Marketing moderno: modelado mixto de marketing automatizado

En nuestra segunda publicación de marketing, continuamos difundiendo información sobre las herramientas y las mejores prácticas que creemos que pueden llevar el marketing al siguiente nivel. Vemos un gran potencial en las mejores prácticas de marketing modernas, y creemos que la ciencia de datos y el aprendizaje automático han generado y seguirán generando oportunidades para ayudar a las empresas a crecer mediante la transformación de las estrategias y los departamentos de marketing. Queremos ser protagonistas de esta transformación.

En Mutt Data creemos en sistemas eficientes, automatizados y fácilmente personalizables capaces de eliminar los prejuicios humanos y la molestia de las operaciones diarias manuales. La ciencia de datos es la clave del marketing moderno. Estén atentos para ver más publicaciones sobre las mejores prácticas de marketing.

Mantenerse al día con la asignación presupuestaria

La asignación presupuestaria no es un concepto moderno: se ha estudiado durante décadas en empresas tradicionales de todo el mundo. Sin embargo, aunque algunas preguntas empresariales fundamentales siguen siendo las mismas a lo largo de los años, el entorno en el que deben responderse ha cambiado drásticamente. Los mercados actuales son muy complejos y cambian constantemente.

A medida que aumentan cada vez más las formas de gastar el dinero invertido en marketing y dado que el crecimiento de la cuota de mercado, los beneficios y la adquisición de clientes dependen en gran medida del uso de la publicidad para muchas empresas, la diversidad de canales y opciones publicitarias se convierte en un desafío:

¿Cuál es la forma óptima de asignar mi presupuesto de marketing para maximizar mis resultados? Gastar muy poco puede ser tan problemático como gastar demasiado si nuestros fondos de marketing no se asignan adecuadamente.

Esta pregunta no solo se ha vuelto más difícil de responder, sino que las empresas también deben responderla con más frecuencia. En el pasado, el menor flujo de información, la disminución de los canales y las opciones de publicidad hacían que la asignación del presupuesto fuera más sencilla. Tal vez se revisaba una vez al año o cada trimestre. Hoy en día, para seguir siendo competitivas y rentables, casi todas las empresas necesitan ajustar su asignación semanalmente, diariamente o incluso por hora.

Entonces, ¿cómo desglosamos este desafío? Los pagos, las ventas y el rendimiento de las inversiones son variables inciertas. Cuando se trabaja con un número reducido de campañas, afrontar este desafío puede no parecer urgente. Sin embargo, a medida que aumente la cantidad de opciones, también aumentará la complejidad de administrarlas.

Más canales y opciones también significan que debemos entender cuánto contribuye a compartir cada aporte de marketing para optimizar lo que gastamos en cada uno de estos insumos. Puedes obtener más información sobre esto en nuestro artículo reciente entrada de blog donde hablamos de la atribución multitáctil.

Además, hay bastantes desafíos en la asignación del presupuesto, y también hay que tener en cuenta una cuestión de granularidad temporal.

Afortunadamente, a medida que el marketing se vuelve más perspicaz y complejo, también lo hacen las herramientas a nuestra disposición. En los últimos años, el término Marketing Mix Modeling ha ganado mucha atención. Y, por una buena razón, ofrece una solución a nuestro problema en cuestión.

Modelado de mezclas de marketing (MMM) - 101

Modelado de mezclas de marketing es una técnica de análisis estadístico basada en datos que se puede utilizar para cuantificar la eficacia de los diferentes componentes de una estrategia de campaña de marketing en términos de un KPI específico, como las ventas, la cuota de mercado o el retorno de la inversión (ROI).

TL; DR: MMM cuantifica el impacto incremental de una actividad de marketing en los KPI predefinidos. Si invierto un dólar adicional, ¿cuánto afecta a mi KPI?

¿Por qué es esto relevante? El impacto marginal en nuestra campaña, conocido como elasticidad de la campaña, no tiene que ver solo con la diferencia que un dólar adicional tiene en un KPI, sino también con lo que esa diferencia puede decirnos. Imagina una campaña en la que cada dólar adicional invertido tiene como resultado un impacto de un dólar o menos en las ventas. Este resultado ilustraría una campaña saturada que se traduce en una asignación presupuestaria ineficiente.

Este es solo un ejemplo de la utilidad del MMM a la hora de asignar presupuestos entre diferentes campañas, canales o productos. El MMM también se puede utilizar para pronosticar el impacto de diferentes variaciones en la asignación, por ejemplo, del gasto u otras variables en la asignación en campañas futuras.

En un pasado no muy lejano, los especialistas en marketing podrían haber encontrado la mejor combinación posible con excelentes resultados. ¿Cómo? ¿Intuición? ¿Suerte? El problema era que replicar su estrategia era un problema y, por lo tanto, modificarla gradualmente a tiempo para adaptarla a las tendencias de la industria y de los clientes. El MMM es una herramienta más a disposición de los profesionales del marketing para comprender mejor las variables en juego y su efecto en el ROI, las ventas u otros KPI específicos.

Entonces, ¿qué hay detrás de los modelos de mezcla de marketing? La mayoría de los MMM se basan en regresiones multilineales, una técnica en el campo de la estadística utilizada para predecir el resultado de una variable de respuesta o variable dependiente utilizando varias variables explicativas o independientes.

Por ejemplo, si volviéramos a las campañas de marketing, las variables independientes podrían ser el gasto en Facebook, Google Ads o los descuentos segmentados, y la variable dependiente podría ser las ventas, el beneficio neto, el ROI o la cuota de mercado.

¿Cómo funciona el modelado mixto de marketing?

Como la mayoría de los modelos, el combustible habitual para encender el fuego son los datos. Una vez que se definen el alcance del modelo y los KPI relevantes, se deben recopilar los datos. ¿Qué tipo de datos? Esto dependerá de lo que estemos modelando, pero puede estar relacionado con el producto, los precios, las ventas, la industria y la economía. Luego, los científicos de datos proceden a limpiar y procesar los datos. Este primer paso es crucial, los modelos son tan buenos como sus datos.

Con los datos en el tanque, los expertos en datos comienzan a modelar. Este proceso depende del alcance, las cuestiones empresariales pertinentes y los KPI. Los MMM recopilan datos contextuales históricos y analizan las curvas de costos para predecir los ingresos de diferentes canales y campañas, teniendo en cuenta las restricciones y los niveles de gasto.

La siguiente figura ilustra esta parte del proceso. Los puntos rojos representan los datos históricos de una campaña. El área entre las líneas verticales azul y roja es la región factible de restricciones y, por último, la curva ajustada indica los valores de los ingresos y cómo varían en función de los cambios en la variable de gasto.

El departamento de marketing puede establecer restricciones y pueden variar. Por lo general, son requisitos relacionados con el negocio, como un gasto mínimo o máximo o un retorno mínimo de la inversión. Sin embargo, a veces, estas restricciones también pueden depender del tiempo; por ejemplo, pueden tener comportamientos o valores diferentes según el día de la semana que se esté analizando.

No se trata de una tarea de una sola vez. Los modelos se modifican, ajustan y adaptan constantemente a medida que se introducen nuevas entradas de datos. Utilizando Regresión lineal bayesiana buscamos la distribución de costos e ingresos. Este modelo demuestra el marco bayesiano: formamos una estimación inicial (a priori) y mejoramos nuestras estimaciones a medida que recopilamos más datos (a posteriori).

¿Qué hace que los MMM sean atractivos para los vendedores?

Asignación presupuestaria optimizada

El número creciente de canales de marketing, herramientas y formas de gastar nuestro dinero en marketing hace que sea fundamental medir con precisión los beneficios reales que podemos esperar de los diferentes canales. La modelización permite a los profesionales del marketing optimizar sus presupuestos y generar el máximo rendimiento de la inversión.

Visibilidad mejorada/Pruebas de escenarios

No existe una fórmula perfecta para hacer buenos negocios, pero MMM permite a los equipos jugar en diferentes escenarios, respondiendo a preguntas como qué pasaría si ampliáramos este canal un x% o invirtiéramos x $ adicionales aquí. Mejor aún, si necesitamos lograr una mejora del x% en nuestras ventas, ¿cuánto más deberíamos gastar?

Modelado mixto de marketing versus modelado mixto automatizado

Cubrimos los principales aspectos del modelado mixto de marketing. ¿Cuál es el siguiente paso? ¿Cómo puede la automatización hacer que MMM sea aún mejor? El aprendizaje automático y la automatización tienen un papel clave en la próxima generación de modelos mixtos de marketing. Los MMM no están exentos de desafíos, ya que pueden mejorarse. Estas son algunas de las principales diferencias entre el MMM convencional y el modelado de marketing mixto automatizado moderno.

Uno de los mayores desafíos, como ocurre con muchos modelos y sistemas tradicionales, está relacionado con las capacidades de frecuencia y automatización. Los cambiantes patrones de consumo y la complejidad de los mercados hacen que la automatización actual sea tan relevante como lo ha sido siempre.

La automatización desempeña un papel clave a la hora de permitir a las empresas reaccionar rápidamente a los cambios del mercado. La posibilidad de evaluar rápidamente los resultados de los cambios que aplicamos en nuestra combinación de marketing acelera el ciclo de retroalimentación, lo que a su vez conduce a una mayor eficiencia en nuestra asignación presupuestaria.

Los modelos mixtos de marketing más recientes de la actualidad no son manuales, son modelos automatizados basados en el aprendizaje automático y las estadísticas tradicionales. La asignación del presupuesto se puede llevar a cabo a nivel de cuenta, multicanal, campaña, grupo de anuncios o a mayor escala. Garantiza la optimización de los ingresos mediante la solución computacional de problemas matemáticos. Además, los sistemas modernos de asignación presupuestaria pueden tener en cuenta automáticamente las variaciones estacionales y de tendencia sin necesidad de introducir datos manuales ni utilizar variables ficticias.

Una forma en que se automatiza la asignación del presupuesto es mediante un dilema entre exploración y explotación. El presupuesto debe asignarse a diferentes opciones en situaciones de incertidumbre. No sabemos de antemano qué campañas son las más rentables. Por lo tanto, podemos definir estrategias que equilibren continuamente la recopilación de información sobre las campañas (exploración) y el uso de esa información para maximizar los ingresos (explotación) comprometiéndonos a elegir la que consideremos mejor. Esta situación se puede poner a prueba para aprovechar los principios estadísticos y obtener una visión más profunda.

El modelado convencional es manual, lo que lleva más tiempo y, además, se basa en entradas de datos agregados estáticos de varios años. Estos modelos no mantienen tanta calidad en el tiempo y dificultan y hacen que la toma de decisiones oportunas sea más difícil y menos frecuente.

A través de la automatización, es posible actualizar continuamente nuestros modelos con nuevos datos de manera frecuente y dinámica. Al integrarse con las API de los canales, los sistemas automatizados reciben los datos de rendimiento necesarios, los centralizan, los limpian y, a continuación, utilizan modelos para estimar las curvas y encontrar la asignación óptima. ¿La mejor parte? Una vez que se encuentra la asignación presupuestaria óptima, el sistema puede aplicar automáticamente la configuración sugerida sin necesidad de analistas. La toma de decisiones se automatiza con sistemas que se ejecutan todos los días o incluso horas del día para que las decisiones sean relevantes y eficientes.

Al automatizar el proceso de asignación del presupuesto, se reduce el sesgo humano y al ajustar automáticamente los objetivos de la campaña en función de una granularidad temporal específica, es posible detectar campañas de bajo rendimiento en períodos de tiempo más cortos. Además, la frecuencia se puede aumentar para remodelar o volver a optimizar la estrategia a diario o incluso cada hora.

Además, no todos los sistemas pueden explicar el retraso, ya que el efecto de las decisiones publicitarias no siempre afecta a los resultados de forma inmediata. El stock publicitario es un término que se utiliza para describir el efecto retardado que produce una acción publicitaria que aumenta tanto su impacto como su decadencia progresiva.

¿Qué pasa con los datos en sí? Ya dijimos antes que un modelo es tan bueno como lo sean sus datos. Los MMM tradicionales utilizan datos de hojas de cálculo como entrada. Los analistas de marketing recopilan e integran estos datos manualmente. Los sistemas modernos utilizan la integración automática. Mediante el uso de API que recopilan información granular de una variedad de fuentes de datos diferentes, es posible almacenar millones de puntos de datos en bases de datos que nos permiten entrenar mejores modelos.

Por último, los métodos de validación son muy importantes. Cualquier modelo puede estar equivocado. Los modelos MMM estándar utilizan la validación estadística. En la actualidad, cada vez vemos más modelos modernos que utilizan validaciones de verdad básica para mejorar su precisión. Groundtruth proviene del campo de la geografía, cuando las imágenes de satélite se comparaban con el terreno real del que estaban tomando fotografías. Del mismo modo, en el campo del aprendizaje automático, los algoritmos se comparan con las clasificaciones que se conocen en la realidad. Un ejemplo clásico es un filtro de spam. En el caso de MMM. Podemos considerarlo el nuevo estándar de referencia en los sistemas de aprendizaje automático.

¿Por qué Mutt Data?

Nuestra misión en Mutt Data es ayudar a las empresas a impulsar el desarrollo del valor empresarial automatizado productos de datos. Esto significa que estamos interesados en desarrollar soluciones a largo plazo que eliminen la molestia diaria de las operaciones manuales y con sesgo humano, de modo que las personas a las que ayudamos puedan centrarse en la toma de decisiones de alto nivel.

Nuestro equipo de Data Nerds tiene mucha experiencia en el desarrollo de todo tipo de sistemas automatizados para una variedad de propósitos. Desde plataformas publicitarias, licitadores en tiempo real, soluciones de prevención del fraude y sistemas de atribución hasta sistemas de optimización de modelos mixtos. Creemos en soluciones adaptables y escalables con interfaces fáciles de usar que puedan ser utilizadas por equipos no técnicos.

Lo ideal es que la persona a cargo de la modelización combine los conocimientos estadísticos con la experiencia del mercado para comprender tanto las necesidades técnicas del modelo como las variables en juego. En Mutt Data trabajamos con un equipo complementario de expertos en datos que provienen de diferentes orígenes: matemáticos, científicos de datos, ingenieros de datos, economistas, especialistas en marketing y estadísticos.

Durante los últimos tres años, nuestro equipo ha trabajado en innumerables proyectos para algunos de los mercados en línea más grandes del mundo, instituciones financieras de renombre y empresas de telecomunicaciones clave.

Finalizando

Esperamos que esta publicación te haya resultado útil y, al menos, entretenida. Si necesitas ayuda para descubrir la mejor manera de impulsar tu negocio con datos, ya sabes dónde encuéntranos.

Si está interesado en contenido interesante sobre ciencia de datos y aprendizaje automático, visite nuestro blog para publicaciones similares y más información sobre otros proyectos internos como SOAM y Muttlib.