El auge del código abierto en el modelado de mezcla de marketing (MMM) ha transformado el panorama de las mediciones publicitarias al reducir drásticamente los costos asociados. Antes, las empresas se veían obligadas a gastar entre 150,000 y 500,000 dólares en consultoría para acceder a modelos de MMM. Sin embargo, nuevas bibliotecas como Robyn de Meta, Meridian de Google y PyMC-Marketing han democratizado esta metodología. Ahora, cualquier equipo con conocimientos en R o Python, junto con datos históricos razonablemente limpios, puede implementar un modelo sin necesidad de recurrir a consultores costosos. Esto ha llevado a un aumento significativo en la adopción del MMM, con un 46.9% de los mercadólogos estadounidenses planeando incrementar su inversión en esta área, reconociéndola como una forma de medición más confiable que otras métricas tradicionales.
A pesar de la accesibilidad que brindan estas herramientas de código abierto, el verdadero desafío radica en la calidad de los datos y el nivel de experiencia humana requerida para obtener resultados útiles. Un MMM eficaz necesita datos de alto nivel, con al menos dos a tres años de registros semanales que capten diferentes ciclos de estacionalidad. Además, la granularidad de los datos se vuelve crucial: no basta con tener categorizaciones amplias como ‘digital’, se requiere un desglose más específico que incluya todos los canales de marketing. Sin embargo, a menudo, la recopilación de estos datos se complica debido a que diferentes canales y su respectiva granularidad están bajo la custodia de distintas áreas dentro de la empresa, lo que añade un nivel de dificultad en la implementación de un modelo efectivo.
La dependencia de la experiencia humana en el proceso de modelado es innegable. A diferencia de la ejecución técnica que puede ser facilitada por herramientas de inteligencia artificial, la interpretación correcta de los resultados y la toma de decisiones estratégicas requieren una comprensión profunda del contexto de los datos. Por ejemplo, conocer los periodos de «carryover» o arrastre de diferentes tipos de campañas publicitarias es vital para la correcta calibración del modelo. Sin este juicio experto, es posible que los resultados generados sean incorrectos o engañosos. La experiencia no solo afecta la calidad del modelo, sino también su capacidad de ser comunicado y defendido a otros miembros de la organización, como gerentes y directores de finanzas, quienes dependen de estos modelos para tomar decisiones basadas en datos.
Además, el acceso a plataformas que operan con modelos de código abierto ha creado un paisaje de proveedores altamente competitivo, donde empresas como Rockerbox y Measured han comenzado a ofrecer soluciones que abordan la necesidad de datos y la velocidad de implementación. Sin embargo, la propuesta de cada proveedor puede variar considerablemente en términos de profundidad de modelado y personalización, lo que requiere que las empresas evalúen de manera crítica cuál es la mejor opción para sus necesidades específicas. Este entorno de múltiples proveedores también ha llevado a una mayor confusión sobre la calidad y el propósito de los datos recolectados, lo que hace que la transparencia en los métodos de modelado y la propiedad de los datos sea crucial para el éxito del MMM.
Finalmente, es esencial establecer un buen fundamento antes de lanzarse a la construcción de un modelo de MMM. Esto implica no solo entender cuáles son los datos necesarios, sino también quién en la organización puede aportar el contexto necesario para interpretarlos. La preparación del terreno puede ser un proceso arduo, pero es crucial para garantizar que el modelo no solo funcione técnicamente, sino que también ofrezca insights prácticos y relevantes para las decisiones de marketing. Como primer paso, se recomienda experimentar con herramientas como Robyn utilizando datos de muestra antes de aplicar las mismas técnicas a los propios datos de la organización, lo que permite identificar posibles desafíos y preparar al equipo para la implementación exitosa del modelo.
