\n Nuestra Newsletter <\/h2>\n
\n Recibe en tu bandeja de entrada informaci\u00f3n
exclusiva sobre lo m\u00e1s relevante
del marketing digital. <\/p>\n <\/div>\n\n
\n
\n
Es una pr\u00e1ctica de 50 a\u00f1os basada en los dos principios:<\/p>\n
- \n
- Las ventas de un producto est\u00e1n determinadas por una serie de factores, como su precio, disponibilidad, la cantidad de competidores, tama\u00f1o del mercado, conocimiento del mercado y deseo de los consumidores por el producto, todos ellos estimulados por la publicidad y las ofertas o promociones.<\/li>\n
- Cuando se modifican los diferentes factores que componen esta combinaci\u00f3n, puede medirse el impacto en las ventas. El impacto de los distintos factores puede calcularse a partir de enfoques estad\u00edsticos.<\/li>\n<\/ol>\n
En pocas palabras, la modelizaci\u00f3n del mix de medios pretende comprender el peso relativo de los distintos canales, o de las distintas etapas del recorrido del usuario, en el rendimiento de una campa\u00f1a de medios.
\nLa modelizaci\u00f3n del mix de medios puede aportar una idea de las conversiones y los ingresos de referencia e incrementales. En t\u00e9rminos m\u00e1s simples, los resultados incrementales son el porcentaje de conversiones alcanzadas por los medios de comunicaci\u00f3n que no se habr\u00edan producido sin la acci\u00f3n de marketing. El an\u00e1lisis de los resultados de referencia e incrementales puede revelar el conocimiento y la fidelidad a la marca a largo plazo, as\u00ed como el efecto de las actividades publicitarias a corto plazo y los niveles de competencia.<\/p>\nTradicionalmente, se han utilizado t\u00e9cnicas estad\u00edsticas establecidas, como el an\u00e1lisis de regresi\u00f3n lineal, para realizar estos c\u00e1lculos, pero est\u00e1n surgiendo herramientas m\u00e1s sofisticadas para desarrollar modelos de atribuci\u00f3n mucho m\u00e1s avanzados.<\/p>\n
C\u00f3mo el machine-learning tiene la capacidad de mejorar la modelizaci\u00f3n del mix de <\/strong><\/h2>\n
Desde los a\u00f1os sesenta, los estad\u00edsticos han realizado pacientemente an\u00e1lisis de modelizaci\u00f3n del mix de medios utilizando herramientas econom\u00e9tricas tradicionales, como la regresi\u00f3n lineal, a veces incluso a mano. Pero los datos sobre medios de comunicaci\u00f3n se han vuelto m\u00e1s complejos con el paso de los a\u00f1os, y las deficiencias de los m\u00e9todos tradicionales se han hecho cada vez m\u00e1s evidentes. Del mismo modo, los datos de los medios de comunicaci\u00f3n son cada vez m\u00e1s accesibles y granulares, con la proliferaci\u00f3n de first-party data enriquecidos con la second and thrid-party data. Por \u00faltimo, al haberse disparado la potencia de c\u00e1lculo de machine-learning, se han dado las condiciones adecuadas para la aplicaci\u00f3n de nuevos m\u00e9todos de aprendizaje autom\u00e1tico en el an\u00e1lisis de modelos de an\u00e1lisis para campa\u00f1as de mix de medios.
\nAlgunos de estos enfoques, como Robyn<\/a>\u2014 El software open source semiautomatizado del modelado de marketing mix de c\u00f3digo abierto, lanzada para Meta en 2021 \u2014 intenta simplificar la metodolog\u00eda, permitiendo a los usuarios “volcar” sus datos de costes y conversi\u00f3n en un flujo de procesamiento de datos y generar una selecci\u00f3n de modelos. En resumen, el machine-learning simplifica el proceso: es capaz de ajustar iterativa y r\u00e1pidamente el modelo para lograr un mejor rendimiento.<\/p>\n\u00bfS\u00f3lo tienes que conectar los datos y ya est\u00e1 ?<\/strong><\/h2>\n
\u00bfDe verdad pensabas que con un simple (\u00a1o no tan simple!) aplicaci\u00f3n del machine-learning ser\u00eda suficiente?<\/p>\n
Aunque es t\u00e9cnicamente posible, introducir los datos y confiar que el sistema de machine-learning haga todo el trabajo es un tanto arriesgado, m\u00e1s nos vale cruzar los dedos para que todo vaya bien. Por tanto, ser\u00e1 esencial contar con la aportaci\u00f3n de expertos en data science para desarrollar un modelo de atribuci\u00f3n pertinente y eficaz.<\/p>\n
He aqu\u00ed algunas situaciones en las que una investigaci\u00f3n en profundidad ser\u00e1 necesaria:<\/p>\n
- \n
- Diferentes conjuntos de datos pueden ser m\u00e1s adecuados para diferentes an\u00e1lisis utilizando diferentes tipos de modelos.<\/li>\n
- Los distintos conjuntos de datos pueden beneficiarse del “ajuste” manual de algunos de los par\u00e1metros requeridos por el algoritmo<\/li>\n
- Los resultados del modelo pueden simplemente no ser utilizables: las recomendaciones del modelo de atribuci\u00f3n pueden no estar alineadas con los objetivos de negocio o incluso las t\u00e1cticas recomendadas pueden no desplegarse eficazmente en los canales de marketing que se est\u00e1n utilizando..<\/li>\n
- Un primer an\u00e1lisis preliminar de los datos puede servir para construir modelos m\u00e1s precisos.<\/li>\n<\/ol>\n
Analicemos un poco m\u00e1s este \u00faltimo caso. Por ejemplo, puede que se haya decidido incluir la “b\u00fasqueda de pago” como un \u00fanico canal en el an\u00e1lisis. Inicialmente puede parecer l\u00f3gico, pero dentro de cada canal puede haber diferentes comportamientos de los datos, y estos comportamientos tan diferentes pueden limitar la precisi\u00f3n del modelo:<\/p>\n
![\"\"](\"\/wpe-content\/uploads\/2023\/02\/chart_1-300x200.png\")
<\/p>\nExplorar los datos antes de construir el modelo puede descubrir estas diferencias, por ejemplo, entre campa\u00f1as de palabras clave de marca y gen\u00e9ricas o la variaci\u00f3n de rendimiento entre regiones, lo que puede informar el proceso de construcci\u00f3n del modelo y mejorar su precisi\u00f3n.<\/p>\n
![\"\"](\"\/wpe-content\/uploads\/2023\/02\/chart_2-300x200.png\")
<\/p>\nLa miop\u00eda causada por patrones ocultos en un conjunto de datos concatenados puede llevar a decisiones cuestionables que desemboquen en una asunci\u00f3n de riesgos innecesaria, y por tanto siendo un desastre para la rentabilidad de la campa\u00f1a.<\/p>\n
\n \n \n\n