En el episodio de hoy de Un podcast ninja sobre Big Data hablamos de optimizar el presupuesto de marketing con Inteligencia Artificial, de Marketing Mix Modeling y de regresiones lineales.
Hace unas semanas hablamos del uso de la Inteligencia Artificial y el Machine Learning en marketing, entre los que destaca la publicidad segmentada.
Pero no es oro, todo lo que reluce...
Uno de los grandes avances en marketing ha sido la capacidad de segmentar la publicidad.
Esto se logra gracias al rastreo de la información que los usuarios dejamos al utilizar diversas aplicaciones. Cada vez que usamos servicios como Google Maps, Gmail, Facebook o Instagram, generamos datos que revelan nuestros intereses y comportamientos.
Esta información es oro puro para los departamentos de marketing, ya que permite dirigir anuncios específicamente a aquellos que tienen más probabilidades de estar interesados en los productos o servicios ofertados.
Sin embargo, con el creciente enfoque en la privacidad de datos y la opción de rechazar las cookies de navegación, se ha vuelto mucho más difícil rastrear y recopilar información detallada sobre los usuarios.
Las regulaciones de privacidad, como el Reglamento General de Protección de Datos (GDPR) en Europa, y la mayor concienciación del público sobre la privacidad, han limitado la capacidad de las empresas para seguir utilizando estas estrategias de rastreo.
Como resultado, los profesionales del marketing están buscando alternativas que no dependan tanto del rastreo de usuarios mediante cookies. Aquí es donde entra en juego el Marketing Mix Modeling (MMM).
El Marketing Mix Modeling (MMM) es una técnica utilizada para entender el impacto de diferentes variables de marketing en los resultados de una empresa, como las ventas. Este enfoque se basa en el concepto de Marketing Mix popularizado por Neil Borden en los años 60.
Neil Borden introdujo la idea del Marketing Mix en los años 60, estableciendo las bases para lo que hoy conocemos como las "4P's": Producto, Precio, Plaza y Promoción.
El Marketing Mix Modeling modela el impacto de cada variable en los resultados de ventas o cualquier otro objetivo de rendimiento de una compañía.
Las variables incluyen diferentes canales de marketing como anuncios en televisión, radio, prensa, Google Ads, Facebook Ads, Instagram, entre otros.
Cuando una empresa realiza una campaña publicitaria, suele asignar su presupuesto a varios canales simultáneamente, como televisión, redes sociales, y YouTube, entre otros. Esta estrategia de distribución de recursos a múltiples plataformas permite llegar a una audiencia más amplia, pero complica la medición de la efectividad de cada canal individual.
Tradicionalmente, el rastreo de cookies ha permitido a las empresas identificar la procedencia de los compradores en los canales online.
Por ejemplo, si un cliente realiza una compra después de hacer clic en un anuncio en redes sociales o en una búsqueda en Google, esta información puede ser rastreada. No obstante, esta estrategia no abarca canales más tradicionales como la televisión o la radio, y además, con el aumento de las preocupaciones sobre privacidad, cada vez es más difícil utilizar datos detallados de los usuarios individuales.
Determinar si las ventas aumentaron gracias a anuncios en televisión, promociones en Facebook, o una combinación de ambos, se complica aún más debido a la variabilidad de los impactos según la audiencia, el tiempo, y otras circunstancias externas, como si estamos en plena campaña navideña.
Factores que influyen en el comportamiento de compra.
Aquí es donde el Marketing Mix Modeling (MMM) entra en juego. El MMM analiza los datos históricos de ventas y gastos en marketing para desentrañar el impacto individual de cada canal en las ventas totales o en cualquier otro objetivo de rendimiento.
Utilizando modelos de Machine Learning, el MMM ayuda a las empresas a comprender mejor cómo distribuir su presupuesto de manera óptima y maximizar el retorno de la inversión en marketing.
La regresión lineal es uno de los modelos más utilizados en el Marketing Mix Modeling debido a su simplicidad y capacidad de explicabilidad.
La regresión lineal es uno de los primeros modelos que se enseñan en cursos de Machine Learning debido a su simplicidad. Este modelo permite cuantificar la relación entre variables independientes (gastos en diferentes canales de marketing) y la variable dependiente (ventas).
En MMM, la variable objetivo suele ser las ventas, mientras que las variables independientes pueden incluir el presupuesto gastado en televisión, Google Ads, Facebook Ads, la frecuencia de anuncios, promociones, eventos especiales como campañas de Navidad, y factores macroeconómicos como el IPC.
Con este conjunto de características nos montamos un dataset de entrenamiento en el que recolectaremos todas esas variables durante muchas semanas.
El dataset de entrenamiento lo que hace es mapea semanalmente lo que nos gastamos en cada canal de marketing, las métricas que reflejan a cuánta gente llegaron los anuncios de cada canal y el resto de características de interés que hayamos conseguido recolectar con la variable objetivo. Por ejemplo, el volumen de ventas entrenamos un modelo de regresión lineal.
La regresión lineal calcula la variable objetivo, sumando las características de nuestro dataset multiplicadas por un coeficiente.
El coeficiente no es más que un numerito, no tiene misterio.
Durante el entrenamiento del modelo, estos coeficientes se ajustan usando nuestros datos históricos para encontrar la mejor combinación que predice las ventas.
Supongamos que una semana se gasta 100 € en Google Ads y 50 € en Facebook Ads, obteniendo ventas por valor de 500 €.
La semana siguiente se gasta 150 € en Google Ads y 100 € en Facebook Ads, resultando en ventas de 800 €.
Utilizando estos datos, la regresión lineal ayuda a entender cuál de los canales de marketing es más efectivo.
Una de las mayores ventajas de la regresión lineal es su capacidad de explicabilidad.
A diferencia de otros modelos de Machine Learning más complejos, la regresión lineal proporciona coeficientes claros y comprensibles.
Estos coeficientes indican cuánto impacto tiene cada variable de marketing en las ventas, lo que permite a los analistas y a los departamentos de marketing entender fácilmente cómo cada canal contribuye a los resultados.
La regresión lineal no solo es sencilla de entender y aplicar, sino que también es extremadamente eficaz para proporcionar insights valiosos sobre el impacto de cada canal de marketing.
Esto hace que sea una herramienta esencial para cualquier estrategia de optimización del presupuesto de marketing, permitiendo a las empresas tomar decisiones informadas y maximizar su retorno de inversión.
Una vez que hemos entrenado nuestro modelo de regresión lineal con datos históricos de ventas y nuestros datos de marketing podemos usarlo para optimizar los presupuestos de cada uno de los canales.
Es posible simular diferentes escenarios de gasto y ver cómo afectarían a las ventas.
Recordad que al tener un modelo de regresión lineal nos es posible saber cuáles son las características más significativas a la hora de obtener la variable objetivo y por tanto poder darle asignarle más chicha a ese canal.
La regresión lineal puede no capturar completamente las complejidades del comportamiento del consumidor y las interacciones entre diferentes canales de marketing.
No modela comportamientos muy comunes en marketing como el Adstock y la Saturación:
La idea sería ser capaces de incluir estos efectos también en el modelo lo cuál hace que se complique un poco la cosa para diseñarlos desde cero.
Peeero para eso existen proyectos de código abierto que resuelven el problema.
Para superar las limitaciones de la regresión lineal, existen herramientas y proyectos open source que implementan conceptos avanzados de Marketing Mix Modeling.
Estos proyectos ofrecen herramientas para optimizar el presupuesto de marketing una vez se ha entrenado el modelo.
Tenemos dos aproximaciones:
Como veis, la optimización del presupuesto de marketing con modelos de Machine Learning, como la regresión lineal, puede ser una herramienta poderosa para maximizar el impacto de las campañas. Aunque tiene sus limitaciones, con el uso de conceptos avanzados y herramientas open source, es posible lograr resultados significativos.
Si os ha interesado esto del Marketing Mix Modeling os recomiendo que os veais la charla completa de Pelayo en la Datolada.
Espero que os guste el episodio.
Si es así, no olvidéis dejar un «Me gusta» y algún comentario al episodio en Ivoox o una valoración de 5 estrellas del podcast en Apple podcasts, en Spotify, en Youtube o donde quiera que escuchéis el podcast.
Recordad que si tenéis cualquier duda o pregunta podéis contactar conmigo a través del formulario de contacto o podemos seguir la conversación en Twitter.
Muchas gracias por estar ahí y os espero en el próximo episodio de Un Podcast Ninja sobre Big Data.