En este episodio del Podcast Premium, charlo con Pelayo Puerta, especialista en marketing y ciencia de datos que ha convertido la atribución y la causalidad en su superpoder.
De campañas en Google Ads a modelar con Robin y Meridian, su historia es la prueba de que la curiosidad y las ganas de entender el porqué de las cosas pueden cambiar tu vida laboral.
Pelayo empezó en el mundo del marketing, pero pronto se topó con el límite del análisis tradicional.
Lo que empezó como curiosidad por entender mejor los datos de Google Analytics y de las campañas de Google Ads, se convirtió en una pasión por el machine learning y los modelos predictivos.
Tras un máster que no cumplió expectativas, apostó por una formación más práctica que le ayudó a ir uniendo los puntos hasta llegar al marketing mix modeling y empezó a experimentar —literalmente desde cero— con modelos complejos, como Robin en R.
Cuando una empresa lanza campañas publicitarias —en Google, Instagram, YouTube, televisión…— surge una pregunta clave:
¿Qué parte de las ventas se debe a cada canal?
Para intentar responderla, en marketing se usan los modelos de atribución, que son básicamente reglas o algoritmos que asignan “crédito” de una conversión (una venta, un registro, una descarga…) a los distintos puntos de contacto que un usuario ha tenido con la marca.
Por ejemplo:
Esto suena bien, pero tiene un problema: cada plataforma se asigna ventas por su cuenta.
Y si sumas lo que dice Google, Meta, TikTok y demás, acabas con más ventas de las que realmente has tenido. Literalmente.
Además, estos modelos ignoran un montón de factores como descuentos, estacionalidad, notoriedad de marca, etc.
Ahí entra el Marketing Mix Modeling (MMM).
El MMM es un enfoque estadístico que parte de datos agregados (por ejemplo, gasto semanal en anuncios por canal, ventas totales, factores externos) y construye un modelo para estimar el impacto real de cada canal de marketing en las ventas.
No necesita datos individuales ni cookies. Se basa en regresiones (frecuentistas o bayesianas) y busca explicar las ventas, no los clics.
¿Y qué pasa cuando esto tampoco basta?
Incluso con MMM puedes acabar confundiendo correlación con causalidad. Por eso, Pelayo empezó a explorar el siguiente nivel: la inferencia causal.
Mientras que el MMM responde a:
➡️ “¿Qué canal está asociado a más ventas?”
La inferencia causal pregunta:
➡️ “¿Qué pasaría si no invirtiera en este canal?”
➡️ “¿Cuál es el efecto real de esta campaña?”
Con herramientas como geotests, modelos bayesianos o contrafactuales, es posible simular escenarios alternativos y estimar el impacto que de verdad tiene cada decisión de marketing.
Y eso —como dice Pelayo— es el verdadero santo grial.
Si quieres saber más sobre el MMM puedes escuchar este episodio del podcast.
Pelayo es "el tío del Marketing Mix Modeling".
Pero su primera charla sobre Marketing Mix Modeling la propuso cuando todavía no había conseguido correr el modelo.
Desde entonces, no ha parado de divulgar.
En el episodio hablamos sobre la presión de dar charlas técnica, el síndrome del impostor, y el poder de explicar las cosas bien —para los demás, pero también para ti.
Si te interesa el lado más analítico del marketing, el poder de la experimentación o simplemente quieres escuchar a alguien que ha aprendido a base de pelearse con modelos y datos, este episodio es para ti.