Durante más de una década, medir el marketing digital fue relativamente sencillo: cada clic dejaba un rastro, cada conversión tenía un dueño y bastaba con mirar el último clic para saber a quién dar el crédito. Ese mundo está desapareciendo. Entre el fin de las third-party cookies, las restricciones de tracking en iOS y unas normas de privacidad cada vez más estrictas, las herramientas que dependían de seguir al usuario individual han perdido buena parte de la visión.
Es en este contexto donde el Marketing Mix Modeling (MMM) ha vuelto con fuerza. No es una técnica nueva — proviene de la econometría aplicada al retail y a los bienes de gran consumo — pero de repente se ha vuelto relevante para empresas que antes vivían cómodas con la atribución por clics. La promesa es sencilla: entender cuánto contribuye cada canal a las ventas usando solo datos agregados, sin necesidad de saber nada sobre ninguna persona concreta.
Este artículo explica qué es el MMM, por qué vuelve a tener sentido, cómo funciona por dentro y qué necesitas para empezar — sin prometer magia y sin esconder las limitaciones.
Qué es el Marketing Mix Modeling
El MMM es una técnica estadística que relaciona lo que inviertes en marketing con lo que le ocurre al negocio. En la práctica, se construye un modelo — normalmente una regresión — que intenta explicar una variable de resultado (ventas, ingresos, número de pedidos) a partir de varias variables de entrada: inversión en cada canal de media, precio, promociones, estacionalidad y factores externos como el clima o la actividad de la competencia.
En lugar de seguir el recorrido de un usuario, el MMM mira el conjunto. Pregunta: "en las semanas en que invertimos más en televisión, ¿subieron las ventas más de lo esperado?" Repite esa pregunta para cada canal, a lo largo de meses o años de histórico, y separa el efecto de cada uno. El resultado es una estimación de la contribución de cada euro invertido — y, con ella, una base para decidir dónde invertir a continuación.
Por qué el MMM vuelve a estar de moda
La razón más obvia es la privacidad. El MMM trabaja con datos agregados — totales semanales de inversión y de ventas — y nunca necesita identificar a nadie. No depende de cookies, de device IDs ni de consentimiento individual, por lo que es inmune a los cambios que están desmantelando la atribución basada en el usuario.
Hay una segunda razón, menos comentada: el MMM ve lo que la atribución digital no ve. Puede medir el efecto de canales offline (televisión, radio, vallas, patrocinios), de la notoriedad de marca e incluso de factores que no controlas, como la meteorología o un festivo. Donde la atribución por clics es miope — solo cuenta lo que es clicable y rastreable — el MMM da una visión de arriba abajo, del negocio entero.
MMM y atribución no son lo mismo
Conviene no confundirlos. La atribución multi-touch parte de abajo hacia arriba: sigue eventos individuales y reparte el crédito de la conversión entre los distintos puntos de contacto de cada persona. Es granular, casi en tiempo real, pero ciega para todo lo que no es rastreable y cada vez más limitada por la privacidad.
El MMM hace lo contrario: parte de arriba hacia abajo, con datos agregados y una ventana temporal larga. Es más lento (necesita histórico) y menos granular (no te dice qué hacer mañana por la mañana), pero es robusto ante la privacidad y lo abarca todo, online y offline. Muchos equipos maduros no eligen entre ambos — usan el MMM para las grandes decisiones de asignación y la atribución para la optimización del día a día, y cruzan ambos con tests de incrementalidad para validar.
Cómo funciona por dentro: adstock y saturación
Dos conceptos separan un MMM serio de una regresión ingenua. El primero es el adstock, o efecto de arrastre: el impacto de un anuncio no desaparece el día en que se emite. Quien ve una campaña hoy puede comprar dentro de dos semanas. El modelo tiene que distribuir el efecto a lo largo del tiempo, con una cola que decae gradualmente.
El segundo es la saturación, o rendimientos decrecientes. Los primeros mil euros en un canal suelen rendir mucho; los siguientes mil rinden menos; a partir de cierto punto, invertir más apenas mueve la aguja. Un buen MMM modela esta curva para cada canal — y es precisamente ahí donde está el valor, porque revela qué canales aún tienen espacio para crecer y cuáles ya están saturados.
Juntando las piezas, el modelo separa las ventas en dos partes: la base — lo que venderías incluso sin invertir en marketing, por la fuerza de la marca, la distribución y el hábito — y el incremental, la parte que el marketing generó efectivamente. Es el incremental lo que interesa optimizar.
Qué datos necesitas reunir
El MMM es exigente en histórico, pero modesto en granularidad. No necesitas datos personales; necesitas series temporales consistentes, idealmente de dos a tres años, con frecuencia semanal. El mínimo suele incluir:
- Inversión por canal y por semana — media pagado, pero también costes de canales propios siempre que sea posible.
- Variables de resultado — ventas, ingresos o pedidos, con la misma granularidad temporal.
- Precio y promociones — descuentos y campañas lo distorsionan todo si quedan fuera.
- Estacionalidad y calendario — festivos, temporadas altas, Black Friday.
- Factores externos — meteorología, indicadores económicos, acciones relevantes de la competencia, cuando estén disponibles.
La calidad de estas series importa más que la sofisticación del modelo. Un histórico con huecos, canales mal clasificados o promociones no registradas produce un modelo confiado y equivocado — lo peor de ambos mundos.
Del modelo a la decisión: optimizar el presupuesto
Un MMM solo vale el esfuerzo si cambia decisiones. Una vez estimadas las curvas de respuesta de cada canal, el siguiente paso es la optimización: dado un presupuesto total, ¿cómo repartirlo para maximizar el retorno? La matemática es la de igualar el retorno marginal entre canales — quitar de lo que ya está saturado y poner donde aún hay retorno por crecer.
El output útil no es un número mágico de ROI, sino escenarios. "Si mantenemos el presupuesto pero lo reasignamos así, esperamos +8% de ingresos incrementales." "Si recortamos un 15%, es de aquí de donde hace menos daño quitar." Son conversaciones que una dirección de marketing puede tener con una dirección financiera — y esa es la verdadera entrega del MMM.
Errores comunes al construir un MMM
El error más frecuente es confundir correlación con causalidad. Si siempre inviertes más en búsqueda de pago en el pico de ventas, el modelo puede atribuir a ese canal un mérito que en realidad es de la estacionalidad. De ahí la importancia de incluir bien las variables de contexto y, siempre que sea posible, validar con experimentos.
Otros errores clásicos: histórico demasiado corto para que el modelo aprenda; canales agregados a un nivel que esconde diferencias (juntar todo lo "digital" en un solo número); ignorar el adstock y la saturación, tratándolo todo como lineal; y, quizá el más peligroso, presentar las estimaciones como certezas. Un MMM devuelve intervalos, no verdades absolutas — comunicar la incertidumbre forma parte de usarlo bien.
Mini-caso: reasignar el 20% del presupuesto en una marca de retail
Imagina una empresa de retail con presencia online y en tienda, que invierte alrededor de 1,2 millones de euros al año en marketing, repartidos entre búsqueda de pago, redes sociales, televisión y catálogos en papel. La atribución digital daba casi todo el crédito a la búsqueda de pago, y la tentación era recortar la televisión, que "no se veía" en los informes.
Al construir un MMM con tres años de histórico semanal, el cuadro cambió. La búsqueda de pago estaba saturada: los últimos euros rendían poco. La televisión, invisible para la atribución, mostraba un adstock largo y una contribución real a la base de ventas online — la gente veía el anuncio y luego buscaba la marca directamente. Sobre esta base, el equipo reasignó cerca del 20% del presupuesto de la búsqueda de pago saturada a televisión y a un canal social infrainvertido, sin aumentar el gasto total. En los dos trimestres siguientes, los ingresos incrementales estimados subieron cerca de un 7%, con la misma inversión. No fue magia: fue dejar de sobreinvertir donde ya no había retorno.
Herramientas para empezar
No necesitas comprar una plataforma cara para experimentar. Existen bibliotecas open-source maduras: Robyn, de Meta, y Meridian, de Google (que sucedió a LightweightMMM), permiten construir un MMM con un enfoque semiautomatizado y buena documentación. Exigen conocimientos de estadística y de programación — típicamente en R o Python — pero eliminan la barrera del coste de licencia.
Para una primera iteración, lo más sensato es empezar pequeño: un mercado, una línea de producto, datos limpios de dos años. Un modelo simple que el equipo entiende y en el que confía vale más que un modelo sofisticado que nadie sabe explicar.
En la práctica
El Marketing Mix Modeling no es la bala de plata que sustituye todo lo demás, pero es la respuesta más sólida a la pregunta que la privacidad volvió difícil: "¿está funcionando mi marketing, y dónde?". Trabaja con datos agregados, respeta la privacidad por diseño y ve el negocio entero — online, offline y marca.
Si hoy dependes casi solo de la atribución por clics, el siguiente paso no es tirarla, sino complementarla. Reúne dos o tres años de histórico semanal, empieza con un modelo simple, valídalo con una prueba real siempre que puedas, y úsalo para las decisiones que más pesan: dónde asignar el presupuesto. Ahí es donde el MMM paga su trabajo.
