{"id":27327,"date":"2022-09-13T11:49:51","date_gmt":"2022-09-13T09:49:51","guid":{"rendered":"https:\/\/www.makingscience.com\/?p=27327"},"modified":"2022-09-13T11:49:51","modified_gmt":"2022-09-13T09:49:51","slug":"maximiza-tus-ventas-con-marketing-mix-modeling","status":"publish","type":"post","link":"https:\/\/www.makingscience.com\/es\/blog\/maximiza-tus-ventas-con-marketing-mix-modeling\/","title":{"rendered":"Maximiza tus ventas con Marketing Mix Modeling"},"content":{"rendered":"<h3>\u00bfQu\u00e9 es Marketing Mix Modeling?<\/h3>\n<p><span style=\"font-weight: 400;\">Seg\u00fan el paper \u00ab<span style=\"font-weight: 500;\">Challenges and Opportunities in Media Mix Modeling\u00bb de Chan, D., &amp; Perry, M. (2017), el <\/span>Marketing Mix Modeling (MMM)<\/span><span style=\"font-weight: 400;\"> son modelos estad\u00edsticos utilizados por los anunciantes para medir la <\/span><span style=\"font-weight: 400;\">eficacia de su inversi\u00f3n publicitaria<\/span><span style=\"font-weight: 400;\"> y han existido en diversas formas desde la d\u00e9cada de 1960. <\/span><span style=\"font-weight: 400;\">Los MMM, como los llamaremos de ahora en adelante, utilizan <\/span><span style=\"font-weight: 400;\">datos hist\u00f3ricos agregados<\/span><span style=\"font-weight: 400;\"> de series temporales para modelar los resultados de las ventas en funci\u00f3n de las variables publicitarias, de otras variables de marketing y de variables de control como el clima, la estacionalidad y la competencia del mercado.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">M\u00e9tricas como el retorno de la inversi\u00f3n publicitaria (ROAS) y las asignaciones presupuestarias optimizadas de la publicidad se derivan de estos modelos, bas\u00e1ndose en que estos proporcionan resultados causales v\u00e1lidos.<\/span><\/p>\n<p>En otras palabras, los MMM intentan responder a preguntas causales para el anunciante. Por ejemplo:<\/p>\n<ul>\n<li>\u00bfCu\u00e1l fue mi ROAS en televisi\u00f3n el a\u00f1o pasado?<\/li>\n<li>\u00bfCu\u00e1les ser\u00edan mis ventas si se gastara m\u00e1s o menos dinero el pr\u00f3ximo a\u00f1o?<\/li>\n<li>\u00bfC\u00f3mo deber\u00edan asignarse mis presupuestos de medios para maximizar las ventas?<\/li>\n<\/ul>\n<h3><\/h3>\n<h3>\u00bfQu\u00e9 aporta a nuestro negocio Marketing Mix Modeling?<\/h3>\n<p>Con MMM conseguiremos dos cosas diferentes:<\/p>\n<ul>\n<li><strong>Atribuci\u00f3n:<\/strong> conseguiremos un an\u00e1lisis de todas las variables que influyen en los resultados de negocio del cliente y se sabr\u00e1 cu\u00e1les son las m\u00e1s relevantes para potenciarlas. La ventaja frente a los modelos user-level es que en este modelo no se habla solo de datos digitales, si no que al usar datos agregados se podr\u00e1n incorporar datos de inversi\u00f3n offline, tipos de ofertas, temporalidad, entre otros.<\/li>\n<li><strong>Predicciones:<\/strong> podremos descubrir cu\u00e1les han sido las variables m\u00e1s relevantes en el periodo analizado, un MMM indicar\u00e1 c\u00f3mo potenciar cada variable y predecir\u00e1 c\u00f3mo cambiar\u00e1n los resultados en cada escenario que se le plantee.<\/li>\n<\/ul>\n<p>S\u00f3lo podremos realizar <span>activaciones de gran valor pero solo como toma de decisiones y para esto se necesitar\u00e1 un analista que interprete los datos. <\/span><span>No obstante, al usar datos agregados no se tienen localizados los usuarios, por lo que no se podr\u00e1 usar un MMM para activar audiencias u optimizar los algoritmos de las campa\u00f1as.<\/span><\/p>\n<p>&nbsp;<\/p>\n<h3>Eligiendo el mejor modelo para nuestro negocio<\/h3>\n<p>En un proyecto de MMM trabajaremos y crearemos diferentes tipos de modelos y el objetivo inicial ser\u00e1 elegir el que mejor se adapte a nuestro negocio:<\/p>\n<p><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone size-large wp-image-28100\" src=\"https:\/\/www.makingscience.es\/wp-content\/uploads\/2022\/09\/Captura-de-pantalla-2022-09-07-a-las-12.34.46-1024x408.png\" alt=\"\" width=\"1024\" height=\"408\" \/>En el siguiente gr\u00e1fico podemos ver el historial de ventas reales que ha tenido el cliente (l\u00ednea rosa) y tambi\u00e9n vemos c\u00f3mo ha predecido este modelo ese periodo de tiempo (l\u00ednea azul).<\/p>\n<p>Al final elegiremos el modelo que mejor se adapte a la tendencia y a los picos de ventas del cliente.<\/p>\n<p>&nbsp;<\/p>\n<h3>\u00bfQu\u00e9 insights podremos extraer de nuestro modelo MMM?<\/h3>\n<p><strong><strong><img decoding=\"async\" class=\"alignnone size-large wp-image-28116\" src=\"https:\/\/www.makingscience.es\/wp-content\/uploads\/2022\/09\/Captura-de-pantalla-2022-09-07-a-las-12.38.13-1024x502.png\" alt=\"\" width=\"1024\" height=\"502\" \/><\/strong><\/strong><\/p>\n<ul>\n<li><strong><strong>Predicci\u00f3n del incremento potencial de ventas: <\/strong><\/strong>este gr\u00e1fico muestra todas las campa\u00f1as o acciones que se han incluido en el modelo. Los puntos son la inversi\u00f3n y las ventas reales de esa campa\u00f1a, y gracias a las l\u00edneas de tendencia podemos ver el potencial de ventas de cada campa\u00f1a a medida que aumentamos la inversi\u00f3n.<\/li>\n<\/ul>\n<p><strong><img decoding=\"async\" class=\"alignnone size-full wp-image-28105\" src=\"https:\/\/www.makingscience.es\/wp-content\/uploads\/2022\/09\/Captura-de-pantalla-2022-09-07-a-las-12.36.42.png\" alt=\"\" width=\"751\" height=\"617\" \/><\/strong><\/p>\n<ul>\n<li><strong>ROI de las campa\u00f1as y variables: <\/strong>en el gr\u00e1fico podemos ver en azul oscuro el peso en porcentaje de las ventas totales que ha tenido esa campa\u00f1a o acci\u00f3n (calculada por el modelo). En azul claro podemos ver el peso que ha tenido esa acci\u00f3n sobre la inversi\u00f3n total (son datos que le damos al modelo). Y por \u00faltimo, los puntos naranjas nos muestran el ROI de cada acci\u00f3n, identificando cu\u00e1les son las m\u00e1s rentables para nuestro negocio.<\/li>\n<\/ul>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone size-full wp-image-28110\" src=\"https:\/\/www.makingscience.es\/wp-content\/uploads\/2022\/09\/Captura-de-pantalla-2022-09-07-a-las-12.36.47.png\" alt=\"\" width=\"749\" height=\"613\" \/><\/p>\n<blockquote><p>\u00bfQuieres saber m\u00e1s sobre qu\u00e9 puede aportar Marketing Mix Modeling a tu negocio? No dudes en contactar a nuestro equipo de expertos. \u00a1Te esperamos! \ud83d\ude80<\/p><\/blockquote>\n<p style=\"text-align: center;\"><a style=\"border-radius: 15px; padding: 1em; background-color: #f0076f; color: white;\" href=\"https:\/\/www.makingscience.es\/contacto\/\" target=\"_blank\" rel=\"noopener\">Contacta aqu\u00ed<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u00bfQu\u00e9 es Marketing Mix Modeling? Seg\u00fan el paper \u00abChallenges and Opportunities in Media Mix Modeling\u00bb de Chan, D., &amp; Perry, M. (2017), el Marketing Mix Modeling (MMM) son modelos estad\u00edsticos utilizados por los anunciantes para medir la eficacia de su inversi\u00f3n publicitaria y han existido en diversas formas desde la d\u00e9cada de 1960. Los MMM, [&hellip;]<\/p>\n","protected":false},"author":40,"featured_media":28364,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[33],"tags":[270,373,374,375],"class_list":["post-27327","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-martech-adtech","tag-atribucion","tag-marketing-mix-modeling","tag-mmm","tag-prediccion"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts\/27327","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/users\/40"}],"replies":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/comments?post=27327"}],"version-history":[{"count":0,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/posts\/27327\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/media\/28364"}],"wp:attachment":[{"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/media?parent=27327"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/categories?post=27327"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.makingscience.com\/es\/wp-json\/wp\/v2\/tags?post=27327"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}