado realizando campañas de marketing en diferentes canales, como redes sociales, marketing por correo electrónico, anuncios de televisión, etc. Sin embargo, el equipo de marketing no está seguro de qué canal ofrece el ROI más alto. Aquí es donde el MMM resulta útil. Al analizar los datos agregados de todos estos canales, un modelo potente puede ayudar a la empresa a identificar las campañas que generan más ingresos, así como los canales que proporcionan el retorno más eficiente de la inversión publicitaria, lo que les permite optimizar sus estrategias publicitarias de forma eficaz. Esto le permite a la empresa optimizar sus esfuerzos de marketing y asignar su presupuesto en la dirección correcta.

Durante años, el MMM ha sido una herramienta muy poderosa y se ha considerado un elemento revolucionario que les da a las empresas expertas la ventaja que necesitan para mantenerse por delante de la competencia. Al aprovechar el poder de la toma de decisiones basada en datos, el MMM permite a las empresas realizar inversiones inteligentes en sus estrategias de marketing, garantizando que cada dólar se gaste en el lugar correcto, en el momento adecuado y de la manera correcta. Esto se traduce en resultados contundentes, desde una mayor interacción con el cliente y un aumento de las ventas, hasta un alto retorno de la inversión.

La evolución de MMM

El MMM ha existido durante décadas y siempre ha sido una herramienta poderosa para medir la eficacia de las campañas de marketing. El modelo puede tener en cuenta diversos factores como la estacionalidad, la actividad de la competencia y las tendencias macroeconómicas para ofrecer una visión holística del impacto general de las actividades de marketing. Sin embargo, en los últimos años, el MMM ha sido eclipsado en cierta medida por el MTA (atribución multitáctil), que ofrece un enfoque más granular de la atribución mediante el seguimiento de usuarios individuales a través de múltiples puntos de contacto. Con el MTA, los especialistas en marketing pueden ver qué puntos de contacto específicos están impulsando las conversiones para usuarios individuales y asignar el presupuesto en consecuencia. Este nivel de granularidad ha convertido al MTA en una opción popular para muchos especialistas en marketing, especialmente los del marketing digital.

Pero con las nuevas regulaciones de privacidad, como el RGPD (Reglamento General de Protección de Datos) y la CCPA (Ley de Privacidad del Consumidor de California), el seguimiento basado en cookies en el que se basa el MTA se está volviendo más difícil. Esto significa que el MMM, que utiliza datos agregados en lugar de datos a nivel de usuario, ahora está ganando un nuevo impulso para destacar.

Entonces, es posible que se pregunte qué herramienta elegir para medir la eficacia del marketing. Al elegir entre ambos, hay varios factores que se deben considerar a la hora de seleccionar el MMM. Una opción a considerar es elegir el MMM cuando una parte o la totalidad de sus datos están preagregados. Otro factor es si sus esfuerzos de marketing involucran canales tanto en línea como fuera de línea. Esto es cada vez más importante en la era digital actual, donde los límites entre el marketing en línea y el marketing fuera de línea a menudo se difuminan. Finalmente, si tiene información externa que sea relevante para sus esfuerzos de marketing, como los resultados de pruebas geográficas, el MMM puede ayudarlo a incorporar estos datos en su modelo.

Ventajas del MMM
En primer lugar, el análisis basado en MMM puede incorporar el impacto de los canales offline, como la publicidad en televisión, prensa, radio u OOH (publicidad exterior), que no es posible rastrear con cookies. Algunas técnicas de modelado más avanzadas incluso tienen la capacidad de incorporar el efecto de embudo, que describe cómo funcionan los distintos canales en conjunto, así como los efectos multiplicativos que explican el impacto sinérgico de estos canales. Además, puede proporcionar información sobre el impacto a más largo plazo de las actividades de marketing, que el MTA puede pasar por alto. El MMM se considera más escalable y se puede utilizar para medir el impacto de las actividades de marketing en grandes zonas geográficas o incluso en países enteros.

Además, el MMM puede ayudar a las empresas a cumplir con las regulaciones de privacidad mediante el uso de datos agregados en lugar de datos de usuarios individuales. Esto significa que las empresas aún pueden medir la efectividad de sus actividades de marketing sin comprometer la privacidad del usuario.

En esta entrada de blog, exploraremos las características clave del MMM y cómo Databricks Lakehouse Platform puede ayudar a las empresas a crear una solución de MMM moderna, sólida y escalable.

Cómo afrontar los desafíos comunes

El MMM es construido por una gama de empresas, desde firmas de consultoría y anunciantes hasta proveedores de software. A medida que las empresas continúan buscando formas de optimizar su inversión en marketing, el MMM se ha convertido en un método cada vez más popular para medir el ROI. Sin embargo, construir una solución de MMM escalable y robusta puede ser una tarea desafiante. En esta sección, analizamos algunos de los desafíos comunes que enfrentan las empresas al crear una solución escalable. En esta sección, analizamos algunos de los desafíos comunes.

Uno de los desafíos más importantes en la creación de una solución de MMM son las fuentes de datos de origen. El equipo de ciencia de datos y aprendizaje automático necesita unir flujos de datos de diferentes fuentes para los datos de MMM, incluidos los datos de terceros, como los datos econométricos, que carecen de formas estandarizadas de recopilación. Además, las fuentes de datos a menudo están dispersas en varios lugares, como bases de datos heredadas, Hive, archivos planos sftp y otras fuentes, lo que dificulta la obtención de los datos necesarios. Además, los datos deben actualizarse manualmente cada mes, lo que puede ser una tarea tediosa y que consume mucho tiempo.

Otro obstáculo para lograr resultados precisos de MMM es la ausencia de datos. Por ejemplo, es común que falten la ingesta de datos económicos y los datos de medios tradicionales/offline, lo que puede obstaculizar sustancialmente la precisión de los resultados. Este desafío puede ser especialmente pronunciado para las empresas que tienen presencia en varios países, donde las regulaciones pueden imponer restricciones a la recopilación y el uso compartido de datos. En la era moderna de la IA, la solución MMM, al ser una forma de modelo de machine learning, no está exenta de los desafíos y riesgos asociados con el campo emergente de la IA. Rastrear el linaje de las fuentes de datos hasta los modelos, desde la ingesta hasta el panel de insights, puede ser un obstáculo significativo para los enfoques tradicionales, lo que dificulta mantener la transparencia y la rendición de cuentas.

Además, la existencia de silos de equipo puede obstaculizar la creación de una solución de MMM escalable. La creación de modelos a menudo ocurre en entornos aislados, lo que genera barreras entre los equipos tanto horizontalmente, abarcando dominios técnicos y funcionales de negocio, como verticalmente, a través de niveles organizacionales, marcas, categorías y unidades de negocio. La ausencia de métodos de control de versiones para modelos, código y datos puede generar inconsistencias e imprecisiones dentro de la solución de MMM. Además, el código heredado difícil de manejar puede dificultar el mantenimiento y la actualización de la solución, lo que requiere grandes esfuerzos de refactorización. Además, a menudo se realizan procesos manuales, y el análisis se lleva a cabo normalmente como una actividad única cada pocos meses, que individuos o equipos pequeños deben repetir en lugar de formar parte de un pipeline de DSML más automatizado, repetible y confiable.

Por último, la publicación de datos y el intercambio de información suelen retrasarse y requieren una integración por separado. Esto puede dificultar que las partes interesadas tomen decisiones informadas con rapidez, lo que provoca más retrasos en la toma de decisiones, la pérdida de oportunidades y una escasa agilidad para reaccionar en un entorno económico cada vez más acelerado y dinámico, especialmente cuando los competidores se mueven a la velocidad de la luz. Muchas de las soluciones de MMM existentes también carecen de la flexibilidad y la protección de la privacidad necesarias para colaborar eficazmente con clientes y socios.

Como resultado, las empresas deben adoptar un enfoque integral y meticuloso para implementar el MMM en la era de la IA, teniendo en cuenta los desafíos y riesgos únicos asociados con la tecnología DSML.

Cree su MMM escalable y flexible con Databricks Lakehouse

Diagrama de referencia

Databricks Lakehouse está diseñado para proporcionar una plataforma unificada para que las empresas creen soluciones de MMM modernizadas que sean tanto escalables como flexibles.

Una de las ventajas más significativas de Databricks Lakehouse es su capacidad para unificar diversas fuentes de datos ascendentes. Esto significa que la plataforma puede reunir diferentes fuentes de datos que son esenciales para el MMM, como los datos econométricos offline, los datos de campañas de medios y los datos del CRM, y unificarlos en una única fuente de verdad. Esto es particularmente útil en el mundo actual impulsado por los datos, donde las empresas tienen que lidiar con grandes volúmenes de datos de diferentes fuentes.

Otra ventaja clave de Databricks Lakehouse que puede beneficiar enormemente al MMM es la capacidad de optimizar los pipelines de datos. Después de la ingesta de datos, el proceso de MMM requiere la transformación de varios canales de marketing y el análisis de su impacto en los KPI, lo que implica manejar una amplia gama de datos de diversas fuentes. El Lakehouse puede automatizar la ingesta, el procesamiento y la transformación de datos, lo que reduce el tiempo y el esfuerzo necesarios para gestionar los pipelines de datos de forma manual. Esto garantiza que los datos se entreguen de forma incremental, con un monitoreo integral de la calidad de los datos.

Además, el Lakehouse proporciona un sistema de seguimiento de linaje que garantiza establecer el linaje para todos sus activos de datos —no solo los datos en sí, sino que también incluye el código, los artefactos del modelo y las iteraciones de los trabajos—, lo cual es una ventaja significativa de Databricks Lakehouse. Proporciona total transparencia y trazabilidad del uso de los datos, lo que permite a las empresas tomar decisiones basadas en datos con confianza. Esto es especialmente importante en el contexto del MMM, donde la exactitud y la fiabilidad de los datos son fundamentales para comprender el impacto de los canales de marketing en las ventas y para cambiar la asignación de dólares para el marketing.

Pasando a la fase de modelado, uno de los diferenciadores clave del Databricks Lakehouse son sus potentes capacidades de DSML, que son particularmente evidentes en sus herramientas de primer nivel ML Runtime y MLOps. Una tarea crucial para el modelado MMM es la configuración previa extensiva y la transformación de variables, lo que requiere una gran cantidad de iteraciones. MLflow permite a los especialistas en marketing hacer un seguimiento de la derivación y la transformación de sus variables independientes (características) y su uso en los modelos. Además, el Feature Store de Databricks fomenta las mejores prácticas en la ingeniería de características, proporcionando al equipo de DSML las herramientas y la infraestructura necesarias para crear, descubrir y reutilizar características. Esto agiliza el proceso de modelado y mejora la precisión de las predicciones para los resultados de negocio. Estas capacidades permiten a los especialistas en marketing aprovechar de manera fluida todo el potencial de sus datos, lo que impulsa decisiones de marketing más informadas y eficaces.

A estas alturas, debería ser evidente que Databricks aporta enormes ganancias de eficiencia al equipo de MMM. Con Databricks, incluso los científicos de datos de un solo nodo pueden distribuir el ajuste y el entrenamiento, ejecutar múltiples escenarios y configuraciones simultáneamente en todo el clúster, y construir modelos independientes para distintas marcas, categorías y geografías en paralelo. Vea la demostración a continuación:

El ML Runtime es un entorno de ML totalmente gestionado, seguro y colaborativo que aprovecha directamente la productividad del equipo de DS sin necesidad de que ellos mismos inicien, creen o mantengan su propio entorno de DS. Además, fomenta un flujo de trabajo colaborativo al facilitar que se comparta el trabajo, lo que evita los enfoques incoherentes adoptados por diferentes equipos. Una solución es desarrollar mecanismos para completar los datos que faltan, como obtenerlos de un marketplace o almacenar datos obtenidos de fuentes como Dun & Bradstreet, S&P, Edgar, datos meteorológicos e investigación de mercado en una ubicación bien organizada en el Lakehouse. Este enfoque puede evitar que los equipos reinventen la rueda en lo que respecta a los datos y el código, lo que, en última instancia, ahorra tiempo y recursos. Sin embargo, es fundamental reconocer que esta falta de reutilización y de reinventar la rueda también se aplica al código y al resto del pipeline, lo que hace necesario mover los MMM a silos de equipo para aumentar la eficiencia y minimizar las discrepancias.

La naturaleza de código abierto de Lakehouse proporciona el entorno ideal para ejecutar todas las bibliotecas populares de código abierto para MMM, como PyMC en Python y Robyn en R. Esta función permite a los usuarios crear soluciones que se adapten a sus necesidades específicas y evitar la dependencia de un solo proveedor.

Por último, pero no por ello menos importante, DBSQL con integración de BI y el marketplace de Databricks le permite al equipo de MMM publicar con facilidad los insights del modelo, lo que acorta el tiempo para llevar los nuevos proyectos de modelado desde la recopilación de datos hasta los insights ejecutivos y procesables de MMM. Al consolidar y estandarizar toda la actividad de datos e IA, Lakehouse se convierte en el mejor lugar para crear no solo una solución de MMM, sino también cualquier otra solución de datos e IA en la que el equipo trabajará hoy y mañana.

Descubra cómo Databricks para Lakehouse puede ayudarlo a optimizar las campañas de marketing en múltiples canales con MMM. Acceda al acelerador de soluciones.