Como sabes, el Renacimiento fue el periodo en el que se restableció el vínculo perdido con la civilización griega y romana durante la Edad Media, marcando el renacer de la ilustración. La palabra en sí significa “renacimiento”. Por analogía, está ocurriendo un resurgimiento similar con el Marketing Mix Modeling (MMM). Está regresando con fuerza al mundo de la medición de marketing.
¿Qué es MMM?
MMM puede resumirse como un enfoque basado en estadísticas, utilizado desde la década de 1970 para medir el impacto de las actividades de marketing en resultados comerciales como las ventas. En esencia, todos los modelos de MMM son análisis de regresión. La regresión es un método utilizado para medir la relación entre múltiples variables. Por ejemplo, un agricultor podría querer entender la relación entre el rendimiento del cultivo y la cantidad de pesticida, agua y fertilizante usados. Los CMOs tienen la misma necesidad cuando se trata de marketing.
¿Por qué MMM Perdió Popularidad?
Mientras que las empresas de FMCG que no podían rastrear huellas digitales y los minoristas dominados por ventas en tienda siguieron utilizando MMM, la mayoría de las industrias migraron a modelos de negocio digitales —y los métodos de medición siguieron esta transición. Como resultado, modelos deterministas como el last-click y la atribución multitouch se volvieron comunes, mientras que MMM fue perdiendo relevancia.
Expliquemos brevemente la diferencia entre modelos deterministas y modelos de inferencia estadística.
En un modelo de last-click, cuando se analiza el recorrido de compra del usuario, se sabe con certeza que este llegó al sitio web o a la app a través del canal correspondiente en el paso final —esto es determinismo. Sin embargo, el modelo no asigna crédito a los puntos de contacto previos que influyeron en la compra, lo que lo vuelve insuficiente para entender de dónde viene realmente el ingreso.
Esto llevó al surgimiento de modelos de atribución multitouch, que asignan crédito a todos los canales con los que el usuario interactuó durante el recorrido de compra. Aunque estos modelos utilizan algoritmos para distribuir el crédito, el recorrido del usuario sigue siendo completamente rastreable —por lo tanto, siguen siendo deterministas.
No obstante, estos modelos no pueden medir el impacto de canales offline como TV, exterior, radio o prensa, ya que dichos medios no generan huellas digitales rastreables. Herramientas como TV Attribution y MMM son, por lo tanto, modelos de inferencia estadística, funcionales donde el rastreo determinista es imposible. Pero estos modelos son más complejos de implementar: requieren experiencia estadística, recopilación de datos compleja y tienen costos operativos.
¿Por Qué MMM Está Recuperando Popularidad?
Ya hemos explicado la diferencia entre modelos deterministas y estadísticos, así como la comodidad y aparente certeza de la medición digital determinista. Pero aquí va una afirmación contundente: nadie compra un producto únicamente porque vio un anuncio en algún momento. Asignar crédito de ventas directamente a los canales puede ser engañoso.
Las plataformas de analítica son excelentes para observar con qué frecuencia aparecen los canales a lo largo del recorrido del consumidor, pero en los últimos años la medición digital determinista se ha vuelto insuficiente —especialmente para los CFOs que aprueban presupuestos de marketing.
El aumento de la conciencia sobre privacidad, regulaciones más estrictas, políticas de cookies en navegadores, requisitos de consentimiento y uso de bloqueadores de anuncios han provocado pérdidas de datos de hasta el 50% para algunos anunciantes. Cuando la mitad de los datos desaparece, el rastreo determinista deja de ser útil, y la necesidad de modelos estadísticos aumenta. Como resultado, los marketers están redescubriendo MMM.
Google Meridian
En el primer trimestre de 2025, Google lanzó su servicio MMM Meridian como una herramienta de código abierto. Ahora cualquiera puede usarlo de forma gratuita e incluso integrar su código con otros productos. Sin embargo, para utilizar la plataforma de manera efectiva, se necesita una combinación de habilidades estadísticas, de medios y de software —una mezcla poco común.
Cabe destacar que Google ya ofrecía una herramienta MMM de código abierto llamada Lightweight. Sin embargo, Meridian incorpora funciones mejoradas y ha recibido comentarios positivos de sus primeros usuarios. El modelo se basa en la teoría bayesiana, que ofrece un enfoque único ante la incertidumbre:
- Frecuentista: “La temperatura de mañana será de 17°C.”
- Bayesiano: “La temperatura de mañana tiene una media gaussiana de 16°C y una desviación estándar de 1.2°C.”
Así, el método de regresión de Meridian permite decisiones más informadas al cuantificar la incertidumbre. Además, los modelos bayesianos funcionan mejor con conjuntos de datos pequeños o incompletos —a medida que los datos crecen, la incertidumbre disminuye, pero el análisis sigue siendo posible incluso con datos limitados.
¿Dónde Entra Medialyzer?
Como empresa de tecnología de medios especializada en medición, Medialyzer desarrolla análisis basados en modelos estadísticos, visualiza resultados y ayuda a los anunciantes a utilizar sus canales de medios de manera más eficiente —al igual que Meridian.
Con experiencia combinada en estadística, medios y software, Medialyzer destaca como uno de los pocos actores plenamente preparados para utilizar Meridian. Recomendamos adoptar Meridian como complemento de nuestro producto de TV Attribution.
Gracias a los insights proporcionados por MMM, los anunciantes pueden obtener una comprensión más clara sobre la asignación óptima del mix de medios y sobre los efectos de actividades de marketing no relacionadas con medios, así como de factores macroeconómicos en el comportamiento del consumidor.
Para construir tu primer modelo con Meridian, contáctanos hoy en sales@medialyzer.com!
