Marketing Mix Modeling

Marketing Mix Modeling (MMM)

Definición

El Marketing Mix Modeling (MMM) es una técnica estadística que permite medir el impacto incremental de cada canal de marketing sobre las ventas totales. A diferencia de la atribución multitáctil clásica, el MMM no depende de cookies ni píxeles: trabaja con datos agregados (ventas semanales, inversión por canal, variables externas) y utiliza regresión múltiple para estimar cuánto vendería una marca si no invirtiera en un canal concreto, y cuánto genera ese canal realmente.

En el ecosistema DTC español, donde el mix incluye Meta Ads, Google Ads, TikTok, email, influencers, afiliación y retail media, el MMM se ha convertido en la herramienta clave para responder a una pregunta incómoda: *¿qué parte de mi facturación es realmente incremental y qué parte habría ocurrido igualmente?*

Analogía: el chef y la receta

Imagina que eres chef y preparas una paella. Sabes que el arroz, el azafrán, el marisco y el caldo contribuyen al sabor final, pero no puedes probar cada ingrediente por separado una vez cocinado. El MMM es como un catador estadístico que, analizando muchas paellas pasadas (con distintas cantidades de cada ingrediente y distintas condiciones de cocina), deduce cuánto aporta cada uno al resultado final. El azafrán (tu canal de mayor ROI) puede aportar mucho con poco, mientras que el arroz (branding) aporta volumen pero con retorno más difuso.

Fórmula

El modelo base es una regresión lineal con transformaciones:

$$

Ventas_t = \alpha + \sum_{c=1}^{n} \beta_c \cdot f(Inversión_{c,t}) + \sum_{k=1}^{m} \gamma_k \cdot Control_{k,t} + \epsilon_t

$$

Donde:

- $Ventas_t$: ventas en el periodo $t$ (normalmente semanal).

- $\beta_c$: coeficiente del canal $c$ (su contribución marginal).

- $f(Inversión_{c,t})$: transformación con adstock (efecto residual) y saturación (rendimientos decrecientes).

- $Control_{k,t}$: variables externas (estacionalidad, precio, promociones, clima, competencia).

- $\epsilon_t$: error residual.

Adstock (efecto carry-over):

$$

Adstock_t = Inversión_t + \lambda \cdot Adstock_{t-1}, \quad 0 \leq \lambda < 1

$$

Saturación (Hill function):

$$

Saturada_t = \frac{Inversión_t^\theta}{Inversión_t^\theta + K^\theta}

$$

Ejemplo con datos reales de una marca DTC española de cosmética natural:

- Inversión semanal en Meta Ads: 12.000 €

- Ventas atribuidas por el MMM a Meta: 38.500 €

- ROAS incremental: 3,21x

- Contribución de Meta al total de ventas (185.000 €): 20,8 %

Comparativa: MMM vs. Atribución multitáctil

En España, muchas marcas DTC combinan ambos: MMM para decisiones estratégicas de presupuesto anual y atribución para optimización táctica diaria.

Aplicación en DTC / eCommerce español

1. Reasignación de presupuesto. Una marca de suplementos con sede en Barcelona invierte 80.000 €/mes repartidos así: Meta 40 %, Google 30 %, TikTok 20 %, email 10 %. El MMM revela que TikTok tiene un ROAS incremental de 1,4x mientras que email alcanza 8,7x. La decisión: reducir TikTok un 30 % y reinvertir en email y en Google Brand.

2. Planificación de Black Friday. El MMM permite simular escenarios: si se duplica la inversión en Meta durante la semana del BF, ¿cuánto se incrementan las ventas netas de descuentos? Con datos de 2023 y 2024, el modelo estima un uplift del 18 % con saturación a partir de 25.000 € semanales.

3. Justificar branding ante dirección. El MMM separa la contribución de canales de performance puros de la del branding (TV, OOH, influencers de marca). En una marca de moda DTC, el branding aportó el 34 % de las ventas totales con solo el 12 % de la inversión.

4. Medición cross-device y cross-canal. Cuando el 60 % de los usuarios compran en móvil tras ver un anuncio en Connected TV, el MMM captura ese efecto que la atribución pierde.

Errores comunes

1. Confundir correlación con causalidad. Si inviertes más en Meta en Navidad y las ventas suben, el modelo puede sobreestimar Meta si no controlas estacionalidad. Siempre incluye variables de control.

2. Ignorar la saturación. Asumir linealidad lleva a recomendar “invierte más siempre”. Los rendimientos decrecientes son la norma, no la excepción.

3. Datos insuficientes. Menos de 52 semanas de datos históricos produce modelos inestables. Lo ideal: 2–3 años.

4. No validar con experimentos. El MMM debe contrastarse con geo-lift tests o holdouts. Sin validación, es solo una hipótesis sofisticada.

5. Olvidar el margen. Un ROAS de 4x en un canal con margen del 20 % puede ser peor que un ROAS de 2x en un canal con margen del 60 %. El MMM debe integrarse con datos de contribución.

6. Modelar canales correlacionados. Si Google Brand y Meta siempre suben juntos, el modelo no puede separar sus efectos. Solución: experimentos de calibración.

Términos relacionados

- Adstock / Carry-over effect: efecto residual de la inversión en periodos posteriores.

- Saturación / Rendimientos decrecientes: punto donde más inversión no genera más retorno proporcional.

- ROAS incremental: retorno sobre inversión publicitaria medido como causal, no atribuido.

- Geo-lift test: experimento geográfico para validar el MMM.

- Atribución multitáctil: alternativa basada en usuario, complementaria al MMM.

- Incrementality: principio central del MMM; mide lo que habría pasado sin la acción.

- Baseline: ventas que ocurrirían sin inversión en marketing.

- Contribución de canal: porcentaje de ventas atribuible a cada canal según el modelo.