¿A qué nos referimos cuando hablamos de Marketing Mix Modeling (MMM)?, ¿Y con Conversion Lift Experiment (CLE)? ¿Cuáles son las diferencias y cómo pueden combinarse? Ambas metodologías son muy utilizadas por los anunciantes y comparten el mismo objetivo, medir la eficacia publicitaria, pero utilizando enfoques diferentes. En el artículo “Medición del retorno publicitario en tiempos del Covid” ya revisamos los métodos que existen para estimar el retorno de cada euro invertido y los cambios de medición que se estaban produciendo debido al Covid. Hoy nos centramos en dos de esos métodos, Marketing Mix Modeling (MMM) y Conversion Lift Experiment (CLE).
Por un lado, MMM utiliza datos históricos de series temporales para modelar los resultados de las ventas (u otros KPIs), en función de variables de marketing y otros indicadores como el clima, la estacionalidad, los competidores, etc. A partir de estas variables se obtienen métricas como el retorno de la inversión publicitaria y la optimización de las inversiones. En resumen, el MMM sirve para responder a preguntas estratégicas.
Por otro lado, CLE se alimenta de datos más granulares, pone a prueba una hipótesis específica y garantiza mediciones muy precisas. Es el enfoque indicado para medir el incremento causal de negocio debido a la publicidad, pero trabaja en un perímetro muy específico y delimitado (la exposición a Facebook por ejemplo), sin visibilidad sobre el resto de los drivers que mueven el negocio.
Sin lugar a dudas, la industria publicitaria se encuentra ante el gran reto de encontrar una convergencia entre ambas metodologías, MMM y CLE con el objetivo de lograr una nueva visión unificada de la medición.
En el artículo reciente que hemos publicado, “Exploring Marketing Mix Modeling (MMM) and Conversion Lift Experiment (CLE) blending”, damos todos los detalles sobre cómo podemos unificar los resultados de ambas metodologías sobre un caso de proyecto real llevado a cabo por Deloitte con datos de H&M.
A continuación, cinco conclusiones relacionadas con el artículo:
- Antes de combinar distintos métodos, es recomendable analizar bien los resultados obtenidos por dichos caminos. En muchas ocasiones, los resultados ya estarán alineados de partida y no será necesario aplicar una calibración a los resultados.
- En el caso de que haya divergencia en los resultados, CLE debería primar al combinar resultados, dado que es el enfoque que garantiza que estamos midiendo la incrementalidad debido a una campaña publicitaria.
- Cuántos más experimentos se hayan realizado, más evidencias existirán a la hora de ponderar los resultados. Es recomendable lanzar experimentos en distintas plataformas que lo permitan (Facebook, Google, etc.) y desarrollar experimentos ad-hoc (por ejemplo, geo-experimentos) para contar con el máximo número de observaciones para calibrar los resultados.
- Conocer cada metodología en profundidad es clave para sacar el máximo partido de cada una y entender los motivos que pueden estar afectando a las diferencias.
- La combinación de metodologías (Marketing Mix Modeling, Experimentos y MultiTouch Attribution) es una práctica que está en auge entre los anunciantes. En el futuro cercano, esta aproximación parece ser la única manera de contar con una medición holística del retorno de las acciones de marketing.
