Hispanopedia Wiki
Articulo de referencia

Modelado de la mezcla de marketing

El modelado de la mezcla de marketing ( MMM ) es una metodología estadística de inferencia causal y pronóstico que se utiliza para estimar el impacto de diversas tácticas de mar...

Hispanopedia WikiContenido en espanolLectura gratuita

El modelado de la mezcla de marketing ( MMM ) es una metodología estadística de inferencia causal y pronóstico que se utiliza para estimar el impacto de diversas tácticas de marketing en las ventas de productos. Los MMM utilizan modelos estadísticos, como regresiones multivariadas , y datos de series temporales de ventas y marketing . [ 1 ] Se utilizan a menudo para optimizar la mezcla publicitaria y las tácticas promocionales con respecto a las ventas, los ingresos o las ganancias para maximizar su retorno de la inversión. [ 2 ] [ 3 ]

El uso de estas técnicas estadísticas permite a los especialistas en marketing contabilizar el stock publicitario y la disminución de la rentabilidad de la publicidad a lo largo del tiempo, [ 4 ] y también tener en cuenta los efectos de arrastre y el impacto de anuncios anteriores en la campaña de ventas actual. [ 5 ] Además, los MMM pueden calcular la magnitud de la canibalización del producto y el efecto halo . [ 6 ]

Las técnicas fueron desarrolladas por empresas de consultoría especializadas junto con académicos y se aplicaron por primera vez a bienes de consumo envasados , ya que los fabricantes de dichos bienes tenían acceso a datos precisos sobre ventas y apoyo de marketing. [ 7 ] La mayor disponibilidad de datos, la enorme capacidad de procesamiento y la presión por medir y optimizar el gasto en marketing han impulsado un aumento en su popularidad como herramienta de marketing. [ 8 ] [ 9 ]

Historia

Detrás de los MMM se encuentra el concepto de mezcla de marketing , que se define como el conjunto de variables que una empresa puede modificar para satisfacer las demandas de sus clientes. El término fue desarrollado por Neil Borden , quien afirma haber comenzado a utilizar la frase alrededor de 1949 en su docencia y escritura. [ 10 ] Atribuye a su colega James Culliton la idea de una "mezcla de marketing" al describir a un ejecutivo de la siguiente manera:

Un ejecutivo es un mezclador de ingredientes, que a veces sigue una receta tal como la prepara, a veces la adapta a los ingredientes disponibles de inmediato y a veces experimenta o inventa ingredientes que nadie más ha probado. [ 11 ]

Además, según Borden, el gerente de marketing tiene que "ponderar las fuerzas del comportamiento y luego manejar los elementos de marketing en su mezcla con una mirada atenta a los recursos con los que tiene que trabajar". [ 10 ]

Las 4P han sido la piedra angular del enfoque gerencial del marketing desde la década de 1960.

Estos "ingredientes" de la mezcla de marketing fueron descritos con más detalle por E. Jerome McCarthy , quien fue el primero en sugerir las cuatro P del marketing: [ 12 ]

  • precio,
  • promoción,
  • producto y
  • lugar (distribución).

Según McCarthy, los profesionales del marketing disponen esencialmente de estas cuatro variables que pueden utilizar al crear un plan y una estrategia de marketing. A largo plazo, las cuatro variables de la mezcla pueden modificarse, pero a corto plazo, resulta difícil cambiar el producto o el canal de distribución. [ 13 ]

En la década de 1980, Bernard Booms y Mary Bitner crearon un modelo compuesto por siete P. [ 14 ] Añadieron "personas" a la lista de variables existentes para reconocer la importancia del factor humano en todos los aspectos del marketing. También añadieron "proceso" para reflejar que los servicios, a diferencia de los productos físicos, se experimentan como un proceso en el momento de su compra. [ 15 ]

Especificaciones del modelo

El modelado de la mezcla de marketing (MMM) es un enfoque analítico que utiliza datos históricos para cuantificar el impacto de las actividades de marketing en las ventas. Ejemplos de información que se pueden utilizar son los datos sindicados de puntos de venta (colección agregada de la actividad de ventas minoristas de productos en función de un conjunto de parámetros elegidos, como la categoría del producto o el mercado geográfico) y los datos internos de las empresas. [ 16 ] [ 17 ] Matemáticamente, esto se realiza estableciendo una relación simultánea de varias actividades de marketing con las ventas mediante una ecuación de regresión lineal o no lineal . El MMM define la efectividad de cada uno de los elementos de marketing por su contribución al volumen de ventas, la efectividad (volumen generado por cada unidad de esfuerzo), la eficiencia (volumen de ventas generado dividido por el costo) y el retorno de la inversión (ROI) . Estos conocimientos ayudan a ajustar las tácticas y estrategias de marketing, optimizar el gasto en marketing y pronosticar las ventas al tiempo que se simulan diversos escenarios. [ 18 ]

El resultado se puede utilizar para analizar el impacto de los elementos de marketing en diversas dimensiones. La contribución de cada elemento como porcentaje del total graficado año tras año es un indicador de cómo cambia la efectividad de los distintos elementos con el tiempo. El cambio anual en la contribución también se mide mediante un análisis de causa-efecto que muestra qué porcentaje del cambio en las ventas totales es atribuible a cada uno de los elementos. [ 19 ] Para actividades como la publicidad televisiva y las promociones comerciales, se puede realizar un análisis más sofisticado, como el de efectividad. Este análisis le indica al gerente de marketing la ganancia incremental en ventas que se puede obtener al aumentar el elemento de marketing correspondiente en una unidad, o incrementalidad . [ 20 ] Si se dispone de información detallada sobre el gasto por actividad, entonces es posible calcular el ROI de la actividad de marketing. Esto no solo es útil para informar sobre la efectividad histórica de la actividad, sino que también ayuda a optimizar el presupuesto de marketing al identificar las actividades de marketing más y menos eficientes. [ 21 ]

Una vez que el modelo final esté listo, sus resultados podrán utilizarse para simular escenarios de marketing y realizar un análisis de hipótesis . Los responsables de marketing podrán reasignar el presupuesto de marketing en diferentes proporciones y observar el impacto directo en las ventas y el valor. Podrán optimizar el presupuesto asignando los gastos a las actividades que generen el mayor retorno de la inversión. [ 22 ]

Componentes del modelo

Un MMM se configura con un modelo estadístico donde el volumen/valor de ventas es la variable dependiente, mientras que las variables independientes son los diversos esfuerzos de marketing. [ 23 ] El modelo descompone las ventas totales en dos componentes: [ 24 ]

  • Ventas base: la demanda natural o las ventas predeterminadas del producto, impulsadas por factores económicos como el precio, la distribución, las tendencias a largo plazo y la estacionalidad , si no se utilizan anuncios. Estos factores también incluyen factores cualitativos como el conocimiento de la marca y la lealtad a la marca . [ 25 ]
  • Ventas incrementales: ventas impulsadas por actividades de marketing y promoción. Este componente se puede subdividir en factores incrementales de ventas derivados de cada componente de marketing, como la publicidad televisiva , la publicidad radiofónica , la publicidad impresa (revistas, periódicos), los cupones, el correo directo , internet , las promociones especiales o de exhibición y las reducciones temporales de precios. Algunas de estas actividades generan beneficios a corto plazo (cupones, promociones), mientras que otras generan beneficios a largo plazo (televisión, radio, revistas, prensa escrita). [ 26 ]

Los análisis de la mezcla de marketing se realizan típicamente mediante modelos de regresión lineal . Los efectos no lineales y retardados se incluyen utilizando técnicas como las transformaciones de stock publicitario . [ 27 ] El resultado típico de estos análisis incluye una descomposición de las ventas anuales totales en contribuciones de cada componente de marketing, como un gráfico circular de contribuciones. Una vez creadas las variables, se realizan múltiples iteraciones para crear un modelo que explique adecuadamente las tendencias de volumen/valor. Se realizan validaciones adicionales, ya sea utilizando datos de validación o mediante la consistencia de los resultados comerciales. [ 28 ]

Ejemplo de gráfico circular y de barras apiladas de contribución para un producto imaginario de hace un año.
Ejemplo de gráfico circular y de barras apiladas de contribución para un producto imaginario del año actual.

Otro resultado estándar es una descomposición del crecimiento y la disminución de las ventas interanuales ("gráficos de debido a"). [ 29 ]

Ejemplo de desglose en gráfico de barras del volumen de cambio según las diferentes fuentes de marketing.

Elementos medidos en MMM

Volumen base e incremental

La descomposición del volumen de ventas en volumen base (volumen que se generaría en ausencia de cualquier actividad de marketing) e incremental (volumen generado por actividades de marketing a corto plazo) a lo largo del tiempo puede aislar la variación en el volumen base como un indicador de la fortaleza de la marca y la lealtad del cliente. [ 30 ]

Medios de comunicación y publicidad

El modelado de la mezcla de marketing puede determinar el impacto en las ventas generado por medios individuales como la televisión, las revistas y los anuncios gráficos en línea. En algunos casos, se puede utilizar para determinar el impacto de campañas publicitarias individuales o incluso ejecuciones de anuncios en las ventas. Por ejemplo, para la actividad publicitaria en televisión, es posible examinar cómo el rendimiento de mercado de cada ejecución de anuncio impactó el volumen de ventas. El MMM también puede proporcionar información sobre correlaciones de televisión en diferentes niveles de ponderación de medios , según se mida por puntos de rating brutos (GRP) en relación con la respuesta del volumen de ventas dentro de un período de tiempo, ya sea una semana o un mes. También se puede obtener información sobre el nivel mínimo de GRP (límite umbral) en una semana que se debe emitir para hacer un impacto y, a la inversa, el nivel de GRP en el que el impacto en el volumen se satura, es decir, la actividad adicional no tiene ningún retorno. Si bien no todos los MMM pueden responder definitivamente a todas las preguntas, algunas áreas adicionales en las que a veces se pueden obtener conocimientos incluyen: 1) la efectividad de las ejecuciones de 15 segundos frente a las de 30 segundos; 2) comparaciones del rendimiento de los anuncios emitidos en horario de máxima audiencia frente a franjas horarias fuera de este horario; 3) comparaciones del efecto directo y el efecto halo de la actividad televisiva en diversos productos o submarcas. También se puede comparar el papel de la actividad televisiva basada en nuevos productos y en el valor de marca para el crecimiento de la misma. Los GRP se convierten en alcance (es decir, los GRP se dividen por la frecuencia media para obtener el porcentaje de personas que realmente vieron el anuncio). Esta es una mejor medida para modelar la televisión. [ 31 ] [ 32 ]

promociones comerciales

La promoción comercial es una actividad clave en todo plan de marketing. Su objetivo es aumentar las ventas a corto plazo mediante esquemas promocionales que incrementen eficazmente el conocimiento de la empresa y sus productos por parte de los clientes. La respuesta de los consumidores a las promociones comerciales no es sencilla y es objeto de mucho debate. Existen modelos no lineales para simular dicha respuesta. Mediante el modelo MMM, podemos comprender el impacto de la promoción comercial en la generación de volúmenes incrementales. Es posible obtener una estimación del volumen generado por evento promocional en cada uno de los diferentes puntos de venta minoristas por región. De esta forma, podemos identificar los canales comerciales más y menos efectivos. Si se dispone de información detallada sobre el gasto, podemos comparar el retorno de la inversión de diversas actividades comerciales, como precios bajos diarios o exhibición fuera del estante. Podemos utilizar esta información para optimizar el plan comercial eligiendo los canales comerciales más efectivos y dirigiendo la actividad promocional más eficaz. [ 33 ] [ 34 ]

Precios

Los aumentos de precio de la marca impactan negativamente en el volumen de ventas. Este efecto se puede capturar modelando el precio en MMM. El modelo proporciona la elasticidad precio de la marca, que indica el cambio porcentual en las ventas por cada cambio porcentual en el precio. Utilizando esto, el gerente de marketing puede evaluar el impacto de una decisión de cambio de precio. [ 35 ]

Distribución

En cuanto al elemento de distribución, podemos saber cómo se moverá el volumen al cambiar los esfuerzos de distribución o, dicho de otro modo, por cada cambio porcentual en la amplitud o profundidad de la distribución. Esto se puede identificar específicamente para cada canal e incluso para cada tipo de punto de venta para las ventas de consumo. En vista de estos conocimientos, se pueden priorizar los esfuerzos de distribución para cada canal o tipo de tienda para obtener el máximo provecho del mismo. Un estudio reciente de una marca de lavandería mostró que el volumen incremental a través de un 1 % más de presencia en una tienda Kirana de barrio es un 180 % mayor que el que se obtiene a través de un 1 % más de presencia en un supermercado. [ 36 ] Con base en el costo de tales esfuerzos, los gerentes identificaron el canal adecuado para invertir más en distribución.

Lanzamientos

Cuando se lanza un nuevo producto, la publicidad y las promociones asociadas suelen generar un volumen de ventas mayor al esperado. Este volumen adicional no puede capturarse completamente en el modelo utilizando las variables existentes. A menudo se utilizan variables especiales para capturar este efecto incremental de los lanzamientos. La contribución combinada de estas variables y la del esfuerzo de marketing asociado al lanzamiento dará como resultado la contribución total del lanzamiento. Se pueden comparar diferentes lanzamientos calculando su efectividad y el retorno de la inversión (ROI). [ 37 ]

Competencia

El impacto de la competencia en las ventas de la marca se captura mediante la creación de las variables de competencia correspondientes. Estas variables se crean a partir de las actividades de marketing de la competencia, como publicidad televisiva, promociones comerciales, lanzamientos de productos, etc. Los resultados del modelo pueden utilizarse para identificar la mayor amenaza que la competencia representa para las ventas de la marca propia. La elasticidad cruzada de precios y la elasticidad cruzada de promociones pueden utilizarse para diseñar una respuesta adecuada a las tácticas de la competencia. Una campaña competitiva exitosa puede analizarse para extraer valiosas lecciones para la propia marca. [ 38 ]

Televisión y radiodifusión: La aplicación del modelo MMM también puede aplicarse a los medios de radiodifusión. Las emisoras pueden querer saber qué determina si un programa en particular será patrocinado. Esto podría depender de los atributos del presentador, el contenido y la hora de emisión del programa. Por lo tanto, estos constituirán las variables independientes en nuestra búsqueda para diseñar una función de comercialización de programas. La comercialización de un programa es una función de los atributos del presentador, el contenido del programa y la hora de emisión del programa. [ 39 ]

Métodos comparativos

En comparación con el modelado de mezcla de medios

El término "modelado de la mezcla de marketing" se usa a menudo indistintamente con "modelado de la mezcla de medios". Sin embargo, aunque están relacionados y son similares en el uso de un modelo estadístico, difieren en su enfoque. [ 40 ] [ 41 ] El modelado de la mezcla de medios se centra en el impacto de los diferentes canales de medios que los equipos de marketing utilizan en los resultados comerciales. Dichos canales incluyen televisión, medios digitales e impresos. Generalmente, se trata de esfuerzos de publicidad pagada. [ 42 ] Por ejemplo, un modelo de mezcla de medios puede ayudar a comprender y optimizar la asignación del gasto en televisión para mejorar las ventas. En cambio, el modelado de la mezcla de marketing es un enfoque más amplio que utiliza todos los elementos de la mezcla de marketing, como canales de medios, promociones de productos, precios, distribución, relaciones públicas, patrocinios, cupones y eventos en tiendas. [ 42 ]

Frente a la atribución multitoque

Los MMM son comparables a otro método llamado atribución multitoque (MTA) . A diferencia de los MMM, el objetivo de la atribución multitoque es medir el impacto de las actividades de marketing a niveles granulares en lugar de en conjunto. La pregunta central que responde la MTA es: "¿Cuál es el cambio esperado en la propensión a la conversión que fue el resultado de una impresión (o cualquier forma de interacción con el cliente)?". En cambio, las preguntas equivalentes para los MMM son: "¿Cuál fue el retorno de la inversión publicitaria en dispositivos móviles el año pasado?" y "¿Cuáles serían las ventas si destináramos el 10 % del presupuesto a la televisión segmentada?" [ 43 ]

Algunos usuarios de MMM y MTA afirman que se utilizan con fines diferentes y que pueden arrojar resultados contradictorios. Además, las diferencias entre ambas metodologías pueden llevar a las empresas a tener equipos separados para gestionar cada método de medición. Si bien existen esfuerzos por unificar ambos métodos, esto aumenta la complejidad de la planificación y la implementación. [ 43 ]

En comparación con las pruebas de incrementalidad

A diferencia del MMM (que infiere la contribución a partir de correlaciones históricas), las pruebas de incrementalidad utilizan experimentos controlados para medir los efectos causales del gasto en marketing. Los enfoques modernos integran experimentos de incrementalidad en el MMM para mejorar la identificación. [ 44 ]

Integración de experimentos en MMM

Dado que el modelo MMM se basa en correlaciones de series temporales observacionales, es sensible a la endogeneidad, las variables omitidas y el gasto correlacionado. Por consiguiente, muchos marcos modernos incorporan cada vez más experimentos de incrementalidad como fuente de información causal fidedigna.

  • Incrementalidad Predictiva por Experimentación (PIE). PIE es un marco híbrido en el que se utilizan experimentos aleatorios para tácticas de medios seleccionadas con el fin de entrenar un modelo predictivo que generaliza el impacto causal a campañas no probadas. Se ha demostrado que PIE reduce el error y mejora la validez causal en comparación con las especificaciones MMM observacionales. [ 45 ]
  • Orientación de la industria y las plataformas. Las principales plataformas publicitarias y consorcios de la industria, incluida la Advertising Research Foundation (ARF), recomiendan integrar estimaciones de incremento basadas en experimentos en MMM como una corrección para el sesgo derivado del gasto correlacionado y los factores de demanda no observados. [ 46 ]
  • MMM calibrado experimentalmente. Alinear los parámetros del MMM con la evidencia experimental, por ejemplo, restringir las elasticidades del canal, definir las probabilidades a priori o validar los rendimientos marginales estimados por el MMM con los resultados de las pruebas de elevación. Varios manuales modernos destacan el MMM calibrado experimentalmente como una salvaguarda contra la sobreestimación en los modelos observacionales. [ 47 ]

La calibración experimental se justifica en parte por los desafíos estadísticos que supone identificar pequeños efectos publicitarios en datos agregados con ruido . Incluso los experimentos aleatorios a gran escala pueden mostrar una baja potencia estadística para el aumento de la publicidad, [ 48 ] lo que implica que los modelos observacionales sin fundamento experimental pueden sobreestimar sustancialmente el impacto.

Los experimentos de campo a gran escala han demostrado repetidamente que los estimadores observacionales —incluidas las variantes MMM, los ajustes de regresión y los estimadores de emparejamiento— a menudo no logran recuperar el verdadero impacto causal. Una serie de experimentos aleatorios de Facebook demostró que los métodos observacionales ampliamente utilizados produjeron estimaciones que divergieron drásticamente de la verdad experimental a pesar de condicionar en cientos de covariables. [ 49 ]

Gordon et al. (2023) muestran además que los modelos observacionales sobreestiman sistemáticamente el efecto causal —a veces por amplios márgenes— cuando se comparan con resultados experimentales conocidos. [ 45 ]

Estudios en MMM

Los estudios MMM típicos proporcionan las siguientes conclusiones:

  • Contribución de la actividad de marketing
  • Retorno de la inversión (ROI) por actividad de marketing
  • Eficacia de la actividad de marketing
  • Distribución óptima de los gastos
  • Aprendizajes sobre cómo ejecutar mejor cada actividad, por ejemplo, GRP óptimos por semana, distribución óptima entre 15 y 30, qué promociones ejecutar, qué SKU poner en promoción, etc. [ 50 ]

Adopción de MMM por la industria

Muchas empresas de Fortune 500 que son principalmente empresas de bienes de consumo envasados ​​(CPG) , como P&G, [ 51 ] AT&T, Kraft, Coca-Cola, Hershey y Pepsi, han hecho del MMM una parte integral de su planificación de marketing. [ 52 ] Esto también ha sido posible gracias a la disponibilidad de empresas especializadas que ahora brindan servicios de MMM.

Los modelos de marketing mix fueron inicialmente más populares en la industria de bienes de consumo envasados ​​y se extendieron rápidamente a los sectores minorista y farmacéutico debido a la disponibilidad de datos sindicados en estas industrias. Los pioneros en su aplicación comercial a gran escala fueron Marketing Management Analytics (MMA) en 1990 y Hudson River Group en 1989. Posteriormente, las empresas de datos Nielsen e IRI comenzaron a incluir un MMM como parte de sus contratos de datos estándar, lo que llevó a estas empresas iniciales a diversificarse hacia otros sectores verticales. [ 53 ]

La disponibilidad de datos de series temporales es crucial para la modelización sólida de los efectos de la mezcla de marketing. La gestión sistemática de datos de clientes mediante sistemas CRM en otros sectores como las telecomunicaciones, los servicios financieros , la automoción y la hostelería contribuyó a su difusión en estos sectores. Además, la disponibilidad de datos a través de fuentes externas como el Ultimate Consumer Panel de Forrester Research (servicios financieros), Polk Insights (automoción) y Smith Travel Research (hostelería) mejoró aún más la aplicación de la modelización de la mezcla de marketing a estos sectores. [ 54 ]

La aplicación del modelado de la mezcla de marketing a estas industrias aún se encuentra en una etapa incipiente y es necesario lograr una mayor estandarización, especialmente en estas áreas:

  • La interpretación de las actividades promocionales en distintos sectores, por ejemplo, las promociones en bienes de consumo envasados ​​(CPG) no tienen efectos retardados, ya que se realizan en la tienda, mientras que las promociones en el sector automotriz y hotelero suelen implementarse a través de internet o mediante el marketing de los concesionarios, y pueden tener un mayor desfase en su impacto. Las promociones en CPG suelen consistir en descuentos absolutos, mientras que las del sector automotriz pueden ser reembolsos o incentivos para préstamos, y las de servicios financieros suelen ser descuentos en las tasas de interés.
  • El marketing en el sector de la hostelería presenta una marcada estacionalidad, y la mayoría de los modelos de marketing mix tienden a confundir la efectividad del marketing con la estacionalidad, lo que conlleva una sobreestimación o subestimación del retorno de la inversión en marketing (ROI). Es necesario utilizar modelos de series temporales transversales, como la regresión agrupada, que aumentan el tamaño de la muestra y la variabilidad, permitiendo así una separación sólida entre los efectos puros del marketing y la estacionalidad.
  • Los fabricantes de automóviles destinan una parte sustancial de sus presupuestos de marketing a la publicidad en concesionarios, la cual puede no ser cuantificable con precisión si no se modela al nivel de agregación adecuado. Si se modela a nivel nacional, o incluso a nivel de mercado o DMA, estos efectos pueden perderse debido al sesgo de agregación. Por otro lado, llegar hasta el nivel de concesionario puede sobreestimar la efectividad del marketing, ya que ignoraría el cambio de concesionarios por parte de los consumidores en la misma área. El enfoque correcto, aunque riguroso, sería determinar qué concesionarios agrupar en grupos comunes "sumables" en función de las "áreas comerciales" superpuestas, determinadas por los códigos postales de los consumidores y la información de compra cruzada. Como mínimo, se pueden determinar "Áreas Comunes de Concesionarios" agrupando a los concesionarios según la distancia geográfica entre ellos y su participación en las ventas del condado. Los modelos de marketing mix, creados mediante la agrupación de las ventas mensuales de estos grupos de concesionarios, se utilizarán eficazmente para medir el impacto de la publicidad de los concesionarios.

La proliferación de modelos de marketing mix también se aceleró debido al énfasis de la Sección 404 de la Ley Sarbanes-Oxley, que exigía controles internos para la información financiera sobre gastos y desembolsos significativos. El marketing de bienes de consumo puede superar el 10% de los ingresos totales y, hasta la llegada de los modelos de marketing mix, se recurría a enfoques cualitativos o "blandos" para evaluar este gasto. Los modelos de marketing mix presentaron un enfoque riguroso y consistente para evaluar las inversiones en marketing mix, como ya lo había demostrado la industria de bienes de consumo envasados. Un estudio de la American Marketing Association señaló que la alta dirección era más propensa a enfatizar la importancia de la rendición de cuentas en marketing que la gerencia intermedia , lo que sugiere un impulso descendente hacia una mayor rendición de cuentas. [ 55 ]

Modelado bayesiano de la mezcla de marketing

El modelado bayesiano de la mezcla de marketing (MMM) es un tipo particular de MMM que utiliza un enfoque probabilístico para gestionar la incertidumbre e integrar datos históricos en los análisis actuales. Esta metodología contrasta con los métodos frecuentistas tradicionales, proporcionando a los profesionales del marketing una visión más matizada del comportamiento del consumidor y la eficacia de las estrategias de marketing. [ 56 ] [ 57 ]

Soluciones de software de código abierto

La mayor adopción de enfoques bayesianos para MMM se ha visto impulsada significativamente por iniciativas de código abierto. Entre ellas destacan herramientas como PyMC-Marketing y LightweightMMM . Estas plataformas utilizan técnicas, como transformaciones de stock publicitario y modelado de efectos de saturación, que ayudan a optimizar los presupuestos y las estrategias de marketing. [ 58 ] [ 59 ]

Innovaciones en MMM bayesiano

El método MMM bayesiano se caracteriza por varias innovaciones clave:

  • Transformación de Adstock: esta función captura el impacto prolongado y acumulativo de la publicidad, lo que permite a los anunciantes ajustar con precisión el momento y la eficacia de las campañas. [ 60 ]
  • Efectos de saturación: el MMM bayesiano ayuda a identificar el punto de rendimientos decrecientes en las inversiones de marketing , lo cual es crucial para una asignación eficiente del presupuesto. [ 61 ]
  • Asignación de presupuesto: Al simular diversos escenarios de marketing, las empresas pueden aprovechar el MMM bayesiano para dirigir su gasto hacia los canales más impactantes, utilizando un marco probabilístico que incorpora la incertidumbre en la optimización. [ 62 ]

Desafíos y oportunidades

Si bien el método MMM bayesiano está ganando popularidad, presenta ciertos desafíos, en particular la necesidad de un profundo conocimiento de la estadística bayesiana y las exigencias computacionales que impone a las organizaciones. Sin embargo, la naturaleza de código abierto de herramientas como PyMC-Marketing ayuda a mitigar estas barreras al fomentar una comunidad de apoyo y el intercambio de recursos.

Otros desafíos a considerar incluyen las limitaciones de datos (cantidades limitadas de datos y variables de entrada correlacionadas), así como el sesgo de selección (por ejemplo, la segmentación de anuncios, la estacionalidad y los efectos de embudo). [ 63 ]

Limitaciones

Si bien los modelos de marketing mix proporcionan mucha información útil, existen dos áreas clave en las que estos modelos presentan limitaciones que deben tener en cuenta todos aquellos que los utilizan para la toma de decisiones. Estas limitaciones, que se analizan con mayor detalle a continuación, incluyen:

  1. El enfoque en las ventas a corto plazo puede subestimar significativamente la importancia de las actividades de creación de capital a largo plazo; y
  2. Cuando se utilizan para la optimización de la combinación de medios, estos modelos presentan un claro sesgo a favor de los medios con una duración específica (como los anuncios de televisión) frente a los medios menos específicos en cuanto al tiempo (como los anuncios que aparecen en revistas mensuales); también pueden producirse sesgos al comparar medios de comunicación de amplio alcance con medios dirigidos regional o demográficamente.

En relación con el sesgo en contra de las actividades de construcción de valor de marca, los presupuestos de marketing optimizados mediante modelos de marketing mix pueden tender demasiado hacia la eficiencia, ya que estos modelos solo miden los efectos a corto plazo del marketing. Los efectos a largo plazo del marketing se reflejan en su valor de marca . El impacto del gasto en marketing sobre el valor de marca generalmente no se captura en los modelos de marketing mix. Una razón es que el tiempo que tarda el marketing en impactar la percepción de la marca se extiende más allá del impacto simultáneo o, en el mejor de los casos, de semanas posteriores del marketing sobre las ventas que miden estos modelos. La otra razón es que la fluctuación temporal en las ventas debido a las condiciones económicas y sociales no significa necesariamente que el marketing haya sido ineficaz para construir valor de marca. Por el contrario, es muy posible que a corto plazo las ventas y la cuota de mercado se deterioren, pero el valor de marca sea en realidad mayor. Este mayor valor debería, a largo plazo, ayudar a la marca a recuperar las ventas y la cuota de mercado. [ 64 ]

Que los modelos de marketing mix sugieran que una táctica de marketing tiene un impacto positivo en las ventas no significa necesariamente que tenga un impacto positivo en el valor de marca a largo plazo. Las diferentes medidas de marketing impactan de manera distinta las ventas de la marca a corto y largo plazo, y ajustar la cartera de marketing para maximizar solo el corto o el largo plazo resultará subóptimo. Por ejemplo, el efecto positivo a corto plazo de las promociones en la utilidad para el consumidor induce a los consumidores a cambiar a la marca promocionada, pero el impacto adverso de las promociones en el valor de marca se mantiene de un período a otro. Por lo tanto, el efecto neto de las promociones en la cuota de mercado y la rentabilidad de una marca puede ser negativo debido a su impacto adverso en la marca. Determinar el ROI de marketing basándose únicamente en los modelos de marketing mix puede llevar a resultados engañosos. Esto se debe a que el marketing mix intenta optimizarlo para aumentar la contribución incremental, pero también impulsa el valor de marca, que no forma parte de la parte incremental medida por el modelo de marketing mix, sino que forma parte de la base. El verdadero " Retorno de la Inversión en Marketing " es la suma del ROI a corto y largo plazo. El hecho de que la mayoría de las empresas utilicen modelos de marketing mix solo para medir el ROI a corto plazo se puede inferir de un artículo de Booz Allen Hamilton , que sugiere que hay un cambio significativo de los medios tradicionales al gasto "below-the-line", impulsado por el hecho de que el gasto promocional es más fácil de medir. Pero los estudios académicos han demostrado que las actividades promocionales son, de hecho, perjudiciales para el ROI de marketing a largo plazo (Ataman et al., 2006). Los modelos de marketing mix a corto plazo se pueden combinar con modelos de valor de marca utilizando datos de seguimiento de marca para medir el "ROI de la marca", tanto a corto como a largo plazo. [ 65 ] Finalmente, el proceso de modelado en sí no debería ser más costoso que la ganancia resultante en rentabilidad; es decir, debería tener un retorno sobre el esfuerzo de modelado (ROME) positivo . [ 66 ]

La segunda limitación de los modelos de marketing mix surge cuando los anunciantes intentan utilizarlos para determinar la mejor asignación de medios entre diferentes tipos de medios. El uso tradicional de los modelos de marketing mix para comparar el dinero invertido en televisión con el invertido en cupones era relativamente válido, ya que tanto los anuncios de televisión como la aparición de cupones (por ejemplo, en un suplemento de prensa escrita en un periódico) tenían una periodicidad muy específica. Sin embargo, a medida que el uso de estos modelos se ha extendido a comparaciones entre una gama más amplia de tipos de medios, se debe actuar con extrema precaución.

Incluso con medios tradicionales como la publicidad en revistas, el uso de MMM para comparar resultados entre diferentes medios puede ser problemático; si bien los modeladores superponen modelos de las curvas de visualización "típicas" de las revistas mensuales, estos carecen de precisión y, por lo tanto, introducen variabilidad adicional en la ecuación. Así, las comparaciones de la efectividad de emitir un anuncio de televisión frente a la efectividad de emitir un anuncio de revista estarían sesgadas a favor de la televisión, con su mayor precisión de medición. A medida que proliferan nuevas formas de medios, estas limitaciones se vuelven aún más importantes a considerar si se van a utilizar MMM para intentar cuantificar su efectividad. Por ejemplo, el marketing de patrocinio, el marketing de afinidad deportiva , el marketing viral , el marketing de blogs y el marketing móvil varían en términos de la especificidad temporal de la exposición.

Además, la mayoría de los modelos de marketing mix intentan incluir todas las actividades de marketing en conjunto a nivel nacional o regional, pero en la medida en que las distintas tácticas se dirigen a diferentes grupos demográficos de consumidores, su impacto puede perderse. Por ejemplo, el patrocinio de Mountain Dew a NASCAR puede estar dirigido a los aficionados de NASCAR, que pueden incluir varios grupos de edad, pero la publicidad de Mountain Dew en blogs de videojuegos puede estar dirigida a la generación Y. Ambas tácticas pueden ser muy efectivas dentro de los grupos demográficos correspondientes, pero, al incluirse en conjunto en un modelo de marketing mix nacional o regional, pueden resultar ineficaces.

El sesgo de agregación, junto con los problemas relacionados con las variaciones en la naturaleza temporal de los distintos medios, plantean serios problemas cuando estos modelos se utilizan de maneras que van más allá de su diseño original. A medida que los medios se fragmentan aún más, es fundamental tener en cuenta estos problemas si se utilizan modelos de marketing mix para evaluar la eficacia relativa de los diferentes medios y tácticas.

Los modelos de marketing mix utilizan el desempeño histórico para evaluar el desempeño del marketing y, por lo tanto, no son una herramienta eficaz para gestionar las inversiones en marketing de nuevos productos. Esto se debe a que la historia relativamente corta de los nuevos productos hace que los resultados del marketing mix sean inestables. Además, la relación entre marketing y ventas puede ser radicalmente diferente en los períodos de lanzamiento y de estabilidad. Por ejemplo, el desempeño inicial de Coca-Cola Zero fue realmente deficiente y mostró una baja elasticidad publicitaria. A pesar de esto, Coca-Cola aumentó su inversión en medios, con una estrategia mejorada y mejoró radicalmente su desempeño, lo que resultó en una efectividad publicitaria que probablemente sea varias veces mayor que la efectividad durante el período de lanzamiento. Un modelo típico de marketing mix habría recomendado recortar la inversión en medios y, en su lugar, recurrir a fuertes descuentos. [ 67 ]

Véase también

Referencias

  1. ↑ Hanssens, Dominique M. (2001). Modelos de respuesta del mercado: análisis econométrico y de series temporales . Springer. ISBN 978-1402073687.
  2. ↑ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). "El efecto a largo plazo de la estrategia de marketing en el rendimiento de la marca". Journal of Marketing Research . 47 (5): 866– 882. doi : 10.1509/jmkr.47.5.866 .
  3. ↑ Tellis, Gerard J. (2006). «Modelado del marketing mix». En Grover, Rajiv; Vriens, Marco (eds.). Manual de investigación de marketing: usos, abusos y avances futuros . pp. 506–522 . ISBN  978-1-4129-0997-6.
  4. ↑ Naik, Prasad A.; Raman, K. (2003). "Understanding the Impact of Synergy in Multimedia Communications". Journal of Marketing Research . 40 (4): 375– 388. doi : 10.1509/jmkr.40.4.375.19383 (inactivo el 13 de enero de 2026).{{cite journal}}: CS1 maint: DOI inactivo desde enero de 2026 ( enlace )
  5. ↑ Leeflang, Peter SH (2015). Modelado de mercados: Análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer. ISBN 978-1493920853.
  6. ^ Wieringa, Jaap E.; van der Lans, Ralf (2018). "Modelado de mezclas de marketing". Manual de análisis de marketing . Eduardo Elgar.
  7. ↑ Hanssens, Dominique M. (2009). Generalizaciones empíricas sobre el impacto del marketing . Marketing Science Institute.
  8. ↑ Naik, Prasad A.; Raman, K. (2003). "Understanding the Impact of Synergy in Multimedia Communications". Journal of Marketing Research . 40 (4): 375– 388. doi : 10.1509/jmkr.40.4.375.19383 (inactivo el 13 de enero de 2026).{{cite journal}}: CS1 maint: DOI inactivo desde enero de 2026 ( enlace )
  9. ↑ "Un repaso sobre el modelado de la mezcla de marketing" . Harvard Business Review . 15 de noviembre de 2017. Consultado el 13 de septiembre de 2025 .
  10. 1 2 Borden, Neil H. (junio de 1964). "El concepto de mezcla de marketing" (PDF) . Journal of Advertising Research . 4 (2): 2– 7. doi : 10.1080/00218499.1964.12519724 . OCLC 222909833 . 
  11. ↑ Culliton, James W. (1948). La gestión de los costos de marketing . Boston: División de Investigación, Escuela de Posgrado de Administración de Empresas, Universidad de Harvard.
  12. ↑ John A. Quelch ; Katherine E. Jocz (Invierno de 2008). "Hitos en marketing" (PDF) . Business History Review . 82 (4). El Presidente y los Miembros del Harvard College: 827–838 . doi : 10.1017/S0007680500063236 . S2CID 154290687 . 
  13. ↑ McCarthy, E. Jerome (1960). Marketing básico: un enfoque gerencial . Richard D. Irwin.
  14. ↑ Booms, B.; Bitner, M. (1981). «Estrategias de marketing y estructuras organizativas para empresas de servicios». En Donnelly, J.; George, WR (eds.). Marketing de servicios . Chicago: American Marketing Association. pp. 47–52 . ISBN  0-87757-148-1.
  15. ↑ Bitner, Mary Jo; Zeithaml, Valarie A.; Gremler, Dwayne D. (2013). Marketing de servicios . McGraw-Hill.
  16. ↑ Hanssens, Dominique M. (2001). Modelos de respuesta del mercado: análisis econométrico y de series temporales . Springer.
  17. ↑ D'Mello, Yolande (26 de septiembre de 2021). "Explicado: Modelado de la mezcla de marketing" . MarTech Vibe . Recuperado el 13 de septiembre de 2025 .
  18. ↑ Leeflang, Peter SH (2015). Modelado de mercados: análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer.
  19. ↑ Hanssens, Dominique M. (2014). Métricas de marketing: La guía definitiva para medir el rendimiento del marketing . Pearson.
  20. ↑ "Incrementalidad: Los fundamentos" . Haus . 13 de febrero de 2025. Consultado el 13 de septiembre de 2025 .
  21. ↑ Blattberg, Robert C.; Eppen, Gary D.; Lieberman, J. (1981). "Una evaluación teórica y empírica de las ofertas de precios para bienes de consumo no duraderos". Journal of Marketing . 45 (1): 116– 129. doi : 10.1177/002224298104500111 .
  22. ↑ Hanssens, Dominique M. (2001). Modelos de respuesta del mercado: análisis econométrico y de series temporales . Springer.
  23. ↑ Leeflang, Peter SH (2015). Modelado de mercados: análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer.
  24. ↑ D'Mello, Yolande (26 de septiembre de 2021). "Explicado: Modelado de la mezcla de marketing" . MarTech Vibe . Recuperado el 13 de septiembre de 2025 .
  25. ↑ Hanssens, Dominique M. (2009). Generalizaciones empíricas sobre el impacto del marketing . Marketing Science Institute.
  26. ↑ "Incrementalidad: Los fundamentos" . Haus . 13 de febrero de 2025. Consultado el 13 de septiembre de 2025 .
  27. ↑ Broadbent, Simon (1979). "Una forma en que funcionan los anuncios de televisión". Journal of the Market Research Society . 21 (3): 139– 166.
  28. ^ Wierenga, Berend (2008). Manual de modelos de decisión de marketing . Saltador.
  29. ↑ Hanssens, Dominique M. (2014). Métricas de marketing: La guía definitiva para medir el rendimiento del marketing . Pearson.
  30. ↑ Leeflang, Peter SH (2015). Modelado de mercados: análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer.
  31. ↑ Danaher, Peter J. (1991). "Fragmentos de programación televisiva y respuesta publicitaria". Journal of Advertising Research . 31 (2): 42– 49.
  32. ↑ Tellis, Gerard J.; Weiss, Dominik (1995). "¿Realmente afecta la publicidad televisiva a las ventas? El papel de las medidas, los modelos y la agregación de datos". Journal of Advertising . 24 (3): 1– 12. doi : 10.1080/00913367.1995.10673478 .
  33. ↑ Gupta, Sunil; Cooper, Lee G. (1992). "El descuento de los descuentos y los umbrales de promoción". Journal of Consumer Research . 19 (3): 401– 411. doi : 10.1086/209308 .
  34. ↑ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). "El efecto a largo plazo de la estrategia de marketing en el rendimiento de la marca". Journal of Marketing Research . 47 (5): 866– 882. doi : 10.1509/jmkr.47.5.866 .
  35. ↑ Tellis, Gerard J. (2006). «Modelado del marketing mix». En Grover, Rajiv; Vriens, Marco (eds.). Manual de investigación de marketing: usos, abusos y avances futuros . pp. 506–522 . ISBN  978-1-4129-0997-6.
  36. ↑ Reddy, RK; Gupta, Amit (12 de septiembre de 2009). "Consigue la mezcla correcta" . The Hindu Businessline .
  37. ↑ Pauwels, Koen (2004). "Cómo la respuesta dinámica del consumidor, la respuesta de la competencia, el apoyo de la empresa y la inercia de la empresa dan forma a la eficacia del marketing a largo plazo". Marketing Science . 23 (4): 596– 610. doi : 10.1287/mksc.1040.0079 .
  38. ↑ Leeflang, Peter SH (2015). Modelado de mercados: análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer.
  39. ↑ Rust, Roland T.; Zahorik, Anthony J.; Keiningham, Timothy L. (1995). "Retorno sobre la calidad (ROQ): Haciendo que la calidad del servicio sea financieramente responsable". Journal of Marketing . 59 (2): 58– 70. doi : 10.1177/002224299505900205 .
  40. ↑ "¿Qué es el modelado de mezcla de medios (MMM)? – Introducción a la planificación de medios" . 16 de marzo de 2023. Consultado el 13 de septiembre de 2025 .
  41. ↑ "¿Cuál es la diferencia entre el modelado de la mezcla de medios y el modelado de la mezcla de marketing?" . Rockerbox . Consultado el 13 de septiembre de 2025 .
  42. 1 2 "¿Qué es el modelado de mezcla de medios (MMM)?" . Medido . Recuperado el 13 de septiembre de 2025 .
  43. 1 2 IAB (2019-11-01). IAB La guía esencial para el modelado de la mezcla de marketing y la atribución multitoque .
  44. ↑ "DATAxSCIENCE: Entendiendo la medición y la atribución" (PDF) . The Advertising Research Foundation (ARF) (Presentación en conferencia). Facebook. 13 de noviembre de 2019. Consultado el 17 de octubre de 2025 .
  45. 1 2 Gordon, Brett R.; Moakler, Robert; Zettelmeyer, Florian (2023). "Incrementalidad predictiva mediante experimentación". arXiv : 2304.06828 [ econ.EM ].
  46. ↑ Experimentos de respuesta publicitaria y su papel en la medición del marketing (Informe). Advertising Research Foundation. 2019.
  47. ↑ "Fundamentos de MMM" . Haus. 2024.
  48. ↑ Lewis, Randall A.; Rao, Justin M. (2015). "La economía desfavorable de medir los retornos de la publicidad". Quarterly Journal of Economics . 130 (4): 1941– 1973. doi : 10.1093/qje/qjv023 .
  49. ↑ Gordon, Brett R.; Zettelmeyer, Florian; Bhargava, Neha; Chapsky, Dan (marzo de 2019). "Una comparación de enfoques para la medición publicitaria: evidencia de grandes experimentos de campo en Facebook" . Marketing Science . 38 (2): 193–225 . doi : 10.1287/mksc.2018.1135 . ISSN 0732-2399 . 
  50. ^ Wierenga, Berend (2008). Manual de modelos de decisión de marketing . Saltador.
  51. ↑ "Ejecutivo de P&G: Los medios minoristas necesitan 'ganarse su lugar' en la mezcla de marketing" . Insider Intelligence . 7 de agosto de 2023. Consultado el 13 de septiembre de 2025 .
  52. ↑ "Un repaso sobre el modelado de la mezcla de marketing" . Harvard Business Review . 15 de noviembre de 2017. Consultado el 13 de septiembre de 2025 .
  53. ↑ Hanssens, Dominique M. (2009). Generalizaciones empíricas sobre el impacto del marketing . Marketing Science Institute.
  54. ↑ Leeflang, Peter SH (2015). Modelado de mercados: análisis de fenómenos de marketing y mejora de la toma de decisiones de marketing . Springer.
  55. ↑ Rust, Roland T.; Ambler, Tim; Carpenter, Gregory S.; Kumar, V.; Srivastava, Rajendra K. (2004). Responsabilidad en marketing . Vol. 68. Journal of Marketing. pp. 76– 89. doi : 10.1509/jmkg.68.4.076.42734 (inactivo el 13 de enero de 2026).  {{cite book}}: CS1 maint: DOI inactivo desde enero de 2026 ( enlace )
  56. ↑ Gelman, Andrew; Hill, Jennifer (2007). Análisis de datos mediante modelos de regresión y multinivel/jerárquicos . Cambridge University Press.
  57. ↑ "Métodos bayesianos para el modelado de mezclas de medios con efectos de arrastre y de forma" (PDF) .
  58. ↑ "LightweightMMM" . GitHub . Consultado el 13 de septiembre de 2025 .
  59. ↑ "Documentación de PyMC-Marketing" . PyMC-Marketing . Consultado el 13 de septiembre de 2025 .
  60. ↑ Feiler, Daniel; Tong, J. (2019). "Métodos bayesianos en marketing". Foundations and Trends in Marketing . 12 (2): 61– 184. doi : 10.1561/1700000058 .
  61. ↑ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). "El efecto a largo plazo de la estrategia de marketing en el rendimiento de la marca". Journal of Marketing Research . 47 (5): 866– 882. doi : 10.1509/jmkr.47.5.866 .
  62. ↑ Gelman, Andrew; Hill, Jennifer (2007). Análisis de datos mediante modelos de regresión y multinivel/jerárquicos . Cambridge University Press.
  63. ↑ Chan, David X.; Perry, Mike (2017). "Desafíos y oportunidades en el modelado de mezcla de medios" . Google Research . Recuperado el 13 de septiembre de 2025 .
  64. ↑ Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). "El efecto a largo plazo de la estrategia de marketing en el rendimiento de la marca". Journal of Marketing Research . 47 (5): 866– 882. doi : 10.1509/jmkr.47.5.866 .
  65. ↑ Cain, Peter (marzo de 2022). "Modelado de los efectos a corto y largo plazo en el proceso de compra del consumidor". Revista Internacional de Investigación en Marketing . 39 (1): 96-116. doi : 10.1016/j.ijresmar.2021.06.006 .
  66. ↑ Thomas, Jerry W. (2006). "Modelado de la mezcla de marketing" . Recuperado el 6 de octubre de 2016 .
  67. ↑ Pauwels, Koen (2004). "Cómo la respuesta dinámica del consumidor, la respuesta de la competencia, el apoyo de la empresa y la inercia de la empresa dan forma a la eficacia del marketing a largo plazo". Marketing Science . 23 (4): 596– 610. doi : 10.1287/mksc.1040.0079 .

Lecturas adicionales

  • Ataman, M. Berk; van Heerde, Harald J.; Mela, Carl F. (2010). "El efecto a largo plazo de la estrategia de marketing en el rendimiento de la marca". Journal of Marketing Research . 47 (5): 866– 882. doi : 10.1509/jmkr.47.5.866 .
  • Tellis, Gerard J. (2006). «Modelado del marketing mix». En Grover, Rajiv; Vriens, Marco (eds.). Manual de investigación de marketing: usos, abusos y avances futuros . pp. 506–522 . ISBN  978-1-4129-0997-6.
Lecturas relacionadas
6 articulos
Inferencia causalInferencia causalLa inferencia causal es el proceso de determinar el efecto real e independiente de un fenómeno particular que es un componente de un sistema más gr...Mezcla de marketingMezcla de marketingEl marketing mix es el conjunto de elementos o variables controlables que utiliza una empresa para influir y satisfacer las necesidades de sus clie...Regresión linealRegresión linealEn estadística , la regresión lineal es un modelo estadístico que estima la relación lineal entre una respuesta escalar ( variable dependiente ) y ...Estadísticas multivariadasLa estadística multivariante es una subdivisión de la estadística que abarca la observación y el análisis simultáneos de más de una variable de res...Serie temporalSerie temporalEn matemáticas , una serie temporal es una serie de puntos de datos indexados (o enumerados o graficados) en orden cronológico. Por lo general, una...VentasVentasLas ventas son actividades relacionadas con la venta o la cantidad de bienes vendidos en un período de tiempo determinado. La prestación de un serv...